Econometria III

ANE059

APOSTILA

MODELOS ARIMA
(Metodologia de Box & Jenkins)

Março 2017

Prof. Rogério Silva de Mattos

Departamento de Economia
Faculdade de Economia
Universidade Federal de Juiz de Fora
Rogério.mattos@ufjf.edu.br
http://www.ufjf.edu.br/rogerio_mattos

1
 BREVE REVISÃO
1. ESTATÍSTICA DESCRITIVA: Sejam n observações para X e Y

Média = =

( − ̅) ( − )
Variância = =

Desvio–padrão = =

( − ̅ )( − )
Covariância = ∈ (−∞, ∞)

Coeficiente de
= ∈ [−1,1]
Correlação Linear ∙

2. PROBABILIDADE: Sejam X ~VA e Y ~ VA; p(x) e p(y) funções de probabilidade

Média ( )= ∙ ( ) ( )= ∙ ( )

Variância ( ) = [ − ( )] ( ) = [ − ( )]

Desvio–Padrão = ( ) = ( )

Covariância ( , ) = ([ − ( )][ − ( )]) ∈ (−∞, ∞)

Coeficiente de ( , )
= ∈ [−1,1]
Correlação Linear ∙

2
1. CONCEITOS INICIAIS

 Processo Estocástico

Conjunto de VAs ordenadas no tempo t.

Exemplo: Yt ~ N(t,t2) para t = (-,)
l
 Série Temporal

Realização finita de um processo estocástico.

Exemplo: S = {2, 7, 4, 9, 1, 5, .... , 6}
Notação: {y1 , y2 ,, yT }

 Processos Estocásticos Estacionários

Média constante: E(Yt )  

Variância constante: Var(Yt )   2
Autocovariância depende só do lag k: Cov(Yt ,Yt k )   k
Exemplo: Yt ~ N ( , 2 )

 Análise de ST

Identificar características do PE para se especificar um modelo estatístico, estimar

esse modelo (i.e., seus parâmetros) a partir da série temporal observada, e prever
valores futuros.

2. MODELOS LINEARES PARA PEs

Modelos são representações para PEs. Os modelos lineares da classe ARMA

(autorregressivos-médias móveis) são particularmente úteis para representar PEs
estacionários.

 Modelo MA(q)

Yt     t  1 t 1   2 t 2     q t q

 Modelo Autorregressivo AR(p)

Yt  1Yt 1  2Yt 2     pYt  p     t

 Modelo Mixto ARMA(p,q)

Yt  1Yt 1     pYt  p     t  1 t 1     q  t q

3
  t é ruído branco e normal com:

o média 0 –––––––––   E(t )  0

o variância constante   2  Var( t )
o Autocovariância ––  k  Cov( t ,  t k )  0 para k  0.

 Construção de modelos ARMA(p,q). É feita em três estágios:

o identificação,
o estimação e diagnóstico
o previsão.

3. FUNÇÃO DE AUTOCORRELAÇÃO

Usada para se caracterizar os modelos lineares, sendo útil no processo de identificação

do lag máximos q de um processo MA ou da parte MA de um processo ARMA(p,q).

 Média

  E(Yt )

 Autocovariância

 k  Cov(Yt ,Yt k )  E(Yt  )(Yt k  ) k = 1,...

 Variância (caso particular em que k = 0)

 0  Var(Yt )  E (Yt   ) 2

 FAC teórica

k
k  k = 0,1,...
0

 FAC amostral (calculada a partir da série temporal observada)

ˆk
ˆ k  k = 1,...,T-p-q
ˆ0

4
4. PROPRIEDADES DOS MODELOS LINEARES

Quadro 1 – Três fatos uteis para entendimento da seção

1. t é um processo ruído branco:

a. E(t) = 0;
b. Var( t )  Var( t k )   2 k = 0, 1, 2, 3, ...;

c. Cov( t ,  t k )  0 k = 1, 2, 3, ...;

2. Cov(Yt ,  t )   2 ;

3. Cov(Yt k ,  t )  0 k = 1, 2, 3, ...

 Modelo MA(1)

