Lista de tabelas

Ìndice
Introdução

A gasolina é uma mistura de hidrocarbonetos líquidos inflamáveis e voláteis, derivados do

petróleo. Além de ser utilizada como combustível em motores de combustão interna é também
usada como solvente na indústria para óleos e gorduras. Originalmente, a gasolina era um
produto colateral e indesejado da indústria de refinamento de petróleo - que estava interessada
principalmente no querosene. As refinarias desprezavam toda a gasolina obtida. Com o advento
dos motores de combustão, a gasolina foi logo eleita como a melhor opção para combustível,
devido a algumas de suas características: alta energia de combustão, alta volatilidade e sua
compressibilidade. A gasolina A é produzida pelas refinarias de petróleo e entregue diretamente
às companhias distribuidoras. Essa gasolina constitui-se basicamente de uma mistura de naftas
numa proporção tal que enquadre o produto na especificação prevista. Este produto é à base da
gasolina disponível nos postos revendedores. Concorrendo com o álcool hidratado e com o
GNV, a gasolina abastece hoje cerca de 60% dos veículos de passeio em Moçambique. Por isso,
é importante que o consumidor conheça como funciona o mercado desse produto, desde o
produtor até o consumidor final, e ainda saiba como é formado o seu preço.

Pretende-se, ao desenvolver esta pesquisa, mostrar a aplicabilidade dos modelos ARIMA (Auto
Regressive Integrated Moving Averages), desenvolvidos por Box e Jenkins (1976), na previsão
do preço semanal da gasolina “tipo A” na região Sul. A realização de previsões para os setores
produtivos da economia e consumidores em geral é de grande auxílio para a sua programação no
trabalho, na empresa e na sua rotina diária.

Objetivos

Objetivo geral

 Modelar processos autocorrelacionados, referentes ao preço médio da gasolina.

Objetivo específico

 Realizar previsão com finalidade de perceber o comportamento do gasolina nós próximos

periodos.
 Comparar os efeitos da correlação, utilizando dados originais.
REVISÃO DE LITERATURA

Nesta seção serão apresentadas as definições de séries temporais, os modelos de Box e Jenkins e
os critérios de seleção dos modelos concorrentes, denominados de critérios penalizadores, além
de conceitos fundamentais para uma melhor compreensão da metodologia utilizada para realizar
previsões do preço da gasolina.

A série temporal, também denominada série histórica, é uma sequência de dados obtidos em
intervalos regulares de tempo durante um período específico. Os modelos utilizados para
descrever séries temporais são processos estocásticos, isto é, processos controlados por leis
probabilísticas. Um processo estocástico é dito ergódigo se apenas uma realização dele é
suficiente para se obter todas as estatísticas. Conforme Morettin e Toloi (2004), uma das
suposições mais frequentes que se faz a respeito de uma série temporal é que ela seja
estacionária, ou seja, desenvolve-se no tempo, aleatoriamente ao redor de uma média constante,
refletindo alguma forma de equilíbrio estável. Todavia, a maior parte das séries que encontramos
na prática apresenta alguma forma de não-estacionariedade, geralmente justificada devido à
presença de quatro componentes:

i. Tendência: verifica o sentido de deslocamento da série ao longo do tempo.

ii. Sazonalidade: movimento ondulatório de curta duração, em geral, inferior a um ano;
Ciclo: movimento ondulatório que ao longo de vários anos tende a ser periódico.
iii. Ruído Aleatório: compreende a variabilidade intrínseca aos dados e que os seus efeitos
não são captados pelo modelo proposto.

A previsão é uma das principais razões da popularidade dos modelos Box e Jenkins,
genericamente conhecidos por modelos ARIMA (Auto Regressive Integrated Moving
Averages). Segundo Werner e Ribeiro (2003) são modelos matemáticos que captam o
comportamento da correlação seriada ou autocorrelação entre os valores da série temporal e com
base nesses comportamentos, possibilita realizar previsões futuras. Principalmente em 238 curto
prazo, estas previsões são melhores que as obtidas com base nos modelos econométricos
tradicionais. Segundo Fava (2000), os modelos ARIMA resultam da combinação de três
componentes denominados “filtros”, a componente autoregressivo (AR), a componente de
integração (I) e a componente de médias móveis (MA). Uma série pode ser modelada pelos três
filtros ou apenas por um subconjunto deles.
Outras características dos modelos de memória longa, segundo Morettin (2008), é que estas
séries apresentam persistência nas autocorrelações amostrais, isto é, dependência significativa
entre as observações por um longo intervalo de tempo. Outra característica desse tipo de série é
que sua função densidade espectral é não limitada na frequência zero, o que equivale a dizer que
sua função de autocorrelação não é absolutamente somável. Os modelos ARIMA (p,d,q),
introduzidos por Box e Jenkins (1970), incluem o parâmetro d, um inteiro que estabelece o nível
de diferenciações necessárias para tornar uma série temporal estacionária de segunda ordem.
Estes modelos são adequados para a modelagem do comportamento de séries temporais à curto
prazo. A partir dos anos 80, Granger e Joyeux e Hosking (1981) propõem uma generalização
desta modelagem em relação ao parâmetro d, podendo este assumir não só valores inteiros, mas
também representar graus de diferenciação fracionários.

