UNIVERSIDADE LICUNGO

FACULDADE DE CIENCIAS E TECNOLOGIA

LICENCIATURA EM ENSINO DE MATEMATICA COM HABILITAÇÕES

EM ESTATISTICA

2° GRUPO

ALZIMIRO SILVESTRE MUSSULUMADE

ANTONIO DOMINGOS VIEGAS CURUANTAUE
GUIDIONE JÚLIO JANUÁRIO
MATEUS FLOR MACUACUA

XANY BERNARDO TESOURA

Quelimane
2022
 2

ALZIMIRO SILVESTRE MUSSULUMADE

ANTONIO DOMINGOS VIEGAS CURUANTAUE
GUIDIONE JÚLIO JANUÁRIO
MATEUS FLOR MACUACUA
XANY BERNARDO TESOURA

Modelos econométricos Dinâmicos de Previsão

Trabalho apresentado ao curso de Licenciatura em Ensino

de Matemática, Faculdade de Ciências e Tecnologias,
como requisito para avaliação da cadeira de Econometria
Aplicada

Orientado por dr. João Manuel Máquina

Quelimane
2021
 3

Índice
1.Introdução ...................................................................................................................... 4
1.1.Objectivo .................................................................................................................... 4
1.1.1.Geral ........................................................................................................................ 4
1.1.2.Especifico ................................................................................................................ 4
1.2.Metodologia ................................................................................................................ 4
2.Breve contextualização do modelo ARIMA ................................................................. 5
2.1.Modelos de Previsão ................................................................................................... 5
3.Definição ....................................................................................................................... 6
3.1.Modelo ARIMA ......................................................................................................... 6
3.2.Exemplos de Construção de Modelos ARIMA .......................................................... 6
1) Função de auto correlação ......................................................................................... 8
i) Estrutura auto-regressiva de ordem p ........................................................................ 8
ii) Estruturas medias moveis de ordem a p .................................................................... 9
iii) Estrutura ARMA(p,q) .......................................................................................... 10
2) Função de autocorrelação parcial ............................................................................ 10
4.Testes de Raiz Unitária ................................................................................................ 12
4.1.Teste ADF ................................................................................................................ 12
4.2.Teste KPSS ............................................................................................................... 13
4.3.Potência do teste ....................................................................................................... 14
5.Processo autoregressivo de ordem p – AR (p) ............................................................ 14
A estrutura auto-regressiva geral é expressa por: ........................................................... 14
5.Processo de médias móveis de ordem q – MA (q) ...................................................... 15
6.Modelos estacionários ................................................................................................. 15
6.1.Definição .................................................................................................................. 15
6.2.Estimação dos parâmetros do Modelo ARMA ......................................................... 15
6.2.1.Método dos Momentos .......................................................................................... 16
6.2.1.Método de Máxima Verossimilhança .................................................................... 16
6.2.2.Método de Máxima Verossimilhança Condicional ............................................... 16
7.Processo autoregressivo e de médias móveis sazonal - SARMA(p,q)x(P,Q)s............ 17
8.Modelos SARIMA (p,d,q)(P,D,Q) .............................................................................. 17
8.Conclusão .................................................................................................................... 18
9.Referências Bibliográficas ........................................................................................... 19
 4

1.Introdução
O presente trabalho de pesquisa tem como tema modelos econométricos dinâmicos de
previsão e tem a finalidade de conhecer os modelos econométricos dinâmicos de previsão,
em torno do tema abordar-se-á da contextualização dos modelos dinâmicos
econométricos de previsão em 1970 os professores George E. P. Box e Gwilyn M. Jenkins
publicaram o livro Time Series: Analysis, Forecasting and Control (existem várias
edições posteriores), com uma metodologia que reuniu diferentes métodos já existentes
de maneira a produzir modelos capazes de descrever o comportamento de uma grande
variedade de séries temporais de forma parcimoniosa (o número de parâmetros a estimar
é pequeno) e cujos resultados têm grande poder preditivo quando comparados a outros
métodos, e por fim da descrição dos modelos SARIMA, ARMA E ARIMA e com a sua
devida estimação dos parâmetros de cada modelo.

1.1.Objectivo

1.1.1.Geral
Conhecer os modelos econométricos dinâmicos de previsão.

1.1.2.Especifico
Contextualizar os modelos econométricos dinâmicos de previsão;
Identificar os modelos econométricos dinâmicos de previsão;
Descrever os modelos econométricos dinâmicos de previsão.

