Séries Temporais

Docente: Miranda Muaualo

Licenciatura em Estatística - 3o Ano - Semestre II - UEM

Estacionariedade e testes para a sua detecção

15 de Agosto de 2023

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 1 / 21

Sumário

Estacionariedade e testes para a sua detecção

„ Conceito de estacionariedade

„ Função de autocorrelação
„ Função de autocorrelação amostral ou correlograma (ACF)
„ Estatística R(k)
„ Teste Q (Box-Pierce)
„ Estatística de Ljung-Box
„ Conceito de Ruído branco

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 2 / 21

Estacionariedade

Um processo estocástico é estacionário se:

„ Suas média e variância forem constantes ao longo do tempo.

„ O valor da covariância entre dois períodos de tempo depender
apenas da distância ou defasagem entre os dois períodos e não do
período de tempo efetivo em que a covariância é calculada.
Um processo estocástico assim é conhecido como um processo
estocástico fracamente estacionário.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 3 / 21

Estacionariedade

Dessa forma, admitamos que Yt é uma série temporal estocástica

com as seguintes propriedades:
„ Média: E(Yt ) = µ
„ Variância: var(Yt ) = E(Yt − µ)2 = σ 2
„ Covariância: γk = E [(Yt − µ) (Yt+k − µ)]

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 4 / 21

Função de autocorrelação
„ Considere uma série Yt fracamente estacionária.
„ Estamos interessados na correlação linear entre Yt e seus valores
passados Yt−k .
„ O coeficiente de correlação entre o Yt e Yt−k é chamado de
autocorrelação de defasagem (lag) k de Yt .
Cov(Yt , Yt−k ) Cov(Yt , Yt−k ) γ(k)
ρ(k) = q = = ,
Var(Yt )Var(Yt−k ) Var(Yt ) γ(0)
pois Var(Yt ) = Var(Yt−k ) pela hipótese de estacionariedade fraca.
„ Temos que ρ(0) = 1, ρ(k) = ρ(−k) e −1 ≤ ρ(k) ≤ 1 para todo
k.
„ Uma série fracamente estacionária Yt não é correlacionada
seriamente se, e somente se, ρ(k) = 0 para todo k > 0.
Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 5 / 21
Estimação da função de autocorrelação
„ Para uma dada amostra {Yt }nt=1 , a autocorrelação de defasagem 1
de Yt é
n
X
(Yt − Y)(Yt−1 − Y) n
t=2 1X
ρ̂(1) = n , sendo Y= Yt .
X
2 n t=1
(Yt − Y)
t=1

„ Sob algumas condições gerais, ρ̂(1) é um estimador consistente de

ρ(1).
„ Se Yt for uma sequência independente e identicamente distribuída
(iid) e E(Yt2 ) < ∞, então ρ̂(1) é assintoticamente normal com
média 0 e variância 1/n.
√
„ Para n suficientemente grande, temos ρ̂(1) n ≈ N(0, 1).
„ Podemos testar H0 : ρ(1) = 0 contra H1 : ρ(1) 6= 0.
Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 6 / 21
Estimação da função de autocorrelação:
defasagem k ≥ 0

„ A autocorrelação de defasagem k de Yt é definida por

n
X
(Yt − Y)(Yt−1 − Y)
t=k+1
ρ̂(k) = n , para 0 ≤ k ≤ n − 1.
2
X
(Yt − Y)
t=1

„ Se {Yt } for uma sequência iid com E(Yt2 ) < ∞, então ρ̂(k) é
assintoticamente normal com média 0 e variância 1/n para todo
inteiro positivo e fixo k.
√
„ Para n suficientemente grande, temos ρ̂(k) n ≈ N(0, 1).
„ Podemos testar H0 : ρ(k) = 0 contra H1 : ρ(k) 6= 0 para k fixo.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 7 / 21

Função de autocorrelação amostral

„ As estatísticas ρ̂(1), ρ̂(2), . . . conjuntamente definem a função de

autocorrelação amostral (ACF) de Yt .
„ Um modelo de série temporal linear pode ser caracterizado por sua
ACF.
„ A modelagem de séries temporais lineares faz o uso da ACF amostral
para capturar a dinâmica linear dos dados.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 8 / 21

Função de autocorrelação amostral
Correlograma amostral

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 9 / 21

Testes de estacionariedade

O teste simples basea-se na Função de autocorrelação (FAC):

γk covariância na defasagem k
ρk = =
γ0 variância
Representando graficamente ρk , o gráfico obtido é conhecido como
Correlograma da população.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 10 / 21

Testes de estacionariedade

Na prática trabalha-se com amostra de um processo estocástico.