Yt     t  1 t 1
 0  Var(Yt )   2 (1  12 )
 1  E[(Yt   )(Yt 1   )]  E[( t  1 t 1 )( t 1  1 t 2 )]  1 2

 k  E[(Yt   )(Yt k   )]  E[( t  1 t 1 )( t k  1 t k 1 )]  0 k>1

  1
k  k 1
 FAC:  k   1  12
0 
 0 k 1

Exemplo: Yt  2   t  0,8 t 1  1  0,8

5
  0,8
  0,49 k  1
l  k  1  (0,8) 2
 0 k 1

6
  Modelo MA(2)

Yt     t  1 t 1   2 t 2
 0   2 (1  12   22 )
 1  1 (1   2 ) 2
 2   2 2
k  0 k >2

   1 (1   2 )
1   2   2 k 1
 1 2
 k  2
 FAC:  k   k2
 0  1  12   22
 0 k2



 Exemplo: Yt  2   t  0,6 t 1  0,3 t 2  1  0,6 2  0,3

 0,6(1  0,3)
 1  (0,6) 2  0,32  0,28 k  1

   0,3
k  k    0,21 k  2
 0 1  (0,6) 2  0,32
 0 k2


7
 Modelo MA(q)

Yt     t  1 t 1   2 t 2     q  t q

          qk q
 k  k 21 k 1 2 k  1,..., q
FAC:  k    1   1   2     q2
0 
 0 k q

 Modelo AR(1)

Yt  1Yt 1     t  Cond. Estacionariedade  1  1  1

 Notar que:



1  1

Yt    1 (Yt 1   )   t

 Então (demonstrar usando a definição de Cov(Yt,Yt-k) só para k 1):

 0  Var(Yt )  E 1 (Yt 1   )   t 2  12 E (Yt 1   ) 2   t2  21E (Yt 1   ) t 

 12 0   2  21Cov(Yt 1,  t )  12 0   2

 2
0 
1  12

 1  Cov (Yt , Yt 1 )  E[(Yt   )(Yt 1   )]  E (1 (Yt 1   )   t )(Yt 1   ) 

 
 E 1 (Yt 1   ) 2  (Yt 1   ) t  1 E (Yt 1   ) 2  E[(Yt 1   ) t ]
 1 0  Cov (Yt 1 ,  t )

8
 1 2
 1  1 0 
1  12

 2  Cov (Yt , Yt  2 )  E[(Yt   )(Yt  2   )]  E (1 (Yt 1   )   t )(Yt  2   ) 

 E 1 (Yt 1   )(Yt  2   )   t (Yt  2   )   1 E (Yt  2   ) 2  E[ t (Yt  2   )]
 1 1  Cov ( t , Yt  2 )  1 1

12 2
 2  1 1  12 0 
1  12

 Generalizando:

1k 2
k    k
k = 1,...
1  1k
1 0

k
 FAC:  k   1k k  0,1,...
0

 Exemplo: Yt  0,9Yt 1  2   t

k  0,9k k  0,1,...

9
 Modelo AR(2)

Yt  1Yt 1  2Yt 2     t


 Notar que: 
1  1   2

Yt    1 (Yt 1  )  2 (Yt 2   )   t

 Então (demonstrar usando sempre a definição de Cov(Yt,Yt-k) mesmo para k=0):

 0  Cov(Yt , Yt )  E[(1 (Yt 1   )  2 (Yt  2   )   t )(Yt   )]  1 1  2 2   2

1  Cov(Yt , Yt 1)  E[(1(Yt 1  )  2 (Yt 2  )   t )(Yt 1  )]  1 0  21
 2  Cov(Yt , Yt 2 )  E[(1(Yt 1  )  2 (Yt 2  )   t )(Yt 2  )]  11  2 0

 Para k  3

 k  Cov(Yt ,Yt k )  E[(1 (Yt 1  )  2 (Yt 2   )   t )(Yt k   )]  1 k 1  2 k 2

 Consolidando

Sistema de equações
 0  1 1  2 2   2
de Yule-Walker (YW)  1  1 0  2 1
(p/Autocovariâncias)  2  1 1  2 0
Mais  k  1 k 1  2 k 2

Sistema de equações 1  1  2 1
p/Autocorrelaçõs  2  1 1   2
Mais  k  1k 1  2  k 2

 A FAC é obtida por meio da solução do sistema de equações para as autocorrelações.