1.2.Metodologia
Durante a materialização do presente trabalho de pesquisa recorreu-se a pesquisa
bibliográfica.
 5

2.Breve contextualização do modelo ARIMA

Modelos ARIMA Os modelos autorregressivos e de médias móveis integrados (ARIMA)
são uma metodologia muito utilizada na análise de séries temporais. Em 1970 os
professores George E. P. Box e Gwilyn M. Jenkins publicaram o livro Time Series:
Analysis, Forecasting and Control (existem várias edições posteriores), com uma
metodologia que reuniu diferentes métodos já existentes de maneira a produzir modelos
capazes de descrever o comportamento de uma grande variedade de séries temporais de
forma parcimoniosa (o número de parâmetros a estimar é pequeno) e cujos resultados têm
grande poder preditivo quando comparados a outros métodos (Morettin e Toloi, 2006).

2.1.Modelos de Previsão
Existem dois enfoques utilizados na análise de séries temporais. Em ambos, o objetivo
éconstruir modelos para estas séries. No primeiro enfoque, a análise ´e feita no domínios
temporal e os modelos propostos são modelos paramétricos (com um número finito de
parâmetros).

No segundo, a análise ´e conduzida nos domínios de frequências e os modelos propostos

são modelos não paramétricos (BEZERRA, 2006). Dentre os modelos paramétricos
temos, por exemplo, os modelos ARMA, Erro ou Regressão e ARIMA. Nos domínios de
frequências temos a análise espectral, que tem inúmeras aplicações em ciências físicas e
engenharia, principalmente na engenharia elétrica, e que consiste em decompor a série
dada em componentes de frequências e onde a existência do espectro ´e a característica
fundamental (Bezerra, 2006).

Existem diversos m´métodos para auxiliar na tarefa de previsão de séries

temporais, como por exemplo: modelos de Suavização Exponencial, modelos
autorregressivos (AR), de medias moveis (MA) e Modelos ARIMA. Tecnologias de
inteligência computacional, tais como redes neurais, lógica nebulosa e algoritmos
genéticos, proporcionam a criação de metodologias avançadas de previsão (Ribeiro et. al,
2009).
 6

3.Definição

3.1.Modelo ARIMA
O modelo ARIMA é um modelo auto-regressivo, aplicável a série não estacionária. Tal
metodologia consiste em ajustar modelos auto-regressivos integrados de medias moveis
- ARIMA (Campos, 2008).

Este método tem como base a ideia de que cada valor da série temporal pode ser explicado
pelos seus valores anteriores, ou seja, de que existe uma certa dependência entre valores
próximos no tempo. Estes modelos derivam da combinação de três processos:

O processo autorregressivo (AR);

O processo de integração (I) e;
O processo de médias móveis (MA).

Os modelos 𝐴𝑅(𝑝), 𝑀𝐴(𝑞) e 𝐴𝑅𝑀𝐴 (𝑝, 𝑞) impõem a condição de estacionaridade,

o que implica que séries temporais que não sejam estacionárias tenham que ser alteradas,
removendo a fonte de não estacionaridade (como a tendência ou a sazonalidade). Nos
modelos 𝐴𝑅𝐼𝑀𝐴 temos uma série temporal 𝑋𝑡 não estacionária que é transformada em
outra série temporal 𝑊𝑡 estacionária, por uma ou mais diferenças, e que pode ser descrita
por um modelo misto. Neste caso temos a diferenciação que reduz a não estacionaridade
integrada no modelo (Ehlers, 2009).

𝑊𝑡𝑑 = ∇𝑑 𝑋𝑡 = (1 − 𝐵)𝑑 𝑋𝑡

Sendo o processo autorregressivo de médias móveis integrado (𝐴𝑅𝐼𝑀𝐴 (𝑝, 𝑑, 𝑞)) dado
pela equação:

Φ(𝐵)(1 − 𝐵)𝑑 𝑋𝑡 = Θ(𝐵)𝐼𝑡

A diferenciação permite transformar a série original numa série estacionária, e a condição

de invertibilidade também é imposta a este tipo de modelos (Ehlers, 2009).

3.2.Exemplos de Construção de Modelos ARIMA

Exemplo 1 Considere a série temporal com dados apresentados na Tabela 5 e representada
graficamente na Figura 7. A série foi originalmente apresentada em Morettin & Toloi (1987).
 7

FIGURA 7. Gráfico e linha de média da série temporal apresentada na Tabela 5.

