Series Temporais

First Prev Next Last Go Back Full Screen Close Quit
Universidade Federal do Rio de Janeiro

Instituto de Matematica
Departamento de Metodos Estatsticos
Analise de Series Temporais
Prof. Helio Migon
Sumario
1 Introducao 3
1.1 Nocoes Basicas . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Fundamentos Probabilsticos . . . . . . . . . . . . . . 9
1.3 Processos Estacionarios . . . . . . . . . . . . . . . . . 14
1.4 Modelos de series temporais . . . . . . . . . . . . . . . 27
2 Modelos de Regressao 35
2.1 Revisao de Modelos Lineares . . . . . . . . . . . . . . 38
2.2 Previsao . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3 Modelos Sazonais . . . . . . . . . . . . . . . . . . . . 47
3 Capitulo 52
4 Modelos ARIMA 53
4.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Modelo de Filtro Linear . . . . . . . . . . . . . . . . . 56
4.3 Estacionariedade e Invertibilidade . . . . . . . . . . . . 59
1. Introducao
1.1. No coes Basicas
Serie temporal: conjunto de observacoes ordenadas (no tempo).
Tempo pode ser: espaco, profundidade, ...
Observacoes vizinhas sao dependentes.
Estudos de series temporais: modelagens, analise dessa dependencia,
tecnicas especcas a series temporais.
Exemplos de aplicacoes:
Economia: precos diarios de acoes; taxa de desemprego.
Medicina: nveis de eletrocardiograma ou eletroencefalograma.
Epidemiologia: casos semanais de sarampo; casos mensais de AIDS.
Metereologia: temperatura diaria; registro de mares, . . .
Classicacao:
Serie temporal e o conjunto de observacoes {Y (t), t T}, Y : variavel
de interesse, T: conjunto de ndices
Tipos de series temporais
1. Discreta: T = {t
1
, t
2
, . . . , t
n
}
Ex: Exportacoes mensais de 1970 a 1980
{01/1970, 02/1970, . . . , 11/1980, 12/1980} .
Notacao: Y
t
2. Contnua: T = {t : t
1
< t < t
2
}
Ex: Registro da mare no Rio durante 1 ano T = [0, 24] se unidade
de tempo e a hora.
Notacao: Y (t)
3. Multivariada: Observacoes sao Y
1
(t), . . . , Y
k
(t), t T.
Ex: Vendas semanais Y
1
(t) e gastos com propaganda Y
2
(t).
Y pode tambem ser discreto ou contnuo. Muitas vezes, Y e discreto
mas pode ser tratado como contnuo.
Ex: N umero de casos noticados de AIDS. Nesse curso, series
sao univariadas, discretas e observada em tempos equiespacados.
Podemos identicar T com {1, 2, . . . , n}
Objetivos de uma analise de series temporais
Os principais objetivos sao:
i) Compreender o mecanismo gerador da serie;
ii) Predizer o comportamento futuro da serie.
Compreender o mecanismo da serie possibilita:
Descrever efetivamente o comportamento da serie;
Encontrar periodicidades na serie;
Tentar obter razoes para o comportamento da serie (possivelmente
atraves de variaveis auxiliares);
Controlar a trajetoria da serie.
Predizer o futuro possibilita:
Fazer planos a longo, medio e curto prazo;
Tomar decisoes apropriadas.
Objetivos (i) e (ii) estao ligados.

