22/07/2020 Aplicação do Modelo ARMA(p,q)

Aplicação do Modelo ARMA(p,q)

Fernando Monteiro, Guilherme da Silva e Valentina Lírio
20/07/2020

library(knitr)
library(tseries)
library(forecast)
library(ggplot2)
library(ggfortify)
library(plotly)
library(magrittr)
library(ggseas)
library(lmtest)
library(ggpubr)
library(fma)
library(tsdl)
library(outliers)
library(readxl)

Aplicação do Modelo ARMA na série:

Tarifa média (MWh) do consumo de
energia elétrica no setor comercial
1. Introdução
Um dos principais indicadores de desenvolvimento econômico e do nível de qualidade de vida de uma
sociedade, deve-se ao consumo de energia elétrica. A energia, reflete o andamento das atividades dos
setores industriais, comerciais e de outros serviços, bem como, à capacidade da população para adquirir bens
e serviços tecnologicamente mais avançados, como automóveis, eletrodomésticos, entre outros (OLIVEIRA,
2014).

A energia elétrica é a base para o funcionamento de diversos setores do país. Todavia, nos últimos anos,
tem ocorrido um aumento do consumo de energia muito significativo em razão do consumo acelerado. Assim,
o aumento do consumo de energia no comércio está em constante crescimento, a importância é tanta, que
alguns ramos comerciais, necessitam de geradores de energia para garantir o fornecimento de eletricidade
durante todo o tempo, já que dependem do consumo constante. Atualmente, é impossível citar um ramo de
negócio, comércio ou indústria que consiga manter uma rotina de produção sem eletricidade (ANEEL, 2010).

O consumo de energia elétrica no setor comércio, apresentado no presente trabalho, é medido em

Megawatts-hora (MWh), levando em conta a tarifa média por MWh, em reais. Os dados foram coletados do
site do Instituto de Pesquisa Econômica Aplicada (www.ipeadata.gov.br), que tem como fonte, a Eletrobrás.

O relatório encontra-se dividido em 3 seções, sendo a primeira esta introdução, a segunda, a análise e
discussão dos resultados e a terceira, conclusão.

1.1. Objetivos
1.1.1 Objetivo Geral

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 1/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

Encontrar um modelo ARMA (p,q), analisar, e fazer previsões, para a série temporal da Tarifa média (MWh)
do consumo de energia elétrica no setor comércio, no Brasil, de janeiro de 1991 à abril de 2020.

1.1.2 Objetivos Específicos

Encontrar uma série temporal real para ser analisada. A série temporal deve ser estacionária ou
apresentar tendência determinística (não raiz unitária);
Apresentar a série temporal (o que significa, suas propriedades, períodos a que se referem, outliers,
etc.), ou seja, descrever a série temporal;
Apresentar FAC, FACP, teste de estacionariedade, teste de normalidade, ajuste dos modelos, análise
de resíduos e previsão, entre outros resultados;
Relacionar teoria e aplicação;
Analisar a série temporal utilizando os processos ARMA(p,q);
Apresentar pacotes, rotinas e funções utilizadas para analisar as séries temporais;
Todos os resultados devem ser apresentados em um relatório digitado em Latex, Word ou R Markdown
e convertidos em pdf.

2. Análise e discussão dos resultados

2.1. Análise descritiva da série
i <- read_excel("i.xls")
i2<- read_excel("i2.xls")
dados<-i$Consumo
dados2<-i2$Consumo
matrix<-cbind(summary(dados))
colnames(matrix)<-c("Tabela 1: Estatística Descritiva")
kable(matrix)

Tabela 1: Estatística Descritiva

Min. 12.0155

1st Qu. 132.7710

Median 271.2853

Mean 327.1968

3rd Qu. 311.7893

Max. 4936.8170

Na Tabela 1, vista acima, apresenta-se algumas estatísticas descritivas da série em questão. Portanto,
ressaltamos, a tarifa média do consumo de energia elétrica no setor comércio, no Brasil, de janeiro de 1991 à
abril de 2020, tem média geral de R$ 327,20. Tem-se também que, a tarifa média, mínima e máxima, é de
R$12,02 e R$4.936,82, respectivamente.