O gráfico da Figura 7 mostra que a série temporal varia em torno da sua média, podendo
ser caracterizada como estacionária. Porém, a estacionariedade deve ser comprovada
através da análise das autocorrelações, conforme definido na equação (18). Os gráficos
da FAC e FACP são mostrados na Figura 8.
 8

Os gráficos das FAC e FACP confirmam a estacionariedade da série, uma vez que seus
valores tendem a zero rapidamente. As linhas horizontais traçadas nos gráficos
determinam os limites de significância para as autocorrelações, conforme definido nas
equações (39) e (40). Com a FAC extinguindo-se rapidamente de maneira exponencial, e
a FACP contendo apenas um lag significativo, tem-se a sugestão de um modelo AR (1).

𝐸{[𝑍𝑡 − 𝜇]|[𝑍𝑡+𝑘 − 𝜇]}, Assumindo 𝜇 = 𝐸𝑧(𝑡) = 𝐸(𝑧𝑡+1 ) Media constante para o

processos estacionarios).

1) Função de auto correlação

A Função de auto correlação é dada por:
𝛾𝑘
𝜌𝑘 = ; 𝑘 = 1,2,3 …
𝛾0

Onde

𝛾0 = 𝑉𝑎𝑟(𝑧𝑡 )

Logo, 𝜌𝑘 sera uma medida padrao de dependencia com |𝜌𝑘 | ≤ 1, 𝑘 = 1,2, …

O comportamento da CAF teórica para as estruturas Box & Jenkins é:

i) Estrutura auto-regressiva de ordem p

A estrutura AR (𝑝) é dada por:

𝑍𝑡 = 𝜙1 𝑧𝑡−1 + 𝜙2 𝑧𝑡−2 + ⋯ 𝜙𝑝 𝑧𝑡−𝑝 + 𝑎𝑡

 9

As auto co-variâncias podem ser obtidas multiplicando-se esta equação por 𝑧𝑡−𝑘
E tomando se os valores esperados (assumindo sem perda de generalidade

(𝐸{𝑧𝑡 } = 𝜇 0) Dai,

𝛾𝑘 = 𝜙1 𝛾𝑘−1 + 𝜙2 𝛾𝑘−2 + ⋯ + 𝜙𝑘 𝛾𝑘−𝑝

Assim, em termos das auto correlações, utilizando temos:

Isto é, 𝜌𝑘 , satisfaz à equacao:

𝜙(𝐵). 𝜌𝑘 = 0

Onde

𝜙(𝐵) = 1 − 𝜙1 𝐵 − ⋯ − 𝜙𝑝 𝐵 𝑝

ii) Estruturas medias moveis de ordem a p

A estrutura MA(q) é dada por:

𝑧𝑡 = (1 − 𝜃1 𝐵 − ⋯ − 𝜃𝑝 𝐵 𝑞 )𝑎𝑡 = 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − 𝜃2 𝑎𝑡−2 − ⋯ − 𝜃𝑝 𝑎𝑡−𝑞 ,

Supondo 𝐸{𝑧𝑡 } = 𝜇 = 0, a autocovarriancia de Zt é:

𝛾𝑘 = 𝐸{𝑧𝑡 𝑧𝑡−𝑘 }
= 𝐸{|𝑎𝑡 − 𝜃𝑎𝑡−1 − ⋯ − 𝜃𝑞 𝑎𝑡−𝑞 |}{|𝑧𝑡−𝑘 − 𝜃1 𝑎𝑡−𝑘−1 − ⋯ − 𝜃𝑞 𝑎𝑡−𝑘−𝑞 |}

Como os ruídos at são independentes, 𝛾𝑡 = 0 Para 𝑘 > 𝑞. Quando 𝑘 ≤ 𝑞

𝛾𝑘 = (−𝜃𝑘 + 𝜃1 𝜃𝑘+1 + 𝜃2 𝜃𝑘+2 + ⋯ + 𝜃𝑞−𝑘 𝜃𝑞 )𝜎𝑎2

Pois a independente dos ruídos equivale a:

𝜎𝑎2 𝑠𝑒 𝑖=𝑗
𝐸{𝑎𝑖 𝑎𝑗 } = {
0 𝑠𝑒 𝑖≠𝑗

A variancia de 𝑧𝑡 , 𝛾0 é obtida de :

