Estatística 2

8 – Séries Temporais

Professor Luciano Barboza da Silva

Caso de referência
• Você é analista financeiro da ST Ltda, uma empresa de
grande porte que presta serviços financeiros. Você
precisa fazer previsões de receitas para três empresas,
com o objetivo de melhor avaliar as oportunidades de
investimento para seus clientes. Para auxiliar a previsão
você coletou dados de séries temporais relativos das três
Métodos Estatísticos Prof. Luciano Barboza da Silva 2
Caso de referência
empresas: Cabot Coporation, The Coca-Cola Company.
E Wal-Mart Stores, Inc. Cada uma das duas séries
temporais apresenta características exclusivas, devido a
diferentes tipos de atividades de negócios e padrões de
crescimento vivenciados por essas três empresas. Você
entende que pode utilizar vários tipos diferentes de mo-
Métodos Estatísticos Prof. Luciano Barboza da Silva 3
Caso de referência
delos de previsão. De que modo você decide qual tipo
de modelo de previsão é o melhor para cada uma das
empresas? De que modo você utiliza as informações
obtidas dos modelos de previsão para avaliar as
oportunidades de investimentos para seus clientes?

Métodos Estatísticos Prof. Luciano Barboza da Silva 4

Introdução
• Séries Temporais: Conjunto de dados numéricos
coletados ao longo do tempo;

• Previsões: Consiste em utilizar o que se sabe (no caso

das séries temporais, os dados sobre o passado) para
dizer algo sobre o futuro (pré-ver) sobre certas
condições de regularidade.
Métodos Estatísticos Prof. Luciano Barboza da Silva 5
Introdução
• Duas abordagens possíveis:

– Modelos de Séries Temporais: Utiliza-se apenas dos valores

passados da série para predizer seu comportamento futuro;

– Modelos Causais de Previsão: que além da série de dados

utiliza-se de variáveis explicativas.

Métodos Estatísticos Prof. Luciano Barboza da Silva 6

Fatores Componentes dos Modelos de
Séries Temporais
• Tendência: Consiste em movimentos regulares e de
longo prazo da série;

• Efeitos Cíclicos: São oscilações regulares ao longo da

tendência;

Métodos Estatísticos Prof. Luciano Barboza da Silva 7

Fatores Componentes dos Modelos de
Séries Temporais
• Efeitos Irregulares ou Aleatórios: Movimentos da série
que não seguem a tendência modificada pelos efeitos
cíclicos;

• Sazonalidades: São efeitos cíclicos previsíveis que

ocorrem, regularmente, ao longo do tempo.

Métodos Estatísticos Prof. Luciano Barboza da Silva 8

A questão da Tendência: Ajustando uma
Série Temporal
• Consideremos o caso Cabot Corporation: (especializada
na fabricação e distribuição de material químico). Os
dados a seguir mostram a série de Receitas Totais (em
milhões de dólares) para o período de 1982 a 2008:

Métodos Estatísticos Prof. Luciano Barboza da Silva 9

A questão da Tendência: Ajustando uma
Série Temporal
Ano Receita Ano Receita
1982 1588 1996 1865
1983 1558 1997 1637
1984 1753 1998 1653
1985 1408 1999 1699
1986 1310 2000 1698
1987 1424 2001 1523
1988 1677 2002 1557
1989 1937 2003 1795
1990 1685 2004 1934
1991 1488 2005 2125
1992 1562 2006 2543
1993 1619 2007 2616
1994 1687 2008 3191
1995
Métodos Estatísticos
1841Prof. Luciano Barboza da Silva 10
A questão da Tendência: Ajustando uma
Série Temporal

Métodos Estatísticos Prof. Luciano Barboza da Silva 11

A questão da Tendência: Ajustando uma
Série Temporal
• A primeira questão que devemos considerar em uma
série é a determinação de sua tendência:

• Dois métodos:

– Médias Móveis

– Ajuste Exponencial

Métodos Estatísticos Prof. Luciano Barboza da Silva 12

A questão da Tendência: Médias Móveis
• O princípio do método é imaginar que as médias são
boas medidas da tendência. Assim tentar entender a
tendência da série por meio da tendência das médias
parece promissor.

Métodos Estatísticos Prof. Luciano Barboza da Silva 13

A questão da Tendência: Médias Móveis
• Método:

– Escolhe-se uma extensão denominada genericamente L.

