Sie sind auf Seite 1von 84

Apostila de Anlise de Sries Temporais

Autor: Prof. Manoel Ivanildo Silvestre Bezerra


DMEC/ FCT / UNESP Curso de Estatstica Disciplina Semestral - 2006

Sumrio
1 Introduo 1.1 Exemplos de sries . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Estacionariedade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Conceitos Bsicos 2.1 Processo Estocstico . . . . . . . . . . . . . . . 2.2 Especicao de um Processo Estocstico . . . 2.3 Mdias e Covarincias . . . . . . . . . . . . . . 2.3.1 Propriedades da Esperana . . . . . . . 2.3.2 Propriedades da Varincia . . . . . . . . 2.3.3 Propriedades da Covarincia . . . . . . 2.3.4 Propriedades da Correlao . . . . . . . 2.3.5 Outras Propriedades Importantes . . . . 2.4 Exemplos . . . . . . . . . . . . . . . . . . . . . 2.4.1 Exemplo 1: O passeio aleatrio . . . . . 2.4.2 Exemplo 2: (Mdia-Mvel de ordem 1) . 2.5 Estacionariedade para um Processo Estocstico 2.5.1 Rudo Branco . . . . . . . . . . . . . . . 2.6 A Funo de Autocorrelao Amostral . . . . . 2.7 Exerccios . . . . . . . . . . . . . . . . . . . . . 3 Modelos de Decomposio 3.1 Modelo com Mdia constante . . . . . . . . . . 3.2 Mtodo de Regresso . . . . . . . . . . . . . . . 3.2.1 Tendncia Linear . . . . . . . . . . . . . 3.2.2 Tendncia Ciclca ou Sazonal . . . . . . 3.2.3 Tendncia Cosseno . . . . . . . . . . . . 3.3 Sazonalidade . . . . . . . . . . . . . . . . . . . 3.3.1 Sazonalidade determinstica - mtodo de 3.4 Anlise Residual . . . . . . . . . . . . . . . . . 3.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 4 5 6 7 7 8 8 9 9 9 10 10 10 10 12 12 13 14 14 17 17 18 18 19 19 19 21 22 22 23 23 23 24 25 25 25 25

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . regresso . . . . . . . . . . . .

4 Modelos de Suavizao Exponencial 4.1 Modelos para sries localmente constantes . . . . . . . . . . . . 4.1.1 Mdias Mveis Simples (MMS) . . . . . . . . . . . . . . 4.1.2 Suavizao Exponencial Simples (SES) . . . . . . . . . . 4.2 Modelos para sries que apresentam Tendncia . . . . . . . . . 4.2.1 Suavizao Exponencial Biparamtrica de Holt (SEH) . 4.3 Modelos para sries sazonais . . . . . . . . . . . . . . . . . . . . 4.3.1 Suavizao Exponencial Sazonal de Holt-Winters (HW)

manoel@fct.unesp.br

SUMRIO

5 Modelos de Box-Jenkins para Sries Estacionrias 5.1 Processo Linear Geral . . . . . . . . . . . . . . . . . . 5.2 Modelo Mdias-Mveis (MA(q)) . . . . . . . . . . . . 5.2.1 O modelo MA(1) . . . . . . . . . . . . . . . . . 5.2.2 O Modelo MA(q) . . . . . . . . . . . . . . . . . 5.3 Modelo Autoregressivo AR(p) . . . . . . . . . . . . . . 5.3.1 O Modelo AR(1) . . . . . . . . . . . . . . . . . 5.3.2 O Modelo AR(2) . . . . . . . . . . . . . . . . . 5.3.3 O Processo Autoregressivo geral . . . . . . . . 5.4 O Modelo Autoregressivo-Mdias Mveis ARMA(p,q) 5.4.1 O modelo ARMA(1,1) . . . . . . . . . . . . . . 5.5 Invertibilidade . . . . . . . . . . . . . . . . . . . . . . 5.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . .

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

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

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

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

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

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

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

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

27 27 28 29 29 30 30 31 33 34 34 36 37 39 39 40 40 41 41 41 41 42 43 44 44 44 45 46 47 47 47 47 48 48 48 49 49 49 50 50 52 53 53 55 55 56 58 58 59 59 60

6 Modelos para Sries Temporais No-Estacionrias 6.1 O Modelo Autoregressivo-Integrado-Mdias-Mveis ARIMA(p,d,q) 6.1.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.2 Algumas Transformaes para tornar a srie Estacionria . 6.2 Formas do Modelo ARIMA . . . . . . . . . . . . . . . . . . . . . . 6.2.1 Forma da Equao Diferenas . . . . . . . . . . . . . . . . . 6.2.2 Forma de Choques Aleatrios . . . . . . . . . . . . . . . . . 6.2.3 Termo constante no Modelo ARIMA . . . . . . . . . . . . . 6.3 Construo dos Modelos ARIMA . . . . . . . . . . . . . . . . . . . 6.3.1 Funo de Autocorrelao Parcial (facp) . . . . . . . . . . . 6.3.2 A Funo de Autocorrelao Parcial Amostral (fapa) . . . . 6.4 Idendicao (ou Especicao) dos Modelos ARIMA . . . . . . . 6.4.1 Procedimento . . . . . . . . . . . . . . . . . . . . . . . . . . 6.5 Intervalo de Conana para a FAC Amostral . . . . . . . . . . . . 6.6 Exerccos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Estimao dos Parmetros 7.1 Estimativas Preliminares . . . . . . . . . . . . . . . . . . . . . 7.1.1 Processos AR(p) . . . . . . . . . . . . . . . . . . . . . 7.1.2 Processos MA(q) . . . . . . . . . . . . . . . . . . . . 7.1.3 Processos ARMA(p,q) . . . . . . . . . . . . . . . . . . 7.2 O Mtodo dos Momentos . . . . . . . . . . . . . . . . . . . . 7.2.1 Modelo Autoregressivo . . . . . . . . . . . . . . . . . . 7.2.2 Modelos Mdias-Mveis . . . . . . . . . . . . . . . . . 7.2.3 Modelos ARMA . . . . . . . . . . . . . . . . . . . . . 7.2.4 Estimativas da Varincia do Rudo . . . . . . . . . . . 7.3 Estimativas de Mnimos Quadrados . . . . . . . . . . . . . . . 7.3.1 Modelos Autoregressivos . . . . . . . . . . . . . . . . . 7.3.2 Modelos Mdias Mveis . . . . . . . . . . . . . . . . . 7.3.3 Modelos Autoregressivos-Mdias-Mveis . . . . . . . . 7.4 Estimativas de Mxima Verossimilhana . . . . . . . . . . . . 7.5 Mnimos Quadrados No-Condicional para o Modelo ARMA 7.6 Propriedades das Estimativas . . . . . . . . . . . . . . . . . . 7.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Diagnstico do Modelo 8.1 Anlise Residual . . . . . . . 8.2 Autocorrelao dos Resduos 8.3 O Teste de Box-Pierce . . . . 8.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

manoel@fct.unesp.br

SUMRIO

9 Previso com Modelos ARIMA 9.1 Clculo da Previso de Erro Quadrtico Mdio Mnimo . . . . . . . 9.2 Tendncia Determinstica . . . . . . . . . . . . . . . . . . . . . . . . 9.3 Previso ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.1 Modelo AR(1) . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.2 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.3 Modelo MA(1) . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.4 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . . 9.3.5 O Caminho Aleatrio . . . . . . . . . . . . . . . . . . . . . . 9.3.6 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . . 9.4 Modelo ARMA Estacionrio - Caso Geral . . . . . . . . . . . . . . . 9.4.1 Modelo ARMA(1,1) . . . . . . . . . . . . . . . . . . . . . . . 9.5 Modelos No-Estacionrios ARIMA . . . . . . . . . . . . . . . . . . 9.5.1 Modelo ARIMA(1,1,1) . . . . . . . . . . . . . . . . . . . . . . 9.5.2 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . . 9.6 Atualizao das Previses . . . . . . . . . . . . . . . . . . . . . . . . 9.7 Intervalo de Conana para Previso . . . . . . . . . . . . . . . . . . 9.8 Transformaes e Previses . . . . . . . . . . . . . . . . . . . . . . . 9.9 Resumo de Previses para alguns Modelos ARIMA . . . . . . . . . . 9.9.1 AR(1): Zt = (Zt1 ) + at . . . . . . . . . . . . . . . 9.9.2 MA(1): Zt = + at at1 . . . . . . . . . . . . . . . . . . . 9.9.3 IMA(1,1) com termo constante: Zt = Zt1 + 0 + at at1 9.9.4 IMA(2,2): Zt = 2Zt1 Zt2 + 0 + at 1 at1 2 at2 . . 9.10 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Modelos Sazonais 10.1 Sazonalidade Determinstica . . . . . . 10.2 Identicao . . . . . . . . . . . . . . . 10.3 Estimao . . . . . . . . . . . . . . . . 10.4 Previso . . . . . . . . . . . . . . . . . 10.5 Sazonalidade Estocstica . . . . . . . . 10.6 Identicao, Estimao e Vericao 10.7 Exemplos de Modelos Sazonais . . . . 10.7.1 Exemplo 1 . . . . . . . . . . . . 10.7.2 Exemplo 2 . . . . . . . . . . . . 10.7.3 Exemplo 3 . . . . . . . . . . . . 10.7.4 Exemplo 4 . . . . . . . . . . . . 10.7.5 Exemplo 5 . . . . . . . . . . . . 10.7.6 Exemplo 6 . . . . . . . . . . . . 10.7.7 Exemplo 7 . . . . . . . . . . . . 10.7.8 Exemplo 8 . . . . . . . . . . . . 10.8 Exerccios . . . . . . . . . . . . . . . . A Esperana Condicional B Predio de Erro Quadrtico Mdio Mnimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

61 61 61 62 62 63 64 64 65 65 66 66 66 67 67 67 68 68 69 69 70 70 70 70 72 72 73 73 73 74 74 75 75 75 75 75 76 76 76 77 77 79 80

Captulo 1

Introduo
Uma srie temporal qualquer conjunto de observaes ordenadas no tempo. Alguns exemplos so citados abaixo: a) Estimativas trimestrais do Produto Interno Bruto (PIB); b) Valores dirios da temperatura em Presidente Prudente; c) ndices dirios da bolsa de valores de So Paulo; d) Quantidade anual de chuva na cidade do Recife; e) Um registro de mars no porto de Santos. Nos exemplos de a) a d) temos sries temporais discretas, enquanto que e) um exemplo de srie contnua. Podemos obter uma srie temporal discreta a partir da amostragem de uma srie temporal contnua considerando intervalos de tempos iguais, t. Assim para analisar a srie e) ser necessrio amostr-la, convertendo-a e observando-a no intervalo de tempo [0, T ], supondo uma srie discreta com N T pontos, onde N = t (T horas). Existem dois enfoques utilizados na anlise de sries temporais. Em ambos, o objetivo construir modelos para estas sries. No primeiro enfoque, a anlise feita no domnio temporal e os modelos propostos so modelos paramtricos (com um nmero nito de parmetros). No segundo, a anlise conduzida no domnio de frequncias e os modelos propostos so modelos no-paramtricos. Dentre os modelos paramtricos temos, por exemplo, os modelos ARIMA, que sero estudados neste curso nos prximos captulos. No domnio de frequncias temos a anlise espectral, que tem inmeras aplicaes em cincias fsicas e engenharia, principalmente na engenharia eltrica, e que consiste em decompor a srie dada em componentes de frequncias e onde a existncia do espectro a caracterstica fundamental. Este tipo de anlise no ser estudado nestas notas de aulas, para detalhes o aluno deve consultar Jenkins e Watts (1968), Koopmans (1974), Morettin (1979), Marple (1987) e Kay (1988).

1.1

Exemplos de sries

Exemplo1: Vamos supor que desejamos medir a temperatura do ar, de um local, durante 24 horas, poderamos obter um grco semelhante a gura abaixo:

manoel@fct.unesp.br

CAPTULO 1. INTRODUO

Figura 1.1: Temperatura do ar, de dado local, durante 24 horas. Cada curva do grco chamada de trajetria ou srie temporal ou funo amostral. No grco acima Z (j ) (t) o valor da temperatura no instante t, para a je sima trajetria (j-simo dia de observao). Para cada t xo, teremos os valores de uma varivel aleatria Z (t) que ter certa distribuio de probabilidade. Na realidade o que chamamos de srie temporal, uma parte de uma trajetria, dentre muitas que poderiam ter sido observadas. O parmetro t pode ser funo de algum outro parmetro fsico como por exemplo: espao e volume. Exemplo 2:Seja Z (t) = [Z1 (t), Z2 (t), Z3 (t)]
0

(1.1)

um vetor (r 1) e (p 1) onde as trs componentes denotam, a altura, a temperatura e a presso de um ponto no oceano, respectivamente, e t=(tempo, latitude, longitude), ou seja, uma srie multivariada (r=3) e multidimensional (p=3). Exemplo 3: Seja Z (t) o nmero de acidentes ocorridos em rodovias do estado de So Paulo, por ms. Neste exemplo r=1 e p=2, com t=(ms, rodovia).

1.2

Objetivos

Dada uma srie temporal {Z (t1 ), ..., Z (tN )} , observada nos instantes t1 , ..., tN , podemos estar interessados em: i) Investigar o mecanismo gerador da srie temporal; ii) Fazer previses de valores futuros da srie; podendo ser a curto ou longo prazo; iii) Descrever apenas o comportamento da srie atravs de grcos; iv ) Procurar periodicidades relevantes nos dados. Em todos estes casos podemos construir modelos probabilsticos ou estocsticos, tanto no domnio do tempo como no domnio da freqncia, por exemplo: um sinal aleatrio com freqncia medida em Hz. Devemos construir modelos simples e com menor nmero de parmetros possveis.

manoel@fct.unesp.br

CAPTULO 1. INTRODUO

1.3

Estacionariedade

Uma srie temporal estacionria quando ela se desenvolve aleatoriamente, no tempo, em torno de uma mdia constante, reetindo alguma forma de equilbrio estvel. Entretanto, a maior parte das sries que encontramos na prtica apresenta alguma forma de no estacionariedade. As sries econmicas apresentam em geral tendncias lineares positivas ou negativas. Podemos ter, tambm, uma forma de no-estacionariedade explosiva, como o crescimento de uma colnia de bactrias. A classe dos modelos ARIMA (autoregressivos-integrados-mdias-mveis), sero capaz de descrever de maneira satisfatria sries estacionrias e no-estacionrias, mas que no apresentam comportamento explosivo. Este tipo de estacionariedade chamado homogneo; a srie pode ser estacionria, utuando ao redor de um nvel, por um certo tempo, depois mudar de nvel e utuar ao redor de um novo nvel e assim por diante, ou ento mudar de inclinao, ou ambas as coisas. A gura 1.2 ilustra esta forma de no-estacionariedade.

Figura 1.2: Srie no estacionria quanto ao nvel e inclinao. Como a maioria dos procedimentos de anlise estatstica de sries temporais supem que estas sejam estacionrias, devemos transformar os dados originais, se estes no formam uma srie estacionria. A transformao mais comum consiste em tomar diferenas sucessivas da srie original, at se obter uma srie estacionria. A primeira diferena de Zt denida por Zt = Zt Zt1 , a segunda diferena : = [Zt ] = [Zt Zt1 ] (1.3) = Zt Zt1 = Zt 2Zt1 + Zt2 De modo geral, a n e sima diferena de Zt n Zt = n1 Zt . Em situaes normais, ser suciente tomar uma ou duas diferenas para que a srie se torne estacionria. 2 Zt 2 Zt 2 Zt (1.2)

Captulo 2

Conceitos Bsicos
Neste captulo vamos descrever os conceitos bsicos utilizados dentro da teoria dos modelos de sries temporais. Inicialmente vamos introduzir os conceitos de processos estocsticos, mdia e funo de covarincia, processo estacionrio, e funo de autocorrelao.

2.1

Processo Estocstico

Seja T um conjunto arbritrio. Um processo estocstico uma famlia Z = {Zt , t T } tal que, para cada t T, Zt uma varivel aleatria (v.a.) denida num espao de probabilidades (, A, P ) . O conjunto T normalmente tomado como o conjunto dos inteiros Z = {0, 1, 2, ...} ou o conjunto dos reais R. Como, para t T, Zt uma v.a. denida sobre , na realidade Zt uma funo de dois argumentos, Z (t, ), t T, .

Figura 2.1: Um processo estocstico interpretado como uma famlia de variveis aleatrias.

