Séries Temporais e Previsão

Previsão da Precipitação em
Cabreiro
Andressa Litwinski (202103489); Lirielly Ruela Vitorugo Nascimento
(202100370); Maria da Glória Salgado Gonçalves (200305541)

February 3, 2022

Grupo 2 Séries Temporais e Previsão February 3, 2022 0/2

1 Introdução

2 Métodos

3 Resultados

4 Estimação do melhor modelo

5 Diferenciação da série temporal

Modelos das combinações das ordens baseadas nas ACF e PACF
Diagnóstico
Previsão da estimação do modelo SARIMA(1, 0, 1)(1, 1, 1)12

6 Comparação dos dois modelos obtidos por diferentes métodos

7 Discussão

8 Conclusão
Séries Temporais e Previsão February 3, 2022 0/2
Análise descritiva
O conjunto de dados diários de precipitação, com 10592 observações,
foram transformado em dados mensais, com 348 meses.
A média e a variância não são constantes durante todo o perı́odo em
estudo.

Figure: Série Temporal da precipitação em Cabreiro, 1961-1989.

Séries Temporais e Previsão February 3, 2022 0/2

A correlação não é significativa em nenhum dos Lags, o maior valor
corresponde ao r (t − 12), 0.33.

Figure: Gráficos da correlação dos Lags da precipitação em Cabreiro, 1961-1989.

Séries Temporais e Previsão February 3, 2022 0/2

Há sazonalidade nos dados, o padrão repete-se ao longo dos meses, porém
diferencia-se de mês em mês, a média e variância distinta entre os meses.
Confirmamos também que não há estacionariedade. A tendência é difı́cil
de se ver nestes gráficos.

Figure: Gráfico das médias da precipitação em Cabreiro, 1961-1989.

Séries Temporais e Previsão February 3, 2022 0/2

A sazonalidade da precipitação em Cabreiro é evidente.

Figure: Gráfico da sazonalidade da precipitação em Cabreiro, 1961-1989.

Séries Temporais e Previsão February 3, 2022 0/2

ACF: Os primeiros três meses têm correlação positiva e significativa,
seguido de dois meses sem correlação, os seguintes três com correlação
negativa, seguido de dois meses sem correlação, e por fim os dois últimos
com correlação positiva.
O maior valor de correlação está nos Lags de meio em meio ano, em
múltiplos de 0.5.
PACF: Indica um termo AR de ordem superior nos dados, a partir de um
determinado Lag, decaı́ para zero de forma sinusoidal.

Figure: ACF e PACF da precipitação em Cabreiro, 1961-1989.

Séries Temporais e Previsão February 3, 2022 0/2

Dados de treino [end = c(1986, 12))] e teste [start = c(1987))]
A série não é estacionária e a tendência não é clara, observando os
gráficos.

Figure: Dados de treino e teste da precipitação em Cabreiro, 1961-1989.

Séries Temporais e Previsão February 3, 2022 0/2

Decomposição da série temporal: notamos que precisamos de modelar
as componentes da tendência e da sazonalidade, componentes modelados
pelos modelos SARIMA(p, d, q)(P, D, Q).

Figure: Decomposição da série temporal da precipitação em Cabreiro, 1961-1986.

Séries Temporais e Previsão February 3, 2022 0/2

R boxplot(split(train, cycle(train)), names = month.abb, col = ”gold”)

Figure: Gráfico box-plot mensal da precipitação em Cabreiro, 1961-1986.

Séries Temporais e Previsão February 3, 2022 0/2

Estimação do melhor modelo
Recorremos à função do r , auto.arima() e obtivemos como melhor modelo:
ARIMA(2, 0, 0)(2, 0, 0)12, com coeficientes significativos.

Table: Coeficientes.

ar1 ar2 sar1 sar2 mean

0.1276 0.1558 0.2679 0.1455 1.7110
s.e. 0.0574 0.0561 0.0569 0.0574 0.1987

AIC=1165.23 AICc=1165.5 BIC=1187.68

Séries Temporais e Previsão February 3, 2022 0/2

Diferenciação da série temporal
A série diferenciada não apresenta efeito sazonal, a média estabilizou e a
variância também parece razoavelmente estabilizada.

Figure: Ajustamento dos dados por diferenciação da ST da precipitação em

Cabreiro, 1961-1986.
Séries Temporais e Previsão February 3, 2022 0/2
ACF: Nos Lags sazonais indica que a ST é não estacionária na parte
sazonal; o pico no lag 1 sugere um componente MA(1) não sazonal, e o
pico no lag 12 sugere um componente MA(1) sazonal. PACF: o pico no
lag 1 sugere um componente AR(1) não sazonal, e o pico nos lags 2 e 3,
um componente AR(1) sazonal.

Figure: ACF e PACF da diferenciação da ST da precipitação em Cabreiro,

1961-1986.

Séries Temporais e Previsão February 3, 2022 0/2

Na diferenciação vemos que correlação máxima que obtivemos entre as
Lags foi de 42%, obtido na Lag12, nas restantes a correlação foi muito
baixa.

Figure: Correlação dos Lags da diferenciação da ST da precipitação em Cabreiro,

1961-1986.
Séries Temporais e Previsão February 3, 2022 0/2
Modelos das combinações ACF e PACF

Table: Ajuste dos modelos SARIMA.

