Escolar Documentos
Profissional Documentos
Cultura Documentos
Análise da Espectro
Singular (SSA)
18/04/2022
Nos últimos anos, uma técnica poderosa e
computacionalmente intensiva conhecida como Análise de
Espectro Singular (SSA) ou Análise da Séries Temporais
Estruturais foi desenvolvida no campo da análise de séries
temporais. SSA é uma técnica nova e poderosa aplicável a
muitos problemas práticos, como o estudo de séries
temporais clássicas, estatística multivariada, geometria
multivariada, sistemas dinâmicos e processamento de sinais.
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 1/9
16/02/23, 19:57 Análise da Espectro Singular (SSA)
SSA é uma ferramenta muito útil que pode ser usada para
resolver diferentes problemas, como: encontrar tendências;
alisamento; extração de componentes de sazonalidade;
extração simultânea de ciclos com períodos pequenos e
grandes; extração de periodicidades com amplitudes
variadas; extração simultânea de tendências e periodicidades
complexas; encontrar estruturas em séries temporais curtas;
teste de causalidade baseado no SSA.
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 2/9
16/02/23, 19:57 Análise da Espectro Singular (SSA)
Motivação
A dinâmica das séries temporais geralmente passa por
mudanças estruturais durante o período considerado e é
preciso ter certeza de que o método de previsão não é
sensível às variações dinâmicas.
seja K = T − L + 1.
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 3/9
16/02/23, 19:57 Análise da Espectro Singular (SSA)
y1 y2 y3 ⋯ yK
⎛ ⎞
⎜ y2 y3 y4 ⋯ yK +1 ⎟
L,K ⎜ ⎟
X = (x ij ) = ⎜ ⎟⋅
i,j=1
⎜ ⎟
⎜ ⋮ ⋮ ⋮ ⋱ ⋮ ⎟
⎝ ⎠
yL yL+1 yL+2 ⋯ yT
autovetores da matriz XX
⊤
e representá-la como
XX
⊤
= P ΛP
⊤
. Aqui Λ = diag(λ1 , ⋯ , λL ) é a matriz
diagonal de autovalores de XX
⊤
de modo que
λ1 ≥ λ2 ≥ ⋯ ≥ λL ≥ 0 e P = (P 1 , P 2 , ⋯ , P L ) é a
matriz ortogonal correspondente de autovetores de
.
⊤
XX
Xi = Xi + ⋯ Xi ⋅
1 l
⊤
X̃ = ||x̃ ij || = ∑ P ik Pi X,
k
k=1
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 4/9
16/02/23, 19:57 Análise da Espectro Singular (SSA)
Exemplo
Utilizaremos como exemplo de aplicação uma das séries
temporais disponíveis na bilbioteca tsdl.
library(tsdl)
industria = subset(tsdl,12,"Industry")
attributes(industria[[1]])
## $tsp
## [1] 1972.00 1979.75 12.00
##
## $class
## [1] "ts"
##
## $source
## [1] "Abraham & Ledolter (1983)"
##
## $description
## [1] "Monthly demand repair parts large/heavy equip. Iowa 1972 – 19
79"
##
## $subject
## [1] "Industry"
par(mfrow=c(1,1), mar = c(4,5,3,1), pch=19)
plot(industria[[1]], type="b", xlab="", ylab="", main="Demanda mensal
de peças de reparo \n equipamentos grandes/pesados. Iowa 1972 – 197
9")
grid()
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 5/9
16/02/23, 19:57 Análise da Espectro Singular (SSA)
library(Rssa)
mod = ssa(industria[[1]], L=24)
plot(mod, type = "values")
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 6/9
16/02/23, 19:57 Análise da Espectro Singular (SSA)
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 7/9
16/02/23, 19:57 Análise da Espectro Singular (SSA)
set.seed(3)
for4 <- forecast(mod1, groups = list(1:6),
method = "recurrent", interval = "prediction",
only.intervals = FALSE,
len = 6, R = 100, level = 0.95)
plot(for4, include = 36, shadecols = "green", type = "l",
main = "Prediction intervals")
Referências
Golyandina, N., Nekrutkin, V., and Zhigljavsky, A.
(2001). Analysis of Time Series Structure: SSA and
related techniques, Chapman & Hall/CRC, New York -
London.
Broomhead, D. S., and King, G. (1986). Extracting
qualitative dynamics from experimental data, Physica D,
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 8/9
16/02/23, 19:57 Análise da Espectro Singular (SSA)
20, pp.217-236.
Danilov, D., and Zhigljavsky, A. (1997) (Eds.). Principal
Components of Time Series: the `Caterpillar’ method,
University of St. Petersburg, St. Petersburg. (In
Russian.).
Elsner, J. B., and Tsonis, A. A. (1996). Singular
Spectrum Analysis, A New Tool in Time Series Analysis,
Plenum Press, New York and London.
Hassani, H., and Zhigljavsky, A. (2009). Singular
Spectrum Analysis: Methodology and Application to
Economics Data, Journal of System Science and
Complexity, 22(3), pp. 372-394.
Vautard, R., Yiou, P., and Ghil, M. (1992). Singular
spectrum analysis: a toolkit for short, noisy and chaotic
series, Physica D, 58, pp. 95-126.
Moskvina, V. G., and Zhigljavsky, A. (2003). An
algorithm based on singular spectrum analysis for
change-point detection, Communication in Statistics -
Simulation and Computation, 32(4), pp. 319-352.
Hassani, H. (2007). Singular Spectrum Analysis:
Methodology and Comparison, Journal of Data Science,
5(2), pp.239-257.
Hassani, H., Heravi, S., and Zhigljavsky, A. (2009).
Forecasting European Industrial Production with Singular
Spectrum Analysis, Internation Journal of Forecasting,
25(1), pp. 103-118.
Patterson, K; Hassani, H; Heravi, S; Zhigljavsky, A.
(2010). Forecasting the Final Vintage of the Index of
Industrial Production, Journal of Applied Statistics,
Forthcoming.
Alexandrov, Th., and Golyandina, N. (2004). The
automatic extraction of time series trend and periodical
components with the help of the Caterpillar-SSA
approach. Exponenta Pro 3-4 (In Russian.), pp. 54-61.
leg.ufpr.br/~lucambio/CE017/20212S/SSA.html 9/9