Levine16 Series - Temporais

Estatística para Gestores
usando o Microsoft Excel

6ª Edição
Capítulo 16
Previsão de Séries Temporais
Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-1

Objetivos de Aprendizado
Neste capítulo, você aprenderá:

 Sobre os diferentes modelos de séries temporais
de previsão: médias móveis, suavização
exponencial, tendência linear, tendência
quadrática, tendência exponencial e modelos de
mínimos quadrados para os dados sazonais
 Escolher o modelo de previsão de séries
temporais mais adequado

A Importância da Previsão
DCOVA
 Previsões governamentais sobre taxas de
desemprego, taxas de juros e receitas esperadas
dos impostos de renda para fins de política
 Previsões de executivos de marketing sobre demanda,
vendas e preferências dos consumidores para o
planejamento estratégico
 Para administradores de faculdade na previsão
matrículas para planejar instalações e para o
recrutamento de professores
 Previsão de lojas de varejo para controlar os níveis de
estoque, contratar funcionários e fornecer treinamento

Abordagem Comum para
Previsões
DCOVA
Abordagem Comum
para Previsões
Métodos de Previsão Métodos de Previsão

Qualitativos Quantitativos
 Usado quando os dados
históricos estão Séries Causal
indisponíveis Temporais
 Considerado altamente  Use dados passados para
subjetivo prever valores futuros

Dados de Séries Temporais
DCOVA
 Dados numéricos obtidos em intervalos de
tempo regulares
 Os intervalos de tempo pode ser, anualmente,
trimestral, mensal, semanal, diária, por hora, etc.
 Exemplo:
Ano: 2005 2006 2007 2008
2009
Vendas: 75.3 74.2 78.5 79.7
80.2
Gráfico de Séries Temporais
DCOVA
Um gráfico de séries temporais é um

gráfico bidimensional de dados de séries
temporais
 o eixo vertical mede a U.S. Inflation Rate
variável de interesse 16.00
14.00
 o eixo horizontal
Inflation Rate (%)
12.00
corresponde aos 10.00
8.00
períodos 6.00
4.00
2.00
0.00
1975
1977
1979
1981
1983
1985
1987
1989
1991
1993
1995
1997
1999
2001
Year

Componentes das Séries
Temporais
DCOVA
Séries Temporais
Componente Componente Componente Componente

de Tendência Sazonal Cíclica Irregular
No geral, Flutuações Repetição de Flutuações

persistente, o periódicas oscilações ou erráticas ou
movimento de regulares, movimentos ao residuais
longo prazo geralmente longo de mais de
dentro de um um ano
período de 12
meses

Componente de Tendência
DCOVA
 Aumento ou diminuição ao longo prazo (em
geral movimento ascendente ou descendente)
 Dados obtidos durante um longo período de
tempo
ncia
Tendê nte
Vendas Ascen
de
Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall Tempo 16-8
Componente de Tendência
(continuação)
 Tendência pode ser ascendente ou DCOVA

descendente
 Tendência pode ser linear ou não-linear
Vendas Vendas
Tempo Tempo
Tendência linear Tendência não
descendente linear ascendente
Componente Sazonal
DCOVA
 Padrão oscilatório em períodos pequenos
 Observado dentro de 1 ano
 Muitas vezes, mensal ou trimestral
Vendas
Verão
Inverno
Verão
Inverno Primavera Outono
Primavera Outono
Tempo (Trimestre)
Componente Cíclica
 Padrões de oscilação de longo prazo DCOVA
 Ocorre regularmente, mas podem variar em
comprimento
 Muitas vezes medida de pico a pico
1 Ciclo
Vendas
Ano
Componente Irregular
DCOVA
 Imprevisíveis, aleatório, flutuações "residuais“
 Devido à variação aleatória:
 Natureza
 Acidentes ou eventos incomuns
 “Ruído” da série histórica

Suas séries temporais possuem
componente de tendência ?
DCOVA
 Um gráfico de séries temporais deve ajudá-lo a
responder a esta pergunta.
 Muitas vezes, ajuda a responder a pergunta

fazendo a suavização dos dados da série
temporal.
 Dois métodos de suavização populares são

médias móveis e suavização exponencial.

