Séries de Temporais

MEST198

Metodologia de Box-Jenkins

Professor: Osmani Teixeira de Carvalho Guillén

Aula 3 – 28/09/2017

Prof. Osmani Guillén MEST198 - Séries Temporais 1

Metodologia de Box-Jenkins
Introdução

Método empírico de três estágios que visa selecionar um modelo apropriado para a
estimação e previsão de séries de tempo univariadas:

1. Identificação e seleção do modelo: determinamos a ordem do(s) modelo(s)

identificados (p, d e q) com o objetivo de capturar as características dinâmicas
dos dados. Para a identificação em geral usamos gráficos dos dados, a função
autocorrelação (FAC) e a função autocorrelação parcial (FACP).

2. Estimação de parâmetros e critérios de informação: estima-se os parâmetros dos

diferentes modelos (escolhidos no passo 1). Selecionamos um primeiro conjunto
de modelos usando critérios de informação.

3. Verificação do modelo (diagnóstico): determinamos se os modelos selecionados e

estimados são adequados. Usamos o diagnóstico dos resíduos.

Prof. Osmani Guillén MEST198 - Séries Temporais 2

Metodologia de Box-Jenkins
Fluxograma
- Análise gráfica
Identificação
- FAC e FACP

- MQO
Estimação
- Máxima verossimilhança.

- Análise dos resíduos

Diagnóstico
- Previsões.

Modelo
Não bom?
Sim
- Previsão
Usar o modelo - Explicar fenômeno econômico
- Controle

Prof. Osmani Guillén MEST198 - Séries Temporais 3

Metodologia de Box-Jenkins
Identificação

Objetivos da identificação:

1. Verificar estacionariedade. Se os dados são não estacionários testamos se a

tendência é estocástica ou determinística:

1. Se a tendência é estocástica verificamos a ordem de integração (d).

2. Se a tendência é determinística, retiramos esta tendência.

2. Existe componente sazonal (ARIMA versus SARIMA).

3. Identificação da ordem (p, q) do processo ARMA.

Prof. Osmani Guillén MEST198 - Séries Temporais 4

Metodologia de Box-Jenkins
Identificação

1. Examinar as séries visualmente para tentar identificar:

outliers;
quebras estruturais;
missing values;

Nesta etapa podemos tentar identificar se a série é estacionária.

Séries não estacionárias têm uma tendência pronunciada ou não possuem

média ou variância de longo prazo.

Em geral corrigimos a não estacionariedade da série de tempo fazendo:

detrending: tendência determinística

X
diferenciando: tendência estocática:
Prof. Osmani Guillén MEST198 - Séries Temporais 5
Metodologia de Box-Jenkins
Identificação – exemplo de série não estacionária
Y
DY
1,000
16

800
12

600 8

400 4

0
200

-4
0

-8
-200
50 100 150 200 250 300 350 400 450 500 -12
50 100 150 200 250 300 350 400 450 500
DDY
3

-1

-2

-3

-4
50 100 150 200 250 300 350 400 450 500

Prof. Osmani Guillén MEST198 - Séries Temporais 6

Metodologia de Box-Jenkins
Identificação

Para a identificação da ordem de integração podem ser utilizados dois

procedimentos:

 Procedimento gráfico: plotamos os dados e a FAC.

 Se a FAC não decresce para zero ou decresce lentamente devemos suspeitar

de não estacionariedade (efeitos de memoria longa).

 Box & Jenkins (1976) recomendam o seguinte procedimento:

1. Diferenciar a série e plotar a FAC;

2. Repetir o passo anterior até a FAC parecer a de um processo
estacionário;
3. Checar a função autocorrelação inversa para evitar sobre diferenciação.

 Procedimento usando teste estatístico: teste de raiz unitária.

Prof. Osmani Guillén MEST198 - Séries Temporais 7

Metodologia de Box-Jenkins
Identificação – determinando a ordem de integração (d)

Prof. Osmani Guillén MEST198 - Séries Temporais 8

Metodologia de Box-Jenkins
Identificação – Sazonalidade

Definição Hylleberg (1992):

Seasonality is the systematic, although not necessarily regular, intra-year movement

caused by the changes of the weather, the calendar, and time of decisions, directly or
indirectly through the production and consumption decisions made by the agents of
the economy. These decisions are influenced by endowments, the expectations and
preferences of the agents, and the productions techniques available in the economy.

Prof. Osmani Guillén MEST198 - Séries Temporais 9

Metodologia de Box-Jenkins
Sazonalidade

Possíveis causas da sazonalidade:

 Condições naturais: temperatura (acréscimo de consumo de água no verão),

precipitação, horas de sol, etc.