𝛾0 = 𝐸{𝑧𝑡 𝑧𝑡 } = (1 + 𝜃12 + ⋯ + 𝜃𝑞2 )𝜎𝑎2

 10

𝛾𝑘
𝜌𝑘 = ,
𝛾0

1, 𝐾=0
𝑝−𝑘
−𝜃𝑘 + 𝜃1 𝜃𝑘−1 + ⋯ 𝜃𝑞−𝑘 𝜃𝑞 −𝜃𝑘 + ∑𝑗=1 𝜃𝑗 𝜃𝑗+𝑘
𝜌𝑘 = = , 𝐾 = 1,2 … . 𝑞
1 + 𝜃12 + ⋯ + 𝜃𝑞2 1 + ∑𝑝𝑗=1 𝜃𝑗
𝑗

{ 0 𝑘>𝑞

Verifica-se, assim, que a ACF de uma estrutura MA(q) sofre um corte brusco no
lag q.

iii) Estrutura ARMA(p,q)

A estrutura ARMA(p,q) é dada por :
𝑧𝑡 = 𝜙1 𝑧𝑡−1 + ⋯ + 𝜙𝑝 𝑧𝑡−𝑝 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − ⋯ − 𝜙𝑞 𝑎𝑡−𝑞

Multiplicando-se por 𝑧𝑡−𝑘 e calculando-se os valores esperados de cada termo, do mesmo

modo que na estrutura AR(p), a função de auto co-variância é dada por:

𝛾𝑘 = 𝜙1 𝛾𝑡−1 + ⋯ + 𝜙𝑝 𝛾𝑘−𝑝 + ⋯ + 𝜙𝑝 𝛾𝑘−𝑝, 𝑘 ≥𝑞+1

E a função de autocorrelação é dada por:

𝜌𝑘 = 𝜙1 𝜌𝑘−1 + 𝜙2 𝜌𝑘−2 + ⋯ + 𝜙𝑝 𝜌𝑘−𝑝, 𝑘 ≥ 𝑞 + 1

Para um ARMA(p, q), existem q autocorrelações, cujos valores dependem

directamente dos q parâmetros médias móveis e dos p parâmetros auto-regressivos.
Pode-se concluir que a ACF da estrutura ARMA (p, q) é a combinação das ACF
dos dois processos componentes AR e MA; ou seja, as autocorrelações nos lags 1
a q são afectadas pela parte MA da estrutura, a partir daí , a ACF se comporta como
um processo AR(p).

2) Função de autocorrelação parcial

A identificação do grau do polinómio 𝜙(B) da estrutura AR(p) é realizada

através das funções de autocorrelação e de autocorrelação parcial. Para definir
esta função, considere-se a função de autocorrelação da estrutura AR(p) dada por:

𝜌𝑘 = 𝜙1 𝜌𝑘−1 + 𝜙2 𝜌𝑘−2 + ⋯ + 𝜙𝑝 𝜌𝑝−𝑞

Onde:
 11

𝜙(𝐵)𝜌𝑘 = 0

Fazendo-se k = 1, 2..., p e levando-se em conta que 𝜌𝑘 = 𝜌−𝑘

obtém-se o sistema conhecido como equações de Yule-Walker:

𝜌1 = 𝜙1 𝜌𝜌−1 + 𝜙2 𝜌𝑝−2 + ⋯ + 𝜙𝑝 𝜌𝑝

Assim, é possível obter estimativas para os parâmetros’𝜙𝑖 's pela substituição dos valores
da ACF nas equações de Yule-Walker. Denotando os estimadores dos 𝜙𝑖 's por𝜙𝑖𝑖 's,
define-se a função de autocorrelação parcial como a sequência dos 𝜙𝑘𝑘 's obtidos de:
1 𝜌1 𝜌𝑘−1 𝜙𝑘1 𝜌1

𝜌1 𝜌𝑘−2 𝜙𝑘2 𝜌2

……

𝜌1 𝜌𝑘−1 𝜙𝑘1 𝜌1

𝜌𝑘−1 𝜌𝑘−2 1 𝜙𝑘𝑘 𝜌𝑘

Onde

𝜌𝑘 é a ACF de lag k, k = 1, 2...

i) Estrutura AR(p)
Nas estruturas AR(p), a função de autocorrelação parcial, 𝜙𝑘𝑘 , é finita para
𝑘 ≤ 𝑝e anula-se bruscamente nos lags 𝑘 > 𝑝.

ii) Estrutura MA(q)

A função de autocorrelação parcial é formada por exponenciais e/ou
senóides amortecidas.