2.2. Gráfico da série temporal

2.2.1. Série completa

dados.ts<-ts(dados,start=c(1991,1),frequency = 12)

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 2/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

autoplot(dados.ts)+ggtitle("Gráfico 1 - Tarifa média do consumo de energia elétrica") +

xlab("Tempo") + ylab("Quantidade")+theme_minimal()

Por inspeção visual da série original, no gráfico 1, percebe-se que a série “Tarifa média do consumo de
energia elétrica no setor comércio”, possui algum tipo de tendência determinística e por causa da presença de
outliers, apresenta um pico nos valores iniciais.

Funções de Autocorrelação (FAC) e Autocorrelação Parcial (FACP) amostrais:

Em seguida, a análise da função de autocorrelação (FAC) e da autocorrelação parcial (FACP) amostrais
são utilizadas, as mesmas são vistas nos gráficos 2 e 3, respectivamente. O objetivo é a identificação de
possíveis modelos concorrentes, ou seja, que podem representar de forma mais precisa o comportamento da
série original.

ggAcf(dados.ts, lag.max=100,type = c("correlation"))+labs(y = "FAC Amostral",title="Gráfico 2

- Função de Autocorrelação Amostral")+
theme_minimal()
ggAcf(dados.ts, lag.max=100,type = c("partial"))+labs(y = "FACP Amostral",title="Gráfico 3 -
Função de Autocorrelação Parcial Amostral")+
theme_minimal()

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 3/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

Assim, a FAC amostral possui uma correlação positiva até o lag 12, depois a correlação passa a ser
negativa. Observa-se também, que vários lags apresentam-se fora do intervalo de confiança (IC). Na FACP
amostral, tem-se que a maioria das observações encontram-se dentro do IC. Assim, para que tenhamos todos
os lags dentro do IC, será ajustado um modelo que melhor represente o comportamento da série em questão.

2.3. Presença de Outliers

Utilizando o comando à seguir, podemos ver a presença ou não de outliers na série estudada.
boxplot.stats(dados)$out

## [1] 735.1441 742.9747 941.2533 1150.1657 1272.8081 1420.7856 2013.7550

## [8] 2958.9805 4333.8209 1587.6796 2453.4141 3551.0962 4936.8170 922.6648

dados2.ts<-ts(dados2,start=c(1991,1),frequency = 12)

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 4/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

autoplot(dados2.ts)+ggtitle("Gráfico 4 - Tarifa média do consumo de energia elétrica") + xlab

("Tempo") + ylab("Quantidade")+theme_minimal()

adf.test(dados2.ts, alternative ="stationary")

##
## Augmented Dickey-Fuller Test
##
## data: dados2.ts
## Dickey-Fuller = -3.2632, Lag order = 6, p-value = 0.07754
## alternative hypothesis: stationary

pp.test(dados2.ts, alternative ="stationary")

## Warning in pp.test(dados2.ts, alternative = "stationary"): p-value smaller

## than printed p-value

##
## Phillips-Perron Unit Root Test
##
## data: dados2.ts
## Dickey-Fuller Z(alpha) = -40.199, Truncation lag parameter = 5,
## p-value = 0.01
## alternative hypothesis: stationary

No gráfico 4, percebe-se que a série possui alguns outliers, correspondentes aos meses de novembro de
1992 à dezembro de 1993, ou seja, essas quantidades foram bem superiores à média geral da tarifa média do
consumo dessa energia. Isso se deve, que no início de 1990, o setor elétrico estava em uma situação muito
delicada. O Estado alegava que não tinha condições de investir, as empresas estavam endividadas e a
privatização se apresentava como uma das soluções. Essas questões se agravaram no governo Collor e, no
final de 1992, chegou-se ao ápice dessa crise, com tarifas altas, e isto apenas começou a se normalizar nos
anos seguintes com o governo de Itamar Franco (GOMES; VIEIRA, 2009). Portanto, a série “Tarifa média do
consumo de energia elétrica no setor comércio”, está sem outliers no gráfico acima, e percebe-se que ocorre

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 5/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

mudanças significativas na série original. Dessa forma, as análises foram feitas com a série sem a os outliers,
mas os resultados não foram satisfatórios em relação aos resultados obtidos com a série completa. Além de
que, a série sem os outliers não passou pelo teste de raiz unitária Augmented Dickey-Fuller (ADF), apenas
pelo teste Phillips-Peron (PP), como podemos ver na rotina acima. Com isso, as análises serão feitas com os
outliers presentes na série.

