Os métodos de autorregressão são técnicas estatísticas usadas para modelar séries

temporais, onde os valores futuros são previstos com base em observações passadas da
própria série. Um modelo autorregressivo (AR) usa valores passados da série temporal
para prever futuros valores. A ideia básica é que o valor atual da série depende
linearmente dos valores anteriores, com a adição de um termo de erro estocástico.

Um modelo AR(p) é definido como:

\[ y_t = c + \phi_1 y_{t-1} + \phi_2 y_{t-2} + ... + \phi_p y_{t-p} + \varepsilon_t \]

Onde:
- \( y_t \) é o valor da série temporal no tempo \( t \).
- \( c \) é uma constante.
- \( \phi_1, \phi_2, ..., \phi_p \) são os coeficientes dos termos autorregressivos.
- \( \varepsilon_t \) é o termo de erro estocástico no tempo \( t \), assumido como ruído
branco.

O parâmetro \( p \) especifica o número de observações anteriores consideradas no

modelo. Quanto maior o valor de \( p \), mais complexo será o modelo, mas também
pode capturar padrões mais complexos nos dados.

A estimativa dos coeficientes pode ser feita através de métodos como Mínimos
Quadrados Ordinários (MQO) ou Máxima Verossimilhança (MV). Uma vez estimados
os coeficientes, o modelo pode ser usado para prever os valores futuros da série
temporal.

A seleção do número ideal de termos autorregressivos \( p \) pode ser feita utilizando

técnicas como critério de informação de Akaike (AIC) ou critério de informação
bayesiana (BIC), que buscam encontrar o equilíbrio entre a complexidade do modelo e
sua capacidade de generalização.

Os modelos autorregressivos são amplamente utilizados em diversas áreas, como

previsão financeira, previsão de demanda, análise de séries temporais climáticas e muito
mais. Eles fornecem uma maneira poderosa de entender e prever o comportamento de
uma série temporal com base em seu próprio histórico.