Modelo AICc BIC

SARIMA(1, 0, 1)(1, 1, 1)12 1115.89 1134.2
SARIMA(1, 0, 1)(2, 1, 1)12 1117.9 1139.83
SARIMA(2, 0, 1)(3, 1, 1)12 1118.67 1147.8
SARIMA(0, 0, 1)(0, 1, 1)12 1120.27 1131.3
SARIMA(1, 0, 1)(4, 1, 1)12 1122.07 1151.21
SARIMA(1, 1, 0)(3, 1, 0)12 1230.45 1248.74
SARIMA(1, 0, 1)(3, 0, 1)12 1154.01 1183.48
SARIMA(2, 0, 0)(2, 0, 0)12 1165.5 1187.68
Séries Temporais e Previsão February 3, 2022 0/2
Diagnóstico
O modelo eleito foi SARIMA(1, 0, 1)(1, 1, 1)12
Teste de Ljung-Box com p-value= 0.4798.
O RMSE para dados de treino: =1.411480 e teste: =1.566991.

Figure: Resı́duos do modelo SARIMA(1, 0, 1)(1, 1, 1)12 da ST precipitação em

Cabreiro, 1961-1986.
Séries Temporais e Previsão February 3, 2022 0/2
Figure: Resı́duos do modelo SARIMA(1, 0, 1)(1, 1, 1)12 da série temporal da
precipitação em Cabreiro, 1961-1986.

Séries Temporais e Previsão February 3, 2022 0/2

Previsão da estimação do modelo SARIMA(1, 0, 1)(1, 1, 1)12

Figure: Previsão do modelo SARIMA(1, 0, 1)(1, 1, 1)12 da ST, 1961-1990.

Séries Temporais e Previsão February 3, 2022 0/2

Figure: Previsão do modelo SARIMA(1, 0, 1)(1, 1, 1)12 da série temporal da
precipitação em Cabreiro, 1987-1990.

Séries Temporais e Previsão February 3, 2022 0/2

Figure: Zoom da previsão média do modelo SARIMA(1, 0, 1)(1, 1, 1)12 da
precipitação em Cabreiro, 1987-1990

Séries Temporais e Previsão February 3, 2022 0/2

Considerando os IC do modelo de previsão, com valores mı́nimos e
negativos em alguns meses que indicam a diminuição da tendência e os
valores positivos um aumento da tendência da precipitação.

Table: Tendência da precipitação nos meses Outono/Inverno para IC = 80%, em

Cabreiro.

Ano Nov Dez Jan Fev Mar

1987 + + + + -+*
1988 + + + + +
1989 + + + + +
*[−0.02939557, 3.774156]
O RMSE apresenta valores próximos para treino: RMSE=1.411480 e teste:
RMSE=1.566991.
Séries Temporais e Previsão February 3, 2022 0/2
Em seguida mostramos os coeficientes do modelo e podemos confirmar
que são todos significativos p-value < 0.05.

Table: Coeficientes do modelo

Estimate SE t.test p.value
ar1 0.7648 0.1987 0.1987 3.8494 0.0001
ma1 -0.7072 0.2156 0.2156 -3.2809 0.0012
sar1 0.1395 0.0594 2.3495 0.0195
sma1 -1.0000 0.051 -19.6103 0.0000
constant 0.0010 0.0013 0.7984 0.4253

Comparação dos dois modelos obtidos por diferentes métodos

Comparando SARIMA(1, 0, 1)(1, 1, 1)12 , e SARIMA(2, 0, 0)(2, 0, 0)12 ,
vemos que o primeiro deu resultados mais claros para o teste Ljung-Box,
os resı́duos parecem se comportar como ruı́do branco, indicando um bom
ajuste.
Séries Temporais e Previsão February 3, 2022 0/2
Figure: Modelo SARIMA(1, 0, 1)(1, 1, 1)12 da série temporal da precipitação em
Cabreiro, 1961-1986.

Séries Temporais e Previsão February 3, 2022 0/2

Figure: Modelo SARIMA(2, 0, 0)(2, 0, 0)12 da série temporal da precipitação em
Cabreiro, 1961-1986.

Séries Temporais e Previsão February 3, 2022 0/2

Discussão dos resultados: O modelo diferenciado foi para estabilizar a
média e a variância, apesar de se considerado menos útil (Chatfield, 2003).
O melhor modelo que obtivemos foi o com AICc = 1115.89
SARIMA(1, 0, 1)(1, 1, 1)12 . Comprovando ser inclusive melhor do que o
modelo encontrado utilizando um metodo de otimização de parametros
para o arima, através da função auto.arima().
Conclusões: Os critérios, ACF, PACF, AICc, Ljung-Box permitiu escolher
o modelo SARIMA(1, 0, 1)(1, 1, 1)12 .

Séries Temporais e Previsão February 3, 2022 1/2

Referências I

Chatfield, C., Xing, H. (2019). The analysis of time series: an

introduction with R.The analysis of time series: an introduction with R.
Chapman and hall/CRC.
Cowpertwait, P. S., Metcalfe, A. V. (2009). Introductory time series with
R. Springer Science Business Media.
Hastie, T., Tibshirani, R., Friedman, J. (2009). The elements of
statistical learnin.Springer Science. Cited on, 33.
Skiena, S. S. (2017). The data science design manual. Springer.
Shumway, R. H., Stoffer, D. S. (2011). Time series and its applications:
With R examples. Springer Science, 1-202.

Séries Temporais e Previsão February 3, 2022 1/2

 Séries Temporais e Previsão
Previsão da Precipitação em
Cabreiro
Andressa Litwinski (202103489); Lirielly Ruela Vitorugo Nascimento
(202100370); Maria da Glória Salgado Gonçalves (200305541)

February 3, 2022

Séries Temporais e Previsão February 3, 2022 2/2