2.4. Normalidade da Série Temporal

Para testar a normalidade da série, foi realizado 2 testes, sendo eles: Shapiro-Wilk e Jarque-Bera, vistos
abaixo.

shapiro.test(dados.ts)

##
## Shapiro-Wilk normality test
##
## data: dados.ts
## W = 0.39284, p-value < 2.2e-16

jarque.bera.test(dados.ts)

##
## Jarque Bera Test
##
## data: dados.ts
## X-squared = 43144, df = 2, p-value < 2.2e-16

Os testes possuem as seguintes hipóteses:

é
H0 = A s rie segue distribui ção normal

é ã
H1 = A s rie n o segue distribui ção normal

Logo, para os 2 testes, em ambas as ocasiões, rejeita-se a hipótese nula de que a série segue uma
distribuição normal, visto que os p-valores são menores que o nível de significância de 0,05. O p-valor obtido
foi de 2,2e-16, para ambos os testes.

ggqqplot(dados, main = "Gráfico 5 - QQplot")

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 6/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

No gráfico 5, podemos comparar os quantis amostrais com os quantis teóricos, ou seja, os quantis da
distribuição normal, como os mesmos não se dispõem em uma reta linear, concluímos que a série não possui
normalidade nos dados.

2.5. Transformação de Box-Cox

A transformação de Box-Cox é utilizada em séries temporais para obter uma distribuição mais próxima da
normal, para que assim a estimação de máxima verossimilhança da série estudada seja possível. Afinal, para
o cálculo dos EMVs precisa-se da suposição de normalidade.

Com base nos testes de normalidade de Shapiro-Wilk e Jarque-Bera e pelo qqplot, a série temporal em
análise não apresenta normalidade. Utilizando o pacote forecast, do R Core Team (2019), a rotina
BoxCox.lambda() forneceu resultados insastifatórios, sendo impossível normalizar a série, logo foi ajustado o
modelo ARMA na série não normalizada. Cabe ressaltar que, foi possível a normalização da série sem os
outliers que a mesma possui, porém mesmo com essa técnica aplicada, o modelo ARMA ajustado não foi
bom, já que os lags na FAC e FACP ficaram muitos para fora do IC, diferentemente do que aconteceu ao
gerar um modelo ARMA para a série sem normalizar e com outliers, a qual gerou todos os lags dentro do IC,
na FAC e FACP, e isto poderá ser visto em seguida. Ressalta-se apenas que, em caso de querermos calcular
os EMVs, não será possível o cálculo, já que é necessário a suposição de normalidade.

2.6. Modelos Auto-Regressivos e de Médias Móveis (ARMA)

A combinação de modelos autoregressivos e de médias móveis pode conduzir a um ajuste mais
parcimonioso, ou seja, que contenha um número inferior de parâmetros a serem estimados, do que se fosse
utilizado um modelo AR ou MA puros (SOUZA, 2016).

Assim, foram seguidas as etapas propostas por Box et al. (1970) para a modelagem ARMA, sendo elas:

Identificação da série: primeiramente a estacionariedade da série será verificada por meio de