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

Figura 2.2: Um processo estocstico interpretado como uma famlia de trajetrias. O conjunto dos valores {Zt , t T } chamado espao dos estados, E , do processo estocstico, e os valores de Zt so chamados estados. Onde Zt e T podem ser discretos ou contnuos.

2.2

Especicao de um Processo Estocstico


F (Z1 , ..., Zn ; t1 , ..., tn ) = P {Z (t1 ) 5 z1 , ..., Z (tn ) 5 zn } (2.1)

Sejam t1 , t2 , ..., tn elementos quaisquer de T e consideremos

ento, o processo estocstico Z = {Z (t), t T } estar especicado se as distribuies nito-dimensionais de (2.1), so conhecidas para todo n = 1. Contudo, em termos prticos, no conhecemos todas essas distribuies nitodimensionais. Estudaremos ento certas caractersticas associadas a (2.1) e que sejam simples de calcular e interpretar. Uma maneira de especicar o processo Z seria determinar todos os produtos dos momentos, ou seja, (r1 , ..., rn ; t1 , ..., tn ) = E Z r1 (t1 )...Z rn (tn) (2.2) Z Z r1 r1 ... Z1 ...Zn f (z1 , ..., zn ; t1 , ..., tn )dz1 ...dzn (r, t) =

onde f (Z, t) a funo de densidade e probabilidade de F (Z, t). Porm o que vai nos interessar so os momentos de baixa ordem, ou seja, os chamados processos estacionrios de 2a ordem. Consideramos somente os momentos de primeira e segunda ordem, que sero apresentados a seguir.

2.3

Mdias e Covarincias

Para um processo estocstico {Zt : t = 0, 1, 2, ...} a funo mdia (f.m.) denida por = E (Zt ) , para t = 0, 1, 2, ... (2.3) e a funo de autocovarincia (facv ) como 8

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

t,s = Cov (Zt , Zs ) = E [(Zt t ) (Zs s )] para t, s = 0, 1, 2, ... onde E [(Zt t ) (Zs s )] = E (Zt Zs ) t s . A funo de autocorrelao (fac ) dada por t,s t,s = Corr(Zt , Zs ) = t,t . s,s onde t,s = Cov(Zt , Zs ), t,t = V ar(Zt ) e s,s = var(Zs ).

(2.4)

(2.5)

2.3.1

Propriedades da Esperana
R

E1. Se h (x) uma funo tal que

E [h (x)] =

|h (x)| f (x) dx < ento

h (x) f (x) dx |h (x, y )| f (x, y ) dx < , ento

E2. Se X e Y tem fdp conjunta f (x, y ) e E [h(X, Y )] = Z

R R

h(x, y )f (x, y )dxdy

E3. Como um corolrio para E2 ns temos o importante resultado E (aX + bY + c) = aE (X ) + bE (Y ) + c E4. Temos tambm que E (XY ) = Z

xyf (x, y )dxdy.

Temos ainda que, a varincia da varivel aleatria X denida como 2 X = V ar (X ) = 2 E [X E (X )] .

2.3.2

Propriedades da Varincia

V1. V ar(X ) = 0. V2. V ar(a + bX ) = b2 V ar(X ). V3. Se X e Y so independentes, ento p V ar (X + pY ) = V ar(X ) + V ar(Y ). V4. V ar(X ) = E (X 2 ) [E (X )]2 e V ar (X ) = 2 X = X (desvio-padro de X ).

2.3.3

Propriedades da Covarincia

CV1. Se X e Y so independentes, ento Cov(X, Y ) = 0. CV2. Cov (a + bX, c + dY ) = bd.Cov (X, Y ). CV3. Cov(X, Y ) = E (X, Y ) E (X )E (Y ). CV4. V ar (X + Y ) = V ar(X ) + V ar(Y ) + 2Cov(X, Y ). CV5. Cov(X + Y, Z ) = Cov(X, Z ) + Cov(Y, Z ). CV6. Cov(X, X ) = V ar(X ). CV7. Cov(X, Y ) = Cov (Y, X ).

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

2.3.4

Propriedades da Correlao

CR1. 1 5 Corr 5 1. CR2. Corr (a + bX, c + dY ) = sin al (bd) Corr(X, Y ) onde 1 se bd > 0 0 se bd = 0 sin al (bd) = 1 se bd < 0 X Y Y CR3. Corr(X, Y ) = Cov X , . X Y CR4. Corr(X, Y ) = 1 se e somente se existem constantes a e b tal que P (Y = a + bX ) = 1.

2.3.5

Outras Propriedades Importantes

i) t,t = V ar(Zt ), t,t = 1 ii) t,s = 0 , t,s = s,t s,t iii) t,s 5 t,t s,s , t,s 5 1, ou 1 5 t,s 5 1. Na correlao podemos vericar que valores prximos de 1 indicam forte dependncia (linear) e valores prximos de 0 indicam fraca dependncia (linear). Se t,s = 0, Zt e Zs so no-correlacionadas. Agora se Zt e Zs so independentes, ento t,s = 0. Para analisar as propriedades da covarincia de vrios modelos de sries temporais, o seguinte resultado ser utilizado: se c1 , c2 , ..., cm e d1 , d2 , ..., dn so constantes e t1 , t2 , ..., tm e s1 , s2 , ..., sn so pontos no tempo, ento m n m X n X X X Cov ci Z (ti ), dj Z (sj ) = ci dj Cov [Z (ti ), Z (sj )] (2.6)
i=1 j =1 i=1 j =1

podemos dizer que, a covarincia entre duas combinaes lineares a soma de todas as covarincias entre termos de suas combinaes lineares. Esta expresso pode ser vericada utilizando as propriedades de esperana e covarincia. Como caso especial, podemos obter o seguinte resultado " n X
i=1

V ar

ci Z (ti ) =

n X i=1

c2 i V ar [Z (ti )] + 2

n X i1 X i=2 j =1

ci cj Cov [Z (ti ), Z (tj )]

(2.7)

2.4
2.4.1

Exemplos
Exemplo 1: O passeio aleatrio

Seja a1 , a2 , ... variveis aleatrias independentes, identicamentes distribudas, cada uma com mdia 0 e varincia 2 a . A srie temporal, Zt , construda da seguinte maneira: Z1 Z2 = a1 = a1 + a2 . . . = a1 + a2 + ... + at (2.8)

Zt ou

10

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

Zt = Zt1 + at Obtendo a funo mdia de (2.8) temos: t = E (Zt ) = E (a1 + a2 + ... + at ) = E (a1 ) + E (a2 ) + ... + E (at ) = 0 + 0 + ... + 0 = 0

(2.9)

como E (at ) = 0, ns temos: t = 0 p/ todo t e tambm V ar (Zt ) = V ar (a1 + a2 + ... + at ) = V ar (a1 ) + V ar (a2 ) + ... + V ar (at ) 2 2 2 = 2 a + a + ... + a = t a ou V ar (Zt ) = t 2 a Observe que a varincia do processo cresce linearmente com o tempo. Suponha agora que 1 5 t 5 s, teremos ento t,s = = = = Cov (Zt , Zs ) Cov (a1 + a2 + ... + at , a1 + a2 + ... + as ) Cov (a1 , a1 ) + Cov (a2 , a2 ) + ... + Cov (at , at ) 2 2 2 2 a + a + ... + a = t a

onde Cov (at , as ) = 0 para t 6= s temos ento que a facv dada por t,s = t 2 a , para 1 5 t 5 s e a fac dada por t,s = q
t s,

para 1 5 t 5 s

O passeio aleatrio um exemplo simples que representa diversos fenmenos como o movimento comum de preos e ttulos e tambm a posio de pequenas partculas suspensas dentro de um udo, chamado movimento Browniano.

11

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

2.4.2
Suponha

Exemplo 2: (Mdia-Mvel de ordem 1)


Zt = at 0.5at1

onde at so v.a.i.i.d. com mdia zero e varincia 2 a. t = E (Zt ) = E (at ) 0.5E (at1 ) = 0

e V ar(Zt ) = V ar (at 0.5at1 ) 2 2 2 = 2 a + 0.5 a = 1.25 a . Tambm Cov (Zt , Zt1 ) = Cov (at 0.5at1 , at1 0.5at2 ) = 0.5Cov (at1 , at1 ) ou t,t1 = 0.5 2 a Alm disso Cov (Zt , Ztk ) = 0 para k = 2 ento podemos concluir que t,s = Para t,s temos t,s = 0.4 se |t s| = 1 0 se |t s| > 1 0.5 2 a se |t s| = 1 0 se |t s| > 1

2.5

Estacionariedade para um Processo Estocstico

A estacionariedade a suposio mais importante para um processo estocstico, com relao ao estudo que faremos. A idia bsica de estacionariedade que as leis de probabilidade que atuam no processo no mudam com o tempo, isto , o processo mantm o equilbrio estatstico. Especicamente um processo estocstico Z (t) considerado estritamente estacionrio se a distribuio conjunta de Z (t1 ), Z (t2 ) , ..., Z (tn ) a mesma distribuio conjunta de Z (t1 k ), Z (t2 k ) , ..., Z (tn k) , para todos os tempos t1 , t2 , ..., tn e para todos os lags(posies) k (constante). Quando n = 1, a distribuio de Zt igual a distribuio de Ztk para qualquer k , ou seja, se os Z 0 s so identicamente distribudos, E (Zt ) = E (Ztk ), para todo t e k, e as funes mdia, t , e varincia V ar (Zt ) = V ar (Ztk ) so constantes para todo tempo t. 12

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

Quando n = 2, a distribuio de (Zt , Zs ) a mesma de (Ztk , Zsk ) , do qual temos Cov (Zt , Zs ) = Cov (Ztk , Zsk ) para todo t, s e k. Fazendo k = s temos: t,s = Cov (Zt , Zs ) = Cov (Ztk , Zsk ) = Cov(Zts , Zss ) = Cov(Zts , Z0 ) = ts,0

e agora k = t t,s = Cov (Ztt , Zst ) = Cov (Z0 , Zst ) = Cov (Z0 , Zts ) = 0,st

da podemos concluir que t,s = 0,|ts| , onde |t s| = t s p/ t > s s t p/ s > t

A covarincia entre Zt e Zs depende somente da diferena temporal |t s| e no dos tempos t e s. Alem disso, para um processo estacionrio simplicando a notao temos k k = Cov (Zt , Ztk ) e (2.10)

= Corr (Zt , Ztk ) = k 0

As propriedades gerais para um processo estacinrio so: i) 0 = V ar (Zt ) , 0 = 1 ii) k = k , k = k iii) | k | 5 0 , |k | 5 1. (2.11)

Se um processo estritamente estacionrio e tem varincia nita, ento a facv depende somente de um certo lag k. Uma denio que semelhante a estritamente estacionria mas matematicamente mais fraca, a seguinte: um processo estoctico Zt dito ser fracamente (ou de segunda-ordem) estacionrio se: i) a funo mdia constante p/ todo tempo t, ii) t,tk = 0,k p/ todo tempo t e de lag k.

2.5.1

Rudo Branco

Um importante exemplo de processo estacionrio o rudo branco, o qual denido como uma seqncia de variveis aleatrias independente, identicamente distribudas {at }. Muitos processos podem ser construdos a partir do rudo branco. Pode-se vericar facilmente que a seqncia {at } estritamente estacionria P [a (t1 ) 5 x1 , a (t2 ) 5 x2 , ..., a (tn ) 5 xn ] = P [a (t1 ) 5 x1 ] P [a (t2 ) 5 x2 ] ...P [a (tn ) 5 xn ] 13

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

so variveis aleatrias independentes = P [a (t1 k ) 5 x1 ] P [a (t2 k) 5 x2 ] ...P [a (tn k) 5 xn ] identicamente distribudas = P [a (t1 k ) 5 x1 , a (t2 k ) 5 x2 , ..., a (tn k) 5 xn ]. Temos tambm que t = E (at ) constante com facv dada por V ar(at ) se t = s t,s = 0 se t 6= s e fac dada por k = 1 para k = 0 0 para k 6= 0

O termo rudo branco resulta do fato que em uma anlise de freqncia do modelo, podemos mostrar que todas as freqncias so iguais. Geralmente assumimos que o rudo branco tem mdia zero e varincia 2 a.

2.6

A Funo de Autocorrelao Amostral

Considere uma sequncia de valores Z1 , Z2 , ..., Zt . Assumindo que esta srie seja estacionria, vamos estimar a funo de autocorrelao k (fac) para k = 1, 2, ..., N 1. O caminho mais indicado calcular as correlaes amostrais entre os pares (Z1 , Zk+1 ) , (Z2 , Zk+2 ) , ..., (Ztk , Zt ). A fac amostral rk denida como: rk = onde ck = ento ck , k = 0, 1, 2, ..., N 1 c0

N k 1 X Zt Z Zt+k Z , k = 0, 1, ..., N 1. N t=1 N k P t=1

b k = rk =

Zt Z
t=1

n 2 P Zt Z

Zt+k Z

, k = 0, 1, ..., N 1.

sendo Z a mdia amostral, temos ainda que ck = ck e rk = rk .O grco de rk k chamado de correlograma.

2.7

Exerccios

1) Suponha E (X ) = 2, V ar (X ) = 9, E (Y ) = 0, V ar (Y ) = 4, e Corr(X, Y ) = 1/4. Encontre: a) V ar(X + Y ) b) Cov (X, X + Y ) c) Corr(X + Y, X Y ) 2) Se X e Y so dependentes mas V ar (X ) = V ar (Y ) , encontre Cov (X + Y, X Y ) . 3) Seja X uma varivel aleatria com mdia e varincia 2 , e seja Zt = X para todo t. a) Mostrar que Zt estritamente e fracamente estacionria. 14

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

b) Encontre a funo de autocovarincia de Zt . c) Fazer o grco de Zt em funo de t. 4) Mostre que a funo de autocorrelao do exemplo 1 : r t t,s = , para 1 5 t 5 s s 5) Seja {at } um rudo branco com mdia zero. Encontre a funo de autocorrelao para os seguintes processos: a) Zt = at + 1/3at1 . b) Zt = at + 2at1 + 0.5. 6) Suponha Zt = 5 + 2t + Xt , onde Xt uma srie estacionria com mdia zero e facv k . Encontre: a) A funo mdia para Zt . b) A facv para Zt . c) Zt uma srie estacionria? 7) Suponha Zt uma srie estacionria com funo de autocovarincia k . a) Mostrar que Wt = Zt = Zt Zt1 estacionria e encontre a mdia e a facv para Wt . b) Mostrar que Ut = Wt = 2 Zt estacionria (no precisa encontrar necessariamente a facv). 8) Seja Xt uma srie estacionria com X = 0, 2 = 1 e k = (mdia, varincia e fac, respectivamente). Suponha que t e t > 0, funes no-constantes. A srie observada formada como: Zt = t + t Xt Para a srie Zt determine: a) A mdia, a varincia e a facv. b) Mostrar que a fac de Zt depende somente de um lag k . Zt estacionria? 9) Suponha Cov (Xt , Xtk ) = k que no depende de t, mas E (Xt ) = 3t. a) Xt estacionria? b) Seja Zt = 7 3t + Xt . Zt estacionria? 10) Suponha Zt = A + Xt , onde Xt estacionria e A uma varivel aleatria, com mdia A e varincia 2 A , mas independente de Xt . Encontre: a) A mdia de Zt , em termos das mdias de A e Xt . b) A fac de Zt , em termos da varincia de A e facv de Xt . 11) Suponha Zt = 0 + 1 t + Xt onde Xt estacionria. a) Mostrar que Zt no estacionria, mas Zt estacionria. b) Generalizando, mostrar que se Zt = t + Xt no-estacionria, onde t um polinmio em t de grau d, ento m Zt estacionria para m = d e no estacionria para 0 5 m < d. n P 1 12) Seja Zt uma srie estacionria com facv k . Seja Z = n Zt
t=1

Mostrar que

= V ar Z =

1 n

|k | 1 k n k=n+1 n1 0 k 2X 1 + k n n n
n 1 X k=1

13) Calcular a mdia e a facv para cada um dos seguintes processos. Dentro de cada caso determine se o processo estacionrio. a) Zt = 0 + tat . b) Wt = Zt , onde Zt denido como em a) c) Zt = at .at1 . 15

manoel@fct.unesp.br

CAPTULO 2. CONCEITOS BSICOS

14) Considere a srie temporal abaixo: ANO Produto Interno Bruto 1964 27.614 1965 44.073 1966 63.746 1967 86.171 1968 122.430 1969 161.900 1970 208.300 1971 276.807 1972 363.167 1973 498.307 1974 719.519 Dados em milhes de Cruzeiros. FONTE: Boletim do Banco do Brasil, dezembro de 1976 a) Faa o grco da srie; ela estacionria? b) Obtenha a primeira diferena da srie e faa o grco correspondente; a diferena estacionria? c) Mesmas questes de b) para a segunda diferena. 15) Considere a srie abaixo: Exportao de suco concentrado de laranja ANO 1970 1971 1972 1973 1974 1975 Valor 15 35 41 64 60 82 ANO 1976 1977 1978 1979 1980 Valor 101 177 333 432 460 Dados em US$ 1.000.000 FONTE: Revista Veja, no 468, Fev. de 1981. a) A srie estacionria? Tem tendncia? b) Considere a diferena Zt ; estacionria? c) Tome agora log Zt ; a srie estacionria? d) Investigue se a srie log Zt estacionria ou no.

