MÉTODOS ESTATÍSTICOS DE PREVISÃO

Profa. Glaura Franco

 SÉRIE TEMPORAL

Definição: Uma Série Temporal é um conjunto de observações geradas sequencialmente no tempo.

 Uma série temporal pode ser observada como uma realização parcial de um processo estocástico.

Característica principal: as variáveis são dependentes.

 Denotaremos a série temporal por 𝑌1 , 𝑌2 , … , 𝑌𝑇 onde T é o tamanho da série.

Veja que é uma variável aleatória observada no tempo. É como se em cada tempo t, o tamanho da amostra da variável Y observada tivesse tamanho 1. 1 observação de Y para cada t

 Trabalharemos com séries temporais a tempo discreto, onde os dados são coletados diariamente,
semanalmente, mensalmente ou anualmente.
 ANÁLISE NO DOMÍNIO DO TEMPO

 Mede a magnitude do evento que ocorre em determinado instante de tempo (ano, trimestre, mês,
semana, dia, etc.)

 Utiliza as funções de autocovariância e autocorrelação.

 Objetivos:
- Modelagem;
- Previsão e controle de qualidade;
- Periodicidade.
 SÉRIES REAIS

 Neste curso serão utilizadas 4 séries reais para ilustrar os métodos apresentados:

1. IPCA: Série do Índice de Preços ao Consumidor Amplo de Belo Horizonte (jan/97 a out/05).

2. TEMPERATURA: Série de temperatura global Media, de 1900 a 1997. Os dados foram calculados
como um desvio da temperatura global média anual do período 1961-1990.

3. FORTAL: Série de precipitação pluviométrica mensal na cidade de Fortaleza (jan/24 a dez/99).

4. CEP: Série do consumo de energia elétrica das Centrais Elétricas do Paraná (jan/80 a dez/94).
 IPCA (%)

-1,00
-0,50
0,00
0,50
1,00
1,50
2,00
2,50
3,00

jan/97

jun/97

nov/97

abr/98

set/98

fev/99

jul/99

dez/99

mai/00

out/00
mar/01
Período ago/01

jan/02

jun/02

nov/02
FIGURA 1 : SÉRIE IPCA

abr/03

set/03

fev/04

jul/04
dez/04

mai/05

out/05
FIGURA 2 : SÉRIE TEMPERATURA GLOBAL
 Time Series Plot of FORTAL

500

400

300
FORTAL

200

100

Month jan jan jan jan jan jan jan

Year 1924 1936 1948 1960 1972 1984 1996

FIGURA 3 : SÉRIE FORTAL

 Time Series Plot of CEP
600

550

500

450
CEP

400

350

300

250
Month jan jan jan jan jan jan jan jan
Year 1980 1982 1984 1986 1988 1990 1992 1994

FIGURA 4: SÉRIE CEP

 OPERADORES
 Operador de retardo ou de translação para o passado: representa uma defasagem de k períodos
de tempo para trás. É denotado por B e definido por: B por causa de "Backward"

𝐵𝑘 𝑌𝑡 = 𝑌𝑡−𝑘

 Operador de avanço ou de translação para o futuro: representa uma defasagem de k períodos de

tempo para frente. É denotado por F e definido por: F por causa de "Forward"

𝐹 𝑘 𝑌𝑡 = 𝑌𝑡+𝑘

 Operador diferença: é uma transformação nos dados que consiste em tomar diferenças
sucessivas da série original. É denotado por 𝛻 e definido por: d indica a ordem da diferença

𝛻 𝑑 𝑌𝑡 = 1 − 𝐵 𝑑 𝑌𝑡
 ESTACIONARIEDADE
conserva sua média e variabilidade ao longo do tempo
Se o processo estocástico que gerou a série de observações é invariante com respeito ao tempo, diz-
se que o mesmo é estacionário. Um processo estacionário pode ser classificado em:
Essa é uma afirmação muito forte da
estacionariedade porque como em cada tempo t
 Estritamente estacionário: Quando a distribuição de 𝑌𝑡 é a mesma de 𝑌𝑡+𝑘 . temos uma variável aleatória, é possível que em
tempos distintos a v.a. assuma Distribuições de
Probabilidade distintas. Por isso, é preferível assumir
o Fracamente Estacionário

 Fracamente estacionário (ou estacionário de segunda ordem): quando os dois primeiros

momentos da distribuição de 𝑌𝑡 forem constantes ao longo do tempo, o que implica em:

𝐸 𝑌𝑡 = 𝜇;

𝑉𝑎𝑟 𝑌𝑡 = 𝜎 2 .