inspeção gráfica e em seguida confirmada pelos testes de raízes unitárias (ADF e PP). Como estamos
utilizando modelos ARMA, já é necessário a série ser estacionária, ou seja, não possuir raiz unitária.
Estimação dos parâmetros do modelo: nesta etapa é possível determinar o número de defasagens
dos parâmetros por meio da FAC e FACP amostrais, de forma visual, a partir dos gráficos. Com a
função “auto.arima” do software R, os parâmetros do modelo da série em estudo são estimados, e,
portanto, os resíduos provenientes do modelo ajustado são avaliados. Caso o modelo gerado pela
função “auto.arima” não apresentar coeficientes significativos, pode-se realizar testes por meio da
função “arima”, acrescentando mais autorregressivos e médias móveis ou retirando os mesmos, até
encontrar o modelo com coeficientes significativos para a série temporal em questão.
Validação do modelo: a validação é realizada por meio dos critérios de seleção de modelos Akaike
(AIC) e no critério de informação Bayesiano (BIC), e pela análise dos resíduos. O modelo que
apresentar menores critérios de seleção de modelo, será o escolhido. As estatísticas Root Mean
Squared Error (RMSE), Mean Absolute Error (MAE) e Mean Absolute Percentage Error (MAPE)
também foram calculadas.
Previsão: na etapa final é realizada a previsão, podendo ser in-sample ou out-of-sample. Assim, para a
série em questão, considerou-se a previsão para os próximos 12 meses, sendo ela out-of-sample, ou
seja, fora da amostra.

2.6.1. Identificação da série

Para comprovar que a série apresenta estacionariedade, que é um dos pressupostos para modelos ARMA,
utiliza-se os testes de raízes unitárias, Augmented Dickey-Fuller (ADF) e Phillips-Perron (PP). Os testes são
realizados utilizando, respectivamente, as rotinas adf.test e pp.test, do pacote tseries, do software R.

Os testes ADF e PP, possuem as seguintes hipóteses:

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 7/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

H0 = possui raiz unit ria (n o á ã é á

estacion ria)

ã
H1 = n o possui raiz unit ria ( á é á
estacion ria)

adf.test(dados.ts, alternative ="stationary")

##
## Augmented Dickey-Fuller Test
##
## data: dados.ts
## Dickey-Fuller = -5.6794, Lag order = 7, p-value = 0.01
## alternative hypothesis: stationary

pp.test(dados.ts, alternative ="stationary")

##
## Phillips-Perron Unit Root Test
##
## data: dados.ts
## Dickey-Fuller Z(alpha) = -72.372, Truncation lag parameter = 5,
## p-value = 0.01
## alternative hypothesis: stationary

Para os 2 testes, teve-se o p-valor = 0,01 < α = 0,05. Assim, rejeita-se a hipótese nula, e a série temporal é
estacionária, ou seja, não possui raiz unitária.

2.6.2. Estimação dos parâmetros do modelo

Desta forma, foi ajustado 2 modelos ARMA(p,q) a série temporal. Sendo eles: ARMA(1,2) e ARMA(1,4).

fit<-arima(dados.ts, order= c(1,0,2))

fit1<-arima(dados.ts, order= c(1,0,4))

Resumo do modelo ARMA(1,2):

summary(fit)

##
## Call:
## arima(x = dados.ts, order = c(1, 0, 2))
##
## Coefficients:
## ar1 ma1 ma2 intercept
## -0.2201 1.3441 0.9631 327.1359
## s.e. 0.0564 0.0218 0.0187 37.6827
##
## sigma^2 estimated as 68344: log likelihood = -2461.43, aic = 4932.86
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.2897935 261.4277 95.49061 -38.48033 60.14581 1.985048
## ACF1
## Training set 0.03904614

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 8/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

coeftest(fit)

##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 -0.220128 0.056444 -3.8999 9.621e-05 ***
## ma1 1.344133 0.021811 61.6266 < 2.2e-16 ***
## ma2 0.963062 0.018731 51.4165 < 2.2e-16 ***
## intercept 327.135893 37.682736 8.6813 < 2.2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Nos resultados acima, tem-se o resumo do modelo ARMA(1,2) ajustado a série, na qual apresenta todos os
coeficientes significativos ao nível de 5% de significância.

