Escolar Documentos
Profissional Documentos
Cultura Documentos
Junho, 1993
ÍNDICE
1. Introdução ........................................................................................................................... 3
2. Visão Geral de Modelos Estruturais e Abordagem Bayesiana de Previsão ................... 5
2.1. Abordagem Bayesiana ................................................................................................. 6
2.2. Possibilidades de Intervenção ..................................................................................... 6
2.3. Testes de Diagnóstico ................................................................................................... 8
2.4. Programa BATS ........................................................................................................... 9
3. Os Detalhes da Abordagem Bayesiana de Previsão ....................................................... 10
3.1. Modelo Estrutural ...................................................................................................... 10
3.2. Modelo Linear Dinâmico ........................................................................................... 12
3.3. Operacionalização do Modelo Estrutural ................................................................ 15
3.4. Hiperparâmetros ........................................................................................................ 17
3.5. Intervenções ................................................................................................................ 19
3.6. Avaliação dos Modelos .................................................................................................. 20
3.6.1. Medidas de Aderência............................................................................................. 20
3.6.2. Medidas e Testes de Previsão ................................................................................. 20
Referências ............................................................................................................................ 22
2
1. Introdução
3
dos anos 90. Tais estudos seriam úteis, de um lado, para aprofundar o conhecimento
sobre o comportamento de curto prazo das variáveis e, de outro, para fornecer a base
de um sistema para sua previsão. Uma forma interessante de se fazer isto é através do
uso de técnicas estatísticas de análise e previsão de séries temporais.
1
Estes procedimentos são utilizados no Brasil pelo IBGE para a obtenção das séries dessazonalizadas
da produção industrial. Ver IBGE (1990).
2
Ver Souza (1989), para uma resenha da utilização destes métodos.
3
Apresentaremos maiores detalhes mais adiante na seção 2.
4
Ver Moreira et alii (1992). As previsões com os modelos são publicadas mensalmente pelo IPEA em
seu Boletim Conjuntural e Carta de Conjuntura.
4
2. Visão Geral de Modelos Estruturais e Abordagem Bayesiana de Previsão
Yt = t + t +t + t
Com o surgimento dos modelos estruturais, estas e outras limitações foram superadas,
na medida em que a descrição em (1) passou a ser feita através de um instrumental,
originário da engenharia de controle, conhecido como representação de sistemas em
espaço de estados. Por esta formulação, é possível a utilização de um algoritmo
conhecido como Filtro de Kalman, através do qual estimativas dos componentes são
produzidas sequencialmente com uma série de propriedades ótimas.
5
Ver também os livros de West e Harisson (1989) e Harvey (1989a).
6
Modelos baseados neste conceito são conhecidos na literatura como modelos de componentes não
observáveis.
7
Ver Harvey (1989a)
8
Devidas a valores atípicos (outliers).
5
2.1. Abordagem Bayesiana
As observações acima valem tanto para a visão clássica quanto para a visão bayesiana
de modelos estruturais. Esta última, porém, se mostra mais versátil no tratamento das
informações disponíveis ao analista no processo de desenvolvimento dos modelos.
Isto porque permite combinar informações contidas na amostra com informações
externas à amostra, através de vasta gama de procedimentos.
9
Correspondentes à estimativas dos componentes.
6
Por exemplo, é comum o usuário ter conhecimento de eventos passados que explicam
certos movimentos atípicos apresentados pelo histórico da série, ou de eventos futuros
que irão alterar o comportamento da série previsto pelo modelo. Tais informações não
estão presentes nos dados, mas devem ser incorporadas no sistema de análise e
previsão. A abordagem bayesiana permite que estas informações sejam formalmente
incorporadas no processo de estimação e previsão dos modelos estruturais.
Ambas as forma de intervenção são úteis tanto para descrição como para previsão. A
intervenção feed-back, em especial, permite usar a metodologia de modo
exploratório, para se detectar eventos relevantes, não contemplados a priori, o que
contribui para melhor compreensão do mecanismo gerador das séries. A relação entre
as formas de intervenção e a aquisição de conhecimento sobre o fenômeno
investigado estão ilustradas na Figura 2.3.1.
7
Figura 2.2.1
Intervenção Feed-forward
Conhecimento Conhecimento
a Priori a posteriori
Intervenção
Estimação
Sequencial
Intervenção Feed-back
Estimação Intervenção
Sequencial
Os testes de diagnóstico são, portanto, muito importantes para todo o processo, e vale
fazer aqui uma breve menção aos que se costuma usar para avaliar os modelos. Na
realidade, existe uma ampla bateria de testes de diagnóstico que podem ser aplicados,
desde inspeção visual dos resíduos até testes para heterocedasticidade, não-linearidade
e normalidade10.