10
  1
  
1  2
1

k  12
 FAC:  k     2  2 
0  1  2

 k   
1 k 1  2  k  2 k 2



Exemplo: Yt  0,9Yt 1  0,7Yt 2  2   t  1  0,9 2  0,7

 0,9
 1   0,53
1  0,7

 0,92
 k    2  0,7   0,22
 1  0, 7
  k  0,9  k 1  0,7  k  2 k2



11
 RESUMO 1: FACs TEÓRICAS

a) MA(1): Yt  2   t  0,75 t 1 b) MA(1): Yt  2   t  0,75 t 1

c) MA(2): Yt  2   t  0,5 t 1  0,4 t  2 d) MA(2): Yt  2   t  0,5 t 1  0,4 t 2

e) AR(1): Yt  3  0,75Yt 1   t f) AR(1): Yt  3  0,75Yt 1   t

g) AR(2): Yt  3  0,9Yt 1  0,7Yt  2   t h) AR(2): Yt  3  0,5Yt 1  0,4Yt  2   t

12
5. FUNÇÃO DE AUTOCORRELAÇÃO PARCIAL

 Útil para determinar a ordem de um processo AR ou da parte AR de um processo

ARMA(p,q).

 Noção de autocorrelação parcial

Yt  1Yt 1  2Yt 2     pYt  p     t

Yt
 k  derivada parcial
Yt k

 FACP teórica para o Processo AR(1)

o Yt  1Yt 1     t
1 k  1
o FACP: k  
0 k 1
o Exemplo: Yt  0,9Yt 1  2   t  1  0,9

0,9 k  1
 FACP: k  
 0 k 1

 FACP teórica para o Processo AR(2)

o Yt  1Yt 1  2Yt 2     t

13
 1 k 1

o FACP: k  2 k 2
0 k 2

o Exemplo: Yt  0,9Yt 1  0,7Yt 2  2   t  1  0,9 2  0,7

 0,9 k  1

 FACP: k   0,7 k  2
 0 k2


 Questão: Como determinar k : k  1,... sem estimá-los antes?

 Equações de Yule-Walker

o Note que:

Yt    1 (Yt 1   )  2 (Yt  2   )     p (Yt  p   )   t

 k  Cov(Yt , Yt k )  E[(Yt   )(Yt k   )]

o Substituindo Yt  t em  k :

 k  E[(1 (Yt 1   )  2 (Yt  2   )     p (Yt  p   )   t )(Yt  k   )]

14
 o Sistema de equações de YW para as covariâncias

 0  1 1   2  2  3 3    p  p   2
 1  1 0   2  1  3 2     p  p 1
 2  1 1   2  0  3 1     p  p 2

 p  1 p 1   2 p 2   2  p 3    p  0

Para k > p:  k  1 k 1   2 k 2     p  k  p

o Sistema de equações de YW para as autocorrelações

1  1  2 1     p  p 1
  Subsistema relevante
 p  1  p 1  2  p  2     p

 Para k > p:  k  1  k 1  2  k  2     p  k  p

 Se 1 ,,  p fossem conhecidos, poderíamos resolver as equações de Yule-

Walker para 1 ,, p .

 Dependência de p: Tamanho do sistema e solução das equações de YW

dependem do lag p.

 Procedimento: Resolve-se as equações de YW recursivamente para p = 1, 2, ...

obtendo-se:
~ ~
 FACP: a1  1 | p  1 , a2  2 | p  2 , . . .