E possvel ocorrer bem rotineira-
mente se o modelo e adequado, a nao ser nos raros casos de modelos
determinsticos.
Futuro envolve incerteza = previsoes nao sao perfeitas.
Objetivo e reduzir ao maximo os erros de previsao.
1.2. Fundamentos Probabilsticos
Denicao: Seja T um conjunto arbitrario. Um processo estocastico
e uma famlia {Y (t), t T} tal que, t T , Y (t) e uma variavel
aleatoria.
Serie temporal e um processo estocastico. O conjunto de valores
{Y (t), t T} e chamado de espaco de estados e os valores Y(t) sao
chamados de estados.
Para cada t, Y (t) tem uma distribuicao de probabilidade. Pode ser a
mesma ou nao.
Um possvel valor de um processo estocastico e uma trajetoria em t.
Uma forma alternativa de denicao de processo estatstico e uma
famlia de v.a. {Y (t), t T} e um processo estocastico se as v.a.
Y (t
1
), Y (t
2
), ..., Y (t
n
) tem f.d. nito-dimensionais
F(y
1
, ..., y
n
; t
1
, ..., t
n
) = Pr(Y (t
1
) y
1
, ..., Y (t
n
) y
n
)
conhecidas para todo n 1 satisfazendo as condicoes de:
Simetria: Para qualquer permutacao j
1
, . . . , j
n
dos ndices
1, 2, . . . , n temos:
F(y
j
1
, . . . , y
j
n
; t
j
1
, . . . , t
j
n
= F(y
1
, . . . , y
n
; t
1
, . . . , t
n
)
Ex: (n = 3) F(y
2
, y
1
, y
3
; t
2
, t
1
, t
3
) = F(y
1
, y
2
, y
3
; t
1
, t
2
, t
3
)
Consistencia:
limF(y
1
, . . . , y
n
; t
1
, . . . , t
n
) = F(y
1
, . . . , y
n1
; t
1
, . . . , t
n1
)
Essa denicao nao e muito util na pratica pois e muito difcil a especi-
cacao de todas as distribuicoes nito-dimensionais Normalmente, o
que se faz e concentrar nos primeiros momentos. Estes sao:
i) Funcao media: (t) = E{Y (t)}
ii) Funcao auto-covariancia (facv):
(t
1
, t
2
) = E[Y (t
1
) (t
1
)][Y (t
2
) (t
2
)]
= E{Y (t
1
)Y (t
2
)} (t
1
)(t
2
)
Em particular se t
1
= t
2
= t,
(t, t) = V {Y (t)} e a variancia de Y (t) denotada por V (t) ou
2
(t).
A (facv) fornece a forma de dependencia temporal do processo Y (t).
Ela nao traduz a forca dessa dependencia pois depende da unidade de
medicao de Y .
Para denotar esse problema, a (facv) e comumente substituida
pela:
iii) Funcao de auto-correlacao: (t
1
, t
2
) = (t
1
, t
2
)/(t
1
)(t
2
)
A importancia da funcao media e da facv deve-se ao fato de que se
as distribuicoes nito-dimensionais de Y (t) sao normais estao basta
conhecer e para conhecer todo o processo.
1.3. Processos Estacionarios
Como a quantidade de parametros e usualmente maior que o n umero
de observacoes, sao necessarias hipoteses simplicadoras.
A mais comum em series temporais e a de estacionariedade. Basica-
mente isso signica que o comportamento da serie nao se altera com o
passar do tempo, ou seja, media e facv nao mudam se caminharmos no
tempo.
Tecnicamente, existem duas formas de estacionariedade:
estrita (ou forte);
fraca (ou ampla ou de 2
a
ordem).
Um processo estocastico Y (t) e estritamente estacionario se suas dis-
tribuicoes nito-dimensionais sao invariantes por translacoes no tempo,
isto e,
F(y
1
, . . . , y
n
; t
1
+ , . . . , t
n
+ ) = F(y
1
, . . . , y
n
; t
1
, . . . , t
n
),
t
1
, . . . , t
n
,
O processo deslocado unidades no tempo permanece com as mesmas
caractersticas.
Em particular com n = 1 e t
2
= t
1
+ temos que:
F(y
1
; t
2
) = F(y
2
; t
1
)
e, portanto,
= (t)
e
2
=
2
(t)
sao constantes.
Alem disso,
F(y
1
, y
2
; t
1
+ , t
2
+ ) = F(y
1
, y
2
; t
1
, t
2
)
Logo,
(t
1
, t
2
) = (t
1
+ , t
2
+ )
Fazendo = t
2
e t = t
1
t
2
temos que:
(t
1
, t
2
) = (t
1
t
2
, 0) = (t, 0) = (t)
A facv depende apenas da distancia entre os pontos considerados.
Um processo estocastico Y (t) e fracamente estacionario se:
1. E{Y (t)} = (t) =
2. V {Y (t)} =
2
(t) =
2
3. Corr{Y (t
1
), Y (t
2
)} = (t
1
, t
2
) = (t
2
t
1
)
Se os momentos existem, entao:
Estacionariedade forte Estacionariedade fraca
A volta so vale se a Distribuicao nito-dimensionais de Y (t) sao
normais (Processo Gaussiano).
Observe que a funcao de auto-correlacao de processos estacionarios e:
(t
1
, t
2
) =
(t
1
, t
2
)
(t
1
)(t
2
)
=
(t
2
t
1
)
2
(t
1
)
=
(t)
(0)
= (t)
De agora em diante, consideraremos apenas processos estacionarios ou
passveis de estacionarizacaopor transformacoes.
Conceito nao tao importante em modelos dinamicos.
Apos observar a serie temporal discreta Y
1
, . . . , Y
n
,
k
sera estimado
por:
c
k
=
1
n
nk
t=1
(Y
i
Y )(Y
i+k
Y )
onde
Y =
1
n
n
t=1
Y
i
e
k = 0, 1, . . . , n 1
c
k
e a facv amostral.
k
pode entao ser estimado por r
k
=
c
k
c
0
, funcao de autocorrelacao
amostral.
Como normalmente as series nao apresentam esse comportamento
estavel, recorre-se a transformacoes nos dados. As transformacoes mais
comuns sao:
Transformacao Box-Cox: Considere a funcao da forma:
g(y) =
(y
1)
(1)
Se
= 1, g e a identidade,
= 1, g e a transformacao inversa,
= 1/2, g transforma y em

