INVESTIMENTOS,

ESTRATÉGIA
E LUCROS
ECONÔMICOS

Franciele Henrique
Projeção com uso de
séries temporais
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:

„„ Descrever a análise em corte transversal.

„„ Interpretar a análise em série temporal.
„„ Relacionar índice financeiro com análise combinada.

Introdução
Os métodos de previsão são uma parte importante da econometria e
podem ser utilizados no meio empresarial como forma de prever acon-
tecimentos futuros. A análise econométrica como série temporal pode
ser vista como uma sequência de observações de uma variável que se
quer analisar, levando em consideração o elemento “tempo”. O tempo,
em modelos de análises de séries temporais, pode ser descrito em dias,
semanas, meses, quinzenas, trimestres, e assim por diante, de acordo
com a necessidade da previsão.
As análises que utilizam esse formato são chamadas de análises em-
píricas, pois utilizam a coleta de dados com base em evidências obtidas
por meio da observação ou do uso de instrumentos científicos calibrados.
A análise pode ser feita por meio de métodos quantitativos ou qualitativos.
Outro ponto a ser destacado é que o uso de séries temporais pode
ser aplicado em análises de índices, ou valores relativos, sendo essa uma
análise que envolve métodos de cálculos e interpretações relacionadas a
índices financeiros, com o intuito de analisar e monitorar o desempenho
de uma empresa.
Visto que, com o avanço da tecnologia, existe uma vasta gama de
dados disponíveis para serem analisados, saber escolher o método ade-
quado e conhecer a base de dados que está sendo utilizada é de extrema
importância para garantir resultados satisfatórios na pesquisa.
2 Projeção com uso de séries temporais

Esse conteúdo se torna um diferencial na utilização de métodos de

previsão, pois proporciona, ao pesquisador ou gestor, conhecimentos
específicos que o auxiliará na utilização de ferramentas econômicas, de
modo que a administração possa fazer uso desses métodos para moni-
torar o desempenho empresarial de um período para o outro.
Neste capítulo, você vai aprender os tipos de dados disponíveis para
análises empíricas, fazendo uso de séries temporais. Será destacada, aqui,
a utilização de dados em corte transversal, que é um formato simplificado,
porém muito utilizado em análises econômicas que fazem uso da coleta
de dados.

1 Análise em corte transversal

Segundo Gitman (2010), a análise em corte transversal é utilizada na compa-
ração dos índices financeiros de diferentes empresas em um mesmo ponto no
tempo, visto que muitos analistas, a fim de compararem o desempenho das
empresas de um mesmo setor, fazem uso desse método que ficou conhecido
como benchmarking.
Segundo Gujarati e Porter (2011), três tipos de dados podem estar disponí-
veis para a análise empírica, podendo ser classificados como dados de séries
temporais, de corte transversal e combinados. A seguir, veremos a importância
e a aplicação de cada um deles e seus respectivos exemplos.

Dados em corte transversal

São descritos como dados de uma variável, coletadas no mesmo ponto do
tempo. Esses dados podem ser utilizados tanto na economia quanto no estudo
de outras ciências, por exemplo, nas ciências sociais, visto que dados coletados
em determinado ponto no tempo são importantes no teste de hipóteses.
Em dados de corte transversal, a ordenação das observações não é algo tão
relevante em análises de caráter econométrico, porém os dados, se coletados
de forma aleatória, podem apresentar erros, sendo que essa não é uma forma
apropriada de coleta de dados nesse caso.
 Projeção com uso de séries temporais 3

O Quadro 1, a seguir, apresenta um exemplo de dados em corte transver-

sal. Note que os dados coletados estão dispostos em ordem de tabulação, e o
período analisado é referente apenas ao ano de 2015.

Quadro 1. Conjunto de dados em corte transversal para o ano de 2015 de 500 trabalha-
dores

Anos de
Gênero Estado civil
Nº. de Anos de experiên-
Salário/ (1 = casada;
obser- escola- cia no (1 = fem.;
hora 0 = não
vações ridade mercado 0 = masc.) casada)
de trabalho

1 3,80 8 2 1 1

2 4,20 11 5 1 0

3 5,10 10 4 1 0

4 6,15 13 8 0 0

5 8,00 9 6 0 1

... ... ... ... ... ...