Métodos de Suavização
DCOVA
 Médias Móveis
 Calcular médias móveis para obter uma impressão
geral do padrão de movimento ao longo do tempo
 Médias de valores de séries temporais consecutivas
para um período escolhido de comprimento L
 Suavização exponencial
 A média móvel ponderada

Médias Móveis
DCOVA
 Usado para suavizar
 Uma série de médias aritméticas ao longo do
tempo
 O resultado depende da escolha de L (duração do
período de meios de computação)

 Última média móvel de comprimento L podem ser
extrapolados em um período futuro para uma

previsão de curto prazo
 Exemplos:
 Para uma média móvel de 5 anos, L = 5
 Para uma média móvel de sete anos, L = 7
 Etc.
Médias Móveis
(continuação)
 Exemplo: Média móvel de cinco anos DCOVA
 Primeira Média:
Y1  Y2  Y3  Y4  Y5
MM(5) 
5
 Segunda Média:
Y2  Y3  Y4  Y5  Y6
MM(6) 
5
 etc.

Exemplo: Os dados anuais
DCOVA
Ano Vendas
Vendas Anuais
1 23
2 40 60
3 25 50
4 27 40
5 32
Vendas
30
6 48
7 33 20
8 37 10
9 37 0
10 50 1 2 3 4 5 6 7 8 9 10 11
11 40 Ano
etc… etc…

Calcular médias móveis
DCOVA
Média Média
dos Móvel de 5
Ano Vendas Anos anos
1 2  3  4  5
1 23 3 29.4 3
5
2 40 4 34.4
3 25 5 33.0 23  40  25  27  32
29.4 
4 27 5
6 35.4
5 32 7 37.4
6 48 8 41.0
7 33 9 39.4
8 37 etc… … …
9 37
10 50
 Cada média móvel é para um bloco
11 40
consecutivo de 5 anos
Anual vs. Média Móvel
DCOVA
Dados Anuais vs. Média Móvel de 5 Anos

A média móvel de
5 anos suaviza os 60
dados e torna mais 50
fácil observar a 40
tendência
Vendas
30
subjacente
20
10
0
1 2 3 4 5 6 7 8 9 10 11
Ano
Annual 5-Year Moving Average

Suavização Exponencial
DCOVA
 Usado para suavizamento e previsão de
curto prazo (um período para o futuro)
 A média móvel ponderada

 Pesos diminuem exponencialmente
 Observação mais recente é dado o maior peso

Suavização Exponencial
(continuação)
DCOVA
 O peso (coeficiente suavização) é W
 Escolhido de forma subjetiva ou otimizada
 Varia de 0 a 1
 Menor W resulta em mais suavização, maior W
resulta em menos suavização
 O peso é :
 Perto de 0 para suavizar componentes cíclicos e
irregulares indesejados
 Perto de 1 para a previsão

Modelo de Suavização
Exponencial
DCOVA
 Modelo de Suavização Exponencial
E1  Y1
Ei  WYi  (1  W )Ei1
Para i = 2, 3, 4, …
onde:
Ei = valor suavizado para um período i
Yi = valor observado no período i
W = peso (coeficiente suavização), 0 < W < 1