~
Onde  j é a solução das equações de YW para  j quando p = j.
http://www.ufjf.br/rogerio_mattos/files/2009/06/pablo.zip
 FACP Amostral

1. A partir de uma série temporal {y1,, yT }, computa-se a FAC amostral, isto é:

ˆ1, ˆ2 ,...
2. A partir disso, resolve-se as equações de YW recursivamente para diferentes valores
de p = 1, 2, ...., obtendo-se então a FACP amostral aˆ1, aˆ2 ,...

15
 RESUMO 2: FACPs TEÓRICAS

a) MA(1): Yt  2   t  0,75 t 1 b) MA(1): Yt  2   t  0,75 t 1

c) MA(2): Yt  2   t  0,5 t 1  0,4 t  2 d) MA(2): Yt  2   t  0,5 t 1  0,4 t 2

e) AR(1): Yt  3  0,75Yt 1   t f) AR(1): Yt  3  0,75Yt 1   t

g) AR(2): Yt  3  0,9Yt 1  0,7Yt 2   t h) AR(2): Yt  3  0,5Yt 1  0,4Yt 2   t

16
6. MODELOS MISTOS ARMA

 Modelo ARMA(1,1)

Yt  1Yt 1     t  1 t 1

1  12  211 2
0  
1  12

(1  11 )(1  1 )
1 
1  12

  (1  11 )(1  1 )
 1  1 
 0 1  12  211
  k  1  k 1 k2
FAC : 

Exemplo: Yt  0,8Yt 1  2   t  0,9 t 1  1  0,8 1  0,9

 (1  0,8  0,9)(0,8  0,9)

   0,076 k  1
 k  k   1  (0,9) 2  2(0,8  0,9)
0  1  k 1 k2


17
Exemplo: Yt  0,8Yt 1  2   t  0,9 t 1  1  0,8 1  0,9

 (1  (0,8)(0,9))(0,8  0,9)
   0,076 k  1
1  1   1  (0,9) 2  2(0,8)(0,9)
0  1  k 1 k2


 Modelo ARMA(p,q)

Yt  1Yt 1  2Yt 2     pYt  p     t  1 t 1     q t q



1  1  2    p

 Para processos ARMA(p,q), com p>1 e q> 1 as variâncias, covariâncias e

autocorrelações são soluções de equações de diferenças que não podem ser
resolvidas por inspeção. No entanto, pode ser mostrado que:

 k  1 k 1  2 k 2     p k  p k  q  1

18
 k  1  k 1  2  k 2     p  k  p k  q  1

Como q é a memória da parte de médias móveis do processo,

para k  q + 1 a FAC exibe as propriedades de um processo AR
puro.

Resumo

Comportamento das FAC e FACP teóricas em modelos ARMA

Modelo FAC FACP
Decaimento exponencial e/ou comporta–
MA(q) Contrai para 0 após o lag q
mento cíclico amortecido
Decaimento exponencial e/ou comporta–
AR(p) Contrai para 0 após o lag p
mento cíclico amortecido
Decaimento exponencial e/ou comporta– Decaimento exponencial e/ou comporta–
ARMA(p,q)
mento cíclico amortecido mento cíclico amortecido

Uma forma diferente de representar modelos ARMA(p,q)

 Operador de Defasagens (Backshift operator ou Lag operator)

B m z t  zt m

 Representação ARMA(p,q)

(1  1 B   2 B 2   p B p )Yt    (1  1 B   2 B 2   q B q ) t
 ( B)Yt     ( B) t
  (B) – Polinômio (ou operador) autorregressivo
  (B) – Polinômio (ou operador) media–mõvel
 Condição de estacionariedade – raízes de  (B) estão fora do círculo unitário
 Condição de invertibilidade – raízes de  (B) estão fora do círculo unitário

19
6. PROCESSOS NÃO ESTACIONÁRIOS: MODELOS ARIMA

 Definição: Yt é um processo não estacionário homogêneo de ordem d se

Wt  d Yt
é uma série processo estacionária.