498 8,32 15 2 1 1

499 6,45 13 7 1 0

500 10,80 17 2 0 0

Dados de séries temporais

É um conjunto de observações dos valores que uma ou mais variáveis assumem
em diferentes momentos do tempo. Visto que elementos passados podem
influenciar eventos futuros, esse tipo de dados é de grande importância na
comparação do desempenho atual com o passado. Sendo assim, nesse modelo,
é importante que se tenha uma ordem cronológica das informações, pois essa
organização dos dados pode transmitir informações relevantes na análise
(GITMAN, 2010).
4 Projeção com uso de séries temporais

O Quadro 2, a seguir, apresenta dados que nos permitem analisar o efeito

do tempo nas variáveis analisadas para a cidade de São Paulo. Note que os
dados estão dispostos na tabela seguindo uma ordem cronológica crescente,
ou seja, apresentados iniciando com o ano de 1950 até 2000. Esse exemplo
deixa nítido o uso de dados em séries de tempo, visto que as mesmas variáveis
foram coletadas em diferentes períodos, tornando possível a observação da
variação do salário, da taxa de emprego formal, da taxa de desemprego e do
produto nacional bruto (PNB).

Quadro 2. Exemplo de dados de séries temporais sobre o efeito do salário mínimo na

cidade de São Paulo

Salário Taxa de Taxa de

Nº. de ob-
Ano mínimo trabalhadores desem- PNB
servações
médio formais prego

1 1950 152,30 20,1 12,1 878,9

2 1951 153,80 20,4 13,8 952,3

3 1952 168,00 21,5 11,2 1.112,30

… … … … … …

49 1999 468,86 68,2 20,2 3.498,20

50 2000 681,00 63,6 15,8 3.625,10

Dados combinados
Para Gitman (2010), a abordagem mais informativa à análise de índices com-
bina as análises em corte transversal e em série temporal, pois apresenta uma
visão conjunta que permite avaliar a tendência do comportamento de um
índice em relação à do setor. Em outras palavras, podemos dizer que o uso
desse tipo de dado nos possibilita analisar o comportamento de uma variável
no mesmo ponto do tempo para vários períodos diferentes. Esse método pode
 Projeção com uso de séries temporais 5

tornar-se mais eficaz em alguns tipos de análises, quando existe a coleta de

dados de períodos anteriores e posteriores, pois, além de aumentar o tamanho
da amostra, a análise com dados combinados proporciona estimar como uma
variável mudou ao longo do tempo.
No exemplo a seguir, apresentado no Quadro 3, podemos perceber que os
dados contêm características de séries de tempo, pois permite analisar a preci-
ficação de veículos para dois períodos distintos. Esses dados, combinados com
o uso de dados em corte transversal, possibilitam o uso de variáveis Dummy,
que, nesse exemplo, foi possível, além da análise de precificação, observar
características dos veículos, como o combustível utilizado e as quantidades de
portas do carro. Essa é uma observação importante, pois são características
que podem influenciar no preço.

Quadro 3. Dados combinados para análise de precificação de automóveis para os anos

de 2017 e 2018

Nº. Carro Potência Combustível

Preço comer-
obser- Ano (2 portas = 1; (1.0; 1.4; (1 = gasolina;
cializado
vações 4 portas = 0) 1.6; 2.0) 0 = álcool)

1 2017 21.000,00 1 1.0 1

2 2017 22.550,00 1 1.4 0

A Figura 1, a seguir, ilustrada por Gitman (2010), mostra uma abordagem

utilizando dados combinados, visando ao índice de prazo médio de recebimento
de uma empresa para o período de 2006 a 2009. Esse índice reflete o tempo
médio contabilizado em dias que essa empresa leva para receber as contas.
Nesse caso, resultados mais baixos tendem a ser preferíveis. A figura revela
de imediato que a eficácia da empresa (Bartlett) em cobranças é fraca em
relação à do setor, e a tendência da empresa desloca-se em direção a prazos
de cobrança mais longos. A análise do resultado deixa evidente que a empresa
precisa reduzir seu prazo de recebimento.
6 Projeção com uso de séries temporais

Figura 1. Visão combinada de corte transversal e séries temporais do prazo médio de

recebimento de uma empresa, no período de 2006 a 2009.
Fonte: Gitman (2010, p. 50).