Metodologia

Neste item apresentam-se os aspectos metodológicos utilizados para que se cumpram os

objetivos descritos nesta pesquisa.

Os modelos matématicos para modelar a série em estudo se restrigem a modelos lineares

(ARIMA).

Caracteriza-se a variável modelada e a sequência utilizada nas etapas do estudo. Os dados

utilizados são em série de tempo e as observações estão em base mensal, sendo o período para
estimação apresentado em cada caso e o período de previsão de Janeiro de 2015 a Dezembro de
2020. Os registos dos preços firam analisasos mensalmente em 60 obsercações. Na presença de
variável dependente defasada, o método de previsão utilizado foi o dinâmico. Adicionalmente,
foram utilizados os dados observados das variáveis do lado direito da equação, excluindo as
dependentes defasadas, na previsão. O software utilizado foi o e-views e o método de estimação
foi o dos Mínimos Quadrados Ordinários. Quando aplicável, foi efetuado o teste de raiz unitária
nas variáveis para verificar a estacionariedade destas, sendo utilizado o tipo Augmented Dickey-
Fuller com SIC (Schwarz 15 Information Criterion), e o teste de cointegração proposto por
Engle e Granger (1987) a fim de evitar situação de regressão espúria. Conforme o resultado dos
testes, foi utilizado o modelo de correção de erros ou primeiras-diferenças ou estimação em
níveis. Adicionalmente, foi analisada a significância de cada variável no modelo e verificado o
sinal dos coeficientes estimados. O resultado da previsão dos modelos será apresentado tanto
mensalmente, dado que o modelo tem base mensal, quanto 12 meses acumulado, por este ser a
principal demanda dos envolvidos no processo relacionado ao consumo de combustíveis.

As seguintes etapas foram seguidas para a realização da pesquisa:

1. Analisar e descrever a série do preço da gasolina, verificando a sua função de autocorrelação,

autocorrelação parcial e a sua estacionariedade, análise do correlograma, assim como os testes
desenvolvidos por Dickey e Fuller.

2. Estimar diversos modelos, denominados de modelos concorrentes, pelo fato de produzirem

resíduos com característica de ruído branco, sendo que na sequência escolhe-se o melhor
modelo mediante o critério penalizador;

3. Traçar resultados gráficos da estimação dada pelo melhor modelo.

Para o desenvolvimento desta pesquisa fez-se necessário a utilização do Software Statistica

4.1( Eviews 4.1). Dessa forma, pretende-se, ao desenvolver o estudo, mostrar a aplicabilidade
dos modelos na previsão do preço da gasolina na Cidade de Maputo.
RESULTADOS E DISCUSSÕES

Nesta seção apresenta-se o desenvolvimento dos passos metodológicos de forma que seja
possível alcançar o objetivo proposto, referente ao preço de gasolina no periodo de 2015-2020,
com 60 observações mensais. Primeiramente foi realizada uma análise discritiva do preço de
gasolina derivado do petrólio, posteriorimente realizou-se a modelagem para tratar a
autocorrelação e com isso obter os residuos.

Com a finalidade de conhecer o comportamento do preço da gasolina no decorrer do período

analisado, apresenta-se na Tabela 1 algumas estatísticas descritivas da série do preço da gasolina,
assim como se evidencia na Figura 1 o seu gráfico temporal que tem tendencia crescente, começa
com valores bem inferiores a da media e termina com valores muito acima da media.

7000

6500

6000

5500

5000

4500
2015 2016 2017 2018 2019 2020

P_GASOLINA
Para identificar o modelo adequado que representa o preço de gasolina, em uma série temporal, o
primeiro passo a verificar é a inspecção gráfica, pois a mesma mostra o comportamento da série
analisada.