Resumo do modelo ARMA(1,4):

summary(fit1)

##
## Call:
## arima(x = dados.ts, order = c(1, 0, 4))
##
## Coefficients:
## ar1 ma1 ma2 ma3 ma4 intercept
## 0.7472 0.1533 0.0208 -0.2367 0.6746 326.2740
## s.e. 0.0485 0.0454 0.0498 0.0505 0.0456 75.7592
##
## sigma^2 estimated as 50908: log likelihood = -2410.17, aic = 4834.33
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.8589715 225.6278 78.13897 -29.90457 56.02004 1.624344
## ACF1
## Training set 0.03591385

coeftest(fit1)

##
## z test of coefficients:
##
## Estimate Std. Error z value Pr(>|z|)
## ar1 0.747196 0.048451 15.4217 < 2.2e-16 ***
## ma1 0.153277 0.045360 3.3791 0.0007272 ***
## ma2 0.020782 0.049833 0.4170 0.6766627
## ma3 -0.236688 0.050542 -4.6830 2.827e-06 ***
## ma4 0.674554 0.045642 14.7793 < 2.2e-16 ***
## intercept 326.273969 75.759194 4.3067 1.657e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Nos resultados acima, tem-se o resumo do modelo ARMA(1,4) ajustado a série, na qual apresenta todos
coeficientes significativos ao nível de 5% de significância, exceto o coeficiente θ2 = 0, 0208 .
file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 9/16
22/07/2020 Aplicação do Modelo ARMA(p,q)

2.6.3. Validação do Modelo

Critérios de informação AIC e BIC:

tabela<-matrix(rep(NA,4),2)
tabela[1,]<-c(AIC(fit),BIC(fit))
tabela[2,]<-c(AIC(fit1),BIC(fit1))
row.names(tabela)<-c("ARMA(1,2)","ARMA(1,4)")
colnames(tabela)<-c("AIC","BIC")
kable(tabela)

AIC BIC

ARMA(1,2) 4932.865 4952.183

ARMA(1,4) 4834.334 4861.379

Conforme a tabela acima, temos os critérios de informação AIC e BIC dos modelos concorrentes. Portanto,
o modelo ARMA(1,4) minimiza os critérios de informação, logo o mesmo é escolhido para as análises
posteriores.

Medidas de acurácia:
Assim, algumas medidas de acurácia foram calculadas para os modelos concorrentes.

a<-accuracy(fitted(fit),dados.ts)
b<-accuracy(fitted(fit1),dados.ts)
# Comparando medidas de acurácia dos métodos
a1<-c(261.4277, 95.4906, 60.1458)
b1<-c(225.6278, 78.1390, 56.0200)
medidas1<-matrix(rep(NA,6),nrow = 2)
colnames(medidas1)<-c("RMSE","MAE","MAPE")
row.names(medidas1)<-c("ARMA (1,2)","ARMA (1,4)")
medidas1[1,]<-a1
medidas1[2,]<-b1
kable(medidas1)

RMSE MAE MAPE

ARMA (1,2) 261.4277 95.4906 60.1458

ARMA (1,4) 225.6278 78.1390 56.0200

Analisando a tabela acima, temos que o modelo ARMA(1,4) possui as menores medidas de acurácia,
quando comparado ao modelo ARMA(1,2).

Desta forma, o modelo selecionado apresenta o polinômio AR de ordem 1, com um fator de influência
positivo (0.7472) e o polinômio MA de ordem 4, com os filtros de médias móveis significativos, sendo dois
parâmetros positivos e um negativo (0.1533, 0.6745 e -0.2367).

Verificação das suposições do modelo:

plot(fit1, main ="Gráfico 6 - Círculo unitário inverso")

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 10/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

No gráfico 6, percebe-se que no círculo unitário à esquerda temos a raiz do polinômio AR e no gráfico à
direita temos as quatro raizes do polinômio MA. Logo, comprova-se que o modelo não possui raiz unitária, ou
seja, é estacionário.

2.6.4. Análise de Resíduos

Gráficos dos resíduos:
Portanto, realiza-se uma análise de diagnóstico, para ver se temos um ruído branco (média 0, variância
contante e não autocorrelacionados) para o modelo ARMA (1,4).

res.mod<-fit1$residuals
ggtsdisplay(res.mod,main="Gráfico 7 - Análise gráfica dos resíduos")

Logo, analisando os resíduos do ARMA(1,4), pelo gráfico 7, nota-se que todos os lags estão dispostos
dentro do IC, assim temos um ruído branco. Portanto, todos os efeitos foram capturados pelos parâmetros
estimados no modelo ARMA.