16

Captulo 3

Modelos de Decomposio
Nas sries temporais, em geral, a funo mdia totalmente aleatria em funo do tempo, e ns vimos que numa srie estacionria a funo mdia constante para todo o tempo. Frequentemente ns precisamos modelar sries que exibem comportamentos com alguma tendncia. Neste captulo apresentaremos alguns mtodos de modelagem para tendncias determinsticas e estocsticas.

3.1

Modelo com Mdia constante


Zt = + Xt (3.1)

Considere o modelo

onde E (Xt ) = 0 para todo t. Desejamos estimar utilizando a srie Z1 , Z2 , ..., Zn . A estimativa mais comum de a mdia amostral: b=Z= 1X Zt n t=1
n

(3.2)

O b um estimador no-viciado de , ou seja, E Z = . Para analisar a preciso de Z como estimativa de , devemos fazer algumas suposies sobre Xt . Vamos supor {Xt } uma srie estacionria com fac k . Ento a mesma fac aplica-se a {Zt }, ou seja, se {Zt } estacionria ento: V ar Z = = V ar Z |k | 1 k n k=n+1 " # n 1 X 0 k 1 1+2 k . n n 0 n
n 1 X k=1

(3.3)

0 Se a srie {Xt } um rudo branco, ento k = 0 para k = 1 e V ar Z = n = 2 n . Para muitos processos estacionrios, a fac decai rapidamente quando o k cresce, alm disso
X

k=0

k < .

(3.4)

Com exceo da varivel

17

manoel@fct.unesp.br

CAPTULO 3. MODELOS DE DECOMPOSIO

t Zt = cos 2 + , t = 0, 1, 2, ... 12 onde U [0, 1] . Sobre a suposio (3.4) acima e dado que o tamanho da amostra n grande, temos a seguinte aproximao para (3.3)
X k , para n grande. V ar Z 0 n k=

(3.5)

Note que a varincia inversamente proporcional ao tamanho da amostra n.

3.2

Mtodo de Regresso

O mtodo clssico de anlise de regresso pode ser utilizado para estimar os parmetros do modelo assim como suas tendncias. Ns vamos considerar precisamente as tendncias: linear, quadrtica, sazonais e cosseno.

3.2.1

Tendncia Linear

Considere o modelo com tendncia determinstica linear Zt = 0 + 1 t + Xt (3.6)

onde 0 e 1 so o intercepto e a inclinao, respectivamente, e os parmetros desconhecidos. O mtodo clssico de minmos quadrados (ou regresso) utilizado para estimar os parmentros 0 e 1 , que minimizam Q ( 0 , 1 ) =
n X t=1

(Zt 0 1 t) .

(3.7)

A soluo pode ser obtida calculando as derivadas parciais com relao a 0 e 1 igualando-as a zero, encontrando as equaes normais
n X n X t=1 n X t=1

N 0 + 1 0
n X t=1

t = =

Zt tZt .

(3.8)

t + 1

t=1 n X t=1

t2

Da encontraremos os seguintes estimadores de minmos quadrados: b 0 b t = Z 1 n X Zt Z t t = n 2 P t=1 tt


t=1

(3.9)

b 1

onde t = (n + 1) /2, t = 1, 2, ..., n. Uma forma matricial de representar o problema seria: Z = Y + X onde 18 (3.10)

manoel@fct.unesp.br

CAPTULO 3. MODELOS DE DECOMPOSIO

com t = 1, 2, ..., n.

Z1 . Z = . . , Y = Zt

1 1 . . .

1 2 . . .

1 t

0 e X = , = 1

X1 . . . Xt

(3.11)

teremos ento o seguinte estimador de minmos quadrados b = YT Y 1 YT Z. (3.12)

3.2.2

Tendncia Ciclca ou Sazonal

Vamos considerar o seguinte modelo para a tendncia sazonal Zt = t + Xt (3.13)

onde t = t+12 , e E (Xt ) = 0 para todo t. A suposio mais geral para t que temos 12 constantes (parmetros) 1 , 2 , ..., 12 , que poderemos escrever como: 1 , para t = 1, 13, 25, ... 2 , para t = 2, 14, 26, ... (3.14) t = . . . 12 , para t = 12, 24, 36, ... Sendo este o modelo de mdias sazonais.

3.2.3

Tendncia Cosseno

O modelo de mdias sazonais contm 12 parmetros independentes, mas algumas vezes no adequado para estimar tendncias sazonais quando, por exemplo, alguns meses do ano so semelhantes. Em alguns casos a tendncia sazonal pode ser modelada economicamente com curvas cossenos que incorpora uma esperada, e suave, mundana de tempos em tempos entretanto preservando a sazonalidade. Considere a curva cosseno t = cos (2 f t + ) onde a amplitude, f a freqncia, e a fase da curva. Como t varia, a curva oscila entre um mximo de e um minmo de . Desde que a curva se repete, extamente a cada 1/f unidade de tempos, 1/f o perodo. Para dados mensais, a 1 mais importante freqncia f = 12 , na qual a curva cosseno se repetir a cada 12 meses.

3.3

Sazonalidade

Nesta seo ser ajustada uma srie para a componente sazonal, ou seja, estima-se a srie e subtrai-se de Zt no modelo. A seguir tem-se um modelo com tendncia e sazonalidade Zt = Tt + St + at , t = 1, ..., N. (3.15) Um procedimeto de ajuste sazonal consiste: bt de St . a) Obter estimativas S 19

manoel@fct.unesp.br

CAPTULO 3. MODELOS DE DECOMPOSIO

Tabela 3.1: Observaes Anos Jan 1 1 Z11 2 Z21 . . . . . . p Mdias b) Calcular Zp1 Z .1

mensais de uma srie temporal com p annos Fev Mar Dez Mdias 2 3 12 Z12 Z13 Z112 Z 1. Z22 Z23 Z212 Z 2. . . . . .. . . . . . . . . . Zp2 Z .2 Zp3 Z .3 Zp12 Z .12 Z p. Z

Se o modelo for multiplicativo, da forma

SA bt = Zt S Zt

(3.16)

Zt = Tt St at a srie sazonalmente ajustada ser


SA bt Zt = Zt /S

(3.17)

(3.18)

O modelo (3) geralmente adequado para sries econmicas, que apresentam um crescimento exponencial. Estimando St comete-se um erro de ajustamento sazonal, dado por: bt t = St S o procedimento de ajustamento sazonal timo se minimizar E 2 t . Sem perda de generalidade considere o caso que tem-se dados mensais e o nmero total de observaes, N, mltiplo de 12, isto , N = 12p, p = nmero de anos, de modo que os dados podem ser representados como na tabela 3. Considere o modelo abaixo Zij = Tij + Sj + aij , i = 1, ..., p; j = 1, ..., 12. neste modelo a sazonalidade considerada constante. Para sazonalidade noconstante, ou seja, o padro sazonal muda de ano para ano, deve-se considerar o modelo Zij = Tij + Sij + aij , i = 1, ..., p; j = 1, ..., 12. A notao da tabela 3. padro com: Z i. = 1 X Zij , i = 1, ..., p. 12 j =1 1X Zij , j = 1, ..., 12. p j =1
p 12

Z .j =

p 12 N 1 XX 1 X Z= Zij = Zt 12p j =1 j =1 N t=1

20

manoel@fct.unesp.br

CAPTULO 3. MODELOS DE DECOMPOSIO

3.3.1

Sazonalidade determinstica - mtodo de regresso

Os mtodos de regresso so timos para sries que apresentam sazonalidade determinstica, ou seja, esta pode ser prevista perfeitamente a partir de meses anteriores. Ento, no modelo 3. tem-se que Tt =
m X j =0

j tj ; j djt

St =

onde djt so variveis peridicas e at rudo branco, com mdia zero e varincia 2 a. Supondo a sazonalidade constante, j no depende de T. Pode-se ter, por exemplo, 1, se o perodo t corresponde ao ms j, j = 1, ..., 12. djt = 0, caso contrrio. Neste caso, d1t + d2t + ... + d12,t = 1, t = 1, ..., N. de modo que a matriz de regresso no de posto completo, mas de posto m + 12 (temos m + 13 parmetros). Impondo-se a restrio adicional:
12 X j =1

j = 0

obtm-se um modelo de posto completo: Zt = onde agora Djt = 1, se o perodo t corresponde ao ms j, 1, se o perodo t corresponde ao ms 12 0, caso contrrio. Z = C + D + a onde 1 1 . . . 1 2 . . . .. . 1 2m . . . 0 1 . . . m
m X j =0

j tj +

11 X j =1

j Djt + at

Utilizando o mtodo de mnimos quadrados pode-se obter os estimadores de j e j , ou seja, a partir de uma amostra Z1 , ..., ZN obtm-se o modelo matricial: (3.19)

Z = D =

D11 D21 . . .

Z1 . . , C = . ZN D12 D22 . . . .. .

1 N D1,11 D2,11 . . .

Nm , =

, = 1 2 . . .

DN 1

DN 2

DN,11

11

, a =

a1 a2 . . .

aN

21

manoel@fct.unesp.br

CAPTULO 3. MODELOS DE DECOMPOSIO

A equao (3.) pode ser escrita na forma: Z = X + a onde X = [C : D] e = de modo que:

so os estimadores de mnimos quadrados.

h 0 i1 0 b= XX XZ

3.4

Anlise Residual

Podemos notar que, o componente estocstico no observado {Xt } pode ser estimado, ou predito, por bt = Zt X bt

Predito um termo realmente melhor. Ns utilizamos o termo estimativa para um parmetro desconhecido, e o termo predito para uma estimativa de uma varivel bt o t e aleatria no observada. Ns chamamos X sima estimativa residual. Se a tendncia do modelo rasoavelmente correta, ento os resduos comportam-se mais ou menos igual ao verdadeiro componente estocstico, e vrias suposies sobre o componente estocstico podem ser conrmadas observando os resduos. Se o componente estocstico rudo branco, ento os resduos comportam-se semelhante a variveis aleatrias independentes (normal) com mdia zero e desvio padro S. Desde que o ajuste de mnimos quadrados de alguma tendncia contenha um termo constante, automaticamente podemos produzir resduos com mdia zero, se considbt /S, e ser possvel checar a independncia e a erarmos os resduos padronizado X normalidade.

3.5

Exerccios
Zt = 0 + 1 t + Xt .

1) Verique as equaes (3.9) para as estimativas de minmos quadrados quando

2) Suponha Zt = + at at1 . Encontre a V ar(Z ) onde Z= 1X Zt n t=1


n

3) Suponha Zt = + Zt1 + at . Verique que 1 + 0 V ar(Z ) 1 n

22

Captulo 4

Modelos de Suavizao Exponencial


A anlise de regresso teve durante muito tempo razovel aceitao como mtodo de ajustar modelos auto-regressivos, com o objetivo de calcular previses de srie temporais. Entretanto, quando o nmero de observaes muito pequeno, tal anlise no apropriada, pois a hiptese bsica de independncia dos resduos quase sempre violada, produzindo estimadores inconsistentes, nos impossibilitando de testar hipteses e estabelecer intervalos de conana para os parmetros (Morettin e Toloi, 1985).

4.1

Modelos para sries localmente constantes

Considere o caso da srie temporal Z1 , ..., ZN , localmente composta de seu nvel mais um rudo aleatrio, Zt = t + at , t = 1, ..., N. onde E (at ) = 0, V ar(at ) = 2 a e t um parmetro desconhecido, que pode vriar lentamente com o tempo.

4.1.1

Mdias Mveis Simples (MMS)

Procedimento - A tcnica de mdia mvel consiste em calcular a mdia aritmtica das r observaes mais recentes, isto , Mt = ou Zt + Zt1 + ... + Ztr+1 r

Zt Ztr r Sendo assim, Mt uma estimativa do nvel t que no leva em conta as observaes mais antigas, o que razovel devido ao fato do parmetro variar suavemente com o tempo. Determinao de r - Um valor grande de r faz com que a previso acompanhe lentamente as mudanas do parmetro ; um valor pequeno implica numa reao mais rpida. Casos Extremos - i) Se r = 1, ento o valor mais recente da srie utilizado como previso de todos valores futuros; ii) Se r = N , ento a previso ser igual a Mt = Mt1 +

23

manoel@fct.unesp.br CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL

mdia aritmtica de todos os dados observados. Este caso s indicado quando a srie altamente aleatria. Assim, o valor de r deve ser proporcional aleatoriedade de at . Deveria-se escolher o valor de r de tal maneira que a previso tivesse o menor EQMMP (erro quadrtico mdio mnimo de previso). Vantagens - i) Simples aplicao; ii) Para nmero pequeno de observaes; iii) Permite uma exibilidade grande devido variao de r de acordo com o padro da srie. Desvantagens - i) Somente para prever sries estacionrias, pois os pesos atribudos s r observaes so todos iguais; ii) Necessidade de armazenar pelo menos (r 1) observaes; e iii) diculdade em determinar o valor de r. Na prtica, o mtodo MMS no utilizado frequentemente, pois o mtodo AES possui as vantagens anteriores e mais algumas.

4.1.2

Suavizao Exponencial Simples (SES)

Procedimento A SES pode ser descrita matematicamente por: Zt Zt = Zt + (1 ) Z t1 , Z 0 = Z1 , t = 1, ..., N. t1 X = (1 )k Ztk + (1 )t Z 0 , t = 1, ..., N.
k=0

(4.1) (4.2)

onde Z t denominado valor exponencialmente suavizado e a cte de suavizao, 0 6 6 1. A equao (3.) pode ser obtida de Mt = Mt1 + substituindo Ztr por Z t1 e
1 r

Zt Ztr r

por . Fazendo a expanso de (3.) temos que


2

Z t = Zt + (1 ) Zt1 + (1 ) Zt2 + ... signica que o SES uma mdia ponderada que d pesos maiores s observaes mais recentes, eliminando uma das desvantagens do mtodo de MMS. Determinao da cte Quanto menor for o valor mais estveis sero as previses nais, uma vez que a utilizao de baixo valor de implica que pesos maiores so dados s observaes passadas e, consequentemente, qualquer utuao aletria, no presente, exercer um peso menor no clculo da previso. Quanto mais aleatria a srie estudada, menores sero os valores da cte de suavizao. O efeito de grande ou pequeno completamente anlago (em direo oposta) ao efeito do parmetro r no mtodo MMS. Vantagens - i) fcil entendimento; ii) aplicao no dispendiosa; iii) grande exibilidade permitida pela variao da cte de suavizao ; iv ) necessidade de 2 armazenar Zt , Z t e ; v ) o valor de = r 1 fornece previses semelhantes ao mtodo MMS com parmetro r. A principal desvantagem a diculdade em determinar o valor mais apropriado da cte de suavizao, que pode ser superada atravs da utilizao da suavizao exponencial adaptativo de Trigg e Leach (Moretti e Toloi, 1985).

24

manoel@fct.unesp.br CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL

4.2

Modelos para sries que apresentam Tendncia

As tcnicas apresentadas anteriormente no so adequadas para analisar sries temporais que apresentem tendncia. Considere ento a srie temporal no sazonal Zt = t + Tt + at , t = 1, ..., N onde t o nvel, Tt a tendncai e at o rudo branco com mdia zero e varincia constante.

4.2.1

Suavizao Exponencial Biparamtrica de Holt (SEH)

Procedimento O mtodo SES quando aplicado a uma srie que apresenta tendncia linear positiva (ou negativa), fornece previses que subestimam continuamente os valores reais. Para evitar esse erro sistemtico, um dos mtodos aplicveis o SEH. Esse mtodo similar, em princpio, ao SES, a diferena que ao invs de suavizar s o nvel, ele utiliza uma nova constante de alisamento para modelar a tendncia da srie. Os valores do nvel e da tendncia da srie, no instante t, sero estimados por bt1 , 0 < A < 1 e t = 2, ..., N Z t = AZt + (1 A) Z t1 + T (4.3) bt1 , 0 < C < 1 e t = 2, ..., N bt = C Z t Z t1 + (1 C ) T (4.4) T

as constantes A e C so denominadas ctes de suavizao. Determinao das Constantes O procedimento anlogo ao de determinao da constante de suavizao de um SES, s que ao invs de escolher o valor de que torna a soma de EQMP mnimo, escolhe-se o valor do vetor (A,C) tal que isto ocorra (Morettin e Toloi, 1985). Vantagens e Desvantagens - As vantagens so semelhantes s do mtodo anterior. A desvantagem principal diculdade em determinar os valores mais apropriados das ctes de suavizao, A e C.