Exemplo Suavização
Exponencial
DCOVA
 Supondo o peso W = 0,2
Período Previsão do Valor da Suavização
Vendas
de período Exponencial neste periodo
(Yi) anterior(Ei-1)
tempo(i) (Ei)
E1 = Y 1
1 23 -- 23 já que não
2 40 23 (.2)(40)+(.8)(23)=26.4 existe
3 25 26.4 (.2)(25)+(.8)(26.4)=26.12 informação
4 27 26.12 (.2)(27)+(.8)(26.12)=26.296 prévia
5 32 26.296 (.2)(32)+(.8)(26.296)=27.437 Ei 
6 48 27.437 (.2)(48)+(.8)(27.437)=31.549 WYi  (1  W )Ei1
7 33 31.549 (.2)(48)+(.8)(31.549)=31.840
8 37 31.840 (.2)(33)+(.8)(31.840)=32.872
9 37 32.872 (.2)(37)+(.8)(32.872)=33.697
10 50 33.697 (.2)(50)+(.8)(33.697)=36.958
etc. etc. etc. etc.
Vendas vs. Vendas Suavizadas
DCOVA
 As flutuações
foram 60
suavizadas
50
40
 NOTA: o valor Sales
30
suavizado, neste
caso, é geralmente 20
um pouco mais 10
baixo, uma vez que 0
a tendência é 1 2 3 4 5 6 7 8 9 10
Time Period
ascendente e o fator
Sales Smoothed
de ponderação é de
apenas 0.2

Previsão Período i + 1
DCOVA
 O valor suavizado no período atual (i)
é usado como o valor de previsão para
o próximo período (i + 1) :
Ŷi1  Ei

A Suavização Exponencial no Excel
DCOVA
 Análise de uso de dados / suavização
exponencial
 O "fator de amortecimento" é(1 - W)

Existem três métodos mais populares
para a previsão baseado em tendência
DCOVA
 Previsão de tendência linear
 Previsão de tendência não-linear
 Previsão tendência exponencial

Previsão de Tendência Linear
DCOVA
Estimar uma linha de tendência usando análise de regressão
Período  Use tempo (X) como

Year (X) Vendas uma variável
(Y) independente:
2004 0 20
2005 1 40 Ŷ  b0  b1X
2006 2 30
No quadrado linear, não linear, e
2007 3 50 modelagem exponencial, os períodos de
tempo são numeradas começando com 0 e
2008 4 70 aumentando de 1 para cada período de tempo.
2009 5 65

(continuação)
DCOVA
A equação de previsão de tendência linear é :
Periodo
Year (X) Vendas Ŷi  21.905  9.5714 Xi
(Y)
Sales trend
2004 0 20
80
2005 1 40 70
2006 2 30 60
50
2007 3 50
sales
40
30
2008 4 70 20
10
2009 5 65 0
0 1 2 3 4 5 6
Year
(continuação)
DCOVA
 Previsão para o período de tempo 6 (2010):
Periodo
de
Ŷ  21.905 9.5714(6)
Year Vendas
tempo
(X)
(y)  79.33
2004 0 20 Sales trend
2005 1 40 80
2006 2 30 70
60
2007 3 50 50
sales
2008 4 70 40
30
2009 5 65 20
2010 6 ?? 10
0
0 1 2 3 4 5 6
Year
Previsão de tendência não-
linear
DCOVA
 Um modelo de regressão não-linear pode ser usado
quando a série temporal apresenta uma tendência
não linear
 Fórmula Quadratica é um tipo de um modelo
não-linear:
Yi  0  1Xi  2 X  i 2
i
 Compare adj. r2 e o erro padrão ao do modelo
linear para ver se esta é uma melhoria
 Pode tentar outras formas funcionais para obter
melhor ajuste
Modelo de Tendência
Exponencial
DCOVA
 Outro modelo de tendência não linear:
Xi
Yi  β β 0 1 εi
 Transformar a forma linear:
log(Yi )  log(β0 )  Xi log(β1 )  log(ε i )

Modelo de Tendência
Exponencial (continuação)
DCOVA
 Equação do Modelo do Tendência Exponencial:
ˆ )  b b X
log(Yi 0 1 i
Onde: b0 = estimativa do log(β0)

b1 = estimativa do log(β1)
Interpretação:
(β̂1  1)  100% é a taxa de crescimento composta