Teste de Ljung-Box:

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 11/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

O teste possui como hipóteses:

í ã ã
H0 : os res duos n o s o autocorrelacionados

í ã
H1 : os res duos s o autocorrelacionados

Box.test(res.mod,lag = 15, type="Ljung")

##
## Box-Ljung test
##
## data: res.mod
## X-squared = 4.5355, df = 15, p-value = 0.9954

Assim, como o p-valor foi maior que o nível de significância de 5%, não se rejeita H0 , ou seja, os resíduos
não são autocorrelacionados, o que é o ideal, e com isso o modelo ARMA(1,4) é adequado.

Normalidade dos resíduos:

shapiro.test(res.mod)

##
## Shapiro-Wilk normality test
##
## data: res.mod
## W = 0.44978, p-value < 2.2e-16

jarque.bera.test(res.mod)

##
## Jarque Bera Test
##
## data: res.mod
## X-squared = 22653, df = 2, p-value < 2.2e-16

Logo, para os 2 testes, em ambas as ocasiões, rejeita-se a hipótese de que os resíduos seguem uma
distribuição normal, visto que os p-valores são menores que o nível de significância de 0,05. O p-valor obtido
foi de 2,2e-16, para os testes de Shapiro-Wilk e Jarque-Bera.

ggqqplot(residuals(fit1), main="Gráfico 8 - QQplot dos resíduos")

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 12/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

No gráfico 8, também podemos comparar os quantis amostrais com os quantis teóricos, ou seja, os quantis
da distribuição normal, como os mesmos não se dispõem em uma reta linear, concluímos que os resíduos da
série não possuem normalidade.

Estacionariedade dos resíduos:

adf.test(res.mod, alternative ="stationary")

## Warning in adf.test(res.mod, alternative = "stationary"): p-value smaller

## than printed p-value

##
## Augmented Dickey-Fuller Test
##
## data: res.mod
## Dickey-Fuller = -6.5642, Lag order = 7, p-value = 0.01
## alternative hypothesis: stationary

pp.test(res.mod, alternative ="stationary")

## Warning in pp.test(res.mod, alternative = "stationary"): p-value smaller

## than printed p-value

##
## Phillips-Perron Unit Root Test
##
## data: res.mod
## Dickey-Fuller Z(alpha) = -330.13, Truncation lag parameter = 5,
## p-value = 0.01
## alternative hypothesis: stationary

Os 2 testes, rejeitaram a hipótese nula ao nível de 5%. Assim, os resíduos são estacionários, ou seja, não
possuem raízes unitárias.

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 13/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

Desta maneira, o modelo ARMA(1,4), atende a todos os pressupostos da metodologia adotada, portanto, é
possível realizar a previsão da série.

2.6.5. Previsão
Após a estimação dos parâmetros do modelo ARMA(1,4), e a validaçãodo mesmo, é feita a previsão. A
previsão é feita fora da amostra (out-of-sample) e para os próximos 12 meses.

Gráfico da previsão da Série Temporal:

predict.mod<-forecast(fit1,h=12)
kable(predict.mod)

Point Forecast Lo 80 Hi 80 Lo 95 Hi 95

May 2020 486.8822 197.7274750 776.0369 44.65822 929.1061

Jun 2020 476.5860 87.4775950 865.6945 -118.50397 1071.6760

Jul 2020 436.8961 -0.8590605 874.6512 -232.59262 1106.3847

Aug 2020 438.3382 -6.9241941 883.6007 -242.63189 1119.3084

Sep 2020 410.0079 -103.5443687 923.5602 -375.40253 1195.4184

Oct 2020 388.8396 -159.1494659 936.8287 -449.23737 1226.9166

Nov 2020 373.0228 -193.2822483 939.3278 -493.06601 1239.1115

Dec 2020 361.2045 -215.0731732 937.4821 -520.13613 1242.5451

Jan 2021 352.3739 -229.3971298 934.1449 -537.36811 1242.1159

Feb 2021 345.7757 -239.0398164 930.5913 -548.62246 1240.1739

Mar 2021 340.8456 -245.6628254 927.3540 -556.14163 1237.8328

Apr 2021 337.1618 -250.2896120 924.6133 -561.26762 1235.5913

Na Tabela acima, temos as observações previstas 12 passos à frente. Nota-se que a primeira coluna, são
os meses que estão sendo previstos, a segunda coluna, são as previsões dadas pelo modelo ARMA(1,4) e as
outras colunas, correspondem aos limites inferiores e superiores do IC, considerando os níveis de confiança
de 80% e 95%, respectivamente.