 Calendário (comportamento social e cultural): natal, páscoa, feriados móveis

(carnaval), número de dias úteis, etc.

 Decisões administrativas e burocráticas: férias, impostos anuais, pagamentos

de dividendos, etc.

 Finanças: efeitos intradiários, dia da semana, mês do ano, etc...

 Alguns destes efeitos são previsíveis, outros imprevisíveis.

 Variações sazonais podem ser maior parte da variação total da série.

Prof. Osmani Guillén MEST198 - Séries Temporais 10
Metodologia de Box-Jenkins
Identificação – Sazonalidade (Ajuste Sazonal)

 Ajuste sazonal é o processo de estimar e remover da série de tempo efeitos que

são sistemáticos ou relacionados com efeitos calendário.

 O ajuste sazonal é importante para que o "movimento real" da série, como

também certas características não sazonais, de interesse, sejam reveladas.

 A identificação e a remoção de efeitos sazonais será de difícil implementação se

componentes irregular e tendência dominam a série de tempo, podendo levar à
introdução de sazonalidade artificial.

Prof. Osmani Guillén MEST198 - Séries Temporais 11

Metodologia de Box-Jenkins
Sazonalidade

AIRLINE
700

600

500

400

300

200

100

0
49 50 51 52 53 54 55 56 57 58 59 60

Prof. Osmani Guillén MEST198 - Séries Temporais 12

Metodologia de Box-Jenkins
Identificação – Sazonalidade (Tratamento)

 Se o efeito sazonal existe, pode ser observado através de:

 Gráfico da série;

 A FAC;

 A densidade espectral.

 Quais são as opções para trabalhar com dados sazonais?

 Trabalhar com dados com ajuste sazonal;

 Modelar conjuntamente os componentes sazonais e não sazonais.

Prof. Osmani Guillén MEST198 - Séries Temporais 13

Metodologia de Box-Jenkins
Identificação

2. Examinar as funções autocorrelação e autocorrelação parcial.

Nesta etapa usamos calculamos as

I. autocovariâncias amostrais;
II. autocorrelações amostrais;

para identificar o(s) processo(s) que podem descrever nossa série de

dados.

Em geral queremos chegar a um processo ARMA(p,q) parcimonioso.

Prof. Osmani Guillén MEST198 - Séries Temporais 14

Metodologia de Box-Jenkins
Identificação – formatos da FAC
 Decaimento exponencial para zero: modelo autoregressivo. Usamos a FAC
para identificar a ordem p).

 Decaimento exponencial oscilatório para zero: modelo autoregressivo.

Usamos a FAC para identificar a ordem p.

 Um ou mais picos na FAC: média móvel. A ordem, q, pode ser identificada ao

observar quando a autocorrelação se torna zero.

 Decaimento exponencial depois de alguns lags: mistura do processo

autoregressivo e media móvel.

 Autocorrelações não significativas: ruído branco.

 Valores altos em intervalos fixos: processo com componente sazonal.

 FAC sem decaimento ou decaimento lento: processo não estacionário (I(1)).

Prof. Osmani Guillén MEST198 - Séries Temporais 15
Metodologia de Box-Jenkins
Identificação – determinação do (p, q)
Processo Função autocorrelação Função autocorrelaçao parcial
Ruído Branco s = 0 (s  0). ss = 0 (s  0).

AR(1):  > 0 Decaimento exponencial: s = s. 11 = 1; ss = 0 para s > 2.

AR(1):  < 0 Decaimento oscilatório: s = s. 11 = 1; ss = 0 para s > 2.

AR(p) Decai. Coeficientes podem oscilar. Picos até o lag p. ss = 0 para s > p.

MA(1):  > 0 Pico positivo (s=1). s = 0 para s  2. Decaimento oscilatório: 11 > 0.

MA(1):  < 0 Pico negativo (s=1). s = 0 para s  2. Decaimento geométrico: 11 < 0.

Decaimento exponencial, começa no Decaimento oscilatório, começa no lag

ARMA(1,1):  > 0
lag 1. Sinal(1) = Sinal(+) 1. 11 = 1.
Decaimento oscilatório, começa no lag Decaimento exponencial, começa no
ARMA(1,1):  < 0
1. Sinal(1) = Sinal(+) lag 1. 11 = 1 e Sinal(ss) = Sinal(11)
Decaimento exponencial ou oscilatório, Decaimento exponencial ou oscilatório,
ARMA(p,q):
começando no lag q. depois do lag p.
Fonte: Applied Econometric Time Series, Walter Enders, página 66.