Exemplo: Log das exportações coreanas

10 .4

.3
9
.2

8 .1

.0
7 -.1

-.2
6
-.3

5 -.4
1970 1972 1974 1976 1978 1980 1982 1984 1970 1972 1974 1976 1978 1980 1982 1984

LXKOREA D(LXKOREA)

 Se Wt = dYt é estacionária e segue um processo ARMA(p,q) então dizemos que Yt

segue um processo ARIMA(p,d,q).

Transformação de Box-Cox

 Diferenciação torna série estacionária na média, mas não necessariamente na

variância.

 Objetivo da transformação de Box-Cox (1964): estabilizar variância

Yt   1
 0
 Procedimento: Yt ( )   
 ln(Yt )   0
Para Yt > 0 e   (–,).

20
Exemplo: Exportações Coreanas

10000 3000

2000
8000

1000
6000
0
4000
-1000

2000
-2000

0 -3000
70 72 74 76 78 80 82 84 86 70 72 74 76 78 80 82 84 86

XKO REA D(XKO REA)

10 .4

.3
9
.2

8 .1

.0
7 -.1

-.2
6
-.3

5 -.4
1970 1972 1974 1976 1978 1980 1982 1984 1970 1972 1974 1976 1978 1980 1982 1984

LXKOREA D(LXKOREA)

Modelos ARIMA(p,d,q)

 O “I” de ARIMA quer dizer “Integrado”

 Dada a série não estacionária Yt:

 Aplica-se transformação de Box-Cox e/ou mais“d” diferenças para se achar:

o Wt  d Yt  (1  B) d Yt (série estacionária)

 Aplica-se procedimentos para modelos ARMA para se estimar:

o
 (B)Wt     ( B) t

21
7. ESTIMAÇÃO DE MODELOS ARIMA(p,d,q)

 Simplificando, assuma que  = 0:  (B)Wt   (B) t

 Assuma também que:

o  (B) atende condição de estacionariedade

o  (B) atende condição de invertibilidade
 (B)
 Representação do erro:  t  W t   1 ( B ) ( B )W t
 (B)
 Soma dos quadrados dos erros:
T T

  t2   [ 1 ( B) ( B)Wt ]2  S (1 ,,  p ;1 ,, q )

o t 1 t 1

 Problema: Achar (ˆ1 ,, ˆp ;ˆ1 ,,ˆq ) que minimiza S.

Estimação Não-Linear

Modelos AR(p): Wt  1Wt 1 ,    pWt  p   t  Pode ser usada aplicação direta de MQO

Modelos com médias móveis dos erros:

MA(q): Wt   t  1 t 1   2 t 2     q  t  q

ARMA(p,q): Wt  1Wt 1     pWt  p   t  1 t 1     q  t  q

Presença de não-linearidade nos parâmetros da parte média móvel. Usa-se, então, um

algoritmo iterativo (Eviews usa Marquardt).

Problema: inicialização dos parâmetros (ˆ1 ,, ˆp ;ˆ1 ,,ˆq ) .

( 0) ( 0) ( 0) ( 0)

Inicialização da Série

S é uma função que depende dos seguintes valores passados não observáveis necessários
para cômputos das primeiras observações de  t :

 Modelos MA(q): ( 0 ,  1 ,,   q 1 )

 Modelos AR(p): (W0 ,W1 ,,W p 1 )

22
  Modelos ARMA(p,q): ( 0 ,  1 ,,  q 1 ;W0 ,W1 ,,W p 1 )

Por exemplo, para a 1ª observação de um ARMA(p,q):

 1  W1  1W0  2W1     pW p1  1 0   2 1     q q1



Solução: Valores esperados incondicionais (Backasting ou Backforecasting):

 0   1 ,     q 1  E ( t )  0

 W0  W1 ,    W p 1  E (Wt )  0 (exato se  = 0, mas usado também se  
0)

Obs: Eviews usa abordagem diferente, ele ignora as c = max(p,q) observações iniciais.