autoplot(predict.mod)+ggtitle("Gráfico 9 - Previsão da Tarifa média do consumo de energia elé

trica")+xlab("Time") + ylab("Valores")+theme_minimal()

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 14/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

No Gráfico 9, observa-se a série original, em preto, as previsões do modelo ajustado, em azul, e assim
temos as observações previstas para os próximos 12 meses.

Gráfico da predição e previsão da Série Temporal:

tmp.df<-cbind(dados.ts,predict.mod$mean,predict.mod$upper[,2], predict.mod$lower[,2],fitted(f
it1))
colnames(tmp.df)<-c("dados.ts","predict","upper","lower","fitted")
predict.df<-data.frame(Time=c(time(c(dados.ts,predict.mod$upper[,2]))),tmp.df)
# tail(predict.df)
fig<-ggplot(data = predict.df, aes(x=Time, y=value, continuous=FALSE,color=variable ))+
ylab('Valores R$')+ggtitle("Gráfico 10 - Predição e previsão da série")+
geom_line(aes(y=dados.ts , col='Dados Reais'))+
geom_line(aes(y=predict, col='Previsão'))+
geom_line(aes(y=fitted, col='Predição'))+
geom_line(aes(y=upper, col='Limite Superior'))+
geom_line(aes(y=lower, col='Limite Inferior'))+theme_minimal()
fig

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 15/16

22/07/2020 Aplicação do Modelo ARMA(p,q)

O gráfico 10, mostra a previsão da série “Tarifa média do consumo de energia elétrica no setor comercial”.
A série orginal está em vermelho e a ajustada em azul. Observa-se que, é uma previsão out-of- sample, ou
seja, uma previsão fora da amostra, na qual prevê passos à frente para as próximas 12 observações
indexadas no tempo, que nesse caso são os 12 meses à frente, que está indicado pela cor rosa. Tem-se
também, os limites inferiores e superiores representados pelas cores verde escuro e verde claro,
respectivamente.

3. Conclusão
O processo gerador da série Tarifa média (MWh) do consumo de energia elétrica no setor comercial teve o
polinômio AR de ordem 1 e o polinômio MA de ordem 4, ou seja, um modelo ARMA (1,4). A partir do modelo
ajustado, tornou-se possível a realização de previsão out-of-sample, a qual previu os próximos 12 meses,
mostrando que os preços da tarifa média do consumo de energia no setor comercial, ficará em torno da média
geral, exceto para os meses de maio e junho de 2020, que apresentaram valores mais altos do que a média
geral. Portanto, o modelo escolhido foi capaz de capturar os movimentos e características da série em
questão, apontando que a mesma é influenciada pelo mês anterior, bem como, pela média da tarifa média do
consumo de energia elétrica no setor comércio dos últimos quatro períodos.

REFERÊNCIAS
Oliveira, N.(2014). Consumo de energia no setor do comércio e serviço cresce 5,7%. Agência Brasil, Rio de
Janeiro-RJ.

Elétrico do Brasil, A. D. E. (2010). Disponível em: http://www.aneel.gov.br/arquivos/PDF/livro_atlas.pdf

(http://www.aneel.gov.br/arquivos/PDF/livro_atlas.pdf). Acesso em: 16/07/20.

Gomes, J. P. P. e Vieira, M. M. F. (2009). O campo da energia elétrica no Brasil de 1880 a 2002. Revista de
Administração Pública, 43(2), 295-321.

Souza, L. V. (2016). Programação genética e combinação de preditores para previsão de séries temporais.

Box, G. E., Jenkins, G. M., Reinsel, G.(1970). Time series analysis: forecasting and control holden-day san
francisco. BoxTime Series Analysis: Forecasting and Control Holden Day1970.

file:///C:/Users/fernando/Desktop/Faculdade/7ºSemestre/Séries Temporais/Tarefa 3/Atividade_3.html 16/16