iii) Estrutura ARMA(p, q)

Como a estrutura ARMA (p, q) corresponde a uma estrutura AR(p) de ordem
Infinita ou a uma estrutura MA(q) de ordem também infinit
 12

4.Testes de Raiz Unitária

Os testes de raiz unitária são habitualmente utilizados com o objetivo de determinar a
estacionariedade de uma dada série temporal, isto é, se a série é ou não estacionária em
termos estocásticos. Com vista a averiguar a presença de raízes unitárias nas diferentes
séries temporais, têm sido propostos diversos testes como os testes desenvolvidos por
Dickey e Fuller (1979), o teste KPSS desenvolvido por Kwiatkowski et al. (1992) e o
teste PP de Phillips e Perron (1988).

Portanto, a verificação da existência de raiz nos operadores de retardos dentro do

círculo unitário por meio de testes torna-se necessária. Estes são denominados testes da
raiz unitária, e se utilizam de hipóteses, que, em geral, são as seguintes:

H0 = tem raiz unitária (série não é estacionária)

H1 = não tem raiz unitária (série é estacionária)

Visando aumentar a certeza das afirmações a respeito da estacionariedade das variáveis

em estudo, dois testes populares para sua verificação são utilizados neste trabalho: o ADF
(Augmented Dickey & Fuller) e o KPSS (Kwiatkowski Philips Schmidt & Shin).

4.1.Teste ADF
Teste ADF O teste de Dickey-Fuller Aumentado é um teste estatístico de hipótese nula.
A série tem raiz unitária, ou seja, não é estacionária. O teste se baseia na regressão do
modelo definido pela expressão (1).

∆𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝛿𝑌𝑡−1 + ∑ 𝛼𝑡 ∆𝑌𝑡−1 + 𝜀𝑡

𝑡=1

Trata-se de um modelo com constante e tendência, e com a própria variável defasada e

diferenciada, garantindo desta forma que os resíduos não apresentem autocorrelação.
Define-se β1 como o termo independente (intercepto ou deslocamento); β2 como o
coeficiente de tendência; δ o coeficiente da presença de raiz unitária; εt o termo de erro
de ruído branco e os αi são os coeficientes de ∆Yt-i usados para aproximar a estrutura
ARMA (Autoregressive Moving Average) dos erros.
 13

1
𝑁 4
𝑃𝑚𝑎𝑥 = [12 ( ) ]
100

Para testar a hipótese nula estima-se a equação (1) utilizando os mínimos quadrados e
examina-se a estatística τ (Dickey-Fuller, 1979). Se o valor da estatística, calculada
intrinsecamente no teste ADF, for maior que o valor absoluto tabulado por Dickey-Fuller
a hipótese nula é aceita e, portanto, a série é não estacionária.

4.2.Teste KPSS
O teste KPSS surge como uma forma a diminuir a incerteza do teste ADF. A hipótese
nula do teste estabelece que a série seja estacionária, logo não possui raiz unitária.
Diferentemente aos testes de Dickey-Fuller.

𝑌𝑐 = 𝜉𝐷𝑡 + 𝑟𝑡 + 𝑆𝑡

A variável rt é um passeio aleatório, seu valor inicial r0 é fixo e serve como intercepto.
µt , é uma Distribuição Normal e Identicamente Distribuída (0, σ 2 ) (Kwiatkowski et al,
1992). A distribuição assintótica da estatística é derivada sob a hipótese nula e alternativa
com condições gerais sobre o erro estacionário, sendo o teste da hipótese baseado na
estatística LM (Wang, 2006) definida pela equação.

𝑁
1 𝑆𝑡2
𝐿𝑀 = ( 2 ) (∑ 2 )
𝑁 𝜎𝑘
𝑡=1

Análise Confirmatória (Confirmatory Analysis) A incerteza de qual dos testes de

estacionariedade, ADF e KPSS, é o melhor; instigou Nusair (2003) a confrontá-los e
propor a Análise Combinatória (Ver Tabela 1).
 14

4.3.Potência do teste
A maioria dos testes do tipo Dickey-Fuller tem baixa potência; eles tendem a aceitar a
hipótese nula da raiz unitária mais frequentemente do que seria seguro. Esses testes
podem encontrar uma raiz unitária mesmo quando não existe nenhuma. Há várias razões
para isso. Primeiro, a potência depende da amplitude (de tempo) dos dados mais do que
do mero tamanho da amostra. Para um exemplo de amostra de tamanho n, a potência é
maior quando a amplitude é maior.