Seleção do Modelo de
Tendência usando Diferenças
DCOVA
 Usar um modelo de tendência linear se as primeiras
diferenças são aproximadamente constante
(Y2  Y1 )  ( Y3  Y2 )    ( Yn  Yn-1 )
 Use um modelo de tendência quadrática se as
segundas diferenças são aproximadamente
constante
[(Y3  Y2 )  ( Y2  Y1 )]  [(Y4  Y3 )  ( Y3  Y2 )]
   [(Yn  Yn-1 )  ( Yn-1  Yn-2 )]

Seleção do Modelo de
Tendência usando Diferenças
(continuação)
 Use um modelo de tendência exponencial se as

diferenças percentuais são aproximadamente
constantes
(Y2  Y1 ) (Y3  Y2 ) (Yn  Yn-1 )

 100%   100%     100%
Y1 Y2 Yn-1

Escolhendo um Modelo de
Previsão
DCOVA
 Realizar uma análise de resíduos
 Eliminar um modelo que mostra um padrão ou tendência
 Medir a magnitude do erro residual usando
diferenças ao quadrado e selecione o modelo com o
menor valor
 Medir a magnitude do erro residual usando
diferenças absolutas e selecione o modelo com o
menor valor
 Use o modelo mais simples
 Princípio da parcimônia

Análise Residual
DCOVA
e e
0 0
T T
Erros aleatórios Efeitos cíclicos não representados
e e
0 0
T T
Tendência não representada Efeitos sazonais não representados
Erros de Medição
DCOVA
 Escolha o modelo que resulta em menores
erros de medição
 Soma dos quadrados  Desvio Absoluto Médio
dos erros
n n
SQE   (Yi  Ŷi ) 2  Y  Ŷ
i i
i 1
DAM  i 1
n
 Sensíveis a
discrepâncias  Menos sensível às
observações extremas
Previsões com dados Sazonais
DCOVA
 Séries temporais são frequentemente coletadas
mensalmente ou trimestralmente
 Estas séries de tempo, muitas vezes contêm
uma componente de tendência, um
componente sazonal e o componente irregular
 Suponha que a sazonalidade é trimestral
 Definir três novas variáveis modelo para trimestres:
Q1 = 1 se primeiro trimestre, 0 caso contrário
Q2 = 1 se segundo trimestre, 0 caso contrário
Q3 = 1 se terceiro trimestre, 0 caso contrário
(Trimestre 4 é o padrão se Q1 = Q2 = Q3 = 0)
Modelo Exponencial com
Dados Trimestrais
DCOVA
Xi Q1 Q2 Q3
Yi  β β β 2 β3 β 4 ε i
0 1
(β1–1)x100% é a taxa composta de crescimento trimestral

βi fornece o multiplicador para o trimestre i-1 em relação ao 4º
trimestre (i = 2, 3, 4)
 Transformar em forma linear :
log(Yi )  log(β0 )  Xilog(β1 )  Q1log(β 2 )

 Q 2log(β3 )  Q3log(β 4 )  log(ε i )

Estimar o Modelo Trimestral
DCOVA
 Equação de previsão exponencial:
log(Ŷi )  b0  b1Xi  b 2Q1  b3Q 2  b 4Q3

Onde: b0 = estimativa do log(β0), então 10
b0
 β̂0
b1 =estimativa do log(β1), então 10b1  β̂1
etc…
Interpretação:
(β̂1  1)  100% = taxa de crescimento composta trimestral (em%)
β̂ 2 = Multiplicador estimado para o primeiro trimestre em relação ao quarto trimestre
β̂3 = Multiplicador estimado para o segundo trimestre em relação ao quarto trimestre
β̂ 4 = Multiplicador estimado para o terceiro trimestre em relação ao quarto trimestre