Precisão dos dados

Em qualquer análise que se utilize um banco de dados, seja ele em corte
transversal, série temporal ou dados combinados, é de extrema importância
que tenhamos cautela quanto à qualidade e veracidade dessas informações.
Independentemente se os dados foram disponibilizados por órgãos públicos,
privados ou provenientes de um banco de dados empresarial, é relevante que
se conheça sua fonte e saiba trabalhar com os mesmos para evitar erros de
previsão.
Para Gujarati e Porter (2011), embora se tenha uma infinidade de dados
disponíveis para que se realize pesquisas econômicas, sua qualidade, muitas
das vezes, deixa a desejar por diferentes razões. Aqui, podemos citar alguns
dos problemas e das dificuldades para se ter uma base de dados extremamente
confiável.
A primeira observação pode ser feita quanto à coleta de dados não experi-
mentais, geralmente utilizados em estudos de ciências sociais, pois esse tipo
pode incorrer ao erro de observação, ocasionado pela resposta incompleta ou
incorreta por parte do pesquisado ou pesquisador.
 Projeção com uso de séries temporais 7

Isso também ocorre com dados experimentais, pois erros de medição

podem surgir em decorrência de aproximação ou arredondamento feitos de
forma incorreta.
Dados coletados por meio de questionário também podem apresentar
problemas gravíssimos decorrentes da falta de resposta. Essa forma de coleta
de dados geralmente apresenta sérios problemas, pois boa parte dos indivíduos
pesquisados não responde 100% das informações.
Outra dificuldade encontrada na obtenção de dados, que vale a pena ser
ressaltada, está ligada aos dados econômicos que, em geral, são apresentados
de forma agregada em um nível muito alto. Por exemplo: produto interno bruto
(PIB), emprego, inflação e desemprego são dados macroeconômicos que
geralmente só estão disponíveis para uma economia como um todo ou para
grandes regiões. Isso dificulta a análise, caso o pesquisador queira estudar
uma microunidade, ou seja, uma região geográfica menor.
Existem vários tipos de dificuldades com que o pesquisador pode deparar-
-se ao longo de sua pesquisa. Por isso, ele deve sempre ter em mente que a
qualidade de sua análise dependerá da qualidade dos dados utilizados.

O que são variáveis dummy?

Em análise de regressão, existem variáveis que são caracterizadas por serem de for-
mato qualitativo, porém muito importantes, por exemplo: gênero, raça, cor, religião,
nacionalidade, entre muitas outras. Para podermos analisar essas variáveis de forma
quantitativa, formula-se uma variável artificial chamada de dummy, que assume valores
de 1 e 0, em que 1 indica a presença (ou posse) daquele atributo, e 0, a ausência dele.
Exemplo: 1 pode indicar que uma pessoa é mulher, e 0 designar que é homem.

2 Análise em série temporal

Agora que conhecemos melhor o uso de séries temporais, suas definições e
propriedades, vale a pena ressaltar que é preciso saber interpretar os resultados
obtidos por meio desse modelo, para que se tenha uma análise com resultados
que atendam às necessidades e expectativas do pesquisador.
8 Projeção com uso de séries temporais

Para isso, vamos utilizar os dados do Quadro 4, a seguir, e buscar uma

melhor compreensão de como devem ser feitas as interpretações de uma
análise de regressão, utilizando esse método.

Quadro 4. Exemplo de dados de séries temporais sobre o efeito do salário mínimo no

Brasil

Taxa de
Nº de Salário Taxa de
Ano trabalhadores
observações médio desemprego
formais

1 2010 1.532 20 10,5

2 2011 1.594 21 11

3 2012 1.604 22 9

4 2013 1.738 23 8

5 2014 1.869 25 7,5

6 2015 2.051 26 6,5

7 2016 2.161 29 6

8 2017 2.269 31 5

9 2018 2.282 34 4,5

10 2019 2.441 36 3,5

O primeiro passo para se fazer uma regressão é a obtenção dos dados.

Note que a tabela anterior traz informações referentes à renda média dos
trabalhadores no Brasil, além da taxa de desemprego, da taxa de emprego
e do valor do PIB per capita para o período analisado. Outro ponto que se
deve observar é que o banco de dados (Ipeadata) utilizado disponibiliza essas
informações para diversos períodos no tempo. Desse modo, vamos utilizá-las
para os anos de 2010 a 2019.
Após a obtenção dos dados, é necessário que se defina o modelo a ser
utilizado na análise. Nesse caso, o uso do modelo de série temporal só é
possível se as informações estiverem de acordo com os critérios do modelo.
No exemplo do Quadro 4, é possível que se utilize o modelo de séries de
 Projeção com uso de séries temporais 9

tempo, visto que as informações foram coletadas em vários períodos e estão

dispostas em ordem cronológica.
Seguindo as etapas, agora devemos partir para o ponto onde faremos a
regressão, utilizando o banco de dados e o modelo previamente definido.
Para esse exemplo, como mostra o Quadro 5, a seguir, utilizando o Excel, foi
possível obter os resultados referentes à regressão.