8. DIAGNOSTICANDO MODELOS ARIMA

Uma vez obtidas as estimativas (ˆ1 ,, ˆp ;ˆ1 ,,ˆq ) :

 Cálculo dos resíduos como erro de previsão um passo à frente:

Wˆt  E Wt Wt 1 , Wt  2 , 
o Previsão um passo à frente: 
 E  t Wt 1 , Wt  2 ,   0

Wˆt  ˆ1Wt 1    ˆpWt  p  ˆ  ˆ1ˆt 1     qˆt  q

ˆt  Wt  Wˆt

 ˆ ˆ t t k
 FAC dos resíduos: rˆk  t  k 1
T
k = 0,1, 2...
 ˆ
t 1
t
2

Teste simples

 Para K 4  k  K (K = no. máximo de lags computados na FAC dos resíduos)

o Se  2 T  rˆk  2 T para todo k modelo bem especificado;
o do contrário, mal especificado.

23
Teste Q (Box e Pierce (1970))

 H 0 : 1     J  0

  H 1 : ao menos um  j  0 (1  j  J )
K
Q  T  rˆk2 ~  K2  p  q
 k 1

 Se Pr(Q )   (nível de significância) não rejeito H0; do contrário, rejeito H0.

 Obs: faz-se o teste para diferentes valores de J.

Obs: Eviews usa o teste de Ljung-Box. A diferença está na estatística de teste que é dada
por:

J
rˆk2 a 2
QLB ( J )  T (T  2) ~ m
k 1 T  k

Onde m  J  p  q (J = número de lags testados menos número de termos AR e MA)

Outros Diagnósticos

 Comparação de Modelos ARIMA para uma mesma série:

o R2
o R2–ajustado
o Critérios de Akaike (AIC)
o Critério de Schwarz (SC)
 Teste de Normalidade dos erros: Jarque–Bera

9. PREVISÃO COM MODELOS ARIMA

Propriedade: as previsões feitas com um modelo ARIMA minimizam o erro quadrático

médio de previsão.

Conceito

Supondo conhecidos os parâmetros verdadeiros (1 ,, p ,1 ,, q ) :

Wt  d Yt ~ ARMA( p, q)
WˆT (l )  WˆT l  E(WT l | WT , )
Previsões l–passos à frente (l = 1,2,...) 
ˆT (l )  ˆT l  E( T l | WT ,)  0

24
Cômputo das Previsões

Caso MA(1): Wt     t  1 t 1

Wˆ    1 T
Função de Previsão:  T 1
ˆ
WT    2

Caso MA(2): Wt     t  1 t 1   2 t  2

WˆT 1    1 T   2 T 1

Função de Previsão: WˆT  2     2 T
Wˆ   3
 T 

Caso AR(1): Wt  1Wt     t

Wˆ   W  
Função de Previsão:  T 1 1 T
ˆ ˆ
WT    1WT   1   2

Caso AR(2): Wt  1Wt 1  2Wt  2     t

WˆT 1  1WT  2WT 1  


Função de Previsão: WˆT  2  1WˆT 1  2WT 1  
Wˆ   Wˆ ˆ
 T  1 T   1  2WT   1   3

Caso ARMA(p,q)

Previsão 1-passo à frente:

WˆT (1)  WˆT 1  E(WT 1 | WT , )

 1WT     pWT  p1  1 T     q T q1

Previsão 2-passos à frente:

25
 WˆT (2)  WˆT 2  E(WT 2 | WT , )
 1WˆT 1  2WT   pWT  p2  2T     qT q2

Previsão l-passos à frente:

 para 1  l  p  q :

WˆT (l )  WˆT l  E (WT l | WT , )

 1WˆT 1l    lWT    pWT  p l  l  T     q T q l

 Para l > p e l > q:

WˆT (l )  WˆT l  E(WT l | WT , )

 1WˆT 1l     pWˆT  pl

9.1 PREVISÕES NO EVIEWS

Dentro da Amostra: (cômputo de Wˆt , t  1,, T )

1) Opção Prever Série Orignal;

2) Opção “Static”;
3) Dar nome para “Forecast Name”

26
Fora da Amostra: (cômputo de WˆT l , l  1,2, )

1) Opção Prever Série Origina;

2) Opção “Dinamyc”;
3) Dar nome para “Forecast Name”

