Escolar Documentos
Profissional Documentos
Cultura Documentos
ANE059
APOSTILA
MODELOS ARIMA
(Metodologia de Box & Jenkins)
Março 2017
1
BREVE REVISÃO
1. ESTATÍSTICA DESCRITIVA: Sejam n observações para X e Y
Média = =
( − ̅) ( − )
Variância = =
Desvio–padrão = =
( − ̅ )( − )
Covariância = ∈ (−∞, ∞)
Coeficiente de
= ∈ [−1,1]
Correlação Linear ∙
Média ( )= ∙ ( ) ( )= ∙ ( )
Variância ( ) = [ − ( )] ( ) = [ − ( )]
Desvio–Padrão = ( ) = ( )
Coeficiente de ( , )
= ∈ [−1,1]
Correlação Linear ∙
2
1. CONCEITOS INICIAIS
Processo Estocástico
Análise de ST
Modelo MA(q)
Yt t 1 t 1 2 t 2 q t q
3
t é ruído branco e normal com:
o identificação,
o estimação e diagnóstico
o previsão.
3. FUNÇÃO DE AUTOCORRELAÇÃO
Média
E(Yt )
Autocovariância
0 Var(Yt ) E (Yt ) 2
FAC teórica
k
k k = 0,1,...
0
ˆk
ˆ k k = 1,...,T-p-q
ˆ0
4
4. PROPRIEDADES DOS MODELOS LINEARES
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
1
k k 1
FAC: k 1 12
0
0 k 1
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 k2
0 1 12 22
0 k2
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 k2
7
Modelo MA(q)
Yt t 1 t 1 2 t 2 q t q
qk q
k k 21 k 1 2 k 1,..., q
FAC: k 1 1 2 q2
0
0 k q
Modelo AR(1)
Notar que:
1 1
Yt 1 (Yt 1 ) t
2
0
1 12
8
1 2
1 1 0
1 12
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
Para k 3
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 1k 1 2 k 2
10
1
1 2
1
k 12
FAC: k 2 2
0 1 2
k
1 k 1 2 k 2 k 2
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 k2
11
RESUMO 1: FACs TEÓRICAS
12
5. FUNÇÃO DE AUTOCORRELAÇÃO PARCIAL
Yt
k derivada parcial
Yt k
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
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 k2
Equações de Yule-Walker
o Note que:
o Substituindo Yt t em 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
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
~
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
15
RESUMO 2: FACPs TEÓRICAS
16
6. MODELOS MISTOS ARMA
Modelo ARMA(1,1)
Yt 1Yt 1 t 1 t 1
1 12 211 2
0
1 12
(1 11 )(1 1 )
1
1 12
(1 11 )(1 1 )
1 1
0 1 12 211
k 1 k 1 k2
FAC :
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 k2
Modelo ARMA(p,q)
1 1 2 p
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
Resumo
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
Wt d Yt
é uma série processo estacionária.
.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)
Transformação de Box-Cox
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
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 Wt d Yt (1 B) d Yt (série estacionária)
o
(B)Wt ( B) t
21
7. ESTIMAÇÃO DE MODELOS ARIMA(p,d,q)
Estimação Não-Linear
Modelos AR(p): Wt 1Wt 1 , pWt p t Pode ser usada aplicação direta de MQO
MA(q): Wt t 1 t 1 2 t 2 q t q
Inicialização da Série
S é uma função que depende dos seguintes valores passados não observáveis necessários
para cômputos das primeiras observações de t :
22
Modelos ARMA(p,q): ( 0 , 1 ,, q 1 ;W0 ,W1 ,,W p 1 )
0 1 , q 1 E ( t ) 0
W0 W1 , 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.
Wˆt E Wt Wt 1 , Wt 2 ,
o Previsão um passo à frente:
E t Wt 1 , Wt 2 , 0
ˆ ˆ t t k
FAC dos resíduos: rˆk t k 1
T
k = 0,1, 2...
ˆ
t 1
t
2
Teste simples
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
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
Outros Diagnósticos
Conceito
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
Wˆ 1 T
Função de Previsão: T 1
ˆ
WT 2
WˆT 1 1 T 2 T 1
Função de Previsão: WˆT 2 2 T
Wˆ 3
T
Wˆ W
Função de Previsão: T 1 1 T
ˆ ˆ
WT 1WT 1 2
Caso ARMA(p,q)
25
WˆT (2) WˆT 2 E(WT 2 | WT , )
1WˆT 1 2WT pWT p2 2T qT q2
para 1 l p q :
26
Fora da Amostra: (cômputo de WˆT l , l 1,2, )
Wt d Yt ~ ARIMA(p,d,q)
Caso d = 1:
Representação em t:
Wt Yt
Yt Wt Yt 1
Caso d = 2:
Representação em t:
Wt 2Yt
Yt Wt Yt 1
Yt Yt Yt 1
Caso d = 3
Representação em t:
Wt 3Yt
2Yt Wt 2Yt 1
27
Yt 2Yt Yt 1
Yt Yt Yt 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
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:
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
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: s variância residual (estimativa de ) e ˆ1,ˆ 2 ,... são estimativas de 1, 2 ,...
2 2
Exemplo
30
10. MODELOS ARIMA SAZONAIS
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
Série original: 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):
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
Z t t 1 t s 2 t 2 s
1 (1 2 )
1 2 2 k 1
1 2
ks 2
FAC: ks k2
0 1 1 2
2 2
0 k2
32
Exemplo: Z t 2 t 0,6 t s 0,3 t 2s
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
Modelos Multiplicativos
ARIMA(P,D,Q)
( B s )DsYt ( B s ) t
ARIMA(p,d,q,P,D,Q)
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
36