y,
e lim
0
g(y) = log(y)
Essas transformacoes sao usadas principalmente para estudar a
variancia.
Operacao Diferenca (): Dene-se o operador diferenca
atraves de:
y
t
= y
t
y
t1
(2)
Aplicando-se o operador novamente obtem-se a 2
a
diferenca:
2
y
t
= (y
t
)
= (y
t
y
t1
)
= (y
t
y
t1
) (y
t1
y
t2
)
= y
t
2y
t1
+ y
t2
A n-esima diferenca de y
t
e obtida recursivamente por:
n
y
t
= (
n1
y
t
) (3)
Normalmente, uma ou duas diferencas sao sucientes para tornar
a serie estacionaria.
Modelagem, aprendizado e previsao
Central à analise de serie temporais esta a construcao de um modelo.
Modelo - esquema de descricao (e explicacao) que organiza informacao
(e experiencia) de forma a propiciar aprendizagem e previsao.
Bom modelo permite aprendizado levando a previsoes ade-
quadas.
Devido à incerteza presente, modelo e probabilstico.
Deve tambem ser economico (parsimonia).
Descricao deve ser relativamente simples e exvel para poder se
adaptar ao futuro (incerto) e facilitar aprendizado.
Aprendizado e processamento de informacao atraves do modelo.
Previsao e hipotese, conjectiva ou especulacao sobre o futuro.
Esquema de sistema de previsao:
Criterios de Previsao
O melhor criterio para escolher um modelo de previsao e a sua ca-
pacidade preditiva, ou seja, quao perto estao as previsoes dos valores
posteriormente observados.
Suponha que observamos uma serie ate o instante t e queremos prever
o valor da serie no instante t + h.
Denotaremos por

Y
t
(h) a previsao de Y
t+h
no instante t.
Ex:

Y
t1
(1) e a previsao de Y
t
no instante t 1
t e a origem da previsao
h e o horizonte da previsao
Observe que

Y
t
(h) e uma v.a. conhecida apenas dada a historia ob-
servada do processo ate o tempo t. Associado a

Y
t
(h) temos o erro de
previsao Y
t+h

Y
t
(h)
Se erros de previsao positivos e negativos sao igualmente importantes
faz sentido procurar previsoes que minimizem o erro absoluto medio
E[Y
t+h