Portanto, um teste (ou testes) de raiz unitária baseado em 30 observações em uma

extensão de tempo de 30 anos pode ter mais potência do que um baseado em, por
exemplo, 100 observações ao longo de uma extensão de tempo de 100 dias. Segundo, se
Ω º 1, mas não exatamente 1, o teste de raiz unitária pode declarar que tal série temporal
é não estacionária. Terceiro, esses tipos de testes admitem uma única raiz unitária; eles
admitem que a série temporal dada é I(1). Mas, se uma série temporal for integrada de
ordem mais alta do que 1, por exemplo, I(2), haverá mais do que uma raiz unitária. No
último caso, pode-se utilizar o teste Dickey-Pantula. 37 Quarto, se há quebras estruturais
na série temporal (veja o capítulo sobre as variáveis dummy) em virtude, por exemplo,
dos embargos do petróleo da Opep, os testes de raiz unitária podem não dar conta delas.
Ao aplicar os testes de raiz unitária, deve-se, portanto, ter em mente suas limitações. É
claro, ocorreram modificações nesses testes feitas por Perron e Ng, Elliot, Rothenberg e
Stock, Fuller e Leybounre.38 Por causa disso, Maddala e Kim defendem que os testes
tradicionais DF, ADDF e PP deveriam ser descartados. Na medida em que os pacotes
econométricos incorporam os novos testes, isso pode muito bem acontecer. Mas devemos
acrescentar que ainda não há nenhum teste sistematicamente poderoso da hipótese de raiz
unitária.

5.Processo autoregressivo de ordem p – AR (p)

Os modelos auto-regressivos foram criados com a ideia de que a presente observação da
série Zt pode ser explicada como uma função das p observações passadas,
𝑍𝑡−1 , 𝑍𝑡−2 , … , 𝑍𝑡−𝑝 ,, onde p determina o número de passos entre as observações passadas
e a previsão da próxima observação.

A estrutura auto-regressiva geral é expressa por:

𝑍𝑡 = 𝜙1 𝑍𝑡−1 + 𝜙2 𝑍𝑡−2 + ⋯ + 𝜙𝑝 𝑍𝑡−𝑝 + 𝑎𝑡
 15

Onde: φi são parâmetros da estrutura, i = 1,..., p (ordem da estrutura) at é ruído branco

com média zero e variância 2 σa . Utilizando o operador de defasagem B, tem-se:

(𝟏 − 𝝓𝟏 𝑩 − 𝝓𝟐 𝑩𝟐 − ⋯ − 𝝓𝒑 𝑩𝒑 )𝒁𝒕 = 𝒂𝒕

𝑩𝒁𝒕 = 𝒁𝒕−𝟏

𝝓(𝑩)𝒁𝒕 = 𝒂𝒕

é o operador auto-regressivo é 𝝓(𝑩) = 𝟏 − 𝝓𝟏 𝑩 − 𝝓𝟐 𝑩𝟐 − ⋯ − 𝝓𝒑 𝑩𝒑

5.Processo de médias móveis de ordem q – MA (q)

Os modelos médias móveis são formados por combinação linear do ruído branco, at,
ocorridos no período corrente e nos períodos passados. A estrutura de médias móveis
geral é expressa por:

𝐙𝐭 = 𝐚𝐭 − 𝛉𝟏 𝐚𝐭−𝟏 − 𝛉𝟐 𝐚𝐭−𝟐,…− 𝛉𝐪 𝐚𝐭−𝐪

𝜽(𝑩)𝒂𝒕 = 𝒁𝒕

É o operador de medias moveis é 𝜽(𝑩) = 𝟏 − 𝜽𝟏 𝑩 − 𝜽𝟐 𝑩𝟐 − ⋯ − 𝜽𝒑 𝑩𝒒

Onde:

θi são parâmetros da estrutura, i = 1,..., q (a ordem da estrutura) at é ruído branco com

média zero e variância 2 σa .

6.Modelos estacionários

6.1.Definição
Modelos estacionários são aqueles que assumem que o processo está em “equilíbrio”. Um
processo é considerado fracamente estacionário se suas média e variância se mantêm
constantes ao longo do tempo e a função de autocovariância depende apenas da
defasagem entre os instantes de tempo. Um processo é fortemente estacionário se todos
os momentos conjuntos são invariantes a translações no tempo.