– Características de L:
• L deve ser um número ímpar de observações;

• Não se calcula nenhuma média móvel para os (L-1)/2 primeiros e

últimos anos;

Métodos Estatísticos Prof. Luciano Barboza da Silva 14

A questão da Tendência: Médias Móveis
• Método:

– A partir do termo (L+1)/2 substitui-se a observação da série

pela média dos L termos da sequência calculada. Esse
processo para ao substituirmos o (2n - L+1)/2 pela média dos
últimos L termos de uma série de n observações

Métodos Estatísticos Prof. Luciano Barboza da Silva 15

A questão da Tendência: Médias Móveis
• Exemplo: Considere a seguinte série:
4,0 5,5 7,0 6,0 8,0 9,0 5,0 2,0 3,5 5,5 6,5

– O método consiste em calcular outra série onde os (n – L +1)

termos intermediários, serão substituídos pelas médias de
cinco componentes da série, como segue:

Métodos Estatísticos Prof. Luciano Barboza da Silva 16

A questão da Tendência: Médias Móveis
• Exemplo: Considere mais uma vez a série:
4,0 5,5 7,0 6,0 8,0 9,0 5,0 2,0 3,5 5,5 6,5

Y1    Y5 4  8 Y5    Y9 8    3,5
 
MM1 5    6,0 MM 5 5    5,5
5 5 5 5
Y2    Y6 5    9 Y6    Y10 9    5,5
MM 2 5    7,0 MM 6 5    5,0
5 5 5 5
Y    Y7 7    5 Y    Y11 5    6,5
MM 3 5  3   7,0 MM 7 5  7   4,5
5 5 5 5
Y4    Y8 6    2
MM 4 5    6,0
5 5
Métodos Estatísticos Prof. Luciano Barboza da Silva 17
A questão da Tendência: Médias Móveis
• Assim geramos a série de Médias Móveis
4,0 5,5 7,0 6,0 8,0 9,0 5,0 2,0 3,5 5,5 6,5

MM1(5) MM2(5) MM3(5) MM4(5) MM5(5) MM6(5) MM7(5)

6,0 7,0 7,0 6,5 5,5 5,0 4,5

Métodos Estatísticos Prof. Luciano Barboza da Silva 18

A questão da Tendência: Médias Móveis
• Graficamente
Note que a média
Exemplo: Médias Móveis - L = 5
10
acompanha a tendência
9
da série mas tem suas
8
variações atenuadas
7

0
1 2 3 4 5 6 7 8 9 10 11

Série MM(5)
Métodos Estatísticos Prof. Luciano Barboza da Silva 19
A questão da Tendência: Médias Móveis
• OBS:
– Note que a nova série tem n – L + 1 (no nosso caso 9)
observações;

– A primeira observação a ser substituída é a que está na posição:

(L + 1)/2 (no nosso caso 3ª posição);

– A última observação a ser substituída é a que está na posição (2n

– L + 1)/2
Métodos Estatísticos Prof. Luciano Barboza da Silva 20
A questão da Tendência: Médias Móveis
• Voltando ao exemplo da Cabot Corporation:

– Vamos utilizar medias móveis para analisar a tendência;

– Usaremos duas extensões: L = 3 e L = 7

Métodos Estatísticos Prof. Luciano Barboza da Silva 21

A questão da Tendência: Médias Móveis

Métodos Estatísticos Prof. Luciano Barboza da Silva 22

A questão da Tendência: Ajuste Exponencial
• Consiste em uma série de médias móveis ponderadas;

• Os pesos atribuídos aos valores se modificam de modo

tal que o valor mais recente recebe o maior peso. O
segundo mais recente o segundo maior peso e assim
sucessivamente;

Métodos Estatísticos Prof. Luciano Barboza da Silva 23

A questão da Tendência: Ajuste Exponencial
• Ao longo de toda a série, cada um dos valores
exponencialmente ajustados depende de todos os
valores anteriores;

• Bom método para previsão de curto prazo em séries de

tendência difícil;

Métodos Estatísticos Prof. Luciano Barboza da Silva 24

A questão da Tendência: Ajuste Exponencial
• Método: O valor ajustado no tempo t é dado pela
relação de recorrência:
E1  Y1
Et  WYt  1  W Et 1

onde: Et Valor exponencialmente ajustado no tempo t

Yt Valor da série no tempo t
W Peso do ajuste atribuído subjetivamente (0 < W < 1)

Métodos Estatísticos Prof. Luciano Barboza da Silva 25

A questão da Tendência: Ajuste Exponencial
• Para a nossa série da Cabot Corporation:

Y1982  1588 E1982  1588

Y1983  1558 E1983  WY1983  1  W E1982  0,25 1558  1 - 0,251588  1580,5

Y1984  1753 E1984  WY1984  1  W E1983  0,25 1753  1 - 0,251580,5  1623,52

Métodos Estatísticos Prof. Luciano Barboza da Silva 26

A questão da Tendência: Ajuste Exponencial

Métodos Estatísticos Prof. Luciano Barboza da Silva 27

A questão da Tendência: Ajuste Exponencial
• Para fazer uma previsão utilizando esse método
recomenda-se:
Yˆt 1  WYt  1  W Et