9.2 PREVISÕES EM NÍVEL COM MODELOS ARIMA

Wt  d Yt ~ ARIMA(p,d,q)

Caso d = 1:

Representação em t:

Wt  Yt
Yt  Wt  Yt 1

Função de Previsão (em T   ):

YˆT   WˆT   YˆT 1

Caso d = 2:

Representação em t:

Wt  2Yt
 Yt  Wt  Yt 1
Yt  Yt  Yt 1

Função de Previsão (em T   ):

YˆT   WˆT   YˆT 1

Yˆ  Yˆ  Yˆ
T  T  T  1

Caso d = 3

Representação em t:

Wt  3Yt
2Yt  Wt  2Yt 1

27
 Yt  2Yt  Yt 1
Yt  Yt  Yt 1

Função de Previsão (em T   ):

2YˆT   WˆT   2YT 1

YˆT   2YˆT   YˆT 1
Yˆ  Yˆ  Yˆ
T  T  T  1

Caso Geral d

Representação em t:

Wt  d Yt
d 1Yt  Wt  d 1Yt 1
d 2Yt  d 1Yt  d 2Yt 1
:
Yt  2Yt  Yt 1
Yt  Yt  Yt 1

Função de Previsão (em T   ):

d 1YˆT   WˆT   d 1YˆT 1

d 2YˆT   d 1YˆT   d 2YˆT 1
:
YT   2YˆT   YˆT 1
ˆ
Yˆ  Yˆ  Yˆ
T  T  T  1

Caso Geral: Representação Compacta

d
Representação em t: Yt  Wt   d  jYt 1
j 1
d
Função de Previsão (em T   ): YˆT   WˆT    d  jYˆT 1
j 1

28
PREVISÃO INTERVALAR

Preliminares

Assuma que:

  (B) atende condição de estacionariedade

  (B) atende condição de invertibilidade

Wt   1 ( B) ( B) t ↔ Wt  ( B) t

Onde ( B)   ( B) ( B)  1  1B  2 B  3 B   é um polinômio de grau infinito

1 2 3


Wt  ( B) t   t 1 t 1  2 t  2  3 t 3    1   i t i
i 1

Erro de Previsão

e W  Wˆ
 Definição T  T  T 

 Supondo agora conhecidos T 1,, T  mas lembre que ˆT 1    ˆT   0

WT   T   1T   1  2T  2  3T   3     1 T 1  T  

 Então seja: WˆT   ˆT   1ˆT   1  2ˆT  2  3ˆT   3     1ˆT 1  T  
   T  

 Segue que: eT   T  1T  1  2T  2  3T  3     1T 1

Média do Erro de Previsão

E(eT  )  E(T  ) 1E(T  1 )  2 E(T  2 )  3E(T  3 )     1E(T 1 )  0

Variância do Erro de Previsão

Var(eT   )  Var(T  )  12Var(T  1)  22Var(T  2 )    21Var(T 1 )

  1 
 1   i2  2
 i 1 

Nível de Confiança: PLT   WT   UT    1  

29
  LT   WˆT   n1 / 2 e,T  limite inferior

Limites do Intervalo de Previsão: UT   WˆT   n1 / 2 e,T  limitesuperior
  
 e,T   1  i 1 i   desv.- padrãoda previsão
 1 2 2

Nota: n1 / 2  quantil da distribuição normal padrão associado a 1   / 2

Cálculo do Intervalo de Previsão na Prática

 wˆT   E(WT  | wT , wT 1,) , ou seja, supondo-se dados os valores da série

w1, w2 ,..., wT ;
 Limites do Intervalo de Previsão:

 lT   wˆ T    t1 / 2 se,T  limite inferior


uT    wˆ T   t1 / 2se,T   limite superior
s  
 e,T   1  i 1ˆ i s erro - padrãoda previsão
 1 2 2

Nota: s  variância residual (estimativa de   ) e ˆ1,ˆ 2 ,... são estimativas de  1, 2 ,...
2 2

obtidas a partir de ˆ1, ˆ2 ,... e ˆ1,ˆ2 ,...