Observe que o grafico acima do periodo inicial ate 2016 tem uma tendencia costante e de 2016 a
2018 tem uma tendencia crescente e de 2018 a diante e decrescente. Pela inspeção visual da
Figura 1, a série parece ter um comportamento não estacionário em relação à média,
apresentando uma tendência crescente até a observação de 2018, onde visualmente percebe-se
um período de maior variabilidade.

24
Series: P_GASOLINA
Sample 2015:01 2020:12
20
Observations 72

16 Mean 5832.347
Median 6195.000
12 Maximum 6953.000
Minimum 4752.000
Std. Dev. 860.8994
8 Skewness -0.195170
Kurtosis 1.311100
4
Jarque-Bera 9.014246
Probability 0.011030
0
4800 5200 5600 6000 6400 6800

Pela análise descritiva demos classificar o grau de curtose dos dados como leptocúrtica, uma vez
que a curtose apresentou-se menor que 0,263, observa-se pouca variabilidade do preço no
decorrer do período, pois o valor mínimo é 4752.000, e o valor máximo é 6953.000. Não
apresenta curva, a séria apresenta fatores periódicos de crescimento.

A próxima etapa consistiu em as funções de autocorrelação simpless e parcial da série original

do preço de gasolina. Por meio do comportamento das funções pode-se ter uma ideia do tipo de
modelo a se utilizado.
A autocorrelação amostral apresenta um decaimento muito lento que tende a zero e no correlação
parcial tem um decaimento brusco que tende ao zero, mostrando que a série é não estacionária e
ainda indica a presença de longa dependência serial, mostrando a persistência nos dados.
Portanto, pela inspeção da Figura 1 sugere-se a utilização dos modelos ARIMA para capturar e
modelar essa dependência serial nos dados.
Com a tabela podemos observar que em todos sos níveis exibidos de 1%, 5% e 10%, o resultado
de ADF é menor para todos os níveis com uma probabilidade de 0.6695, daí também verifica-se
que a série não é estacionária, os seus valores não variam em torno de uma média constante, o
que se pode constatar com o teste de Dickey-Fuller, que verifica a existência de uma raiz unitária
na série. o teste apresentou apresentou o seguinte resultado: para a série original o p-value é de
0,6695, o qual exceed o nivel devsignificância de 5%, isto é não rejeita-se a hipótese nula, ou
seja a série não é bestacionária.

Tendo se verificado a não estacionaridade em níveis recorre-se a primeiras diferença.

Um filtro muito útil, pera removermos a componente de tendência, consiste em diferenciar a

série ate que se torne estacionária.
Para comprovar a sua estacionaridade, aplicou-se o teste de Dickey-Fuller, onde constatou-se que
a série diferenciada é estacionária, pois a estatística calculada é de -6,3620 e é menor que os
valores críticos, o que indica a aceitaço da hipótese nula de estacionaridade.assim os testes de
Dickey-Fuller asseguram que os preços de gasolina na primeira diferença é estacionária.
Analisando a função de autocorrelação, pode se ter uma ideia, do tipo de modelo a ser utilizaddo.
Apos a identificação de provaveis modelos segue-se a estimação de respectivos parâmetros,
posterior para sanar o efeito de autocorrelação presente na série original.

A próxima etapa consiste em analisar as funções de autocorrelação simples e autocorrelação

parcial

Se o processo estacionário apresentar um conjunto de dados simultaneamente caracteristica de

um preocesso AR e de um processo MA, então ele pode ser modelado por um processo misto
ARMA, descritos pelos seus “P” passados e seus “q” ruidos brancos mais recentes. Para este
caso verifica-se ommodelon que combina o modelo de primeira ordem ARMA (1,1) ou ARIMA
(1,0,1)

500

400

300

200

100

-100

-200
2015 2016 2017 2018 2019 2020

D_PM_GASOLINA

O grafico acima representa uma série temporal estacionária, os valores dão a impressão que estão
bem distribuídos com valores em torno da media, acima e abaixo da media. isto indica que é uma
série estacionária.
 28
Series: RESID
24 Sample 2015:02 2020:12
Observations 71
20
Mean 0.100666
16 Median -20.17043
Maximum 312.4475
Minimum -266.9466
12
Std. Dev. 87.48035
Skewness 1.297381
8
Kurtosis 6.795053
4 Jarque-Bera 62.52503
Probability 0.000000
0
-200 -100 0 100 200 300

O histograma que se parece com a famosa ``Curva em forma de sinto`` com valores da media
muito distante da mediana.
Resultados gráficos e previsão do modelo ARIMA (1,d,1)

Pela análise gráfica da Figura do modelo ajustado, pode-se perceber o bom ajuste do modelo,
mostrando-se bom para realizar previsões

O modelo representado pode ser visto como um modelo autoregressivo de médias móveis o qual
forneceu resíduos com características ruído branco. Confirma-se que Xt é estacionário e
invertível.