4.3

Modelos para sries sazonais

Para sries sazonais que apresentam um padro de comportamento mais complexo, existem outras formas de suavizao tais como os mtodos de Holt-Winters e o mtodo de suavizao exponencial geral.

4.3.1

Suavizao Exponencial Sazonal de Holt-Winters (HW)

Procedimeto Existem dois tipos de procedimento cuja utilizao depende das caractersticas da srie considerada. Tais procedimentos so baseados em trs equaes com constantes de suavizao diferentes, que so associadas a cada uma das componentes do padro da srie: nvel, tendncia e sazonalidade. Considere ento a srie sazonal com tendncia aditiva Zt = t + Tt + St + at , t = 1, ..., N onde t o nvel, Tt a tendnca, St a sazonalidade e at o rudo branco com mdia zero e varincia constante. As estimativas do fator sazonal, nvel e tendncia

25

manoel@fct.unesp.br CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL

da srie so dados por: bt = D Zt Z t + (1 D) S bts , 0 < D < 1 S bts + (1 A) Z t1 + S bt1 , 0 < A < 1 Z t = A Zt S bt1 , 0 < C < 1. bt = C Z t Z t1 + (1 C ) T T

respectivamente A, C e D so as constantes de suavizao. Existem tambm a srie sazonal multiplicativa. Vantagens e Desvantagens - As vantagens so semelhantes s da utilizao do mtodo de Holt, sendo que os mtodos de HW so adequados anlise de srie com padro de comportamento mais geral. As desvantagens so as diculdades em determinar os valores mais apropriados das constantes de suavizao e a impossibilidade e/ou diculdade de estudar as propriedades estatsticas, tais como mdia e varincia de previso e, consequentemente, construo de um intervalo de conana. Um procedimento alternativo que no possui tais desvantagens a Suavizao Exponencial Geral de Brown. As contantes de suavizao (A,C,D) devem ser determinadas de tal forma que a soma de quadrado dos erros de suavizao seja mnima. Para maiores detalhes, principalmente sobre previso, consultar Morettin e Toloi (2004) e outros autores l citados.

26

Captulo 5

Modelos de Box-Jenkins para Sries Estacionrias


Apresentaremos neste captulo os principais modelos de Box-Jenkins para estimao e previso de sries temporais. Sendo estes modelos pertencentes a famlia dos autoregressivos-mdias-mveis (ARMA), subdividindo em dois outros modelos: o autoregressivo (AR) e mdias-mveis (MA).

5.1

Processo Linear Geral

Seja Zt uma srie temporal observada, at o rudo branco, ou seja, uma seqncia de variveis aleatrias independentes identicamente distribudas, com E (at ) = 0, e varincia 2 a para todo t. Podemos representar um modelo linear geral como uma combinao linear ponderada, do termo atual, mais os termos passados do rudo branco: Zt = at + 1 at1 + 2 at2 + ... onde
X i=1

(5.1)

2 i <

e o coeciente de at igual a 1, sem perda de generalidade, ou seja, 0 = 1. Um caso importante quando os 0 s so uma seqncia que decai exponencialmente, ou seja: j = j , 1 < < 1. Ento Zt = at + at1 + 2 at2 + ... Para este exemplo vamos ter: E (Zt ) = E at + at1 + 2 at2 + ... e varincia 27

= E (at ) + E (at1 ) + 2 E (at2 ) + ... = 0 (mdia constante).

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS

V ar (Zt ) = V ar at + at1 + 2 at2 + ...

= V ar(at ) + 2 V ar(at1 ) + 4 V ar(at2 ) + ... (desde que os a0 t s sejam independentes) 2 4 2 = a 1 + + + ... 1 (soma de uma srie geomtrica) = 2 a 1 2

Tambm Cov (Zt , Zt1 ) = Cov at + at1 + 2 at2 + ..., at1 + at2 + 2 at3 + ... = Cov(at1 , at1 ) + Cov 2 at2 , at2 + ... 3 5 = 2 a + + + ... = 2 a 1 2 Alm disso Corr (Zt , Zt1 ) = De maneira semelhante podemos calcular: Cov (Zt , Ztk ) = 2 a e k 1 2
1 2 a 12 2 a 12

Corr (Zt , Zt1 ) = k , k = 0, 1, 2, ... importante observar que o processo denido desta maneira estacionrio. A estrutura de autocovarincia depende somente do lag na posio k. Para o processo linear geral denido em (4.1) vamos ter: E (Zt ) = 0 k com 0 = 1. = Cov (Zt , Ztk ) = 2 a
X i=0

i i+k , k = 0

5.2

Modelo Mdias-Mveis (MA(q))

Considere a srie Zt , fazendo os 0 s = 0 s no processo linear geral e tomando a srie como nita, chamamos de mdias-mveis de ordem q o modelo: Zt = at 1 at1 2 at2 ... q atq ou abreviadamente M A(q ) (5.2)

Esta terminologia vem do fato que Zt obtido aplicando os pesos 1, 1 , 2 , ..., q , as variveis at , at1 , at2 , ..., atq e ento movendo os mesmos pesos 1 unidade do tempo a frente e aplicando-lhes a at+1 , at, at1 , ..., atq+1 para obter Zt+1 . 28

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS

5.2.1

O modelo MA(1)

Considere o seguinte modelo: Zt = at 1 at1 onde E (Zt ) = 0 e a varincia igual a: 0 = V ar(Zt ) = V ar (at 1 at1 ) 2 2 2 2 = 2 a + a = a 1 +

temos ainda que a facv : 1

= Cov (Zt , Zt1 ) = Cov (at 1 at1 , at1 1 at2 ) = Cov (at1 , at1 ) = 2 a

e para k = 2 teremos k = Cov (Zt , Ztk ) = 0 E a fac ser dada por:


2 a 2 2 a (1+ )

k =

1, k = 0 = (1+ , k=1 2 ) 0, k = 2

5.2.2

O Modelo MA(q)

Considere o modelo dado em (4.2) Zt = at 1 at1 2 at2 ... q atq onde E (Zt ) = 0 e a varincia 0 = V ar (Zt ) = V ar (at 1 at1 2 at2 ... q atq ) 2 2 = 1 + 2 1 + ... + q a

a facv dada por 1 = = = =

Cov (Zt , Zt1 ) Cov (at 1 at1 ... q atq , at1 1 at2 ... q atq1 ) 2 2 1 2 a + 1 2 a + ... + q 1 q a (1 + 1 2 + ... + q1 q ) 2 a , para k = 1 29

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS e 2 = (2 + 1 3 + ... + q2 q ) 2 a , para k = 2 e para k = q + 1 vamos ter k = 0. Enquanto que a fac ser dada por ( k +1 k+1 +...+qk q , k = 1, ..., q 2 1+2 1 +...+ q k = 0, para k > q

5.3

Modelo Autoregressivo AR(p)

Chamamos de autoregressivo de ordem p o modelo: Zt = 1 Zt1 + 2 Zt2 + ... + p Ztp + at ou simplesmente AR(p) (5.3)

onde os Zt1 , Zt2 , ..., Ztp so independentes de at . Os valores da srie Zt so uma combinao linear dos p valores passados mais um termo at , no qual incorpora coisas na srie at o tempo t que no explicado pelos valores passados.

5.3.1

O Modelo AR(1)

Considere o seguinte modelo: Zt = Zt1 + at onde E (Zt ) = 0, para todo t e a varincia 0 = V ar (Zt ) = V ar (Zt1 + at ) 2 2 = 2 V ar (Zt1 ) + 2 a = 0 + a 2 a = , || < 1. 1 2

A facv para k = 1 1 = = = = Cov (Zt , Zt1 ) = E (Zt Zt1 ) E [(Zt1 + at ) (Zt2 + at1 )] E [Zt1 Zt2 + Zt1 at1 + at Zt2 + at at1 ] 2 E [Zt1 Zt2 ] + E [Zt1 at1 ] + E [at Zt2 ] + E [at at1 ]

onde E (at Ztj ) = 0, j > 0 6= 0, j < 0 = 2 a, j = 0 30

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS sendo assim temos 1 = 2 1 + 2 a 2 = a 1 2

para k = 2 2 = 1 . No geral a facv ser k = e a fac para o caso geral ser k = k = k , para k = 0, 1, 2, ... 0 k 2 a , para k = 0, 1, 2, ... 1 2

Desde que || < 1, a fac uma exponencial decrescente, a medida que k cresce. Se 0 < < 1, todas as correlaes so positivas; se 1 < < 0 a autocorrelao de lag 1 negativa (1 = ) e os sinais das autocorrelaes so alternadamente positivo e negativo. Considere o modelo AR(1): Zt = Zt1 + at substituindo t por t 1, temos: Zt1 = Zt2 + at1 agora substituindo Zt1 em Zt , temos: Zt = (Zt2 + at1 ) + at = 2 Zt2 + at1 + at

repetindo este processo k 1 vezes, vamos ter: Zt = at + at1 + 2 at2 + ... + k1 at(k1) + k Ztk para k grande vamos ter: Zt = at + at1 + 2 at2 + ... = 0 at + 1 at1 + 2 at2 + ... (5.4)

onde || < 1 e j = j . Temos ainda que os at so independente de Zt1 , Zt2 , ... e 2 a > 0, a soluo de Zt = Zt1 + at ser estacionria se e somente se || < 1.

5.3.2

O Modelo AR(2)

Considere o seguinte modelo: Zt = 1 Zt1 + 2 Zt2 + at (5.5)

onde at independente de Zt1 e Zt2 . Para analisar a estacionariedade deste processo AR(2), vamos introduzir o polinmio caracterstico: 31

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS

(x) = 1 1 x 2 x2 e a equao caracterstica 1 1 x 2 x2 = 0 A equao quadrtica, acima tem duas razes (possivelmente complexas). Suponha at independente de Zt1 , Zt2 , ..., uma soluo estacionria para a equao (4.5) existir se e somente se a raiz da equao caracterstica AR excede a unidade em valor absoluto. Este procedimento pode ser generalizado para o modelo AR(p). Para o caso AR(1) a equao caracterstica 1 x = 0 com raiz 1/, que exceda 1 em valor absoluto se e somente se || < 1. Para a equao caracterstica do AR(2) temos a seguinte soluo: q 1 2 1 + 42 x= 22 as razes da equao acima excede a 1 em mdulo se e somente se, simultaneamente 1 + 2 < 1, 2 1 < 1 e |2 | < 1. Essas so as condies de estacionariedade para o AR(2). Para encontrar a fac para o AR(2), multiplicamos ambos os lados da equao (4.5) por Ztk , k = 1, 2, ..., e tomamos as esperanas k = E (Zt Ztk ) = E [(1 Zt1 + 2 Zt2 + at ) Ztk ] = E (Zt1 Ztk ) + E (2 Zt2 Ztk ) + E (at Ztk ) .

Assumindo estacionariedade, mdias zero, e que at independente de Ztk ns temos k = 1 k1 + 2 k2 , k = 1, 2, ... dividindo por 0 k 0 k k1 + 2 k2 , k = 1, 2, ... 0 0 = 1 k1 + 2 k2 , k = 1, 2, ... = 1 (5.7) (5.6)

As equaes (4.6) e/ou (4.7) so chamadas de equaes de Yule-Walker. Para k = 1, 0 = 1, 1 = 1 temos 1 1 e para k = 2 2 = 1 1 + 2 0 = 2 1 + 2 (1 2 ) . 1 2 32 = 1 0 + 2 1 1 = 1 2

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS Podemos calcular sucessivamente os valores de k atravs das equaes de YuleWalker. A varincia do processo AR(2) obtida atravs da equao (4.5) 0 = V ar (Zt ) = V ar (1 Zt1 + 2 Zt2 + at ) 2 = 2 + 2 2 0 + 21 2 1 + a 12 0 2 = 1 + 2 0 + 21 2 1 + 2 a 0 = (1 2 ) 2 a 2 2 (1 2 ) 1 2 1 2 21 2

utilizando as equaes de Yule-Walker vamos ter

Os coecientes j no processo linear geral (4.1) para um AR(2) so mais complexos do que o AR(1). Entretanto, podemos substituir a representao (4.1) e denir a equao do AR(2) para Zt , Zt1 , e Zt2 e obter os coecientes de aj . Encontrando 0 1 1 0 e j 1 j 1 2 j 2 = 0, j = 2, 3, ... Estas equaes podem ser resolvidas recursivamente obtendo 0 = 1, 1 = 1 , 2 = 2 1 + 2 , e assim por diante. = 1 = 0

5.3.3

O Processo Autoregressivo geral

Considere agora o modelo autoregressivo de ordem p Zt = 1 Zt1 + 2 Zt2 + ... + p Ztp + at com polinmio caracterstico (x) = 1 1 x 2 x2 ... p xp e a correspondente equao caracterstica AR 1 1 x 2 x2 ... p xp = 0. Considerando que at independente de Zt1 , Zt2 , ..., uma soluo estacionria para a equao (4.8) existe se e somente se as p razes da equao caracterstica AR maior do que a unidade em mdulo. Assumindo que a equao (4.8) estacionria e multiplicando-a por Ztk , dividindo pela varincia e tomando as esperanas temos: k = 1 k1 + 2 k2 + ... + p kp , k = 1. (5.9) (5.8)

Fazendo k = 1, 2, ..., p na equao (4.9) e utilizando 0 = 1 e k = k , obtemos as equaes de Yule-Walker

33

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS

1 2

= 1 + 2 1 + ... + p p1 = 1 1 + 2 + ... + p p2 . . . = 1 p1 + 2 p2 + ... + p

(5.10)

Dados os valores 1 , 2 , ..., p , estas equaes podem ser resolvidas para obtermos: 1 , 2 , ..., p . Para obter a varincia multiplicamos a equao (4.8) por Zt , e tomamos as espereranas encontrando: 0 = 1 1 + 2 2 + ... + p p + 2 a utilizando k = k / 0 podemos escrever V ar (Zt ) = 0 = observando que E (at Zt ) = E at 1 Zt1 + 2 Zt2 + ... + p Ztp + at 2 = E a2 t = a 2 a 1 1 1 2 2 ... p p (5.11)

e a varincia do processo expressa em termos dos parmetros 1 , 2 , ..., p , 2 a, e os desconhecidos valores de 1 , 2 , ..., p . Assumindo estacionariedade, o processo pode ser expressado na forma linear geral da equao (4.1), mas os pesos so funes complicadas dos parmetros 1 , 2 , ..., p , mas podem ser encontrados numericamente.

5.4

O Modelo Autoregressivo-Mdias Mveis ARMA(p,q)

Se considerarmos uma srie formada pelas as partes autoregressiva e mdias-mveis, vamos ter um modelo mais geral de sries temporais, ou seja, se Zt = 1 Zt1 + 2 Zt2 + ... + p Ztp + at 1 at1 2 at2 ... q atq (5.12) ns dizemos que Zt um processo autoregressivo mdias-mveis de ordens p e q , respectivamente, e parmetros 0 s e 0 s, ou abreviadamente ARMA(p,q).