• Assim: Yˆ1993  WY1992  1  W E1992  1587,275

Y1993  1619

Métodos Estatísticos Prof. Luciano Barboza da Silva 28

A questão da Tendência: Modelo de
Regressão Simples
• Caso a visualização dos dados indicar uma tendência
linear, poderemos utilizar um Modelo de Regressão
Linear Simples para modelar a tendência da série;

• Modelo de Regressão Linear Simples:

Yt   0  1 X t   t

Métodos Estatísticos Prof. Luciano Barboza da Silva 29

A questão da Tendência: Modelo de
Regressão Simples
• Nesse caso teremos o seguinte modelo estimado:

Yt  b0  b1 X t

• OBS: Ao utilizarmos um modelo de regressão para os

dados de um Série Temporal, utilizamos para Xt:

X 0  0 X1  1 X 2  2 

Métodos Estatísticos Prof. Luciano Barboza da Silva 30

A questão da Tendência: Modelo de
Regressão Simples
• Dados da Coca-Cola Company. Série de receitas de
1995 a 2008 (em bilhões de dólares):
Ano Cod. Receita Ano Cod. Receita
1995 0 18,0 2002 7 19,6
1996 1 18,5 2003 8 21,0
1997 2 18,9 2004 9 21,9
1998 3 18,8 2005 10 23,1
1999 4 19,8 2006 11 24,1
2000 5 20,5 2007 12 28,9
2001 6 20,1 2008 13 31,9
Métodos Estatísticos Prof. Luciano Barboza da Silva 31
A questão da Tendência: Modelo de
Regressão Simples
• Utilizando o Modelo de Regressão Simples temos:

Yt  16,3143  0,8429 X t

Métodos Estatísticos Prof. Luciano Barboza da Silva 32

A questão da Tendência: Modelo de
Regressão Simples
• Interpretação dos Coeficientes:

– b0 = 16,3143 – significa a estimativa do o valor da receita da

Coca-Cola no ano zero;

– b1 = 0,8429– significa o crescimento da tendência para cada

ano adicional, ou seja, a taxa anual de crescimento estimada
da receita ($ 0,8429 bilhões de dólares / ano)

Métodos Estatísticos Prof. Luciano Barboza da Silva 33

A questão da Tendência: Modelo de
Regressão Simples
• Graficamente:

Métodos Estatísticos Prof. Luciano Barboza da Silva 34

A questão da Tendência: Modelo de
Regressão Simples
• OBS: Note que

o r2 da Regressão (que mede a capacidade

explicativa da tendência linear) é de 74,75%,
o que indica que ainda existem cerca de 25%
de explicações que a tendência linear não
consegue capturar.

Métodos Estatísticos Prof. Luciano Barboza da Silva 35

A questão da Tendência: Modelo de
Tendência Quadrática
• Quando os dados apresentam uma tendência
perceptivelmente não linear, alguns modelos
alternativos podem ser tentados:

– Tendência Quadrática;

– Tendência Exponencial;

Métodos Estatísticos Prof. Luciano Barboza da Silva 36

A questão da Tendência: Modelo de
Tendência Quadrática
• Modelo de Tendência Quadrática:

Yt  0  1 X t   2 X t2   t

• Modelo Estimado:
Yt  b0  b1 X t  b2 X t2 b0  Intercepto estimado de Y
b1  Efeito linear estimado em Y
b2  Efeito quadrático estimado em Y

Métodos Estatísticos Prof. Luciano Barboza da Silva 37

A questão da Tendência: Modelo de
Tendência Quadrática
• Dados da Coca-Cola Company. Série de receitas de
1995 a 2008 (em bilhões de dólares):
Ano Cod. (X) X2 Receita Ano Cod. (X) X2 Receita
1995 0 0 18,0 2002 7 49 19,6
1996 1 1 18,5 2003 8 64 21,0
1997 2 4 18,9 2004 9 81 21,9
1998 3 9 18,8 2005 10 100 23,1
1999 4 16 19,8 2006 11 121 24,1
2000 5 25 20,5 2007 12 144 28,9
2001 6 36 20,1 2008 13 196 31,9
Métodos Estatísticos Prof. Luciano Barboza da Silva 38
A questão da Tendência: Modelo de
Tendência Quadrática
• Estimado o Modelo temos: Yt  19,2804  0,6402 X t  0,1141X t2

Métodos Estatísticos Prof. Luciano Barboza da Silva 39

A questão da Tendência: Modelo de
Tendência Quadrática
• Graficamente

Métodos Estatísticos Prof. Luciano Barboza da Silva 40

A questão da Tendência: Modelo de
Tendência Exponencial
• Modelo de Tendência Quadrática:

Yt   0  2X t  t

• Modelo Transformado:
ln Yt  ln 0  ln  2 X t  ln  t

Métodos Estatísticos Prof. Luciano Barboza da Silva 41

A questão da Tendência: Modelo de
Tendência Exponencial
• O Modelo Exponencial Transformado é Linear e o
modelo estimado é dado por:

ln Yˆt  a1  a2 X t

onde: a1  ln b1  b1  ea1 a2  ln b2  b2  ea2

Métodos Estatísticos Prof. Luciano Barboza da Silva 42

A questão da Tendência: Modelo de
Tendência Exponencial
• Assim o modelo estimado é dado por:

ˆ
Yt  b1b2
Xt

onde:
b1  Intercepto estimado de Y, ou seja valor inicial da série;
1  b2  Estimativa da taxa de crescimento da série;

Métodos Estatísticos Prof. Luciano Barboza da Silva 43

A questão da Tendência: Modelo de
Tendência Exponencial
• OBS: Para vermos a interpretação de b2 note

ˆ ˆ  X t 1
Yt  b1b2
Xt
Yt 1  b1b2  Yt  Y  b1b2 b2  Yˆt b2
ˆ ˆ Xt

Assim:
Yˆt  Yˆ Yˆ Yˆ
b2   1  b2  1 
Yˆt Yˆt Yˆt

Métodos Estatísticos Prof. Luciano Barboza da Silva 44

A questão da Tendência: Modelo de
Tendência Exponencial
• Dados da Coca-Cola Company. Série de receitas de
1995 a 2008 (em bilhões de dólares):
Ano Cod. Receita ln(rec.) Ano Cod. Receita ln(rec.)
1995 0 18,0 2,890372 2002 7 19,6 2,97553
1996 1 18,5 2,917771 2003 8 21,0 3,044522
1997 2 18,9 2,939162 2004 9 21,9 3,086487
1998 3 18,8 2,933857 2005 10 23,1 3,139833
1999 4 19,8 2,985682 2006 11 24,1 3,182212
2000 5 20,5 3,020425 2007 12 28,9 3,363842
2001 6 20,1 3,00072 2008 13 31,9 3,462606
Métodos Estatísticos Prof. Luciano Barboza da Silva 45
A questão da Tendência: Modelo de
Tendência Exponencial
• Assim o modelo estimado é dado por:

Métodos Estatísticos Prof. Luciano Barboza da Silva 46

A questão da Tendência: Modelo de
Tendência Exponencial
• Assim o modelo estimado é dado por:

Métodos Estatísticos Prof. Luciano Barboza da Silva 47

A questão da Tendência: Modelo de
Tendência Exponencial
• Do modelo temos que:

ln Yˆt  a1  a2 X t  2,8313  0,0363 X t

onde:

a1  ln b1  b1  e a1 a2  ln b2  b2  ea2

b1  e  ea1 2,8313
 16,9670 b2  ea2  e0,0363  1,0370

Métodos Estatísticos Prof. Luciano Barboza da Silva 48

A questão da Tendência: Modelo de
Tendência Exponencial
• Assim o modelo estimado é dado por:

Yt  16,9671,0370
ˆ Xt

note:
b1  16,967 bilhões, que é uma estimativa do valor da série em 1995

1  b2  0,0370 ou 3,7% que é a taxa de crescimento anual média

estimada para a série

Métodos Estatísticos Prof. Luciano Barboza da Silva 49

A questão da Tendência: Modelo de
Tendência Exponencial
• Graficamente:

Métodos Estatísticos Prof. Luciano Barboza da Silva 50

Seleção de Modelos Utilizando Diferenças
• Vimos três modelos possíveis. Para selecionar o modelo
mais adequado à nossa situação podemos:

– Observar o poder explicativo do modelo (r2 ou r2 ajustado);

– Fazer uma avaliação das diferenças dos termos da série;

Métodos Estatísticos Prof. Luciano Barboza da Silva 51

Seleção de Modelos Utilizando Diferenças
• Primeiras Diferenças:

– Se a série tem uma tendência linear perfeita então, as

primeiras diferenças (Yt – Yt-1) são constantes:

Y2  Y1  Y3  Y2  ...  Yn  Yn1

Métodos Estatísticos Prof. Luciano Barboza da Silva 52

Seleção de Modelos Utilizando Diferenças
• Segundas Diferenças:

– Se a série tem uma tendência quadrática perfeita então, as

segundas diferenças ([Yt+2 – Yt+1] – [Yt+1 – Yt]) são
constantes:

Y3  Y2   Y2  Y1   Y4  Y3   Y3  Y2   ...  Yn  Yn1   Yn1  Yn2 

Métodos Estatísticos Prof. Luciano Barboza da Silva 53

Seleção de Modelos Utilizando Diferenças
• Primeiras Diferenças Percentuais:

– Se a série tem uma tendência quadrática perfeita então, as

primeiras diferenças percentuais (Yt – Yt-1) / Yt-1 são
constantes:
 Y2  Y1    Y3  Y2    Yn  Yn1  
 100   100  ...   100
 Y1   Y2   Yn 

Métodos Estatísticos Prof. Luciano Barboza da Silva 54

Seleção de Modelos Utilizando Diferenças
• Para o Modelo Coca-Cola temos:
A ideia do método é verifica de
qual dos caso vistos a série mais
se aproxima. Dessa forma vemos
que nenhum dos três casos parece
se ajustar aos dados da Coca-
Cola o que sugere que talvez
outros modelos sejam necessários

Métodos Estatísticos Prof. Luciano Barboza da Silva 55

Modelos Autorregressivos: Ajuste de
Tendência
• Esses modelos são indicados para séries temporais que
apresentam forte correlação temporal, ou seja,
correlação entre os valores futuros e passados

• Os modelos Autorregressivos classificam-se por ordem:

Métodos Estatísticos Prof. Luciano Barboza da Silva 56

Modelos Autorregressivos: Ajuste de
Tendência
• Modelo Autorregressivo de Primeira Ordem:
Yt  A0  A1Yt 1   t

• Modelo Autorregressivo de Segunda Ordem:

Yt  A0  A1Yt 1  A2Yt 2   t

Métodos Estatísticos Prof. Luciano Barboza da Silva 57

Modelos Autorregressivos: Ajuste de
Tendência
• Modelo Autorregressivo de P-ésima Ordem:
Yt  A0  A1Yt 1  A2Yt 2    ApYt  p   t
onde:

Yt  Valor da Série no tempo t;

Ap  Parâmetro Autorregressivo de recuo de ordem p (parâmetros
a ser estimados)
t  Componente de erro aleatório não correlacionado (Et=0,
Var (t)= σ2));
Métodos Estatísticos Prof. Luciano Barboza da Silva 58
Modelos Autorregressivos: Ajuste de
Tendência
• OBS: Note que o modelo autorregressivo agrupa dados
da mesma série:

– 1ª Ordem: Yt e Yt-1; (pares)

– 2ª Ordem: : Yt ,Yt-1 e Yt-2; (trios)

– P-ésima ordem Yt ,Yt-1 ...Yt-p; (p-uplas)

Métodos Estatísticos Prof. Luciano Barboza da Silva 59

Modelos Autorregressivos: Ajuste de
Tendência
• Dessa forma o número de agrupamentos utilizáveis para
a estimação é de n – p;

• Exemplo: Considere a série

1 2 3 4 5 6 7
31 34 37 35 36 43 40

Métodos Estatísticos Prof. Luciano Barboza da Silva 60

Modelos Autorregressivos: Ajuste de
Tendência
• O modelo de primeira ordem estimará os melhores
valores A0 e A1 tais que:

34  A0  31A1   2 Note que neste caso utilizamos

37  A  34 A   6 (7-1) pares para a estimação
 0 1 3
 dos parâmetros

40  A0  43 A1   7

Métodos Estatísticos Prof. Luciano Barboza da Silva 61

Modelos Autorregressivos: Ajuste de
Tendência
• A estimativa do modelo será feita pelo método dos
Mínimos Quadrados;

• Escolhido o modelo e feitas as estimativas, podemos

utilizar o teste t para estabelecer a relevância dos
coeficientes;

Métodos Estatísticos Prof. Luciano Barboza da Silva 62

Modelos Autorregressivos: Ajuste de
Tendência
• Modelo Estimado

Yˆt  a0  a1Yt 1  a2Yt 2    a pYt  p

Yˆt  Valor ajustado da série no tempo t;

a p  Valor estimado do parâmetro autorregressivo de recuo de

ordem p;

Métodos Estatísticos Prof. Luciano Barboza da Silva 63

Modelos Autorregressivos: Ajuste de
Tendência
• Protocolo do Teste:

– Nível de Significância: α;

– Teste:  H 0 : Ap  0

 H1 : Ap  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 64

Modelos Autorregressivos: Ajuste de
Tendência
• Protocolo do Teste:

– Estatística de Teste: a p  Ap
T
Sa p

– Região Crítica: RC : T  t 2 ou T  t 2


Ptn 2 p 1  t 2  
2

Métodos Estatísticos Prof. Luciano Barboza da Silva 65

Modelos Autorregressivos: Ajuste de
Tendência
• Para o Modelo da Coca-Cola:

– Vamos estimar o modelo autorregressivo de terceira ordem, e

depois vamos fazer testes de significância nos parâmetros
para verificar se é possível simplificar o modelo;