8
algumas medidas de aderência e testes de previsão, a maior parte dos quais estão
implantados no referido software. Abaixo, apenas listamos os principais testes que são
normalmente utilizados, deixando para a Seção ...., adiante, a descrição formal de
cada um deles.
a) medidas de aderência:
- erro quadrático médio
- desvio absoluto médio
- logaritmo da verosimilhança preditiva
Além disso, o sistema provê um série de facilidades, dentre as quais vale citar: a)
importação e exportação de dados; b) estatísticas descritivas para análise exploratória
dos dados e c) amplo sistema gráfico passível de ser usado em todas as etapas da
análise.
9
3. Os Detalhes da Abordagem Bayesiana de Previsão
O conceito de modelo estrutural segue o antigo princípio de que toda série temporal
pode ser representada por um modelo estatístico de componentes não observáveis de
tendência, ciclo, sazonalidade e irregular. Formalmente, o modelo de componentes
não observáveis se escreve:
ou
onde:
t = componente cíclica
t = componente sazonal
t = componente irregular
11
A rigor, a componente cíclica tem maior relevância quando se está analisando um período de dados
bastante longo, que não será o caso da pesquisa que só cobre pouco mais de uma década.
12
A metodologia apresentada aqui refere-se ao modelo aditivo, podendo o modelo multiplicativo ser
convertido em aditivo via tranformação logarítimica. O modelo multiplicativo é mais adequado para a
maior parte das séries econômicas, pois segue a idéia de que a amplitude dos movimentos cíclicos e
sazonais se relaciona dieretamente com o nível das séries.
10
A abordagem de modelos estruturais assume, em primeiro lugar, que cada
componente evolui estocasticamente, e não deterministicamente, ao longo do
tempo. Em segundo lugar, a modelagem matemática proposta para caracterizar a
evolução temporal de cada componente é feita por intermédio de sistemas de
equações recursivas, da seguinte forma:
a) tendência:
t = t-1 + vt
b) ciclo:
t = .t-1.cos *t1 sen + wt
c) sazonalidade:
s/ 2
t j,t
j1
O sistema composto por (4) e (5) representa a forma de evolução dinâmica para a
componente cíclica, o que é feito através de uma única harmônica na frequência . O
termo de amortecimento é incluído para impedir um comportamento explosivo deste
componente.
A equação (6) descreve o componente sazonal como sendo a soma de s/2 fatores,
onde s é o período sazonal. Na fórmula acima, assume-se que cada fator é uma
harmônica e, portanto, que a sazonalidade t é uma média de s/2 harmônicas13. As
frequências respectivas de cada harmônica são determinadas por:
2. . j
j j = 1, ...,s/2
s
13
Outra forma, proposta na literatura, para modelar o componente sazonal é via fatores sazonais. Ver
Harrison & Stevens (1976).
11
3.2. Modelo Linear Dinâmico
A cada instante de tempo t, a estimação dos componentes não observáveis em (1) tem
de ser feita a partir do vetor de observações y' = [y1, y2,..., yt]. A proposta da
metodologia de modelos estruturais é tratar esta questão como um problema de
modelos estruturais é tratar esta questão como um problema de estimação de modelos
em espaço de estados, o qual apresenta uma solução pronta, dada pela utilização de
um algoritmo conhecido como Filtro de Kalman. Assim, para se estimar os
componentes não observáveis, é preciso colocar (1) em termos da representação de
modelos em espaço de estados. No contexto bayesiano, isto é feito com base no
conceito de Modelo Linear Dinâmico (MLD), que pode ser entendido como uma
forma particular de se representar modelos em espaço de estados14.
onde:
Vt = variância de vt
Wt = matriz de variância-covariância de wt
A equação (9) descreve a forma como cada observação é gerada para um dado estado
do sistema no instante t. É chamada equação das observações. A equação (10), por
sua vez, descreve a transição, entre o instante t-1 e o instante t, do sistema de geração
das observações, é chamada equação do sistema e t vetor de estado do sistema.
14
Para uma representação mais geral, ver Harvey (1989).
12
Agora, assumindo-se gaussianidade (normalidade) para os vetores de perturbações vt
e wt e que eles não são auto-correlacionados e nem correlacionados entre si, isto é:
vt ~ N(0,Vt)
wt ~ N(0,Wt)
E(v t , v t k ) 0
k 1,2,
E(w t , w t k ) 0
E(v t , w t k ) 0 k 0,1,2,
at = Gt . mt-1 (11)
Ct = Rt - Rt.Ft.Ft'.Rt / Qt (14)
Qt = Ft'.Rt.Ft + Vt (15)
onde
at = E(t/t-1)
Rt = Var(t/t-1)
mt = E(t/t)
Ct = Var(t/t).