5.4.1

O modelo ARMA(1,1)

Considere o seguinte modelo Zt = Zt1 + at at1 onde E (Zt ) = 0, para todo t, E (at ) = 0 e V ar (at ) = de Yule-Walker, antes porm, observamos que: (5.13) 2 a. Vamos obter as equaes

E (at Zt ) = E [at (Zt1 + at at1 )] = 2 a e 34

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS

E (at1 Zt ) = E [at1 (Zt1 + at at1 )] 2 2 = 2 a a = ( ) a Se multiplicamos a equao (4.13) por Ztk e tomamos as esperanas, temos: k = E (Zt Ztk ) = E [(Zt1 + at at1 ) Ztk ] = E (Zt1 Ztk ) + E (at Ztk ) E (at1 Ztk )

variando o k 0 1 e k = k1 , k = 2 resolvendo as equaes (4.14) e (4.15) vamos ter a varincia: 1 2 + 2 0 = 1 2 a facv k = e a fac k = (1 ) ( ) k1 , para k = 1 1 2 + 2 (1 ) ( ) k1 2 a , para k = 1 1 2 (5.15)
2 = 1 + 2 a ( ) a , k = 0 = 0 2 a, k = 1

(5.14)

A forma linear geral pode ser obtida da mesma maneira que a equao (4.5), denimos Zt = at + ( )
X j =1

j 1 atj

onde j = ( ) j 1 , para j = 1. Com a condio de estacionariedade || < 1, ou a raiz da equao 1 x = 0 maior do que 1 em valor absoluto. O modelo ARMA(1,1) equivalente a: AR () : e (1 x) Zt = 1 x + 2 x ... (1 x) Zt = at (1 x) (1 x) at = 1 + x + 2 x2 + ... (1 x) at (1 x)

M A () : Zt =

A funo de autocorrelao do modelo ARMA(1,1) semelhante a do AR(1) (exponenciais amortecidas), o primeiro comporta-se como exponenciais amortecidas para k > 0, enquanto que o segundo o comportamento de exponenciais amortecidas para k = 0. 35

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS Para o modelo geral ARMA(p,q), ns temos que dado que at independente de Zt1 , Zt2 , ..., uma soluo estacionria para Zt , satisfazendo a equao (4.13) existe, se e somente se, as razes da equao caracterstica AR, (x) = 0, excede a unidade em valor absoluto. Se as condies de estacionariedade so satisfeitas, ento o modelo pode ser escrito como um processo linear geral com os pesos j determinados da seguinte forma: 0 1 2 = 1 = 1 + 1 = 2 + 2 + 1 1 . . . = j p j p + ... + 1 j 1

onde j = 0 para j > 0 e j = 0 para j > q. Agora assumindo estacionariedade pode-se mostrar que a fac satisfaz: k = 1 k1 + 2 k2 + ... + p kp , k > q (5.16)

Podemos tambm desenvolver para k = 0, 1, ..., q que envolve 1 , 2 , ..., q . Teorema: Se Xt v ARM A(p1 , q1 ) e Yt v ARM A(p2 , q2 ), sendo Xt e Yt independentes, seja Zt = Xt + Yt ento Zt v ARM A(p, q ) onde p 5 p1 + p2 , q 5 max(p1 + q2 , p2 + q1 ). Prova: Seja X (B ) Xt = X (B ) t e Y (B ) Yt = Y (B ) at onde X , Y , X e Y so polinmios em B de ordem p1 , p2 , q1 e q2 , respectivamente. Onde t e at so rudos brancos independentes. Como Zt = Xt + Yt , ento multiplicando Zt por X (B ) Y (B ) temos: X (B ) Y (B ) Zt = X (B ) Y (B ) Xt + X (B ) Y (B ) Yt como X (B ) Xt = X (B ) t ARM A(p1 , q1 ) e Y (B ) Yt = Y (B ) at ARM A(p2 , q2 ) vamos ter: X (B ) Y (B ) Zt = X (B ) Y (B ) t + X (B ) Y (B ) at AR (p1 + p2 ) = M A (q1 + p2 ) + M A (p1 + q2 ) Utilizando o fato que a soma de dois processos de mdias mveis independentes tambm um processo MA de ordem igual ou menor ao max das ordens, temos que Zt um processo ARM A(p, q ) onde p 5 p1 + p2 , q 5 max(p1 + q2 , p2 + q1 ).

5.5

Invertibilidade

Ns vimos que um processo AR pode ser reescrito como um processo MA de ordem innita atravs de pesos 0 s. Alm disso podemos escrever um processo MA como um autoregressivo. Considere o modelo abaixo: Zt = at at1 (5.17)

reescrevendo a equao acima como at = Zt + at1 , e ento substituindo t por t 1 e at1 na equao modicada, temos:

36

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS

at

= Zt + (Zt1 + at2 ) = Zt + Zt1 + 2 at2

Se || < 1, podemos continuar a substituio e obter: at Zt = Zt + Zt1 + 2 Zt2 + ... = Zt1 2 Zt2 ... + at

ento se || < 1, ns vimos que o MA(1) pode ser invertido (transformado) para um AR(), ento dizemos que o modelo MA(1) invertvel. Para um modelo geral MA(q), denimos o polinmio caracterstico MA como: (x) = 1 1 x 2 x2 ... q xq e a correspondente equao caracterstica 1 1 x 2 x2 ... q xq = 0 Pode-se ento, demonstrar que o modelo MA(q) invertvel, e existiro constantes j , tal que: Zt =
X j =1

j Ztj + at

se e somente se as razes da equao caracterstica MA excede a unidade em valor absoluto. Proposio: Um processo linear geral ser estacionrio se a srie (x) converge para |x| 5 1; ser invertvel se (x) converge para |x| 5 1. Podemos tirar algumas concluses sobre estacionariedade e invertibilidade, so elas: 1) Para o modelo AR(p) no h restries sobre os parmetros j para assegurar a invertibilidade. 2) Para o modelo MA(q) no h restries sobre os parmetros j para que o processo seja estacionrio. 3) Para o modelo ARMA(p,q) o processo estacionrio se as raizes da equao caracterstica (x) = 0 excede a unidade em valor absoluto e o processo invertvel se todas as razes (x) = 0 excede a unidade em valor absoluto, ou seja, fora do crculo unitrio.

5.6

Exerccios

1) Esboe a fac para cada um dos seguintes modelos ARMA: a) AR(2) com 1 = 1.2 e 2 = 0.7 b) MA(2) com 1 = 1 e 2 = 0.6 c) ARMA(1,1) com = 0.7 e = 0.4 2) Suponha Zt um processo AR(1) com 1 < < 1. a) Encontre a facv para Wt = Zt Zt1 em termos de e 2 a. b) Em particular, mostrar que V ar (Wt ) = 22 a / (1 + ) . 3) Encontre a fac para o processo denido por Zt = 5 + at 0.5at1 + 0.25at2 37

CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES manoel@fct.unesp.br ESTACIONRIAS 4) Descreva as caractersticas importantes da fac dos seguintes modelos: a) MA(1), b) MA(2), c) AR(1), d) AR(2) e e) ARMA(1,1). 5) Para o modelo ARMA(2,1) Zt = 0.8Zt1 + at + 0.7at1 + 0.6at2 mostrar que a) k = 0.8k1 para k = 3 e b) 2 = 0.81 + 0.62 a / 0 . 6) Considere dois processos MA(2), um com 1 = 2 = 1/6 e outro com 1 = 1 e 2 = 6. Mostrar que estes processos tem extamente a mesma fac. Como so as razes dos correspondentes polinmios caractersticos, compare-as. 7) Considere o no-estacionrio modelo AR(1) Zt = 3Zt1 + at

P j a) Mostrar que Zt = j =1 (1/3) at+j satisfaz a equao AR(1) e realmente estacionria. b) Quando est soluo no satisfatria. 8) Considere o modelo Zt = at1 at2 + 0.5at3 a) Encontre a facv para Zt . b) Mostrar que Zt um modelo estacionrio ARMA(p,q). Identique p, q e os 0 s e 0 s. 9) Considre os modelos: i) Zt = at + 0.8at1 . ii) Zt 0.4Zt1 = at 0.3at1 + 0.8at2 iii) Zt = 0.3Zt1 + 0.6Zt2 + at . Pede-se: a) Escreva-os utilizando o operador X ; b) Identique cada um dos modelos abaixo, assim como os seus parmetros; c) Verique se cada um deles so estacionrios e/ou invertveis.

38

Captulo 6

Modelos para Sries Temporais No-Estacionrias


Os modelos apresentados at o momento so adequados para sries estacionrias, ou seja, aquelas onde a mdia constante por todo tempo, mas em geral, na prtica, as sries so no-estacionrias. Como, por exemplo, as sries econmicas. Para torna a srie estacionria deve-se tomar diferenas quantas vezes for necessrio, at atingir estacionariedade. O procedimento o seguinte: Wt = Zt Zt1 = (1 X ) Zt = Zt

Os modelos que apresentaremos a partir de agora, sero para sries cujo comportamento so no-estacionrio.

6.1

O Modelo Autoregressivo-Integrado-Mdias-Mveis ARIMA(p,d,q)

As sries Zt , tais que, tomando-se um nmero nito de diferenas, d, tornam-se estacionrias, so chamadas no-estacionrias homogneas. Se Wt = d Zt estacionria, podemos representar Wt por um modelo ARMA(p,q), ou seja, (X ) Wt = (X ) at (6.1)

Se Wt uma diferena de Zt , ento Zt uma integral de Wt , da dizemos que Zt segue um modelo autoregressivo-integrado-mdias-mveis, ou modelo ARIMA(p,d,q), (X ) d Zt = (X ) at (6.2)

de ordem (p,d,q), se p e q so as ordens de (X ) e (X ) , respectivamente. No modelo (5.1) todas as razes de (X ) esto fora do crculo unitrio. Escrever (5.2) equivalente a escrever (X ) Zt = (X ) at 39 (6.3)

manoel@fct.unesp.br

CAPTULO 6. MODELOS PARA SRIES TEMPORAIS NO-ESTACIONRIAS

onde (X ) um operador autoregressivo no-estacionrio, de ordem p+d, com d razes iguais a 1 (sobre o crculo unitrio) e as restantes p esto fora do crculo unitrio, ou seja, (X ) = (X ) d = (X ) (1 X )d (6.4) Portanto o modelo (5.2) supe que a d-sima diferena da srie Zt pode ser representada por um modelo ARMA, estacionrio e invertvel. Na maioria dos casos usuais, d=1 ou d=2, que correspondem a dois casos interessantes e comuns de noestacionariedade homgenea : 1) Sries no-estacionrias quanto ao nvel: oscilam ao redor de um nvel mdio durante algum tempo e depois saltam para outro nvel temporrio. Para tornlas estacionrias suciente tomar uma diferena, este o caso tpico de sries econmicas. 2) Sries no-estacionrias quanto a inclinao: oscilam numa direo por algum tempo e depois mudam para outra direo temporria. Para torn-las estacionrias necessrio tomar a segunda diferena.

6.1.1

Exemplos

Alguns casos particulares do modelo ARIMA: i) ARIMA(0,1,1): Zt = (1 X ) at ii) ARIMA(1,1,1): (1 X ) Zt = (1 X ) at iii) ARIMA(p,0,0): AR(p); ARIMA(0,0,q): MA(q); ARIMA(p,0,q): ARMA(p,q). Um modelo que considerado importante o caso i) IMA(1,1) : IntegradoMdias-Mveis. Utilizado especialmente na rea de economia.

6.1.2

Algumas Transformaes para tornar a srie Estacionria

Tomar diferenas pode no ser suciente para se alcanar estacionariedade, principalmente, no caso das sries econmicas. Uma transformao, no linear, utilizada para srie Zt Zt = ln Zt , que ser suciente para obter a homogeneidade. Outro procedimento usualmente, utilizado em sries temporais econmicas : ln Zt = ln Zt ln Zt1 A principal razo para se fazer uma transformao tentar estabilizar a varincia. Uma transformao, tambm adequada, seria: utilizar um grco que traz no eixo das abscissas mdias de subconjuntos de observaes da srie original e no eixo das ordenadas a amplitude de cada um destes subconjuntos. Seja Zt1 , ..., Ztk um subconjunto com k observaes, ento calculamos: Z =
k 1X Zt k i=1 i

(medida de posio) e W = max (Zti ) min (Zti ) (medida de variabilidade)

o par Z, W ser um ponto do grco. O nmero de elementos em cada subsrie pode ser igual ao perodo, no caso de sries sazonais. Se W independente de Z , obteremos pontos espalhados ao redor de uma reta paralela ao eixo das abscissas e neste caso no haver necessidade de transformao. Se W for diretamente proporcional a Z , a transformao logartmica apropriada. 40

manoel@fct.unesp.br

CAPTULO 6. MODELOS PARA SRIES TEMPORAIS NO-ESTACIONRIAS

Uma classe geral de transformaes que podem ser utilizadas a de Box-Cox, denida por: ( Zt c () , 6= 0 Zt = ln Zt , = 0 onde e c so parmetros a serem estimados. Para c = 1 temos:
Zt 1 ln Zt se 0

6.2

Formas do Modelo ARIMA

O modelo ARIMA dado em (5.2) pode ser representado de trs formas: a) Em termos de valores prvios de Zt e do valor atual e prvios de at ; b) Em termos de valor atual e prvios de at ; c) Em termos de valores prvios de Zt e do valor atual de at .

6.2.1

Forma da Equao Diferenas

Esta a forma usual do modelo, til para calcular previses: Zt = 1 Zt1 + 2 Zt2 + ... + p+d Ztpd + at 1 at1 ... q atq onde (X ) = 1 1 X 2 X 2 ... p+d X p+d . (6.5)

6.2.2

Forma de Choques Aleatrios

Uma forma conveniente para se calcular a varincia dos erros de previso : Zt = at + 1 at1 + 2 at2 + ... = (X ) at (X ) Zt = (X ) (X ) at e utilizando (5.3) segue-se que (X ) (X ) = (X ) . (6.8) (6.6)

Desta equao obtemos (6.7)

Logo, os pesos j da forma (5.6) podem ser obtidos de (5.8) identicando-se coecientes de X, X 2 , etc.: 1 1 X ... p+d X p+d 1 + 1 X + 2 X 2 + ... = 1 1 X ... q X q

6.2.3

Termo constante no Modelo ARIMA

No modelo ARIMA(p,d,q) (X ) Wt onde Wt = (X ) at = d Zt . (6.9)

Se um termo constante for omitido, ento E (Wt ) = W = 0. O modelo acima pode descrever o que chamaramos de tendncias estocsticas, no sentido que o processo no estacionrio e muda de nvel e/ou inclinao, no decorrer do tempo. A tendncia (ou no-estacionariedade) estocstica caracterizada pela existncia de

41

manoel@fct.unesp.br

CAPTULO 6. MODELOS PARA SRIES TEMPORAIS NO-ESTACIONRIAS

zeros de (X ) = 1 X sobre o crculo unitrio. Alm da no-estacionariedade estocstica, muitas sries podem apresentar uma tendncia determinstica. Podemos ter Zt como a soma de um polinmio mais um processo ARIMA(p,d,q): Zt =
m X j =0

j tj +

(X ) at d (X )

(6.10)

= Tt + Yt onde Tt uma tendncia determinstica e Yt um processo ARIMA(p,d,q). Segue-se que Zt no-estacionrio se m > 0 e/ou d > 0. Tomando d diferenas temos: d Zt d Zt = 0 + = (X ) at , se m = d (X ) (X ) at , se m < d (X ) (6.11)

onde 0 = d d!, obtendo-se uma srie estacionria. Signicando que podemos incluir uma tendncia polinomial determinstica de grau d no modelo, bastando acrescentar uma constante 0 : (X ) Zt = 0 + (X ) at (6.12) Se m > d, podemos obter um modelo no-estacionrio, tomando d diferenas, devido a tendncia determinstica, e tomando m diferenas, obteremos um processo estacionrio, mas no invertvel. Se 0 6= 0, Wt = Wt1 + ... + p Wtp + 0 + at 1 at1 ... q atq e obtemos a mdia W = E (Wt ) = 1 W + ... + p W 0 = 1 1 ... p 0 = W 1 1 ... p ft = Wt E (Wt ) W (6.14) (6.13)

ou e se teremos:

(6.15)

No que segue, quando d > 0, suporemos W = 0 e portanto 0 = 0.

ft = (X ) at (X ) W

6.3

Construo dos Modelos ARIMA

Nesta seo vamos apresentar os estgios do ciclo iterativo do mtodo de Box e Jenkins, para construo dos modelos ARIMA, que so: 1) identicao; 2) estimao e 3) vericao. Dentre estes estgios o mais dcil fase de identicao do modelo ARIMA, que ser utilizado para ajustar os dados. Esta escolha feita a partir das autocorrelaes e autocorrelaes parciais estimadas, dentre as quais esperamos que representem adequadamente as verdadeiras quantidades tericas, que so desconhecidas. Anteriormente denimos a facv e fac, agora vamos denir a funo de autocorrelao parcial (facp). 42

manoel@fct.unesp.br

CAPTULO 6. MODELOS PARA SRIES TEMPORAIS NO-ESTACIONRIAS

6.3.1

Funo de Autocorrelao Parcial (facp)