Y
t
(h)] e o erro quadratico medio E[Y
t+h

Y
t
(h)]
2
Podemos identicar dois procedimentos distintos de construcao de
modelos de previsao:
i) baseia-se em teorias e inclui muitas variaveis - econometrico;
ii) baseia-se no comportamento observado da serie - series temporais.
Privilegiaremos o segundo.
1.4. Modelos de series temporais
Modelos podem ser divididos em 2 classes :
(i) parametricos - N
o
nito de parametros. Analise e feita no domnio
do tempo.
(ii) nao-parametricos - N
o
innito de parametros. Analise e feita no
domnio da frequencia.
O curso ser a basicamente sobre modelos parametricos.
Os modelos dessa classe podem ser genericamente escritos como
Y
t
= S
t
+
t
ou seja
Observacao = Sinal + Rudo
Assim temos:
(a) Modelos de regressao (CAP.2)
Rudos sao nao-correlacionados
S
t
= x
t
Exemplos :
1. Modelo de tendencia linear
S
t
= + t
2. Modelo de curva de crescimento
Y
t
= e
t+
t
,
ou seja
log Y
t
= log + t +
t
(b) Modelos de alisamento exponencial
O sinal novamente descreve uma funcao como em (a).
Relacao do sinal vale apenas localmente.
Parametros sujeitos a pequenas variacoes temporais
(a)Localmenteconstante. (b)Localmentelinear.
(c) Modelos Autoregressivos (AR)
Como em (a) com
S
t
=
1
y
t1
+
2
y
t2
+ . . . +
p
y
tp
Nvel (sinal) atual depende dos nveis passados.
(d) Modelos lineares estacionarios
S
t
=
1
t1
+
2
t2
+ . . . =
i=1
ti
Esse processo e estacionario se
i=1
(
2
) <
Inclui os modelos ARMA (que serao estudados no CAP.4) que inclui
os modelos AR em (c).
Os modelos ARIMA sao uma generalizacao dos modelos ARMA que
visam basicamente tornar o processo estacionario atraves de operacoes
diferenca.
(e) Modelos de espaco de estados ou dinamicos (CAP.5)
S
t
= X
t
t
generalizando os modelos de regressao
t
= G
t+1
t
+ W
t
Esses modelos incluem os modelos ARIMA. Podem ser usados tanto
do ponto de vista classico quanto Bayesiano.
Ex: X
t
= 1,
t
=
t
, G
t
= 1 e W
t
= W
t
logo
y
t
=
t
+
t
,
t
=
t1
+ W
t
.
Equivale ao modelo de alisamento exponencial para series local-
menteconstantes.
(f ) Modelos de equacoes simultaneas ou econometricos
Y
t
T
+ X
t
B =
t
Y
t
- Variaveis endogenas
X
t
- Variaveis exogenas
Se tem posto maximo entao apos observar amostra de tamanho n
Y
t
= X
t
T + E
onde:
Y
T
= (Y
1
Y
2
...Y
n
)
X
T
= (X
1
X
2
...X
n
)
T = B
1
E
T
= (
1
2
...
n
)
Fenomenos Tpicos de Series Temporais
Boa parte das series tem caractersticas tpicas, as principais sao:
i) Tendencia: e o efeito de longo prazo na media. Especicacao de
longo prazo e difcil.
A Serie acima apresenta tendencia de crescimento linear.
ii) Sazonalidade: efeitos ligados à variacoes periodicas (semanal,
mensal, anual, etc.).
Ex: Medidas de Temperatura (aumenta no verao e diminui no inverno).
iii) Ciclos: variacoes que apesar de periodicas nao sao associ-
adas automaticamente a nenhuma medida temporal.
Ex: Ciclos Economicos (5 e 7 anos) e Ciclos de epidemias.
Uma das tarefas mais importantes em ST e identicar estas compo-
nentes visando a decomposicao da serie estudada.
2. Modelos de Regressao
Conforme visto no captulo 1 podemos pensar na Serie Temporal como
uma colecao de observacoes determinadas por um sinal dependendo
de uma forma determinstica do tempo às quais sao superpostos erros
nao correlacionados.
Procura-se neste caso usar modelos de regressao para caracterizar
o sinal que controla a serie.
EXEMPLOS:
1- Modelo de Tendencia Linear: S
t
= a + bt;
2- Modelo de Crescimento Exponencial: y
t
= ye
bt+t
;
3- Modelo de Regressao Linear Simples: S
t
= a + bx
t
;
4- Modelo de Regressao Nao Linear: S
t
= 1/(a + bx
t
);
Os modelos 2 e 4 nao sao lineares nos parametros, embora Z possa ser
parametrizado atraves da transformacao logartmica:
log(a) + bt +
t
Os modelos aqui considerados serao lineares. Importante e a lineari-
dade nos parametros.
Ex: Um modelo que pode ser usado para ST descrevendo uma curva S.
log(S
t
) = a + b/t,
que embora nao seja linear em t, e linear em a e b, apos transformacao
logartmica.
2.1. Revisao de Modelos Lineares
Variavel dependente: Y
Variaveis explicativas: X
1
, ..., X
p
Relacionadas atraves de: Y
t
=
0
+
p
i=1
i
x
it
+
t
onde t = 1, . . . , n
Podemos escrever:
S
t
= x
T
t