Para testar a normalidade dos residuos do modelo encontrado, os residuos do modelo são
independentes e normalmente distribuidos, satisfazendo o uso de gráficos de controle. No
presente trabalho, os gráficos de controle serão utilizados e acrescidos de outros modelos
adequados a tranformação de observações autocorrelacionados em observaçõque sejam
independentes e normalmente distribuidas. Com isso justifica-se o uso de gráfico de controle do
preço de gasolina, uma vez que realizou-se a transformação de observaçoes autocorrelacionais
(dados originais) em obdervações independentes e normalmente distribuidas (modelo dos
residuos)

7200
Forecast: PM_GASOLINF
6800 Actual: PM_GASOLINA
Forecast sample: 2015:01 2020:12
6400 Adjusted sample: 2015:02 2020:12
Included observations: 71
6000
Root Mean Squared Error 86.86217
Mean Absolute Error 53.88870
5600
Mean Abs. Percent Error 0.945787
Theil Inequality Coefficient 0.007350
5200
Bias Proportion 0.000001
Variance Proportion 0.002466
4800 Covariance Proportion 0.997533

4400
2015 2016 2017 2018 2019 2020

PM_GASOLINF
Previsões

No sentido de auxiliar na tomada de decisão e como forma de perceber como os preços de

gasolinairá se comportar nos próximos meses.

Juntamente com o resultado gráfico da previsão, encontram-se os intervalos de confiança.

Percebe-se que à medida que as previsões distanciam-se do intervalo amostral, os intervalos de
confiança alargam-se, isto é diminuindo a qualidade e a confiança dos resultados, ocorrendo que
modelos econométricos, de um modo geral, obtêm melhores resultados em previsões de curto
prazo.

Percebe-se pouca variabilidade para os preços da gasolina A para as próximas semanas. No

entanto, essa variabilidade é importante de ser observada, pois nos últimos anos o preço da
gasolina se manteve ao redor da média conforme mostrou o gráfico da série original do preço da
gasolina na Figura 1, indicando a confiabilidade nas previsões.
CONCLUSÕES

A pesquisa foi realizada por meio da análise de séries temporais, utilizando dados do preço da
gasolina praticado na Cidade de Maputo, no período de janeiro de 2015 a agosto de 2020. Com
este estudo, pretende-se fornecer subsídios gerenciais importantes, propiciando às empresas e aos
órgãos governamentais alocar recursos financeiros, humanos e materiais de forma adequada nos
setores petrolíferos. Assim, conhecendo o comportamento desta variável antecipadamente,
medidas gerenciais poderão ser implementadas pelos setores responsáveis da economia da região
Sul. Os passos da metodologia de Box e Jenkins (1976) foram apresentados e também se
mostrou a aplicabilidade dos modelos ARIMA, pois ao invés de se tomar diferenças para
estacionarizar a série temporal e, utilizar somente as características de curto prazo, optou-se por
utilizar um modelo de memória longa e também privilegiar as características de longo prazo.
Para a série do preço da gasolina, o modelo que melhor ajustou a estrutura da autocorrelação
entre os dados, apresentando o melhor valor no critério penalizador , foi o modelo ARMA (1;1),
que captou bem o comportamento da série em estudo. Dessa forma, deixa-se como sugestão para
futuros trabalhos, a modelagem dos resíduos do preço da gasolina A com o objetivo de modelar a
volatilidade da série e captar as demais características desse produto.
REFERÊNCIAS BIBLIOGRÁFICAS

AKAIKE, H. 1970. Stastistical predictor identification. Ann. Statis. Math, v. 22, p. 203- 217.

ANP – Agência Nacional de Petróleo, Gás Natural e Biocombustíveis. 2009. Disponível em <
http://www.anp.gov.br>. Acesso em: 15 abr./2009.

BOX, G. E. P.; JENKINS, G. M. Time series analysis forecasting and control. San Francisco:
Holden-Day. Edição revisada, 1976. FAVA, V. L. Manual de Econometria. In:
VASCONCELOS, M. A. S.; ALVES, D. São Paulo: Editora Atlas, 2000.

MORETTIN, P. A.; TOLOI, C. M. Análise de séries temporais. 1. ed., São Paulo: Edgar
Blücher, 2004.