Então, podemos calcular a função autocorrelação amostral, ρ̂k , da
seguinte forma:
γ̂k
ρ̂k =
γ̂0
onde X
(Yt − Y)(Yt+k − Y)
γ̂k =
n
e
(Yt − Y)2
X
γ̂0 =
n
Onde n é o tamanho da amostra e Y é a média da amostra. A
representação gráfica de ρ̂k contra k chama-se correlograma
amostral.
Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 11 / 21
Testes de estacionariedade
Correlograma amostral
„ A significância estatística de ρ̂k pode ser julgada por seu erro
padrão.
„ Ruído branco - média zero, variância σ 2 constante e é
não-autocorrelacionado.
„ Bartlett mostrou que, se uma série for puramente aleatória (se
exibir ruído branco) os coeficientes de autocorrelação amostral
são, aproximadamente, distribuidos normalmente com média zero
e variância n1 .
√
„ Logo com I.C. de 95% e n = 144, fica ±1.96(1/ 144) = ±0.163.
„ Assim, se um ρk estimado se situar no intervalo (−0.163, 0.163),
não se rejeita a hipótese de que o verdadeiro ρk seja igual a zero.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 12 / 21

Testes de estacionariedade
Correlograma amostral

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 13 / 21

Teste de estacionariedade

„ Se Yt é uma série temporal fracamente estacionária satisfazendo

q
X
Yt = µ + ψj at−j ,
j=0

sendo ψ0 = 1, q um inteiro não negativo e {aj } uma série

gaussiana ruído branco (não correlacionada, média 0 e variância σ 2
constante), então ρ̂(k) é assintoticamente normal com média 0 e
variância constante
 
q
1
[ρ(j)]2  ,
X
1 +2 para k > q.
n j=1

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 14 / 21

Teste de estacionariedade

„ Podemos testar H0 : ρ(k) = 0 contra H1 : ρ(k) 6= 0, utilizando a

estatística
√
ρ̂(k) n
R(k) = v
u q
[ρ(j)]2
u X
t1 + 2
j=1

„ Rejeitamos H0 de |R(k)| > zα/2 sendo α o nível de significância

do teste e zα/2 o percentil 100(1 − α/2) da distribuição normal
padrão.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 15 / 21

Tendenciosidade do estimador da autocorrelação

„ Em amostras finitas, ρ̂(k) é um estimador tendencioso de ρ(k).

„ A tendência é da ordem de 1/n, o que pode ser significativo quando
o tamanho da amostra é pequeno.
„ Na maioria das aplicações financeiras, n é relativamente grande tal
que a tendenciosidade não é séria.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 16 / 21

Teste de estacionariedade

„ Queremos testar H0 : ρ(1) = ρ(2) = · · · = ρ(m) = 0 contra

H1 : ρ(j) 6= 0 para algum j ∈ {1, 2, . . . , m}.
„ A estatística do teste é

m
Q∗ (m) = n [ρ̂(j)]2 , (Box e Pierce).
X

j=1

„ Sub a hipótese que {Yt } é uma sequência iid com certas condições
dos momentos, Q∗ (m) tem distribuição assintótica qui-quadrado
com m graus de liberdade.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 17 / 21

Teste de estacionariedade

„ Para amostras finitas, podemos aumentar o poder do teste ao

considerar

m
X [ρ̂(j)]2
Q(m) = n(n + 2) , (Ljung e Box).
j=1 n−j
„ Rejeitamos H0 se Q(m) > χm m
α , sendo χα o percentil 100(1 − α)
da distribuição qui-quadrado com m graus de liberdade.
„ Na prática, geralmente escolhemos m ∼
= ln(n).

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 18 / 21

Ruído branco

„ Uma série temporal Yt é chamada de ruído branco se {Yt } for uma

sequência de variáveis aleatórias independentes e indenticamente
distribuidas com média zero e variância finita.
„ Se Yt tiver distribuição normal com médio 0 e variância σ 2 , a série
é chamada ruído branco gaussiano.
„ Para uma série ruído branco todas as ACFs são zero (para todas as
defasagens).
„ Na prática, se todas as ACFs são zero (para todas as defasagens)
então a série é uma série ruído branco.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 19 / 21

Bibliografia

„ Cryer, J. D. and Chan, K. Time Series Analysis with Applications

in R, Second Edition, USA, 2008;
„ Cumbane, E. A. C., Aplicação da Metodologia de Box e Jenkins para
a previsão do volume de Investimentos no sub-sector de Algodão em
Moçambique. (01.2018-12.2018).Monografia, DMI-UEM, 2018;
„ Gujarati, Damodar, Econometria Básica, Editora Campus, 4a
edição, 2006;
„ Morettin, Pedro A. e Toloi, Clélia M. C. Análise de Séries
Temporais, 2a edição, São Paulo, Blucher, 2006;
„ Spyros Makridakis, Forecasting Methods and Applications, third
edition, 1998.

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 20 / 21

 OBRIGADO

Docente: Miranda Muaualo (UEM) Séries Temporais 15 de Agosto de 2023 21 / 21