x
T
t
= (1, x
1t
, ..., x
pt
)
T
t
= (
0
,
1
, ...,
p
)
Os erros
t
sao nao-correlacionados com: E[
t
] = 0 e V [
t
] =
2
Comumente se assume tambem que os
t
sao normais.
Usando notacao matricial pode-se escrever:
Y = X +
Y
T
= (y
1
, ..., y
n
) X
T
= (x
1
, ..., x
n
)
T
= (
1
, ...,
n
)
onde:
E[] = 0 e V [] =
2
I
n
O criterio para estimacao de e a minimizacao de:
S() =
n
t=1
(y
t
x
T
t
)
2
Para minimizar S() e preciso que X
T
X
= X
T
Y
Se X tem posto maximo (var. explicativas sao linearmente indepen-
dentes), entao X
T
X pode ser invertido fornecendo

= (X
T
X)
1
X
T
Y
Propriedades:
i) E[
] = e V [
] =
2
(X
T
X)
1
.
ii) Se os erros tem distribuicao normal entao

tambem tem.
iii) Os valores ajustados de Y sao

Y = X
e os resduos sao dados

por = Y

Y .
iv) Denindo:
Soma Total dos Quadrados por STQ =
n
t=1
(Y
t

Y )
2
Soma do Erros Quadrados por SEQ =
n
t=1
(Y
t

Y
t
)
2
Soma dos Quadrados da Regressao por SQR =
n
t=1
(
Y
t
Y ])
2
Temos que STQ = SEQ + SQR.
Normalmente mede-se o ajuste da regressao atraves de
R
2
= 1
SEQ
STQ
v) Se
2
e desconhecido, ele e estimado por S
2
=
SEQ
np1
onde
SEQ
2

2
np1
e portanto E[S
2
] =
2
e a variancia de

e estimada
por

V [
] = S
2
(X
T
X)
1
vi) Usando o fato que t
i
=

i
S
c
ii
t
np1
(0, 1) onde c
ii
e o i-esimo
elemento da diagonal de (X
T
X)
1
pode-se obter:
- Intervalo de conanca 100(1 ) para
i
da forma:
[
i
t
/2,np1
S
c
ii
;

i
+ t
/2,np1
S
c
ii
];
onde t
/2,np1
e o percentil 100(1 /2) da t com n p 1 g.l.
- Teste de nvel de para testar H :
i
= 0 que rejeita H
se
|
i
|
S
c
ii
> t
/2,np1
vii) O teste simultaneo da regressao testa a hipotese
H
0
:
1
=
2
= ... =
p
vs. H
1
: algum
i
= 0.
Ele rejeita H
0
se
SQR
p
SEQ
(np1)
> F
(p, n p 1),
onde F
(p, np 1) e o percentil 100(1 )% da distribuicao F

com p e n p 1 graus de liberdade.
2.2. Previsao
Suponha que se deseja prever Y
s
baseado nos valores x
1s
, . . . , x
ps
. De-
notando o preditor por

Y
s
e o erro de previsao e dado por e
s
= Y
s
Y
s
,
se utilizarmos como criterio a minimizacao do EQM dado por
E[e
2
s
] = E[Y
s

Y
s
]
2
obtemos

Y
s
= E[Y
s
] = x
T
s
B onde x
T
s
= (x
1s
, . . . , x
ps
).
Como B e desconhecido, podemos substitu-lo por seu estimador
fornecendo a previsao
Y
s
= x
T
s
B
Propriedades:
i) E[
Y
s
] = x
T
s
B e V (
Y
s
) =
2
x
T
s
(X
T
X)
1
x
s
ii) E[Y
s