– Para isso construímos a seguinte tabela:

Métodos Estatísticos Prof. Luciano Barboza da Silva 66

Modelos Autorregressivos: Ajuste de
Tendência
• Para o Modelo da Coca-Cola: Modelo de 3ª Ordem
Note que:
1 – Criamos quádruplas, a partir
da quarta observação, recuando
três, para termos 3 períodos
passados;

2 – O número de trios
disponíveis é de n – p (14 – 3 =
11) observações

Métodos Estatísticos Prof. Luciano Barboza da Silva 67

Modelos Autorregressivos: Ajuste de
Tendência
• Modelo Estimado: Yˆt  15,1033  0,8849Yt 1  0,3294Yt 2  0,5987Yt 3

• Note que o poder explicativo do modelo é alto.

Métodos Estatísticos Prof. Luciano Barboza da Silva 68

Modelos Autorregressivos: Ajuste de
Tendência
• Teste t para o parâmetro A3

– Nível de Significância: 5%;

– Teste:  H 0 : A3  0

 H1 : A3  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 69

Modelos Autorregressivos: Ajuste de
Tendência
• Protocolo do Teste:
0,5987  0
– Estatística de Teste: T   0,833
0,7187
– Região Crítica: RC : T  2,365 ou T  2,365
Pt1461  t0,025   0,025  t0,025  2,365

– Conclusão: Não há evidência de que a o parâmetro A3 não

seja nulo (não podemos rejeitar H0 com NS de 5%)

Métodos Estatísticos Prof. Luciano Barboza da Silva 70

Modelos Autorregressivos: Ajuste de
Tendência
• Para o Modelo da Coca-Cola: Modelo de 2ª Ordem
Note que:
1 – Criamos tripas, a partir da
terceira observação, recuando
duas, para termos 2 períodos
passados;

2 – O número de trios
disponíveis é de n – p (14 – 2 =
12) observações

Métodos Estatísticos Prof. Luciano Barboza da Silva 71

Modelos Autorregressivos: Ajuste de
Tendência
• Modelo Estimado: Yˆt  10,7579  0,9903Yt 1  0,5934Yt 2

• Note que o poder explicativo do modelo ainda é alto.

Métodos Estatísticos Prof. Luciano Barboza da Silva 72

Modelos Autorregressivos: Ajuste de
Tendência
• Para o Modelo da Coca-Cola: Modelo de 2ª Ordem

Métodos Estatísticos Prof. Luciano Barboza da Silva 73

Modelos Autorregressivos: Ajuste de
Tendência
• Teste t para o parâmetro A2

– Nível de Significância: 5%;

– Teste:  H 0 : A2  0

 H1 : A2  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 74

Modelos Autorregressivos: Ajuste de
Tendência
• Protocolo do Teste:
0,5934  0
– Estatística de Teste: T   1,1608
0,5112
– Região Crítica: RC : T  2,262 ou T  2,262
Pt1441  t0,025   0,025  t0,025  2,262

– Conclusão: Não há evidência de que a o parâmetro A2 não

seja nulo (não podemos rejeitar H0 com NS de 5%)

Métodos Estatísticos Prof. Luciano Barboza da Silva 75

Modelos Autorregressivos: Ajuste de
Tendência
• Para o Modelo da Coca-Cola: Modelo de 1ª Ordem
Note que:
1 – Criamos duplas, a partir da
segunda observação, recuando
uma, para termos 1 períodos
passados;

2 – O número de trios
disponíveis é de n – p (14 – 1 =
13) observações

Métodos Estatísticos Prof. Luciano Barboza da Silva 76

Modelos Autorregressivos: Ajuste de
Tendência
• Modelo Estimado: Yˆt  5,8384  1,3286Yt 1

• Note que o poder explicativo do modelo ainda é alto.

Métodos Estatísticos Prof. Luciano Barboza da Silva 77

Modelos Autorregressivos: Ajuste de
Tendência
• Teste t para o parâmetro A1

– Nível de Significância: 5%;

– Teste:  H 0 : A1  0

 H1 : A1  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 78

Modelos Autorregressivos: Ajuste de
Tendência
• Protocolo do Teste:
1,3287  0
– Estatística de Teste: T   12,4878
0,1064
– Região Crítica: RC : T  2,201 ou T  2,201
Pt1421  t0,025   0,025  t0,025  2,201

– Conclusão: Há evidências de que A1 é diferente de zero

(rejeitamos H0 com NS de 5%)

Métodos Estatísticos Prof. Luciano Barboza da Silva 79

Modelos Autorregressivos: Previsão
• Modelo de Previsão:
Yˆt  j  a0  a1Yˆt  j 1  a2Yˆt  j 2    a pYˆt  j  p