As equações (13), (14) e (15), são chamadas equações de atualização, pois atualizam
as estimativas at e Rt (obtendo mt e Ct) usando a última observação disponível para Yt
13
(isto é, yt). Assim, produzem-se estimativas de t usando-se as informações
disponíveis até o instante t, inclusive. Note-se, por exemplo, que mt é a soma de at
mais uma correção do erro de previsão do sistema em t, dado por yt - Ft'.at. Portanto,
a estimativa at, (que usa a informação disponível até t-1, apenas) é corrigida ou
atualizada quando fica disponível a última observação yt. O fator de correção, dado
por Rt.Ft / t, é chamado Ganho do Filtro.
O estimador gerado pelo Filtro de Kalman possui a propriedade de ser aquele que
minimiza o erro quadrático médio de previsão dentre todos os estimadores
lineares. Na hipótese de normalidade dos resíduos das observações, ele estende esta
propriedade para todos os estimadores, lineares ou não15.
15
Ver Harvey (1981).
16
Assumir uma priori difusa é sinônimo de supor ignorância total a priori com relação aos valores
que pode assumir o vetor de estado.
17
Ver Harvey (1981).
14
As previsões com o Filtro de Kalman envolvem dois passos:
a) Vetor de Estado:
at+j/t = Gt+j.at+j-1/t
Rt+j/t = Gt+j.Rt+j-1/t.G't+j + Wt
b) Observações Futuras:
t+j/t = F't+j.at+j/t
Y
onde:
a) vetor Ft
F’ = [ 1 0 ¦ 1 0 ¦ 1 0 ... 1 0 1 ]
15
1 1
0 1 0
(22)
0
(22s )
0
(21)
0 .cos .sen
(22) .sen .cos 0 0
(22s ) (21)
G D1
(52s2s )
0 0 0
(2s2) (2s2)
D
(2s1)
s
(102) 0 0 Ds1
(12) (12s )
onde:
cosi sen i
Di i = 1, ..., s’
sen i cosi
vt = t
wt vt vt wt w*t w1,t w1*,t ws1,t
f) variância observacional Vt:
V =
16
g) variância dos resíduos do sistema W t:
0
( 22s1)
wc
W 0
( 2s12s1)
( 2s12) *wc
Q1
Qs1
onde:
0
Qi wi *
0 wi
Qs1 w,s/2
3.4. Hiperparâmetros
H
(1(6s1))
wc *wc w1 *w1 ws1
17
A abordagem bayesiana implementada no BATS não admite a componente cíclica no
modelo. No contexto clássico, que admite a especificação desta componente, a
estimação dos hiperparâmetros e a ela associados, juntamente com os demais, é
feita via maximização da função de verosimilhança escrita para os erros de previsão
do sistema, sobre o que não falaremos aqui18.
Vt = t.bt
Rt = B.G.Ct-1.G'.B (12’)
onde:
i = fator de desconto associado à componente i (i = 1,...,k)
18
Para tanto, ver Harvey (1989a).
19
Para uma descrição do procedimento de estimação sequencial deste fator de escala, ver Souza (1989),
Apêndice III.
18
G = Diag.(G1, G2, ..., Gk)
3.5. Intervenções
a) Componentes do Modelo20
b) Priori Inicial m0 e c0
20
O modelo especificado pode conter os três componentes ou apenas dois deles. O BATS, por
exemplo, só permite que se especifique o modelo estrutural básico, isto é, com tendência e
sazonalidade apenas, sem o ciclo. O número de harmônicas também pode ser especificado a priori,
omitindo-se aquelas que são irrelevantes para descrever o padrão sazonal.
19
Além das modalidades acima, existe também a possibilidade de se alterar o fator de
desconto de excessão, no âmbito das intervenções automáticas do tipo feed-back.
Este fator é usado no processo de monitoração sequencial embutido no BATS 21
T
2t / t 1
j1k
EQM
T K
T 1T 1T
LVP ln(2) ln ft 2t / t 1 / ft
2 2 t 1 2 t 1
L
2T j/T
j1
EQMP
L
21
Ver West (1988) e Harisson (1989).
20
L
2T j/T
j1
TPAA( L) L
T
2
t / t 1
j1k
(T K)
onde:
21
Referências
Harvey, A. C. (1989a) - Forecasting, Structural Time Series Models and the Kalman
Filter - Cambridge University Press, Cambridge, U.K.
22
West, M. e Harrisson, J. (1989) - Bayesian Forecasting and Dynamic Models -
Springer Verlag.
West, M., Harrison, J. e Pole, A. (1988) - BATS: A User Guide - Warwick Research
Report nº 114, Departmento of Statistics, University of Warwick, Coventry, U. K.
23