Y
s
] = 0 e V (Y
s

Y
s
) =
2
[1 + x
T
s
(X
T
X)
1
x
s
]
Como
2
e desconhecido, estima-se V (Y
s

Y
s
) por

V (Y
s

Y
s
)
dado por S
2
1 + x
T
s
(X
T
X)
1
x
s
iii) Se os erros sao normais entao

Y
s
Y
s
V (Y
s
Y
s
)
t
np1
(0, 1) O intervalo de
conanca 100(1 )% para Y
s
e dado por:
Y
s
t
/2,np1
V (Y
s

Y
s
) ;

Y
s
+ t
/2,np1
V (Y
s

Y
s
)

Correlacao serial entre os erros
Normalmente em regressao, assume-se que os erros
t
nao sao correla-
cionados.
Em dados de series temporais e razoavel esperar que isso nao aconteca,
i.e., o erro no tempo t,
t
, esteja relacionado aos erros contguos,
t1
e
t+1
.
O nao reconhecimento das correlacao podem levar a ajustes incorretos.
Importante estudar as autocorrelacoes da serie,
k
.
Ja vimos que
k
s dadas por:
nk
t=1
(Y
t
Y )(Y
t+k
Y )
n
t=1
(Y
t
Y )
2
Pode ser mostrado que se
k
= 0 e n e grande, vale aproximadamente
que
r
k
N(0, n
1
)
e portanto o teste de nvel = 0, 05 rejeita a hipotese
k
= 0 se
n | r
k
|> 1, 96.
Observe que temos de fazer varios testes simultaneos e o nvel para um
teste global e outro.
2.3. Modelos Sazonais
Series sazonais ocorrem com frequencia em varias areas:
- consumo mensal de eletricidade em uma dada regiao;
- producao mensal de leite;
- n umero de casamentos em cada mes;
- etc.
A sazonalidade muitas vezes tem padrao bem estabelecido e estavel
(consumo de eletricidade e maior no verao).
Muito da sazonalidade e devido à rotacao da Terra em torno do Sol e
as decorrencias climaticas.
E importante modelar para melhor compreender e estimar.

Normalmente, alem de sazonalidade, a serie esta sujeita à tendencias e
ciclos. Isso vai ser visto na proxima secao.
Alem disso, o espaco de tempo pra completar um ciclo sazonal (perodo)
pode assumir varios valores. Se a sazonalidade e anual (mais comum) e
os dados sao trimestrais (perodo = 4), se os dados sao mensais (perodo
= 12) e se os dados sao semanais (perodo = 52).
Vamos assumir aqui que serie e modelada apenas pela sazonalidade e
o perodo sazonal (denotado por s) sera tomado como 12.
Vamos nos concentrar no caso mais comum: dados mensais e sazonal-
idade anual.
A sazonalidade pode ser modelada por indicadores sazonais ou por
funcoes trigonometricas.
Modelagem com indicadores sazonais
S
t
=
s
i=1
i
x
ti
onde
x
ti
=
1, tempo t corresponde ao perodo i

0, caso contrario.
ou, mais comumente,
S
t
=
0
+
s
i=1
i
x
ti
0
representa o nvel medio da serie
i
representa o efeito do perodo i na serie, i = 1, 2, ..., s
O modelo acima tem s + 1 parametros mas a matriz nao tem posto
maximo: a primeira coluna e a soma das outras.
E necessario impor alguma restricao sobre os parametros. As mais