Ŷt  j  Valor previsto para a série no tempo t+j;

Yˆt  j i
 se j  i  0 Valor previsto para a série no tempo t+j-1;
Yˆt  j i 

Yt  j i se j i  0 Valor observado na série no tempo t+j-1;

at  Estimativa dos parâmetros de autocorrelação

Métodos Estatísticos Prof. Luciano Barboza da Silva 80

Modelos Autorregressivos: Previsão
• Assim para o modelo de terceira ordem, por exemplo:

– Previsão de uma unidade de tempo a frente (j = 1):

Yˆt 1  a0  a1Yt  a2Yt 1  a3Yt 2

– Previsão de uma unidade de tempo a frente (j = 2):

Yˆt  2  a0  a1Yˆt 1  a2Yt  a3Yt 1

Métodos Estatísticos Prof. Luciano Barboza da Silva 81

Modelos Autorregressivos: Previsão
• Assim para o modelo de terceira ordem, por exemplo:

– Previsão de uma unidade de tempo a frente (j = 3):

Yˆt 3  a0  a1Yˆt  2  a2Yˆt 1  a3Yt

Métodos Estatísticos Prof. Luciano Barboza da Silva 82

Modelos Autorregressivos: Previsão
• Para os dados da Coca-Cola: Yˆt 1  5,8384  1,3286Yt

Métodos Estatísticos Prof. Luciano Barboza da Silva 83

Séries Temporais com Sazonalidade
• Algumas séries temporais são coletadas em intervalos
de tempo pequenos (semana, mês, trimestre etc. ).
Normalmente essas séries estão sujeitas a flutuações
esperadas em determinados momentos. Essas variações
regulares são chamadas Sazonalidades.

Métodos Estatísticos Prof. Luciano Barboza da Silva 84

Séries Temporais com Sazonalidade
• Exemplo: Em 2005 o Wal-Mart, Inc. operava mais de 8000
unidades de vendas de varejo em 15 países e tinha um
patamar de receita que excedia U$ 400 bilhões. As receitas
do Wal-Mart são altamente sazonais, e portanto, você
precisa analisar as receitas trimestralmente. O ano fiscal se
encerra em 31 de janeiro. Consequentemente o quarto
trimestre de 2009 inclui novembro e dezembro de 2008.

Métodos Estatísticos Prof. Luciano Barboza da Silva 85

Séries Temporais com Sazonalidade
A tabela a seguir representa uma lista com as receitas
trimestrais em bilhões de dólares de dezembro de 2004
a 2009.

Métodos Estatísticos Prof. Luciano Barboza da Silva 86

Séries Temporais com Sazonalidade
• Graficamente:

Métodos Estatísticos Prof. Luciano Barboza da Silva 87

Modelo de Regressão para Dados
Trimestrais
• Modelo: Yt  0 1T1  2T2 3T3  4X t  t

X t  Valor trimestral codificado, t = 0,1,2...

Tr  Variável dummy (binária)que indica o trimestre da observação r = 1,2,3
 0  Intercepto de Y
 j  Multiplicado do j –ésimo (j = 1, 2, 3) Trimestre em relação ao Quarto
 j  Componente Aleatório no observação t
4 1100%  Taxa de crescimento Trimestral Composta (%)
Métodos Estatísticos Prof. Luciano Barboza da Silva 88
Modelo de Regressão para Dados
Trimestrais
• Modelo Transformado:

ln Yt   ln 0 1T1t  2T2t 3T3t  4X t  t 
ln Yt   ln 0   ln 1  T1t  ln  2  T2t  ln 3  T3t  ln  4  X t  ln  t 

• Note que os coeficientes da regressão são logaritmos.

Métodos Estatísticos Prof. Luciano Barboza da Silva 89

Modelo de Regressão para Dados
Trimestrais
• Modelo Transformado Estimado:
ln Yt   b0  b1 T1t  b2 T2t  b3T3t  b4 X t

b j  Estimativa de βj, j = 1,2,3,4

b j  ln  j  ˆ j  e j
b

Métodos Estatísticos Prof. Luciano Barboza da Silva 90

 Modelo de Regressão para Dados Mensais
• Modelo: t
Y   0 1  2  3  4 5  6  7 8  9 10 11 12  t
 M1 M 2 M 3 M 4 M 5 M 6 M 7 M 8 M 9 M10 M11 X t

X t  Valor trimestral codificado, t = 0,1,2...