6.2.Estimação dos parâmetros do Modelo ARMA

O próximo passo na análise de modelos após a identificação da ordem é a estimação dos
parâmetros. Precisamos estimar

Φ = (𝜙1 , 𝜙2 , … 𝜙𝑝 ), Θ = (𝜃1 , 𝜃2 , … , 𝜃𝑞 )
 16

6.2.1.Método dos Momentos

Este é método mais simples para obter as estimativas de (Φ,Θ,𝜎2 ) e consiste em substituir
nas equações que relacionam as autocorrelações (ou autocovariâncias) aos parâmetros do
modelo e os momentos teóricos pelos correspondentes momentos amostrais e resolver as
equações restantes. Como os estimadores deste método são menos eficientes para os
modelos MA(q) e ARMA(p,q) (Brockwell; Davis, 1991), serão apresentados apenas os
estimadores para um modelo AR(p) com média zero:

𝑋𝑡 = 𝜙1 𝑋𝑡−1 + ⋯ + 𝜙𝑝 𝑋𝑡−𝑝 + 𝑎𝑡

Em muitos casos, a variância dos estimadores de momentos é muito maior do que a obtida
em outros métodos de estimação, como o de máxima verossimilhança, por exemplo. No
entanto, os estimadores de Yule-Walker para Φ do modelo AR(p) tem aproximadamente
a mesma distribuição assintótica dos estimadores de máxima verossimilhança para o
modelo correspondente (Brockwell; Davis, 1991).

6.2.1.Método de Máxima Verossimilhança

Seja 𝜃 = (Φ,Θ,𝜎2 ) o vetor dos parâmetros populacionais do processo ARMA(p,q)
descrito na equação (1.2) e suponha que a distribuição da variável aleatória X = (𝑋1, . . .
,𝑋𝑛) 𝑇 seja gaussiana. A função de verossimilhança é dado por:

−𝒏⁄ −𝟏⁄ −𝟏 𝑻 −𝟏
𝑳(𝜽𝚰𝒙𝟏 , … , 𝒙𝒏 ) = (𝟐𝝅) 𝟐 ⋮ (𝚪𝒏 ), 𝟐 𝒆𝒙𝒑 { 𝑿 𝚪𝒏 𝑿}
𝟐

Os estimadores de máxima verossimilhança dos parâmetros (Φ, Θ, 𝜎 2 ) são os valores que

maximizam a função 𝒍(𝜽𝚰𝒙𝟏 , … , 𝒙𝒏 )

6.2.2.Método de Máxima Verossimilhança Condicional

Considere o processo ARMA(p,q) descrito, onde todas as raízes de Φ(𝐵) = 0 e 𝜃(𝐵) = 0
estão fora do disco unitário e 𝑎𝑡 ∼ 𝑁(0,𝜎2 ). O método de estimação por máxima
verossimilhança condicional consiste na aproximação da função de verossimilhança
condicionado aos valores iniciais de 𝑥𝑡 ’s e 𝑎𝑡 ’s. Onde a (𝑝 + 1)-ésima observação é igual
a

𝑋𝑝+1 = 𝜙1 𝑋𝑝 + 𝜙2 𝑋𝑝−1 + ⋯ + 𝜙𝑝 𝑋1 + 𝑎𝑝+1 + 𝜃1 𝑎𝑝 + ⋯ + 𝜃𝑞 𝑎𝑝−𝑞+1

 17

7.Processo autoregressivo e de médias móveis sazonal - SARMA(p,q)x(P,Q)s

Um processo diz-se autoregressivo e de médias móveis sazonal se satisfaz a seguinte
equação:

𝝓𝒑 (𝑩)𝝓𝑷 (𝑩𝒔 )𝑿𝒕 = 𝜽𝒒 (𝑩)𝚯𝑸 (𝑩𝒔 )𝜺𝒕

onde {𝜀𝑡 } ↝ 𝑅𝐵(0, 𝜎 2 ), 𝜙𝑝 (𝐵) , é o polinómio autoregressivo de ordem p,Φ𝑝 (𝐵 𝑠 ) é o

polinómio autoregressivo sazonal de ordem P em 𝐵 𝑠 ,𝜃𝑞 (𝐵) o polinómio de médias
móveis de ordem q, é o polinómio de médias móveis sazonal de ordem Q em 𝐵 𝑠 e tem-
se que |𝜃𝑖 | < 1 |.