Exemplo de Modelo Trimestral
DCOVA
 Suponha que a equação de previsão é :
log(Ŷi )  3.43  .017X i  .082Q1  .073Q 2  .022Q 3
b0 = 3.43, então 10b0  β̂0  2691.53

b1 = .017, então 10 1  β̂1  1.040
b
b2 = -.082, então 10 b2
 β̂ 2  0.827
b3 = -.073, então 10 b3
 β̂3  0.845
b4 = .022, então 10 b4
 β̂ 4  1.052

Exemplo de Modelo Trimestral
(continuação)
DCOVA
Valor: Interpretação:
β̂0  2691.53 valor de tendência não ajustado para o primeiro trimestre de
primeiro ano
β̂1  1.040
taxa composta de crescimento trimestral = estimado de 4,0%
β̂ 2  0.827 média de vendas em Q1 são 82,7% das vendas médias 4º trimestre,
após o ajuste para a taxa de crescimento trimestral de 4%
β̂3  0.845 média de vendas em Q2 são 84,5% das vendas médias 4ºtrimestre,
após o ajuste para a taxa de crescimento trimestral de 4%
média de vendas em Q3 são 105,2% das vendas médias
β̂ 4  1.052 4ºtrimestre, após o ajuste para a taxa de crescimento trimestral de
4%

Armadilhas em Análises de
Séries Temporais
DCOVA
 Assumindo que o mecanismo que governa o
comportamento de séries temporais no
passado ainda irá realizar no futuro.
 Usando extrapolação mecânica da tendência
para prever o futuro sem considerar
julgamentos pessoais, experiências de
negócios, mudanças tecnológicas e hábitos,
etc.

Resumo do capítulo
 Discussão da importância da previsão

 Abordagem dos fatores componentes do
modelo de séries temporais
 Realização de suavização de séries de dados
 Médias móveis
 Suavização exponencial
 Descrição dos mínimos quadrados e suas
tendências de montagem e previsão
 Linear, quadrática e modelos exponenciais

Resumo do capítulo
(continuação)
 Descrição de procedimentos para a escolha de

modelos adequados
 Abordagem previsão de séries temporais de
dados mensais ou trimestrais (uso de variáveis
dummy)
 Discusão de armadilhas em matéria de análise
de séries temporais

Levine16 Series - Temporais

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Levine16 Series - Temporais

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística para Gestores

usando o Microsoft Excel

Previsão de Séries Temporais

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-1

Neste capítulo, você aprenderá:

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-2

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-3

Métodos de Previsão Métodos de Previsão

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-4

Um gráfico de séries temporais é um

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-6

Componente Componente Componente Componente

No geral, Flutuações Repetição de Flutuações

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-7

 Tendência pode ser ascendente ou DCOVA

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-12

 Muitas vezes, ajuda a responder a pergunta

 Dois métodos de suavização populares são

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-13

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-14

período de meios de computação)

extrapolados em um período futuro para uma

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-16

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-17

Dados Anuais vs. Média Móvel de 5 Anos

Annual 5-Year Moving Average

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-19

 A média móvel ponderada

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-20

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-21

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-22

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-24

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-25

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-26

 Previsão de tendência não-linear

 Previsão tendência exponencial

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-27

Período  Use tempo (X) como

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-28

 Transformar a forma linear:

log(Yi )  log(β0 )  Xi log(β1 )  log(ε i )

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-32

Onde: b0 = estimativa do log(β0)

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-33

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-34

 Use um modelo de tendência exponencial se as

(Y2  Y1 ) (Y3  Y2 ) (Yn  Yn-1 )

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-35

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-36

(β1–1)x100% é a taxa composta de crescimento trimestral

log(Yi )  log(β0 )  Xilog(β1 )  Q1log(β 2 )

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-40

log(Ŷi )  b0  b1Xi  b 2Q1  b3Q 2  b 4Q3

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-41

b0 = 3.43, então 10b0  β̂0  2691.53

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-42

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-43

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-44

 Discussão da importância da previsão

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-45

 Descrição de procedimentos para a escolha de

Copyright ©2011 Pearson Education, Inc. publishing as Prentice Hall 16-46

Você também pode gostar