Ns podemos denir a correlao entre Zt e Ztk removendo o efeito das variveis Zt1 , Zt2 , ..., Ztk+1 . Esta medida, para sries estacionrias, chamada a autocorrelao parcial at a posio k e ser denotada por kk , se Zt uma srie normalmente distribudos, ou seja, kk = Corr (Zt , Ztk /Zt1 , Zt2 , ..., Ztk+1 ) (6.16)

onde kk o coeciente de correlao da distribuio de Zt , Ztk condicional a Zt1 , Zt2 , ..., Ztk+1 . Um mtodo geral para encontrar a facp para um processo estacionrio com fac k o seguinte : para um dado k , mostra-se que kk satisfaz as equaes de Yule-Walker: j = k1 j 1 + k2 j 2 + ... + kk j p , j = 1, 2, ..., k Mais explicitamente 1 2 = k1 + k2 1 + ... + kk j 1 = k1 1 + k2 + ... + kk k2 . . . = k1 k1 + k2 k2 + ... + kk (6.18) (6.17)

Estas equaes podem ser resolvidas sucessivamente para k = 1, 2, ..., e obtendo-se kk , da seguinte maneira: 11 22 = 1 1 1 = 1 1 = 1 2 1 1 2 1 = 2 1 2 1 2 2 3 2 1 1 (6.19)

e para k = 3

kk

1 1 2 1 1 2

1 1 1 1 1 1

(6.20)

|Pk | (6.21) |Pk | onde Pk a matriz de autocorrelao, e Pk a matriz Pk com a ltima coluna substituda pelo vetor de autocorrelao. Pode-se demonstrar que, para os processos estudados temos: (i) um processo AR(p) tem facp kk 6= 0, para k 5 p e kk = 0, para k > p; (ii) Um processo MA(q) tem facp que se comporta de maneira similar a fac de um processo AR(p), para o MA(1) temos:

em geral

kk =

2 1 + 2 + 4 e k 1 2 , k=1 kk = 1 2(k+1) (iii) Um processo ARMA(p,q) tem facp que se comporta como a facp de um processo MA. 22 = 43

manoel@fct.unesp.br

CAPTULO 6. MODELOS PARA SRIES TEMPORAIS NO-ESTACIONRIAS

6.3.2

A Funo de Autocorrelao Parcial Amostral (fapa)

Para srie temporal observada vamos precisar calcular a estimativa da fapa. Ns chamamos esta funo estimada de funo de autocorrelao parcial amostral e b . denotamos por kk Levinson (1974) e Durbin (1960) descobriram um mtodo eciente para obter as solues para as equaes (5.18), considerando as facp ou fapa. Eles demonstraram que independentemente as equaes (5.18) podem ser resolvidas recursivamente como segue: k 1 P k1,j kj k j =1 kk = (6.22) k 1 P 1 k1,j j
j =1

onde

kj = k1,j kk k1,kj , para j = 1, 2, ..., k 1. Por exemplo, utilizando 11 = 1 , ns temos 22 = 2 11 1 2 1 = 2 1 11 1 1 2 1

(6.23)

6.4

b . Nas estimativas vamos substituir b k por rk , e obtemos fapa kk

Idendicao (ou Especicao) dos Modelos ARIMA

O objetivo da identicao determinar os valores de p,d e q do modelo ARIMA(p,d,q), alm de obter estimativas preliminares dos parmetros a serem utilizados no estgio de estimao.

6.4.1

Procedimento

I) Inicialmente diferenamos a srie Zt , tantas vezes quantas necessrias, para se obter uma srie estacionria, de modo que o processo d Zt seja reduzido a um ARMA(p,q). O nmero de diferenas, d, necessrias para que o processo se torne estacionrio, alcanado quando a fac amostral de Wt = d Zt decresce rapidamente para zero; II) Identicamos o processo ARMA(p,q) resultante, atravs da anlise das fac e facp estimadas, cujo comportamentos devem ser semelhantes aqueles das respectivas quantidades tericas (AR, MA e ARMA). - Geralmente, na prtica d=0, 1, ou 2, e ser suciente inspecionar as primeiras 15 ou 20 autocorrelaes da srie e de suas diferenas. - Convm testar se E (Wt ) = W zero, comparando W com o seu desvio-padro estimado. A tabela abaixo fornece as varincias de W para alguns modelos usuais. Se d=0, W = Z. Tabela Varincias Aproximadas p/ W M A (1)
c0 (1+2r1 ) n

, n=N d

AR (1) AR (2)
c0 (1+r1 ) n(1r1 )
2 c0 (1+r1 )(12r1 +r2 ) n(1r1 )(1r2 )

ARM 1)i h A (1, 2 2r1 c0 1 + n r1 r2 M A (2)


c0 (1+2r1 +2r2 ) n

44

manoel@fct.unesp.br

CAPTULO 6. MODELOS PARA SRIES TEMPORAIS NO-ESTACIONRIAS

6.5

Intervalo de Conana para a FAC Amostral

Apresentaremos a seguir o intervalo de conana para a faca, antes porm, sabemos que a faca denida como: b j = bj cj = rj = , j = 0, 1, ..., N 1 b0 c0 (6.24)

onde cj = sendo

N j 1 X Zt Z (Zt+j Z ) , j = 0, 1, ..., N 1 N t=1

(6.25)

Z= temos que a varincia de rj V ar (rj ) =

N 1 X Zt e rj = rj N t=1

(6.26)

1 X 2 2 k + k+j kj 4j k kj + 22 k j N k=

(6.27)

para um processo estacionrio normal (Gaussiano). Para um processo em que as autocorrelaes so nulas para k > q, obtem-se: # " q X 1 2 (6.28) 1+2 V ar (rj ) = k , j >q N
k=1

substituindo k por rk , temos: # " q X 1 2 rk , j > q 1+2 (rj ) = N


2 k=1

(6.29)

Para N sucientemente grande, sob a hiptese H0 : j = 0, j > q a distribuio N 0, 2 (rj ) . Assim, pode-se construir um intervalo de conana aproximado para as autocorrelaes: rj t (rj ) (6.30) onde t o valor da estatstica t-Student com N 1 graus de liberdade, tal que P (t < t < t ) = . Na prtica utiliza-se t = 2, de modo que podemos considerar j como signicativamente diferente de zero se |rj | > 2 (rj ), j > q. Para facp sob a hiptese que o processo AR(p), 1 b V ar , j > p. jj w N De modo que (6.31)

(6.32)

1 b (6.33) jj w , j > p. N b ter distribuio aproximadamente normal, com Alm disso, para N grande, jj mdia zero e varincia (5.32), de modo que consideraremos jj signicativamente diferente de zero se 2 b (6.34) jj > , j > p. N 45

manoel@fct.unesp.br

CAPTULO 6. MODELOS PARA SRIES TEMPORAIS NO-ESTACIONRIAS

6.6

Exerccos

1) Considere os dois modelos: A : Zt = 0.9Zt1 + 0.09Zt2 + at B : Zt = Zt1 + at 0.1at1 a) Identique e especique os modelos ARIMA. b) Qual a semelhana entre eles? (Compare os pesos 0 s e 0 s). 2) Identique e especique cada modelo ARIMA: a) Zt = Zt1 0.25Zt2 + at + 0.5at1 b) Zt = 2Zt1 Zt2 + at c) Zt = 0.5Zt1 + 0.5Zt2 + at 0.5at1 + 0.25at2 . 3) Suponha que {Zt } gerada como Zt = at + cat1 + cat2 + ... + ca0 , t > 0 a) Encontre a funo mdia e a facv para Zt . Zt estacionria? b) Encontre a funo mdia e facv para Zt . Esta srie estacionria? c) Identique e especique Zt como um modelo ARIMA. 4) Suponha que Zt = A + Bt + Xt onde A e B so variveis aleatrias independentes do passeio aleatrio Xt . a) A srie Zt estacionria? b) A srie Zt estacionria? 5) De uma srie de 100 observaes, obteve-se: r1 = 0.49, r2 = 0.31, r3 = 0.21, r4 = 0.11, e |rk | 5 0.09 para k > 4. Com base somente nestas informaes, que modelo ARIMA ns poderamos especicar para esta srie? 6) Um srie estacionria de tamanho N = 121 produz as seguintes autocorreb = 0.8, b = 0.6, b = 0.08, e b = 0.00. Basedo laes parciais estimadas: 11 22 33 44 somente nestas informaes, que modelo poderamos especicar para esta srie? 7) Para uma srie de 169 observaes, encontramos que: r1 = 0.41, r2 = 0.42, r3 = 0.26, r4 = 0.21, e r5 = 0.16. Qual modelo se ajustaria a este padro de autocorrelaes? 8) As autocorrelaes amostrais para a primeira diferena so dadas na tabela abaixo (N = 100). FACA Zt Zt 1 0.97 -0.42 2 0.97 0.18 3 0.93 -0.02 4 0.85 0.07 5 0.80 -0.10 6 0.71 -0.09

Baseado nas informaes, quais modelos ARIMA poderamos identicar para a srie? 9) Para a srie de tamanho 64, as facp amostrais so dadas por: 1 0.47 2 -0.34 3 0.20 4 0.02 5 0.15 6 -0.06

Quais modelos poderamos considerar neste caso? 10) Suponha Xt um processo estacionrio AR(1) com parmetro , mas que podemos somente observar Zt = Xt + Nt onde Nt um rudo branco independente de Xt . 2 a) Encontre a fac para o processo Zt em termos de , 2 X , e N . b) Qual modelo ARMA podemos identicar para Zt ? 46

Captulo 7

Estimao dos Parmetros


Neste captulo vamos trabalhar com a estimao dos parmetros para o modelo ARIMA, considerando a srie temporal observada Z1 , Z2 , ..., Zn . Assumiremos que o modelo j foi especicado, isto , ns j especicamos os valores para p,d e q utlizando os mtodos do captulo 5. Com relao a sries no-estacionrias, faremos a d-sima diferena da srie observada at torna-l um processo estacionrio ARMA(p,q). Na prtica, ns trabalhamos com a d-sima diferena da srie temporal original, estimando os parmetros, a partir, do modelo completo. Para simplicar o estudo sobre estimao, denimos Z1 , Z2 , ..., Zn como um processo estacionrio observado da srie original, depois de diferenada adequadamente. Primeiramente apresentaremos as estimativas preliminares, em seguida apresentaremos os estimadores do mtodo do momentos, de mnimos quadrados e o estimador de mxima verossimilhana.

7.1

Estimativas Preliminares

na identicao do modelo que so obtidas as estimativas preliminares, que sero utilizadas como valores iniciais, para as estimativas nais dos parmetros. Estas estimativas so obtidas atravs das rj da srie Wt = d Zt .

7.1.1

Processos AR(p)

Para esses processos, resolvemos as equaes de Yule-Walker, com b j substitudo por rj . A estimativa da varincia do rudo banco : b0 1 1 1 ... p p b2 a =

7.1.2

b . com b0 substitudo por c0 , e os j por suas estimativas j

Processos MA(q)

Para esses processos, vamos utilizar a equao j = k + 1 k+1 + ... + qk q , j = 0, 1, ..., q 2 1 + 2 1 + ... + q = 0, j > q.

j e a varincia do rudo estimada como substituindo j por rj e j por b b2 a = b0 2 2 b 1 + 1 + ... + b q 47

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

onde b0 = c0 .

7.1.3

Processos ARMA(p,q)

Para esses processos, obtemos as estimativas iniciais para 1 , ..., p , resolvendo as equaes: b b b , j = q + 1, ..., q + p b j = 1 j 1 + ... + p b j p

substituindo b j por rj . Depois a partir das relaes entre as autocorrelaes 1 , ..., q , 1 , ..., b q e b2 1 , ..., p e 1 , ..., q , obtemos b a. Obs.: Na tabela 9.2 do Morettin (1987) temos estimativas iniciais para os parmetros dos modelos mais utilizados na prtica.

7.2

O Mtodo dos Momentos

O mtodo dos momentos geralmente um dos mais faceis, dos mtodos para obter estimativas dos parmetros. O mtodo consiste de equacionar momentos amostrais com momentos tericos e resolver as equaes resultante para obter estimativas dos parmetros desconhecidos.

7.2.1

Modelo Autoregressivo

Considere o modelo AR(1). Para este modelo ns temos: 1 = . Ento podemos estimar simplesmente por: b = r1

Agora consideramos o caso AR(2). A relao entre os parmetros 1 e 2 e os vrios momentos dado pelas equaes de Yule-Walker: 1 2 r1 r2 resolvendo estas equaes obtemos: b = r1 (1 r2 ) 1 2 1 r1 (7.1) = 1 + 1 2 = 1 1 + 2 = 1 + r1 2 = r1 1 + 2

O mtodo dos momentos substitui 1 por r1 e 2 por r2 para obter:

2 b = r2 r1 (7.2) 2 2 1 r1 Para o caso geral AR(p) o procedimento semelhante: substituimos k por rk nas equaes de Yule-Walker para obter:

r1 r2

rp

= 1 + r1 2 + ... + rp1 p = r1 1 + 2 + ... + rp2 p . . . = rp1 1 + rp2 + ... + p

(7.3)

b , ..., b , em termos de r1 , ..., rp . Estas equaes lineares sero resolvidas para obter 1 p O mtodo recursivo de Durbin-Levinson (equaes 5.22) um algoritmo adequado para resolver estas equaes, mas estar sujeito a erros, principalmente se soluo est no limite de estacionariedade (na circunferncia de raio unitrio). 48

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

7.2.2

Modelos Mdias-Mveis

Para o caso do modelo MA o mtodo dos momentos, no to fcil. Vamos considerar o processo MA(1). Da fac do MA temos: 1 = , || < 1. 1 + 2 (7.4)

Podemos resolver a equao acima com relao a . Se |r1 | < 0.5,ento as duas razes so dadas por: 0.5 1 1 2 1 2r1 4r1 Dentre as solues s uma satisfaz a condio de invertibilidade, que pode ser escrita como: 2 0.5 1 + 1 4r1 b (7.5) = 2r1 Se r1 = 0.5, a soluo real nica, ou seja, 1, mas por outro lado, no invertvel. Se |r1 | > 0.5, no existe solues reais, e o mtodo dos momentos no produz um estimador adequado para , alm disso a especicao do modelo torna-se duvidosa. Para modelos MA(q), de ordem grande, o mtodo dos momentos torna-se bastante complicado. As equaes resultantes em funo dos 0 s, no so lineares, entretanto, e suas solues preciso ser numricas. Porm haver vrias soluces mltiplas, das quais somente uma ser invertvel.

7.2.3

Modelos ARMA

Para esse modelo vamos considerar somente o ARMA(1,1). Da equao abaixo (captulo 4): (1 ) ( ) k1 , para k = 1 (7.6) k = 1 2 + 2 Notando que 2 /1 = , ns podemos primeiro estimar como b = r2 r1 (7.7)

Ento podemos substituir (6.7) em (6.6) e obter b b 1 r1 = b + 2 1 2

(7.8)

par obter a estimativa de b , resolvemos a equao em funo de , e considerando somente a soluo invertvel.

7.2.4

Estimativas da Varincia do Rudo

O parmetro nal a ser estimado a varincia 2 a . Dentre todos os casos, ns podemos primeiro estimar 0 = V ar (Zt ) pela varincia amostral
n 2 P Zt Z

S2 =

t=1

0 0 e da utilizamos a relao (captulo 4) que existe entre 0 , 2 a e os s, e s para 2 estimar a .

n1

(7.9)

49

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

Em particular, para um processo AR(1), 2 2 b2 a = 1 r1 S b = r1 . desde que 1 Para o caso MA(q), ns temos: S2 1
2 +b 1

Para os modelos AR(p), temos: 2 b b b2 a = 1 1 r1 ... p rp S

(7.10)

(7.11)

7.3

Para o processo ARMA(1,1), temos: b2 1 2 b2 a = 2S b b b 1 2 +

b2 a =

2 + ... + b q

(7.12)

(7.13)

Estimativas de Mnimos Quadrados

Como j sabemos, o mtodo dos momentos no satisfatrio para modelos com termos mdias mveis, precisaramos aplicar outros mtodos, e uma das alternativa o mtodo de mnimos quadrados.