Prof. Osmani Guillén MEST198 - Séries Temporais 16

Metodologia de Box-Jenkins
Estimação

Na prática, identificamos as ordens dos polinômios (p, q) usando a FAC e FACP em

um processo de tentativa e erro com mais ou menos subjetividade na interpretação
destas funções. Dados reais dificilmente terão padrões simples. São usados vários
modelos ARMA(p, q) na tentativa de ajustar os coeficientes i e i:

Y t  c  1Y t 1     p Y t  p   t   1 t 1     q  t  q

A ideia fundamental na metodologia Box-Jenkins é a parcimônia (pequena

quantidade de lags).

Prof. Osmani Guillén MEST198 - Séries Temporais 17

Metodologia de Box-Jenkins
Estimação

Y t  c  1Y t 1     p Y t  p   t   1 t 1     q  t  q

Aumentando o número de coeficientes (i e i), aumentamos o ajuste

E consequentemente o R2.

Aumentar o número de coeficientes  custo (reduzir graus de liberdade).

Box-Jenkins argumentam que um modelo parcimonioso produz

previsões melhores que um modelo com muitos parâmetros.

Prof. Osmani Guillén MEST198 - Séries Temporais 18

Metodologia de Box-Jenkins
Estimação

Na seleção do modelo apropriado para os dados, devemos ter cuidado, porque

existem modelos com propriedades semelhantes.

Exemplo:

AR(1): yt = 0,5 yt-1 + et

MA(): yt = et + 0,5 et-1 + 0,25 et-2 + 0,125 et-3 +0,0625 et-4 +

O modelo AR(1) acima tem uma representação média móvel de ordem infinita
equivalente. Modelos MA(2) ou MA(3) darão um ajuste muito bom. Mas o modelo
AR(1) é mais parcimonioso e será preferido.

Prof. Osmani Guillén MEST198 - Séries Temporais 19

Metodologia de Box-Jenkins
Estimação – Fator comum)

Suponha que o modelo que queremos ajustar seja:

(1 - a1 L - a2 L2) yt = (1 + 1 L + 2 L2+3 L3) et

Se o polinômio (1 - a1 L - a2 L2) pode ser fatorado como: (1 + c L)(1 + a L)

(1 + 1 L + 2 L2+3 L3) como (1 + c L)(1 + b1 L + b2 L2).

O elemento (1 + c L) é um fator comum, então o modelo tem uma representação

equivalente, mais parcimoniosa:

(1 + a L) yt = (1 + b1 L + b2 L2) et.

Prof. Osmani Guillén MEST198 - Séries Temporais 20

Metodologia de Box-Jenkins
Estimação - Estacionariedade

A teoria de distribuição que suporta o uso das funções de autocorrelação e

autocorrelação parcial amostrais, como aproximações do verdadeiro processo
gerador dos dados (DGP), assume que a sequência {yt} é estacionária. As estatísticas
t e Q também assumem que os dados são estacionários. Os coeficientes estimados
devem ser consistentes com estas hipóteses.

Devemos suspeitar de um modelo como (1 - a L) yt = et se a está muito perto da

unidade.

No modelo ARMA(2,q), o polinômio (1 - a1 L - a2 L2) deve ter raízes características

fora do circulo unitário.

Prof. Osmani Guillén MEST198 - Séries Temporais 21

Metodologia de Box-Jenkins
Estimação - Inversibilidade

Seja yt = (1 - L) et,

A sequência {yt} gerada por este processo tem média constante não depende do
tempo, Eyt = Eyt-s =0, a variância e a autocovariância são constantes e não
dependem do tempo. O problema é que esta técnica não permite a estimação destes
modelos porque as autocorrelações e as autocorrelações parciais do modelo:

yt + yt-1 + yt-2 + yt-3 + = et

nunca decaem.

Prof. Osmani Guillén MEST198 - Séries Temporais 22

Metodologia de Box-Jenkins
Estimação - Medidas de ajuste

O R2 ou a soma dos quadrados dos resíduos são medidas usuais de ajuste. O

problema com estas medidas é que o ajuste melhora a medida que aumentamos o
número de parâmetros. A parcimônia indica que critérios de informação como:

a. Akaike, AIC = -2(L/T) + 2(k/T)

b. Schwarz, SC = -2(L/T) + k log(T)/T

c. Hannan-Quinn, HQ = -2(L/T) + 2k log(log(T))/T

são medidas mais apropriadas do ajuste do modelo.