Em termos práticos, uma série é fracamente estacionária quando ela se desenvolve no tempo ao redor
de uma média e variância constantes, indicando um padrão de equilíbrio.
 PROCESSO NÃO ESTACIONÁRIO HOMOGÊNEO
Um processo é não estacionário homogêneo se, ao tomarmos suas diferenças sucessivas,
encontramos um processo estacionário. Por exemplo, seja a série temporal não estacionária abaixo:

50

40
Zt (n=100)

30

20

10

Index 10 20 30 40 50 60 70 80 90 100

Figura 5: Série não estacionária

Se calcularmos a primeira diferença desta série, teremos:

𝑊𝑡 = 𝛻𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1

1
Dif 1(Yt)
0

-1

-2

-3
Index 10 20 30 40 50 60 70 80 90 100

Figura 6: Série da primeira diferença

Se a série diferenciada é estacionária, dizemos que a série original é integrada de ordem 1, ou I(1).
 AUTOCOVARIÂNCIA
É a covariância entre 𝑌𝑡 e 𝑌𝑡−𝑘 separados por 𝑘 intervalos de tempo:
Autocovariância para medir relação linear entre Yt e Yt-k

𝛾𝑘 = 𝐶𝑜𝑣 𝑌𝑡 , 𝑌𝑡−𝑘 = 𝐸 𝑌𝑡 − 𝜇 𝑌𝑡−𝑘 − 𝜇 , 𝑘 = 0, ±1, ±2, …

Se temos uma série real, o estimador amostral aproximadamente não-tendencioso (para grandes
amostras) da autocovariância é dado por:
𝑇
1
𝛾𝑘 = 𝑌𝑡 − 𝑌 𝑌𝑡−𝑘 − 𝑌 .
𝑇
𝑡=𝑘+1

Como a autocovariância é uma função par, temos que para todo inteiro 𝑘, 𝛾𝑘 = 𝛾−𝑘 . Portanto, é
necessário determinar 𝛾𝑘 apenas para 𝑘 ≥ 0.
 AUTOCORRELAÇÃO

 A autocorrelação é a autocovariância padronizada. Serve para medirmos o comprimento e a

memória de um processo, ou seja, a extensão para a qual o valor tomado no tempo 𝑡 depende
daquele tomado no tempo 𝑡 − 𝑘,

𝛾𝑘 𝐶𝑜𝑣 𝑌𝑡 , 𝑌𝑡−𝑘
𝜌𝑘 = =
𝛾0 𝑉𝑎𝑟 𝑌𝑡 𝑉𝑎𝑟 𝑌𝑡−𝑘

 Claramente 𝜌0 = 1 e 𝜌𝑘 = 𝜌−𝑘 . Um estimador amostral da autocorrelação de defasagem 𝑘 é dado

por:

𝛾𝑘
𝜌𝑘 = , 𝑘 = 0,1,2, …
𝛾0
 FUNÇÃO DE AUTOCORRELAÇÃO AMOSTRAL (ACF)

 A ACF pode ser construída no R usando o comando:

acf(x, lag.max = NULL)

onde x é a série e lag.max é o número de lags que se quer utilizar no cálculo da ACF. Se não
for especificado um número, como no caso acima, o R usa o default de 10 × 𝑙𝑜𝑔10 (𝑇/𝑚)
onde 𝑇 é o número de observações e 𝑚 é o número de séries
 ACF da série IPCA
aqui sempre vai ser 1 porque vimos
que correlação de zero é um
 ACF da série TEMPERATURA GLOBAL
Aqui vemos altas correlações de ordens iniciais
 ACF da série FORTAL

Series fortal

1.0
0.8
0.6
0.4
ACF

0.2
0.0
-0.2
-0.4

0 20 40 60 80

Lag
 RUÍDO BRANCO
Ou seja, ruído branco é quando os ruídos (ora podemos pensar
 Seja 𝑢𝑡 um processo estocástico. como os erros da regressão) seguem comportamento ideal de
esperança zero e variância constante ao longo do tempo

𝑢𝑡 é um ruído branco se:

i. 𝐸 𝑢𝑡 = 0,
ii. 𝐸 𝑢𝑡2 = 𝜎 2 < ∞ e
iii. 𝐸 𝑢𝑡 , 𝑢𝑡+𝑘 = 0 𝑘 = 0, ±1, ±2, …

 Além disto, 𝜌𝑘 = 1 para 𝑘 = 0, e 𝜌𝑘 = 0 para 𝑘 = ±1, ±2, …

 ACF de um ruído branco
Ou seja, quando fazemos diferenciação de ordem > 1, não
superam as bandas de confiança para autocorrelações toleráveis
Series RB

1.0
0.8
0.6
ACF

0.4
0.2
0.0
-0.2

0 5 10 15 20 25

Lag
 TRANSFORMAÇÃO BOX - COX

 Para séries temporais que não apresentam variância constante, é necessário transformar a série
original para estabilizá-la. Através da transformação Box-Cox, pode-se obter uma série mais
simétrica e com variância constante, ou seja, próxima da distribuição normal, quando valores
apropriados de 𝜆 na equação abaixo são encontrados,
𝑌𝑡𝜆 − 𝑐
𝑌𝑡
(𝜆)
= , 𝑠𝑒 𝜆 ≠ 0
𝜆
𝑙𝑜𝑔𝑌𝑡 , 𝑠𝑒 𝜆 = 0

 Obs.:
 𝜆 e c são parâmetros a serem estimados.
 𝜆 é obtido a partir de uma varredura sobre um intervalo de valores possíveis, no qual procura-
se identificar aquele que apresente a menor soma dos quadrados dos resíduos.