comuns sao:
i) Omitir o nvel medio
0
ii) Fazer com que um dos s seja zero. Nesse caso,
0
passa a ser o
nvel da serie para esse perodo e
i
e o efeito do perodo i com-
parado com o nvel do perodo escolhido;
iii) Restringir
s
i=1
i
= 0. Nesse caso, a soma dos efeitos e nula , ou
equivalentemente S
t
=
s
i=1
i
x
ti
.
Adotando a opcao (iii) temos que
S
t
=
0
+
s1
i=1
i
x
ti
+
s
x
ts
=
0
+
s1
i=1
i
x
ti
s1
i=1
i
x
ts
=
0
+
s1
i=1
i
(x
ti
x
ts
)
=
0
+
s1
i=1
i
x
ti
onde
x
ti
=
1, t corresponde ao perodo i
-1, t corresponde ao perodo s
0, caso contrario.
E a teoria de regressao pode ser utilizada.
3. Capitulo
4. Modelos ARIMA
Classe muito popular de modelos bastante desenvolvida na decada pas-
sada. Depende apenas dos dados para a especicacao do modelo.
ARIMA - Auto Regressivo Intregado Moving Average (Medias
Moveis).
O ciclo de inferencia consiste em:
Identicacao Estimacao Vericacao Previsao.
4.1. Introducao
Recordacao do Captulo 1 (operadores):
i) By
t
= y
t1
; B
m
y
t
= y
tm
(backward)
ii) Fy
t
= y
t+1
; F
m
y
t
= y
t+m
(forward)
iii) y
t
= y
t
y
t1
= (1 B)y
t
; = (1 B)
iv) Sy
t
=
j=0
y
tj
= y
t
+ y
t1
+ ... = (1 + B + B
2
+ ...)y
t
.
Logo, S = (1 + B + B
2
+ ...).
Como (1+B+B
2
+...)(1B) = 1, temos que S = (1B)
1
=
1
4.2. Modelo de Filtro Linear
Os modelos aqui estudados sao supostos gerados por ltros lineares.
Esquema de um ltro:
a
t
(B) y
t
onde:
a
t
e a entrada do ltro (rudo branco);
e a func ao de transferencia do ltro;
y
t
e a sada do ltro.
Matematicamente, y
t
= (B)a
t
= a
t
+
1
a
t1
+
2
a
t2
+ ...
Se E[y
t
] = , trabalhamos com (y
t
-) ao inves de y
t
.
Como a
t
e rudo branco, temos que:
E[a
t
] = 0, t;
Var[a
t
] =
2
, t;
E[a
t
a
s
] = 0, (t, s).
E[y
t
] = +E[a
t
+
1
a
t1
+
2
a
t2
+...]. Como E[a
t
] = 0, temos que
E[y
t
] = se
j=1
j
<
Logo, y
t
e estacionaria com media se a soma acima converge. Caso
contrario, serve com referencia de posicao da serie nao estacionaria.
-
0
= V[y
t
] =
j=0
V[
j
a
tj
] =
2

j=0
2
j
-
1
= Cov[y
t
,y
tj
] = Cov[
k=0
k
a
tk
,
k=0
k
a
tkj
] =
0
2
+
j+1
2
+ ... =
2

k=0
k+j
.
Se escrevermos y
t
como funcao de y
t1
, y
t2
, . . . ao inves de
a
t1
, a
t2
, . . . , temos
y
t
=
1
y
t1
+
2
y
t2
+ . . . + a
t
Da,
(1
j=1
j
B
j
)y
t
= a
t
ou (B)y
t
= a
t
, com (B) = 1 -
1
B -
2
B
2
- ....
Como y
t
= (B)a
t
e (B)(B)a
t
= a
t
. Logo:
(B)(B) = 1 (B) =
1
(B).
Pode-se obter
j
s como funcao dos
j
s e vice-versa.
4.3. Estacionariedade e Invertibilidade
Suponha que
j
=
j
j
=
j
= 1/(1 )
A serie e estacionaria. (Se =1, a serie e nao estacionaria com y
t
=
a
t
+ a
t1
+ . . . que e o mesmo que dizer que y
t
= a
t
+ y
t1
. Nesse
caso, y
t
e um passeio aleatorio. No entanto, y
t
= a
t
e um a serie
estacionaria!)
Nao e dicil obter que
0
=
2
/(1 -
2
)
e
j
=
j
j
2
/(1 -
2
)

Series Temporais

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Series Temporais

Încărcat de

Drepturi de autor:

Formate disponibile

First Prev Next Last Go Back Full Screen Close Quit

Universidade Federal do Rio de Janeiro

e os resduos sao dados

(p, np 1) e o percentil 100(1 )% da distribuicao F

iii) Se os erros sao normais entao

First Prev Next Last Go Back Full Screen Close Quit

E importante modelar para melhor compreender e estimar.

1, tempo t corresponde ao perodo i

E necessario impor alguma restricao sobre os parametros. As mais

S-ar putea să vă placă și