Escolar Documentos
Profissional Documentos
Cultura Documentos
● Analise de residuos:
A análise dos resíduos é uma etapa crucial na econometria porque fornece informações
essenciais sobre a qualidade do ajuste do modelo estatístico aos dados e a validade das
suposições subjacentes. Os resíduos são a diferença entre os valores observados e os valores
previstos pelo modelo. A análise dos resíduos ajuda a verificar se o modelo é apropriado para
os dados e se as pressuposições do modelo são satisfeitas. Aqui estão algumas razões pelas
quais a análise dos resíduos é importante:
2. Verificação das suposições do modelo: A análise dos resíduos é útil para verificar se as
suposições do modelo estão sendo atendidas. Por exemplo, em muitos modelos de regressão,
uma suposição importante é a independência dos resíduos. Se os resíduos exibirem
autocorrelação significativa, isso indica que a suposição de independência não está sendo
atendida e pode ser necessário considerar modelos mais sofisticados para lidar com a
dependência serial. A análise dos resíduos também pode ajudar a verificar outras suposições,
como a normalidade dos resíduos e a homocedasticidade.
4. Melhoria das previsões: A análise dos resíduos pode ajudar a melhorar as previsões do
modelo. Se os resíduos exibirem padrões sistemáticos, como autocorrelações significativas,
isso pode indicar que o modelo não está capturando corretamente a dinâmica temporal dos
dados. Com base na análise dos resíduos, é possível ajustar o modelo ou considerar modelos
mais complexos que melhor descrevam a estrutura temporal dos dados, aprimorando assim as
previsões futuras.
● Por que os dois primeiros momentos estatísticos são importantes para a Análise
de Séries Temporais?
Os dois primeiros momentos estatísticos, a média e a variância, são importantes para a análise
de séries temporais na econometria porque fornecem informações essenciais sobre o
comportamento médio e a dispersão dos dados ao longo do tempo. Eles ajudam a
compreender a tendência central e a volatilidade da série, que são aspectos fundamentais para
a modelagem e interpretação dos dados.
v2
Polinomial de ARMA(p,q) ?
(1 - ϕ_1 * B^1 - ϕ_2 * B^2 - … - ϕ_p B^p )(Yt-mu) = (1 + θ_1 * B + θ_2 * B^2 + … + θ_q *
B^q)ε_t
● Fazer análise de gráficos e como seria a modelagem
II - Poderíamos fazer a verificação através da plotagem da série das diferenças?
III - verificar os critérios de informação AIC e BIC, quanto menor o valor mais adequado é o
modelo, mas devemos também considerar a parcimônia, para valores próximos de AIC e BIC
o ideal é escolher o modelo de menor ordem.
SARMA
O modelo abaixo lei-se: AR(2), AM(1), com 1 período sazonal em AR (1,0) e 0 sazonalidade
em AM, com frequência de Sazonalidade igual a 12.
Mesma lógica embaixo, mas como temos dois períodos de sazonais, fazemos o período
sazonal de AR duas vezes, sempre escalando o tempo com s * número de período (pois temos
t-1*6 e t-2*6 = t-6 e t-12):