Prof. Osmani Guillén MEST198 - Séries Temporais 23

Metodologia de Box-Jenkins
Estimação - Estatística Q

 A estatística Q no i-ésimo lag é um teste para hipótese nula de não existência de

autocorrelação de ordem i. Esta estatística é calculada:

k t 2j
Q LB  T T  2 
j 1 T  j

onde tj é a j-ésima autocorrelação e T é o número de observações.

 Sobre a nula, a estatística Q tem distribuição assintótica c2 com graus de

liberdade igual ao número de autocorrelações consideradas.

Prof. Osmani Guillén MEST198 - Séries Temporais 24

Metodologia de Box-Jenkins
Diagnóstico

 A prática usual é verificar o gráfico dos resíduos da regressão, para tentar

verificar outliers e alguma evidência que existem períodos não ajustados.

 Se os modelos ARMA usados mostram que não há como conseguir um bom

ajuste, podem ser usados outros tipos de estimação como:

- modelos ARCH;

- análise de intervenção;

- modelos VAR, etc.

Prof. Osmani Guillén MEST198 - Séries Temporais 25

Metodologia de Box-Jenkins
Diagnóstico

 É muito importante que não exista correlação serial nos resíduos dos modelos
estimados.

 Qualquer evidência de correlação serial implica que existe um movimento

sistemático nos dados que não é capturado pelo modelo que está sendo ajustado.

 Para testar a existência de correlação serial, construímos a FAC e FACP dos

resíduos do modelo estimado. Verificamos se existe alguma região em que as
autocorrelações e as autocorrelações parciais são significativas.

Prof. Osmani Guillén MEST198 - Séries Temporais 26

Metodologia de Box-Jenkins
Diagnóstico

 Existindo observações suficientes, é interessante ajustar o modelo em duas

subamostras, para identificar se a DGP não se modifica. Para fazer este teste,

1. calculamos a regressão considerando toda a amostra e soma dos quadrados

dos resíduos (SSR);

2. dividimos a amostra de T observações (t1,..., tm, tm+1,...,tT), estimamos o

modelo para cada subamostra; e

3. calculamos a soma dos quadrados dos resíduos para cada conjunto (SSR1 e
SSR2). Usamos um teste F da forma:

F
SSR  SSR1  SSR2  / k
SSR1  SSR2  /(T  2k )

Prof. Osmani Guillén MEST198 - Séries Temporais 27

Metodologia de Box-Jenkins
Diagnóstico – FAC dos resíduos.

  Y t  Y  Y t k  Y 
 
T  

t  k 1   
tk 

2
T 
  Y t Y 
t  k 1
 

A FAC deve ser igual a FAC de um ruído branco.

Prof. Osmani Guillén MEST198 - Séries Temporais 28

Metodologia de Box-Jenkins
Diagnóstico – FACP dos resíduos.

t 1 para k  1
 k 1
 t k    k 1, j t k
k  j 1
 k 1
para k  1
 1    k 1, j t k
 j 1

onde
 k , j   k 1, j   k  k 1,k  j

A FACP deve ser igual a FACP de um ruído branco.

Prof. Osmani Guillén MEST198 - Séries Temporais 29

Metodologia de Box-Jenkins
Diagnóstico – Teste para o quadrados dos resíduos (ARCH test).

A estatística do teste ARCH LM é calculada através da regressão:

 q

   0     s  t2 s    t
2
t
 s 1 

a hipótese nula é de não existência de efeitos ARCH de ordem q.

Prof. Osmani Guillén MEST198 - Séries Temporais 30

Metodologia de Box-Jenkins
Diagnóstico – Normalidade

N  2 K 32 
Jarque Bera   S  
6 4 

Onde S é a curtose e S é a assimetria. Sob a nula de distribuição normal, esta

estatística tem distribuição c2 com 2 graus de liberdade.

Prof. Osmani Guillén MEST198 - Séries Temporais 31

Metodologia de Box-Jenkins
Diagnóstico – RESET

RESET (Regression Specification test) Ramsey (1969), H0: linearidade x não

linearidade.

𝑦 = 𝑋𝛽 + 𝜀

• Variáveis omitidas: X não inclui todas as variáveis relevantes.

• Forma functional incorreta: algumas ou todas as variáveis em y e X devem ser

transformadas (logs, potência, etc.)

• Correlação entre X e : causada por erro de medida em X, ou presença de lags de

y e erros serialmente correlacionados.

Prof. Osmani Guillén MEST198 - Séries Temporais 32