7.3.1

Modelos Autoregressivos

Considere o caso AR(1), onde Zt = (Zt1 ) + at (7.14)

Ns podemos v-lo como um modelo de regresso com varivel preditora Zt1 e varivel resposta Zt . A estimao de mnimos quadrados consiste em minimizar a soma de quadrados das diferenas (Zt ) (Zt1 ) . Desde que somente Z1 , Z2 , ..., Zn so observados, ns podemos somente somar de t = 2 at t = n. Seja S (, ) =
n X t=2

[(Zt ) (Zt1 )]2

(7.15)

Onde S geralmente chamada de funo da soma de quadrados condicional. De acordo com o princpio de mnimos quadrados, ns estimamos e com respeito aos valores que minimizam S (, ) , dado os valores observados da srie Z1 , Z2 , ..., Zn . Vamos considerar as derivadas S / = 0 e S / = 0. Ou seja, S X 2 [(Zt ) (Zt1 )] (1 + ) = 0 = t=2 simplicando e resolvendo para , temos
n P n P n

t=2

Zt

t=2

Zt1

(n 1) (1 )

(7.16)

50

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

Para n grande, temos

Alm disso, temos que a equao (6.) reduz-se a b

n n X X Zt Zt1 Z n1 n1 t=2 t=2

Z Z =Z 1

(7.17)

Podemos dizer ento que b = Z. Considere a minimizao de S , Z com relao a


n

simplicando e resolvendo para , temos n P Zt Z Zt1 Z b = t=2 n 2 P Zt1 Z


t=2

S X 2 Zt Z Zt1 Z Zt1 Z = 0 = t=2

(7.18)

2 b = r1 ; alm disso os estimadores de mnimos Exeto para o termo Zn Z , quadrados e mtodo dos momentos so quase idnticos, especialmente para grandes amostras. Para o processo geral AR(p), os mtodos utilizados para obter as equaes (6.16) e (6.17) podem facilmente ser extendidos para produzir o mesmo resultado, ou seja, b = Z. Para generalizar as estimativas dos 0 s, ns podemos considerar o modelo de segunda ordem, AR(2). Substituindo b por Z na funo da soma de quadrados condicional n X 2 (7.19) S (1 , 2 ) = Zt Z 1 Zt1 Z 2 Zt2 Z
t=3

Fazendo S /1 = 0, temos 2

que podemos escrever como

n X Zt1 Z = 0 Zt Z 1 Zt1 Z 2 Zt2 Z t=3

(7.20)

n n n X X X 2 Zt Z Zt1 Z = Zt1 Z 1 + Zt2 Z Zt1 Z 2 t=3 t=3 t=3

Agora se dividimos ambos os lados por

t=3

r1 = 1 + r1 2 Fazendo o mesmo para S /2 = 0, vamos ter r2 = r1 1 + 2

n P

Zt Z

(7.21)

, obtemos: (7.22)

(7.23)

Podemos vericar que trata-se das equaes de Yule-Walker amostrais para o modelo AR(2). Inteiramente anlogo ao resultado obtido, segue-se para o caso do modelo geral AR(p), as estimativas de mnimos quadrados dos 0 s, podem ser obtidas resolvendose as equaes amostrais de Yule-Walker, e com uma boa aproximao. 51

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

7.3.2

Modelos Mdias Mveis


Zt = at at1 (7.24)

Considere agora a estimao de mnimos quadrados de no modelo MA(1):

Vamos supor que o modelo MA(1) invertvel, ou seja, || < 1, ento podemos express-lo como (7.25) Zt = Zt1 2 Zt2 ... + at que um modelo AR() . Alm disso, podemos obter o estimador de mnimos quadrados, escolhendo o valor do parmetro que minimiza X S () = a2 (7.26) t

onde, implicitamente, at = at () uma funo da srie observada e o parmetro . Da equao (6.25), claramente podemos observar que o problema de mnimos quadrados no-linear nos parmetros. Alm disso, para o caso simples MA(1), S no pode ser minimizado analiticamente, e precisamos recorrer a tcnicas de otimizao numrica. Para uma da srie observada Z1 , Z2 , ..., Zn e um particular valor de , vamos reescrever a equao (6.24) como at = Zt + at1 (7.27)

Utilizando a equao (6.27), os valores a1 , ..., an podem ser calculados recursivamente dado um o valor inicial a0 . Um condio inicial, que se utiliza a0 = 0, obtendo = Z1 (7.28) = Z2 + a1 . . . an = Zn + an1 Pn e alm disso calculamos S () = t=1 a2 t , condicional a a0 = 0 para o particular valor de . Para o caso simples de um parmetro, podemos variar no intervalo (1, 1), que garante invertibilidade do modelo, e encontrar a soma de mnimos quadrados. Para os modelos MA(q), um algoritmo de otimizao numrica, como o Gauss-Newton, prefervel. A aproximao de Gauss-Newton consiste em aproximar at = at () para uma funo linear de em torno da estimativa inicial b . Que dat b b b at () at + (7.29) d a1 a2 Nota-se que dat () /d pode ser calculado recursivamente diferenciando ambos os lados da equao (6.27) para obter dat () dat1 () = + at1 () d d

(7.30)

com valor incial dat () /d = 0. Desde que a aproximao em (6.28) linear em , a soma de quadrados calculada pode ser minimizada analiticamente levando a uma nova estimativa de . Este processo pode ser repetido com b substitudo pela nova estimativa, calculando as mudanas em ambos, nas estimativas de e na soma de quadrados, quando a soma 52

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

torn-se pequena e o parmetro atingir a convergncia. O mtodo dos momentos pode ser utilizado para obter as primeiras estimativas de , mas em muitos casos o procedimento converge para a soma de mnimos quadrados de uma estimativa arbritria, tal como = 0.1. Para os modelos MA de altas ordens, as idias so anlogas. Ns calculamos at = at (1 , ..., q ) recursivamente de at = Zt + 1 at1 + ... + q atq (7.31)

como a0 = a1 = ... = a1q = 0. A soma de quadrados minimizada conjuntamente com relao a 1 , 2 , ..., q utilizando o algoritmo multivariado de Gauss-Newton (Box e Jenkins, 1976).

7.3.3

Modelos Autoregressivos-Mdias-Mveis

Vamos considerar somente o modelo ARMA(1,1): Zt = Zt1 + at at1 (7.32)

Como caso MA, consideramos at = at (, ) e desejamos minimizar S (, ) = Pn no 2 a . Podemos reescrever a equao (6.32) como t=1 t at = Zt Zt1 + at1 (7.33) Z ( = Z ). EntretanPara obter a1 , ns temos que supor Z0 = 0 ( = 0) ou Z0 =P 2 to, uma melhor aproximao, seria simplesmente minimizar n t=1 at . As derivadas necessrias para o algoritmo de Gauss-Newton podem de novo serem obtidas recursivamente da equao (6.33). Para o modelo geral ARMA(p,q), calculamos at = at 1 , ..., p , 1 , ..., q para t = p + 1, ..., n de at = Zt 1 Zt1 ... p Ztp + 1 at1 + ... + q atq (7.34) Pn

com ap = ap1 = ... = a1q = 0 e ento numericamente minimizamos t=1 a2 t para obter as estimativas de mnmos quadrados condicional de 1 , ..., p , 1 , ..., q . Um termo constante pode ser includo no modelo. Para o conjunto de parmetros 1 , ..., q , que corresponde a invertibilidade do modelo, os valores ap = ap1 = ... = a1q = 0 tero muito pouca inuncia nas estimativas nais dos parmetros para grandes amostras

7.4

Estimativas de Mxima Verossimilhana

A vantagem dos mtodos de mxima verossimilhana que todas as informaes nos dados so utilizadas, ao invs de utilizar somente os primeiros momentos, como o caso do mnimos quadrados. Outra vantagem que, sobre certas condies gerais, muitos resultados j so conhecidos, para o caso de grandes amostras. Entretanto, uma desvantagem que para os primeiros valores de t, devemos trabalhar especicamente com a funo de densidade de probabilidade (f.d.p.) conjunta. Para um dado conjunto de observaes Z1 , Z2 , ..., Zn , a funo de verossimilhana L denida como a f.d.p. conjunta dos dados observados, em funo dos parmetros do modelo. Para os modelos ARIMA, L ser uma funo de 0 s, 0 s, e 2 a dadas as observaes Z1 , Z2 , ..., Zn . Os estimadores de mxima verossimilhana so denidos como aqueles valores dos parmetros, com relao aos dados observados, que so os mais verossmeis (provveis), e maximizam a funo de verossimilhana. 53

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

Inicialmente analisaremos os modelos AR(1). A suposio mais comum que o rudo branco seja uma varivel aleatria normal independente, identicamente distribuda com mdia 0 e varincia 2 a , a f.d.p. para cada uma 0.5 a2 exp , <a< (7.35) f (a) = 2 2 a 2 2 a e, como so v.a.i.i.d. a f.d.p. conjunta para a2 , ..., an ! n 1 X 2 2 (n1)/2 exp 2 a , f (a) = 2a 2a t=2 t Agora considerando Z2 = (Z1 ) + a2 Z3 = (Z2 ) + a3 . . . Zn = (Zn1 ) + an (7.37)

(7.36)

Seja Z1 = z1 , vamos utilizar uma transformao linear de a2 , ..., an e Z2 , ..., Zn (com jacobiano igual a 1). Alm disso, a f.d.p. conjunta de Z2 , ..., Zn /Z1 = z1 pode ser obtida utilizando (6.37) pela substituio de a0 s em termos dos z 0 s em (6.36) ( ) X n 1 2 2 (n1)/2 f (z2 , ..., zn /z1 ) = 2 a exp 2 [(Zt ) (Zt1 )] 2a t=2 (7.38) Agora consideramos a f.d.p. marginal de Z , que tambm normal com mdia 1 2 e varincia 0 = 2 a / 1 . Multiplicando (6.38) por f (z1 ) , temos f (z2 , ..., zn /z1 ) f (z1 ) = f (z2 , ..., zn , z1 ) f (z1 ) f (z1 ) (7.39)

que a f.d.p. conjunta de Z1 , Z2 , ..., Zn . Interpretada como uma funo de parmetros , , e 2 a , e a funo de verossimilhana do AR(1) dada por: 1 2 0.5 2 2 n/2 L , , a = 2 a exp 2 S (, ) (7.40) 1 2 a onde S (, ) =
n X t=2

[(Zt ) (Zt1 )]2 + 1 2 (Z1 )2

(7.41)

A soma S (, ) chamada a soma de quadrados no-condicional. Como regra geral o logaritmo da funo de verossimilhana matematicamente, mais conveniente, do que a anterior. Para o caso AR(1), a funo log-verossimilhana, dada por: n 1 1 n , , 2 (7.42) log 2 log 2 log 1 2 2 S (, ) a = a+ 2 2 2 2a Dado os valores de e , , , 2 a pode ser maximizada analiticamnete com relao a 2 a : n 1 1 2 2 = + S (, ) = 0 (7.43) 2 2 2 2 a a a 54

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

determinamos ento o estimador de 2 a , em termos de e : S (, ) c 2 = a n (7.44)

S (, ) c 2 = (7.45) a n2 na primeira expresso o vcio menor. Considere agora a estimao de e . Uma comparao entre as duas soma de quadrados, condicional, S (, ) , e no-condicional, S (, ), vamos ter: 2 S (, ) = S (, ) + 1 2 (Z1 ) (7.46) os valores de e que minimizam S ou S so semelhantes e S (, ) S (, ) (7.47)

ou

7.5

Mnimos Quadrados No-Condicional para o Modelo ARMA

A denio da funo de verossimilhama associada a soma de quadrados nocondicional. Para o modelo ARMA consideravelmente mais complicada, ento citaremos a expresso da forama da funo da soma de quadrados no-condicional. Segundo Box e Jenkins (1976), temos que para o modelo geral ARMA(p,q) S (, , 0 ) = onde Note que, para t 5 0, o b at ser visto como previso backward no tempo dos termos de at , dado Z1 , ..., Zn . Por esta razo, eles frequentemente tem sido chamados back forecasts, mas o termo mais apropriado backcasts. b at = E (at /Z1 , ..., Zn ) (7.49)
n X

a2 t

(7.48)

t=

7.6

Propriedades das Estimativas

As propriedades dos estimadores de mxima verossimilhana e mnimos quadrados (condicional e no-condicional), so iguais para o caso de grandes amostras, e podem ser obtidas modicando-se a teoria de mxima verossimilhana nesses casos. Para mais detalhes consultar Box e Jenkins (1976) e Feller (1976). Para n sucientemente grande, os estimadores so no-viciados e seguem aproximadamente uma distribuio normal. As varincias e correlaes, para o AR, so as seguintes,
2 b) 1 AR(1) : V ar( n

(7.50) 1 n 2 2

b ) b ) V ar( AR(2) : V ar( 1 2 b ) b , : Corr( 1 2 55

1 = 1 1 2

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

para o MA 1 2 M A(1) : V ar(b ) n (7.51)

e para o modelo ARMA

1 2 2 2 ) M A(2) : V ar(b 1 ) V ar(b n 1 2 ) : Corr(b 1 , b 1 2 2 1 2 2 1 1 b : V ar() n 0.5 1 2 1 2 b, b : Corr( ) 1 (7.52)

2 b) 1 ARM A(1, 1) : V ar( n

7.7

Exerccios

1) Para uma srie de tamanho 100, foi calculado r1 = 0.8, r2 = 0.5, r3 = 0.4, Z = 2, e uma varincia amostral de 5. Se assumimos que o modelo AR(2) com um termo constante adequado, como podemos obter as estimativas (simples) de 1 , 2 , 0 , e 2 a? 2) Assumindo que os seguintes dados sejam de um processo estacionrio, calcule as estimativas de , 0 , e 1 : 6, 5, 4, 6, 4 3) Se {Zt } satisfaz um modelo AR(1) com ' 0.7, de que modo podemos estimar o verdadeiro valor de = 1 com uma conana 95% que o nosso erro 5 0.1? 4) Considere um processo MA(1) para o qual sabemos que a mdia zero. Baseado num srie de tamanho 3, ns observamos Z1 = 0, Z2 = 1, e Z3 = 0.5. a) Mostrar que a estimativa de mnimos quadrados condicional de = 0.5. b) Encontrar uma estimativa da varincia do rudo 2 a. 5) Dado os dados Z0 = 10, Z1 = 10, Z2 = 9, e Z3 = 9.5, desejamos ajustar um modelo IMA(1,1) com um termo constante. a) Encontrar a estimativa de mnimos quadrados condicional de . b) Estime 2 a. 6) Considere duas parametrizaes do modelo AR(1): I. Zt = (Zt1 ) + at II. Zt = Zt1 + 0 + at onde 0 = (1 ) . Estimar e ou e 0 utilizando o mnimos quadrados condicionado a Z1 . Mostrar que com o modelo I ns somos levado a resolver equaes no-lineares para obter as estimativas, enquanto que no modelo II precisamos somente resolver equaes lineares. 7) Suponha que para um modelo ARMA(1,1), com N=152, foi obtido: = 0.85, = 0.6 e 2 a = 0.086. Obtenha intervalos de conana para e , com nvel de 95% de conana. 56

manoel@fct.unesp.br

CAPTULO 7. ESTIMAO DOS PARMETROS

8) Uma srie com 400 observaes apresentou os seguintes resultados: j 1 2 3 4 5 6 7 jj 0.8 -0.5 0.07 -0.02 -0.01 0.05 0.04 a) Explique por que podemos ajustar srie um modelo AR(2); b) Obtenha as estimativas de 1 e 2 do modelo AR(2) utilizando as equaes de Yule-Walker, e as estimativas do termo 0 e a V ar (at ) ; c) Verique se o modelo ajustado satisfaz as condies de estacionariedade; b e b como sendo os verdadeiros valores de e do processo d) Utilizando 1 2 1 2 AR(2), e determine os valores de b 1 , b 2 e b 3 . 9) Suponha que um programa de identicao forneceu os seguintes resultados: j 1 2 3 4 5 6 rj -0.82 0.41 -0.12 0.08 -0.09 0.05 jj -0.82 -0.43 -0.05 0.25 0.20 0.12 2 N = 100, Z = 0.08, SZ = 2.4. Identique um modelo para Zt e obtenha as estimativas preliminares dos parmetros.

57

Captulo 8

Diagnstico do Modelo
Nesta seo faremos o diagnstico do modelo, comeando com a anlise residual, e depois anlise de modelos sobre-parametrizada, que so, modelos mais gerais do que o modelo especicado mas contm o modelo especicado como um caso especial.

