Escolar Documentos
Profissional Documentos
Cultura Documentos
Analisar séries temporais pode ser uma tarefa complexa e vasta, podendo as abordagens
utilizadas para a análise de dados temporais serem divididas em domínio da frequência ou
tempo, métodos paramétricos ou não paramétricos e métodos lineares e não lineares. Dentro de
cada uma dessas divisões de abordagens ainda podem haver diversas outras subdivisões.
Gráfico de linha
Apesar de o gráfico de linha não ser tão sofisticado para responder algumas dessas
perguntas, ele serve para um primeiro palpite rápido e efetivo.
Abaixo exemplificamos como gerar um gráfico de linha para a série temporal Índice
Nacional de Preços ao Consumidor Amplo (IPCA). Os dados são mensais, de janeiro de 2000 a
dezembro de 2022, a unidade de medida é variação % e a fonte é o IBGE.
R
Código
# A tibble: 6 × 2
date ipca
<date> <dbl>
1 2000-01-01 0.62
2 2000-02-01 0.13
3 2000-03-01 0.22
4 2000-04-01 0.42
5 2000-05-01 0.01
6 2000-06-01 0.23
Código
Python
Código
ipca
Date
2000-01-01 0.62
2000-02-01 0.13
2000-03-01 0.22
2000-04-01 0.42
2000-05-01 0.01
Código
Gráfico de sazonalidade
Para investigar com maior profundidade variações fixas e periódicas em uma série temporal, a
chamada sazonalidade, os gráficos de sazonalidade podem ajudar. Estes gráficos, em geral,
apresentam os valores da série temporal no eixo Y e a frequência no eixo X. Se a série é mensal,
por exemplo, então no eixo X são dispostos os meses.
O propósito de analisar uma série temporal por um gráfico de sazonalidade é responder algumas
destas perguntas:
Abaixo exemplificamos como gerar um gráfico de sazonalidade para a série temporal Índice
Nacional de Preços ao Consumidor Amplo (IPCA). Os dados são mensais, de janeiro de 2000 a
dezembro de 2022, a unidade de medida é variação % e a fonte é o IBGE.
Código
Python
Código
Analisando o gráfico de sazonalidade fica claro um padrão de inflação menor na
metade do ano e maior no final/início, apesar de discrepâncias acontecerem em determinados
anos. Sendo assim, um modelo de previsão para essa série temporal, por exemplo, precisa
produzir previsões coerentes com esse comportamento esperado dos dados.
Podemos dizer que uma série temporal é resultado de algumas pequenas “peças” que,
quando juntas, formam a série que observamos, por exemplo, em um gráfico de linha. Em
outras palavras, podemos decompor uma série temporal em alguns componentes para, então,
analisá-los individualmente, fazer ajustes, transformações ou remoções.
Para tal, começamos assumindo que a série temporal possa ser decomposta de maneira:
onde:
Código
Python
Código
Analisando o gráfico de decomposição podemos observar que:
Abaixo exemplificamos como gerar os gráficos da FAC e FACP para a série temporal
Índice Nacional de Preços ao Consumidor Amplo (IPCA). Os dados são mensais, de janeiro de
2000 a dezembro de 2022, a unidade de medida é variação % e a fonte é o IBGE.
Código
Python
Código
Código
Analisando os gráficos de autocorrelação (FAC e FACP), podemos observar que:
Pode ser válido diferenciar a série temporal, se a mesma for não estacionária, para
produzir os gráficos de autocorrelação, possibilitando uma leitura “mais limpa”. Séries
temporais sazonais, como a do exemplo, são não estacionárias, portanto nesse caso o
procedimento é recomendável.
Conclusão
Neste debate, apresentamos técnicas e métodos úteis para analisar séries temporais e
entender suas características. Mostramos as aplicações e interpretações de cada técnica com
exemplos de dados reais, usando as linguagens de programação R e Python.
Referências
Hyndman, R. J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd
edition, OTexts: Melbourne, Australia. OTexts.com/fpp3. Accessed on 2023-07-13