Quadro 5. Resultados obtidos referentes à regressão

Estatística de regressão

R múltiplo 0,984117

R-Quadrado 0,968487

R-quadrado 0,959483
ajustado

Erro-padrão 66,43222

Observações 10

ANOVA

gl SQ MQ F F de
significação

Regressão 2 949.408,221 474.704,111 107,564 0,000

Resíduo 7 30.892,679 4.413,240

Total 9 980.300,900

(Continua)
10 Projeção com uso de séries temporais

(Continuação)

Quadro 5. Resultados obtidos referentes à regressão

Coeficientes Erro- padrão Stat t valor-P 95% 95%

inferiores superiores

Interseção 1620,618 611,407 2,650 0,032 174,868 3066,366

TX. Trab. 29,73229 14,492 2,051 0,079 –4,535 64,000

formais

TX. –64,3874 32,118 -2,004 0,085 –140,335 11,560

desemprego

Nessa análise, o R-quadrado significa que 96,8% das variações no salário

médio dos indivíduos são explicados pelas variáveis explicativas que, para esse
modelo, são as taxas de trabalhadores formais e de desemprego. Foi possível
observar que, quanto maior for a taxa de formalidade, maior serão os salários,
considerando o nível de confiança de 95%. Os dados também mostram que,
quanto maior a taxa de desemprego, menor será o salário dos indivíduos.
Uma possível explicação pode ser o fato de que, quando há um maior
número de desempregados na economia, os trabalhadores tendem a aceitar
uma remuneração menor por seus serviços.
Essas interpretações são usuais da econometria e conseguem dizer-nos
muito sobre os dados coletados, porém é necessário que se façam os testes
de diagnósticos, como: teste de multicolinearidade, teste heterocedasticidade,
auto correlação serial, viés de especificação, teste de cointegração, teste
de estacionariedade de séries, entre outros. Essas verificações garantirão a
robustez dos modelos (WOOLDRIDGE, 2010).

Conheça, a seguir, alguns problemas encontrados nos modelos econométricos e

suas definições.

„„ Multicolinearidade — significa a existência de uma relação linear “perfeita” ou

muito alta entre algumas ou todas as variáveis explanatórias do modelo de regres-
são. Na presença de multicolinearidade, os estimadores de mínimos quadrados
ordinários (MQO), apesar de não viesados, podem ser ineficientes, pois não apre-
sentam variância mínima.
 Projeção com uso de séries temporais 11

„„ Heterocedasticidade — é uma hipótese importante do modelo clássico de

regressão linear. Os termos de erro ui que aparecem na função de regressão po-
pulacional são homocedásticos, ou seja, todos têm a mesma variância. Assim, o
problema consiste quando os regressores estão relacionados com o termo de erro.
„„ Autocorrelação serial — é quando o termo de erro de um período está relacionado
com o do período seguinte. Sua consequência é que, na presença de autocorre-
lação, apesar de não tendenciosos, os estimadores de MQO são ineficientes, pois
não apresentam variância mínima.
„„ Viés de especificação — acontece quando o modelo não está corretamente espe-
cificado, por exemplo: quando se omite uma variável relevante. Sua consequência
é que seus parâmetros são tendenciosos e ineficientes.

3 Índice financeiro e análise combinada

Os modelos de séries temporais e dados combinados, além de sua utilização
no meio empresarial, podem servir como ferramenta para previsão no mercado
financeiro, pois lidam com avaliações de preços ou retorno de ativos no tempo.
As séries utilizadas no mercado financeiro, conhecidas também como
séries de retorno financeiro, apresentam características importantes a serem
citadas, como estacionariedade na série, média amostral próxima de zero,
distribuição não condicional, não normal com excesso de curtose positivo,
ambas as caldas pesadas e heterocedasticidade condicional. Em uma regres-
são, as séries financeiras reagem de forma diferente aos choques positivos
ou negativos, de acordo com sua correlação, visto que outra característica é
que, quando existe autocorrelação, ela será significativa apenas para pequenas
defasagens no tempo.
Em análise e classificação de séries de caráter financeiro, é de suma impor-
tância que se atente a suas características, pois essas nos possibilitam entender
o comportamento dinâmico do ativo em questão na análise ou, mesmo, do
mercado de ações, a fim de utilizá-las para fazer previsões futuras. Esse é
um dos principais objetivos de se utilizar séries temporais nesse segmento.
12 Projeção com uso de séries temporais

