Escolar Documentos
Profissional Documentos
Cultura Documentos
2° GRUPO
Quelimane
2022
2
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
2.1.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).
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:
𝑊𝑡𝑑 = ∇𝑑 𝑋𝑡 = (1 − 𝐵)𝑑 𝑋𝑡
Sendo o processo autorregressivo de médias móveis integrado (𝐴𝑅𝐼𝑀𝐴 (𝑝, 𝑑, 𝑞)) dado
pela equação:
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).
Onde
𝛾0 = 𝑉𝑎𝑟(𝑧𝑡 )
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,
𝜙(𝐵). 𝜌𝑘 = 0
Onde
𝜙(𝐵) = 1 − 𝜙1 𝐵 − ⋯ − 𝜙𝑝 𝐵 𝑝
𝛾𝑘 = 𝐸{𝑧𝑡 𝑧𝑡−𝑘 }
= 𝐸{|𝑎𝑡 − 𝜃𝑎𝑡−1 − ⋯ − 𝜃𝑞 𝑎𝑡−𝑞 |}{|𝑧𝑡−𝑘 − 𝜃1 𝑎𝑡−𝑘−1 − ⋯ − 𝜃𝑞 𝑎𝑡−𝑘−𝑞 |}
𝜎𝑎2 𝑠𝑒 𝑖=𝑗
𝐸{𝑎𝑖 𝑎𝑗 } = {
0 𝑠𝑒 𝑖≠𝑗
A variancia de 𝑧𝑡 , 𝛾0 é obtida de :
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.
𝜙(𝐵)𝜌𝑘 = 0
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
Onde
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.
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).
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
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.
(𝟏 − 𝝓𝟏 𝑩 − 𝝓𝟐 𝑩𝟐 − ⋯ − 𝝓𝒑 𝑩𝒑 )𝒁𝒕 = 𝒂𝒕
𝑩𝒁𝒕 = 𝒁𝒕−𝟏
𝝓(𝑩)𝒁𝒕 = 𝒂𝒕
𝜽(𝑩)𝒂𝒕 = 𝒁𝒕
Onde:
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.
Φ = (𝜙1 , 𝜙2 , … 𝜙𝑝 ), Θ = (𝜃1 , 𝜃2 , … , 𝜃𝑞 )
16
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).
−𝒏⁄ −𝟏⁄ −𝟏 𝑻 −𝟏
𝑳(𝜽𝚰𝒙𝟏 , … , 𝒙𝒏 ) = (𝟐𝝅) 𝟐 ⋮ (𝚪𝒏 ), 𝟐 𝒆𝒙𝒑 { 𝑿 𝚪𝒏 𝑿}
𝟐
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.
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.
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.
Brockwell, P. J.; Davis, R. A. (1991). Introduction to time series and forecasting. New
York: Springer-Verlag.