Exemplo

30
10. MODELOS ARIMA SAZONAIS

Vendas de Passagens Aéreas Vendas do Comércio Varejista

(Reino Unido) (EUA)
700 28,000

600
24,000
500

20,000
400

300
16,000

200
12,000
100

0 8,000
49 50 51 52 53 54 55 56 57 58 59 60 53 54 55 56 57 58 59 60 61 62 63 64 65

Também conhecidos como modelos SARIMA (“S” de Seasonal)

Período sazonal: designado pela letra “s” minúscula

 Mensal: s = 12
 Trimestral: s=4
 Quadrimestral: s=3
 Semestral: s=2

Série original: Yt

Série diferenciada sazonalmente: Z t  DsYt  (1  B s ) D Yt

Exemplos: D = 1  Z t   s Yt  Yt  Yt  s

D=2
Z t  2sYt   sYt   sYt  s  (Yt  Yt  s )  (Yt  s  Yt  2 s )

MA Sazonais

Z t   t  1 t  s   2 t  2 s     Q  t  Qs
MA(Q):

Parâmetros não nulos só para lags múltiplos inteiros de s

31
Modelo MA(1) Sazonal

Z t   t  1 t s

 
  1
k 1
FAC:  ks  ks  1  12
0 
 0 k 1
Exemplo: Z t  2   t  0,8 t  s

0,8
s   0, 49
1,64

Modelo MA(2) Sazonal

Z t   t  1 t s  2 t 2 s

  1 (1   2 )
 1  2  2 k 1
 1 2
 ks   2
FAC:  ks   k2
0  1  1   2
2 2

 0 k2



32
 Exemplo: Z t  2   t  0,6 t  s  0,3 t 2s

Modelo MA(Q) Sazonal

Z t   t  1 t  s     Qs  t Qs

   k  1 k 1     Q  k  Q
  k  1,..., Q
FAC:  ks  ks   1  12     Q2
0 
 0 k Q

33
Modelo AR(1) Sazonal

Zt  1Zt s     t


1  1
2
0 
1  12
1 2
 s  1 0 
1  12
12 2
 2 s  12 0 
1  12
1k  2
 ks   0 
k
1
1  1k
 sk
FAC:  ks   1k k  0,1,...
0

Exemplo: Z t  0,9Z t s  2   t

34
Modelo AR(2) Sazonal

Zt  1 Zt s  2 Z t 2s     t
 1
 s 
1 2

 12
FAC:   2s   2 
 1 2
 ks  1  ( k 1) s   2  ( k  2) s k 2



Exemplo: Zt  0,9Z t s  0,7Z t 2s  2   t

Modelos Multiplicativos

ARIMA(P,D,Q)

( B s )DsYt  ( B s ) t

ARIMA(p,d,q,P,D,Q)

Combinação de ARIMA(p,d,q) simples com ARIMA(P,D,Q) sazonal.

 ( B)( B s )d Ds Yt   ( B)( B s ) t

35
 (B)  1 1 B   p B p : polinômio autorregressivo simples de ordem p
(B s )  1 1 B s    P B Ps : polinômio autorregressivo sazonal de ordem P
d  (1  B) d : operador diferença simples de ordem d
D  (1  B s ) D : operador diferença sazonal de ordem D
 (B)  1  1 B    q B q : polinômio média móvel simples de ordem q
(B s )  1 1 B s  Q B Qs : polinômio média móvel sazonal de ordem Q

Diferenciação no Eviews

d(Y) = d(Y,1) – 1  diferenciação simples ou: Yt  (1  B)Yt

d(Y,d)  d diferenciações simples d Yt  (1  B)d Yt
d(Y,0,s)  1 diferenciação sazonal  sYt  (1  B s )Yt
d(Y,1,s)  1 diferenciação simples c/1 diferenciação sazonal: sYt  (1  B)(1  B s )Yt
d(Y,d,s)  d diferenciações simples c/1 diferenc. sazonal: d  sYt  (1  B)d (1  B s )

36