M r  Variável dummy (binária)que indica o trimestre da observação r = 1,2,...,11
 0  Intercepto de Y
 j  Multiplicado do j –ésimo (j = 1, 2, ...,11) Trimestre em relação ao Décimo
Segundo
 j  Componente Aleatório no observação t
12 1100% Taxa de crescimento Trimestral Composta (%)
Métodos Estatísticos Prof. Luciano Barboza da Silva 91
Modelo de Regressão para Dados Mensais
• Modelo Transformado:

ln Yt   ln 0 1M1  2M 2 3M 3  4M 4 5M 5 6M 6 7M 7 8M 8 9M 9 10M10 11M11 12X t  t 
ln Yt   ln  0   ln 1  M 1t  ln  2  M 2t  
  ln 11  M 11t  ln 12  X t  ln  t 

• Note que os coeficientes da regressão são logaritmos.

Métodos Estatísticos Prof. Luciano Barboza da Silva 92

Modelo de Regressão para Dados Mensais
• Modelo Transformado Estimado:

ln Yt   b0  b1 M1t  b2 M 2t    b11Q11t  b12 X t

b j  Estimativa de βj, j = 1,2,3,4

b j  ln  j  ˆ j  e j
b

Métodos Estatísticos Prof. Luciano Barboza da Silva 93

 Modelo de Regressão para Dados Mensais
• Voltando ao caso Wal-Mart. Temos os dados:
Trimestre Yt ln(Yt) T1 T2 T3 Xt
2004-1 56,7 4,037774 0 1 0 0
2004-2 62,6 4,136765 1 0 1 0
2004-3 62,4 4,133565 2 0 0 1
2004-4 74,5 4,310799 3 0 0 0
2005-1 64,8 4,171306 4 1 0 0
2005-2 69,7 4,2442 5 0 1 0
2005-3 68,5 4,226834 6 0 0 1
2005-4 82,2 4,409155 7 0 0 0

Métodos Estatísticos Prof. Luciano Barboza da Silva 94

 Modelo de Regressão para Dados Mensais
• Voltando ao caso Wal-Mart. Temos os dados:
Trimestre Yt ln(Yt) T1 T2 T3 Xt
2006-1 71,6 4,271095 8 1 0 0
2006-2 76,8 4,341205 9 0 1 0
2006-3 75,4 4,322807 10 0 0 1
2006-4 88,6 4,484132 11 0 0 0
2007-1 79,6 4,377014 12 1 0 0
2007-2 84,5 4,436752 13 0 1 0
2007-3 83,5 4,424847 14 0 0 1
2007-4 98,1 4,585987 15 0 0 0

Métodos Estatísticos Prof. Luciano Barboza da Silva 95

 Modelo de Regressão para Dados Mensais
• Voltando ao caso Wal-Mart. Temos os dados:
Trimestre Yt ln(Yt) T1 T2 T3 Xt
2008-1 86,4 4,458988 16 1 0 0
2008-2 93,0 4,532599 17 0 1 0
2008-3 91,9 4,520701 18 0 0 1
2008-4 107,3 4,675629 19 0 0 0
2009-1 95,3 4,55703 20 1 0 0
2009-2 102,7 4,631812 21 0 1 0
2009-3 98,6 4,591071 22 0 0 1
2009-4 109,1 4,692265 23 0 0 0

Métodos Estatísticos Prof. Luciano Barboza da Silva 96

Modelo de Regressão para Dados Mensais
• Modelo para o caso Wal-Mart
ln Yt   b0  b1 T1t  b2 T2t  b3T3t  b4 X t

b j  Estimativa de βj, j = 1,2,3,4

b j  ln  j  ˆ j  e j
b

Métodos Estatísticos Prof. Luciano Barboza da Silva 97

Modelo de Regressão para Dados Mensais
• Modelo Estimado

ln Yt   4,222  0,144T1t  0,092T2t  0,132T3t  0,023 X t

Métodos Estatísticos Prof. Luciano Barboza da Silva 98

Modelo de Regressão para Dados Mensais
• Assim temos: 
ln Yˆt  4,222  0,144T1t  0,092T2t  0,132T3t  0,023 X t

ˆ0  e4, 222  68,0335 ˆ2  e0,092  0,9121

ˆ1  e0,144  0,8659 ˆ3  e0,132  0,8763


ˆ4  e0,023  1,0233  1  ˆ4 100  2,33%
Yt  68,03350,8659 0,9121 0,8763 1,0233
ˆ T1 T2 T3 Xt

Métodos Estatísticos Prof. Luciano Barboza da Silva 99

Modelo de Regressão para Dados Mensais
• Temos então que: para prever o que ocorrerá:

– No 4º trimestre de 2009 (23 ocorrência) temos:

Yˆt  68,03350,8659 0,9121 0,8763 1,0233  115,5557
0 0 0 23

– No 1º trimestre de 2010

Yˆt  68,03350,8659 0,9121 0,8763 1,0233  102,3910

1 0 0 24

Métodos Estatísticos Prof. Luciano Barboza da Silva 100