No mercado financeiro, é muito comum o uso de modelos combinados,

como os modelos autoregressivos e de média móvel, denominados de forma
técnica como ARIMA. Segundo Gujarati e Porter (2011), esse modelo, publi-
cado por Box e Jenkins (em 1970), conduziu uma nova geração de ferramentas
de previsão. A ênfase desse método não está na construção dos modelos
uniequacionais ou de equações simultâneas, mas na análise probabilística, ou
estocástica, das propriedades da própria série temporal econômica, sob a ótica
de que os dados possam falar por si mesmos. Sobre esse modelo, podemos dizer
que a série temporal original é ARIMA (p, d, q), ou seja, ela é autorregressiva
integrada de médias móveis, em que p significa os números dos termos autor-
regressivos, d é o número de vezes que a série deve ser diferenciada antes de
se tornar estacionária, e q é o número de termos de média móvel.
Uma série temporal ARIMA (2, 1, 2) deve ser diferenciada uma vez
(d = 1) antes de se tornar estacionária, e a série temporal estacionária (de
primeira diferença) pode ser modelada como um processo ARMA (2, 2), pois
apresenta dois termos AR e dois MA. Claro, se d = 0, uma série é estacionária
para ARMA (p, q). Veja que um processo ARIMA (p, 0, 0) constitui um AR (p)
puramente estacionário; um ARIMA (0, 0, q) significa um MA (q) puramente
estacionário. Dados os valores de p, d e q, é possível dizer o processo que está
sendo modelado. O método Box-Jenkins, quando utilizado para fins de previsão,
deve admitir que suas características são constantes ao longo do período e,
particularmente, ao longo de períodos futuros (GUJARATI; PORTER, 2011).
Com relação às previsões que podem ser realizadas por meio dessa me-
todologia, o modelo ARIMA ficou conhecido por seu sucesso em previsões.
Em muitos casos, as previsões obtidas por esse modelo são mais confiáveis do
que as obtidas por meio da modelagem econométrica tradicional, especialmente
para as previsões de curto prazo. Logo, não se pode abster das verificações
para garantir a total eficácia do método.
A Figura 2 demonstra o processo de elaboração dos modelos por meio do
método Box- Jenkins (1970). Com esses passos, podemos saber se a regressão
segue um processo AR, MA, ARMA ou ARIMA.
 Projeção com uso de séries temporais 13

Identificação do modelo
(escolha provisória de p, d, q)

Estimação dos parâmetros do

modelo escolhido

Verificação do diagnóstico

SIM NÃO

Revisão

Figura 2. O método Box-Jenkins.

Os métodos de previsão apresentados neste capítulo são importantes, pois

nos permitem realizar projeções utilizando dados do passado para observar
o futuro. Sua utilização no meio empresarial faz com que os gestores tomem
decisões mais assertivas, fazendo uso de um conjunto de informações. Logo,
quanto mais informações verídicas as empresas disponibilizarem, mais robusto
será o modelo e menor serão os erros cometidos pelos gestores ao formularem
suas projeções.

Acesse o link a seguir para ler o artigo “Modelagem de séries temporais financeiras:
uma abordagem estatística para a identificação de modelos de média condicional”.

https://qrgo.page.link/oitGC
14 Projeção com uso de séries temporais

GITMAN, L. J. Princípios de administração financeira. 12. ed. São Paulo: Pearson, 2010.
GUJARATI, D. N.; PORTER, C. P. Econometria básica. 5. ed. Porto Alegre: AMGH, 2011.
WOOLDRIDGE, J. M. Introdução à econometria: uma abordagem moderna. [S. l.]: Thom-
son, 2010.

Leitura recomendada
KEIEL, G.; BENDER, F. A. Modelagem de séries temporais financeiras: uma abordagem
estatística para a identificação de modelos de média condicional. Scientia cum Indus-
tria, [s. l.], v. 6, n. 1, 2018. Disponível em: http://www.ucs.br/etc/revistas/index.php/
scientiacumindustria/article/view/5746. Acesso em: 14 jan. 2020.

Os links para sites da Web fornecidos neste capítulo foram todos testados, e seu fun-
cionamento foi comprovado no momento da publicação do material. No entanto, a
rede é extremamente dinâmica; suas páginas estão constantemente mudando de
local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade
sobre qualidade, precisão ou integralidade das informações referidas em tais links.