8.Modelos SARIMA (p,d,q)(P,D,Q)

As séries temporais podem apresentar padrões periódicos significativos, refere-se essa
característica como comportamento sazonal (MONTGOMERY; JENNINGS;
KULAHCI, 2008). Os modelos sazonais ARIMA são conhecidos por SARIMA
(p,d,q)(P,D,Q), no qual p e P indicam AR não-sazonal e sazonal respectivamente, q e Q
indicam MA não-sazonal e sazonal respectivamente e d significa a ordem integrada do
componente não-sazonal chamado diferença regular e D significa a ordem integrada do
componente sazonal chamado diferença sazonal (MAKRIDAKIS, S. WHEELWRIGHT;
HYDMAN, 1998). Os modelos SARIMA podem eliminar a influência da periodicidade
no processo de previsão e amplamente aplicado na previsão de séries temporais (WANG
et al., 2012).

SARIMA(p,d,q)(P,D,Q) pode ser expresso por:

As últimas três décadas foram provas do sucesso de se aplicar o modelo SARIMA tanto
em pesquisa acadêmica quanto em aplicação industrial (CHEN; WANG, 2007).
Entretanto, outros modelos de previsão também foram desenvolvidos ao longo do tempo,
como no caso das redes neurais artificiais.
 18

8.Conclusão
Os modelos ARIMA (Autoregressive Integrated Moving Average – Auto-
regressivos Integrados de Médias Móveis) da família de Box-Jenkins tem o objetivo de
captar o comportamento da autocorrelação (correlação seriada) entre os valores da série
temporal e realizar previsões baseando-se neste comportamento. Dentre a família de
modelos destacam-se os auto-regressivos e os de Médias Móveis. Além destes, existem
ainda outras variações no qual são tomadas d diferenças de uma série não estacionária
visando torná-la estacionária (com média e variância constantes ao longo do tempo).
Existem ainda os modelos ARMA (Auto-Regressivos de Médias Móveis) que são
utilizados quando não há necessidade de realizar diferenciações para tornar a série
estacionária. Outro modelo é conhecido como SARIMA (ou ARIMA Sazonal) que é
utilizado para captar a sazonalidade de uma série.

Um benefício da utilização dos modelos Box-Jenkins está relacionado ao fato do

algoritmo do mesmo auxiliar o usuário na escolha do melhor modelo por meio dos
comportamentos dos gráficos da função de autocorrelação (FAC) e da função de
autocorrelação parcial (FACP). A FAC é determinada através da correlação linear de cada
valor yt da série de dados com outros valores em lags distintos, como yt-1, yt-2 e assim
sucessivamente
 19

9.Referências Bibliográficas
Ehlers, Ricardo S. (2009). - Análise de Séries Temporais [Em linha]. Instituto de Ciências
Matemáticas e de Computação, Universidade de São Paulo – USP

Campos, Roger Júnior. (2008). Previsão de Séries Temporais com Aplicações a Séries de
Consumo de Energia Elétrica.

Bezerra, Manoel Ivanildo Silvestre. (2006). Apostila de Análise de Séries Temporais,

2006.

Ribeiro,Claudio Vasconcelos; Goldschmidt, Ronaldo Ribeiro; CHOREN, Ricardo.

métodos para Previsão de séries Temporais e suas Tendências de Desenvolvimento.

Morettin, Pedro A.; Toloi, Clélia M. (1987). séries Temporais: M´métodos Quantitativos.
2. ed. São Paulo: Atual.

Morettin, Pedro Alberto; Toloi, Clélia Maria. (1987). Previsão de séries Temporais. 2.ed.
São Paulo: Atual.

Nusair, Salah. (2003). Testing the validity of purchasing power parity for asian countries
during the current float, Journal of Economic Development, v. 28, n. 2, p. 129-147,
dec.

Kwiatkowski, Denis. et al. (1992). Testing the null hypothesis of stationarity against the
alternative of a unit root. Journal of Econometrics, n. 54, p. 159-178.

Chen, K.-Y.; WANG, C.-H. (2007). A hybrid SARIMA and support vector machines in
forecasting the production values of the machinery industry in Taiwan. Expert
Systems with Applications, v. 32, p. 254–264.

Montgomery, D. C.; Jennings, C. L.; Kulahci, M. (2008). Introduction to time series

analysis and forecasting. 2a. ed. New Jersey: Wiley-Interscience.

Brockwell, P. J.; Davis, R. A. (1991). Introduction to time series and forecasting. New
York: Springer-Verlag.