8.1

Anlise Residual

No captulo 3 apresentamos algumas idias de anlise residual para checar a adequacidade de uma tendncia determinstica ajustada. No modelo autoregressivo denimos facilmente os resduos. Considere em particular um modelo AR(2) com um termo constante: Zt = 1 Zt1 + 2 Zt2 + 0 + at (8.1) tendo estimado 1 , 2 , e 0 , os resduos so dendos como: b Zt1 b Zt2 b 0 b at = Zt 1 2 (8.2)

Os resduos iniciais b a1 e b a2 podem ser obtidos do procedimento de estimao utilizando valores passados para Z0 e Z1 . Para o modelo geral ARMA, precisamos colocar na forma autoregressiva de ordem innita, para denir os resduos, apresentada no captulo 4, teremos ento a seguinte equao X Zt = j Ztj + at (8.3)
j =1

os resduos sero denidos como

Aqui os j no so estimados diretamente a expresso acima, mas de funes implictas de 0 s e 0 s, utilizando a equao (6.34). No captulo 8 veremos que a equao X bt = Z bj Ztj (8.5)
j =1

b at = Zt

X j =1

bj Ztj

(8.4)

a melhor previso de Zt baseada em Zt1 , Zt2 , .... Alm disso a equao (7.4) pode ser escrita como Resduos = Real Predito(estimado) ou seja, bt b at = Zt Z 58 (8.6)

manoel@fct.unesp.br

CAPTULO 8. DIAGNSTICO DO MODELO

8.2

Autocorrelao dos Resduos

Para checar a independncia do rudo (erro) no modelo, vamos considerar inicialmente a funo de autocorrelao residual amostral, r bk . Para um n sucientemente grande, verica-se que os r bk so normalmente distribudos com mdia zero, e bj ) 0, para k 6= j Corr (r bk , r V ar (r bk ) 1 n (8.7) (8.8)

Sempre sob a suposio que o modelo ajustado apropriado. As autocorrelaes r bk so calculadas por n P b at b atk t=k+1 (8.9) r bk = n P b a2 t
t=1

Se considerarmos um modelo AR(1) especicado e estimado corretamente, mostrase que para um n grande 2 , n 1 1 2 2k2 V ar (r bk ) , k > 1, n 1 2 2k2 bk ) sin () , k>1 Corr (r b1 , r 1 1 2 2k2 V ar (r b1 ) 1, se > 0 0, se = 0 sin () = 1, se < 0 V ar (r b1 ) 2 2 n
2

(8.10)

(8.11)

onde

Para um modelo AR(2) mostra-se que:

(8.12)

2 2 2 + 1 (1 + 2 ) (8.13) n Se os parmetros 1 e 2 no estiverem na regio de estacionariedade, ento

V ar (r b2 )

8.3

O Teste de Box-Pierce

V ar (r bk )

1 , para k = 3 n

(8.14)

Box e Pierce (1970) propuseram um teste para as autocorrelaes dos resduos estimados, que, apesar de no detectar quebras especcas no comportamento de rudo branco, pode indicar se esses valores so muito altos. Se o modelo for adequado, a estatstica: K 2 X r bk Q = n (n + 2) (8.15) (n k )
k=1

tem uma distribuio Qui-Quadrado, , com K p q graus de liberdade (Ljung e Box, 1978). A hiptese de rudo branco para os resduos rejeitada para valores grandes de Q. Em geral basta tomar as primeiras 20 ou 25 primeiras r bk . 59

manoel@fct.unesp.br

CAPTULO 8. DIAGNSTICO DO MODELO

8.4

Exerccios

1) Suponha que os resduos obtidos ajustando-se o modelo Zt = (1 0.6X ) at a uma srie com N=127 observaes, forneceram as seguintes autocorrelaes residuais: k 1 2 3 4 5 6 7 8 9 10 rk (a) -0.4 0.02 -0.07 -0.01 -0.07 -0.02 -0.15 -0.07 0.04 0.02 a) Verique se h valores discrepantes; b) Use o teste de Box-Pierce para vericar se o modelo adequado. b = 1.56 e 2) Suponha que os resduos obtidos, ajustando-se o modelo AR(2), 1 b 2 = 0.66, de uma srie com N=120 observaes, forneceu as seguintes autocorrelaes residuais: j 1 2 3 4 5 6 7 8 9 10 11 r ba (j ) 0.18 -0.06 -0.04 -0.11 -0.04 0.13 0.19 -0.14 0.07 0.09 0.11 a) Verique atravs do teste de Box-Pierce se o modelo adequado. b) H indicaes de valores discrepantes? 3) Suponha que os resduos b at do modelo (1 X ) Zt = (1 + 0.6X ) at ajustados a uma srie com N=80 observaes, forneceu as seguintes autocorrelaes residuais: k 1 2 3 4 5 6 7 8 9 10 r ba (k ) 0.39 0.2 0.09 0.04 0.09 -0.13 -0.05 0.06 0.11 -0.02 a) Verique se o modelo adequado utilizando a estatstica de Box-Pierce. b) H indicaes de valores discrepantes?

12 0.09

60

Captulo 9

Previso com Modelos ARIMA


Um dos principais objetivos da anlise de sries temporais fazer previses futuras, a partir do modelo identicado, estimado e adequado. Neste captulo vamos considerar os clculos para as previses, e apresentaremos, tambm, as suas propriedades para os modelos com tendncia determinstica e para modelos ARIMA.

9.1

Clculo da Previso de Erro Quadrtico Mdio Mnimo

Seja a srie Zt , Zt1 , ..., Z1 , desejamos prever um valor Zt+h , ou seja, a origem t e o horinzonte h. A previso de erro quadrtico mdio mnimo (EQMM), denotada bt (h) , dada por por Z (Rever as propriedades de esperana condicional e EQMM de Predio nos apndices F e G). bt (h) = E (Zt+h /Zt , Zt1 , ..., Z1 ) Z (9.1)

9.2

Tendncia Determinstica
Zt = t + Xt (9.2)

Considere o modelo com tendncia determinstica

onde o componente estocstico, Xt , tem mdia zero e varincia 2 a. Para o modelo na equao (8.2) temos bt (h) = E t+h + Xt+h /Zt , Zt1 , ..., Z1 Z = E t+h /Zt , Zt1 , ..., Z1 + E (Xt+h /Zt , Zt1 , ..., Z1 ) = t+h + E (Xt+h ) ou bt (h) = t+h , h = 1 Z (9.3)

desde que para h = 1, Xt+h seja independente de Zt , Zt1 , ..., Z1 . Para o caso da tendncia linear, t = 0 + 1 t, a previso bt (h) = 0 + 1 (t + h) Z 61 (9.4)

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

Para uma tendncia sazonal de 12 meses, t = t+12 , nossa previso ser b bt (h + 12) . Alm disso, a previso ser peridica. Zt (h) = t+h = t+12+h = Z O erro de previso, et (h) , dado por bt (h) et (h) = Zt+h Z = t+h + Xt+h t+h = Xt+h E (et (h)) = E (Xt+h ) = 0 estas previses so no-viciadas, e V ar [et (h)] = V ar (Xt+h ) = 0 e a varincia do erro de previso. (9.6)

ento (9.5)

9.3

Previso ARIMA

Para os modelos ARIMA as previses podem ser obtidas por diferentes caminhos. Cada expresso contribuie para o nosso entendimento dos procedimentos de previso com respeito a clculo, atualizao, preciso, ou comportamento da previso a longo prazo.

9.3.1

Modelo AR(1)

Considere o processo AR(1) com mdia diferente de zero Zt = (Zt1 ) + at (9.7)

Considere a previso de 1 unidade no tempo futuro (horizonte: h = 1). Substituindo t por t + 1 na equao (8.7), temos Zt+1 = (Zt ) + at+1 (9.8)

Dado que Zt , Zt1 , ..., Z1 , tomamos a esperana condicional de ambos os lados da equao acima e obtemos: bt (1) = E [(Zt /Zt , Zt1 , ..., Z1 ) ] + E [at+1 /Zt , Zt1 , ..., Z1 ] Z (9.9)

Agora das propriedades de esperana condicional sabemos que E (H (X ) /X = x) = H (x) , temos E (Zt /Zt , Zt1 , ..., Z1 ) = Zt (9.10) Alm disso at+1 independente de Zt , Zt1 , ..., Z1 , obtemos ento a seguinte equao E [at+1 /Zt , Zt1 , ..., Z1 ] = E (at+1 ) = 0 Sendo assim, podemos escrever bt (1) = + (Zt ) Z (9.12) (9.11)

Vimos que, uma proporo multiplica o desvio (Zt ) somado com a mdia teremos o prximo valor futuro (horizonte). Agora para o caso geral para um tempo futuro h. Substituindo t por t + h na equao (8.7), e tomando as esperanas condicionais de ambos os lados, obtemos bt (h) = + Z bt (h 1) , h = 1 Z (9.13) 62

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

bt (h 1) e, para h = 1, at+h independesde que E (Zt+h1 /Zt , Zt1 , ..., Z1 ) = Z dente de Zt , Zt1 , ..., Z1 . A equao (8.13) recursiva em h, e chamada de equao diferena de previso. A partir da recurso obtemos a equao bt (h) = Z bt (h 1) + Z h i bt (h 2) + = Z . . . i h bt (1) + = h1 Z

ou

No caso geral, desde que || < 1, temos simplesmente bt (h) , para h grande Z

bt (h) = + h (Zt ) , h = 1 Z

(9.14)

(9.15)

9.3.2

Erro de Previso

O erro de previso a 1 passo, et (1) , dado como bt (1) et (1) = Zt+1 Z = (Zt ) + + at+1 [ + (Zt )] ou et (1) = at+1 por V ar [et (1)] = 2 a (9.17) Para investigar as propriedades do erro de previso a longo prazo, conveniente expressar o modelo AR(1) na forma de um processo linear geral, ou MA() Zt = + at + at1 + 2 at2 + ... Temos ento et (h) = Zt+h h (Zt ) = at+h + at+h1 + ... + h1 at+1 + h at + ... h (at + at1 + ...) vamos ter et (h) = at+h + at+h1 + ... + h1 at+1 que pode ser escrito como et (h) =
h 1 X j =0

(9.16)

Da equao (8.16) veremos que a varincia do erro de previso a 1 passo dada

(9.18)

(9.19)

j at+hj

(9.20)

esta equao pode ser utilizada para o caso geral dos modelos ARIMA. Note que E [et (h)] = 0, assim as previses so no-viciadas. Portanto da equao (8.20) temos h 1 X 2 (9.21) V ar [et (h)] = 2 a j
j =0

Ns vimos que a varincia do erro de previso cresce quando h aumenta.

63

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

Em particular para o caso AR(1) V ar [et (h)] = 2 a Para o tempo a longo prazo temos V ar [et (h)] 2 a ou 1 , para h grande 1 2 (9.23) 1 2h , h>1 1 2 (9.22)

V ar [et (h)] V ar (Zt ) = 0 , para h grande A equao (8.24) ser vlida para todos os processos ARMA estacionrios.

(9.24)

9.3.3

Modelo MA(1)
Zt = + at at1 (9.25)

Vamos considerar o caso MA(1) com a mdia diferente de zero:

De novo substituindo t por t + 1 na equao (8.25) e tomando as esperanas de ambos os lados, temos bt (1) = E (at /Zt , Zt1 , ..., Z1 ) Z E (at /Zt , Zt1 , ..., Z1 ) = at (9.26)

Entretanto, vimos no captulo 4 que, para um modelo invertvel, at uma funo de Zt , Zt1 , ....Assim utilizando as propriedades de esperana condicional temos (9.27) Utilizando (8.27) e (8.26), temos que a previso a 1 passo para o modelo MA(1) invertvel : bt (1) = at (9.28) Z

9.3.4

Erro de Previso

O erro de previso a 1 passo dado por bt (1) et (1) = Zt+1 Z = + at+1 at ( at ) et (1) = at+1 do processo linear geral temos ainda que et (h) = e
h 1 X j =0

j at+hj
h 1 X j =0

V ar [et (h)] = 2 a com 1 = e j = 0 para j > 1. Para um tempo a longo prazo temos

2 j

Mas para h > 1 ambos at+h e at+h1 so independentes de Zt , Zt1 , ..., Z1 . Consequentemente, estes valores esperados condicionais so zero, e temos bt (h) = , para h > 1 Z 64 (9.29)

bt (h) = + E (at+h /Zt , Zt1 , ..., Z1 ) E (at+h1 /Zt , Zt1 , ..., Z1 ) Z

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

9.3.5

O Caminho Aleatrio

Para ilustrar a previso com sries no-estacionrias, considere o caminho aleatrio denido por Zt = Zt1 + 0 + at , para t = m (9.30) Aqui e bt (1) = E (Zt /Zt , Zt1 , ..., Z1 ) + 0 + E (at+1 /Zt , Zt1 , ..., Z1 ) Z bt (1) = Zt + 0 Z

(9.31)

Similarmente, a forma da equao diferena para o h a longo prazo bt (h) = Z bt (h 1) + 0 , h = 1 Z bt (h) = Zt + h0 , h = 1 Z (9.32)

Recursivamente podemos obter a expresso

Se 0 6= 0, a previso no converge a longo prazo, mas segue uma linha reta com inclinao 0 para todo h. Note que a presena ou falta do termo constante 0 altera signicativamente a previso. Portanto, os termos constantes no so includos nos modelos ARIMA a menos que, haja evidncia que a mdia na srie diferenada seja signicativamente diferente de zero.

9.3.6

Erro de Previso
bt (1) = at+1 et (1) = Zt+1 Z

Vimos que nos modelos AR(1) e MA(1), o erro de previso a 1 passo

Tambm aqui temos

bt (h) et (h) = Zt+h Z = (Zt + h0 + at+1 + ... + at+h ) (Zt + h0 ) =


h 1 X j =0

at+hj

de acordo com a equao (8.20), desde que no modelo j = 1 para todo j. Da equao (8.21) ns temos V ar [et (h)] = 2 a que ,
h 1 X j =0

12

V ar [et (h)] = h 2 a, h = 1

(9.33)

Em contraste com o caso estacionrio, aqui V ar [et (h)] cresce sem limite a medida que o h aumenta. Ns vimos que esta propriedade caracterstica da varincia do erro de previso para todos os processos ARIMA no-estacionrios.

65

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

9.4

Modelo ARMA Estacionrio - Caso Geral

Para o caso geral do modelo ARMA(p,q) estacionrio e invertvel, a forma da equao diferena para o cculo da previso dada por bt (h 1) + 2 Z bt (h 2) + ... + p Z bt (h p) + 0 bt (h) = 1 Z (9.34) Z 1 E (at+h1 /Zt , Zt1 , ..., Z1 ) 2 E (at+h2 /Zt , Zt1 , ..., Z1 ) ... E (at+hq /Zt , Zt1 , ..., Z1 ) onde E (at+j /Zt , Zt1 , ..., Z1 ) = 0, para j = 1 at+j , para j 5 0 (9.35)

bt (j ) uma previso verdadeira para j > 0, mas Notamos que Z

9.4.1

Modelo ARMA(1,1)

bt (j ) = Zt+j , para (p 1) 5 j 5 0 Z

(9.36)

Considere o modelo ARMA(1,1), temos bt (1) = Zt + 0 at Z bt (1) + 0 bt (2) = Z Z (9.37)

com e para caso mais geral

Como as equaes (8.34) e (8.35) indicam, os termos do rudo at , at1 , ..., at(q1) aparecem diretamente no clculo das previses para h = 1, 2, ..., q. Entretanto, para h > q tomamos a parte autoregressiva da equao diferena, ou seja, bt (h 1) + 2 Z bt (h 2) + ... + p Z bt (h p) + 0 para h > q (9.40) bt (h) = 1 Z Z Se considerarmos 0 = 1 1 2 ... p , podemos escrever (8.40) como i i i h h h bt (h) = 1 Z bt (h 1) +2 Z bt (h 2) +...+p Z bt (h p) para h > q Z (9.41) bt (h) decai para zero quando h aumenNo processo estacionrio ARMA, Z ta, e a longo prazo a previso simplismente a mdia do processo, como visto anteriormente.

As equaes (8.37) e (8.38) podem ser resolvidas recursivamente para obter-se a expresso bt (h) = + h (Zt ) h1 at , para h = 1 (9.39) Z

bt (h 1) + 0 para h = 2 bt (h) = Z Z

(9.38)

9.5

Modelos No-Estacionrios ARIMA

Como foi mostrado no caminho aleatrio, a previso dos modelos ARIMA semelhante a previses para o modelo estacionrios ARMA, mas existe algumas diferenas. Vamos considerar um modelo ARIMA(p,1,q), que pode ser escrito como um ARMA(p+1,q) no-estacionrio, ou seja, = 1 Zt1 + 2 Zt2 + ... + p+1 Ztp1 + 0 +at 1 at1 2 at2 ... q atq para t > m Zt 66

(9.42)

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

onde 1 j p+1 = 1 + 1 = j j 1 , j = 2, 3, ..., p = p (9.43)

para a ordem geral de d diferenas, substituimos p + d por p + 1, e vamos ter p + d coecientes .

9.5.1

Modelo ARIMA(1,1,1)
Zt Zt1 = (Zt1 Zt2 ) + 0 + at at1 (9.44) (9.45)

Considere o modelo

ou Zt = (1 + )Zt1 Zt2 + 0 + at at1 A previso ser dada por bt (1) = (1 + )Zt Zt1 + 0 at Z bt (1) Zt + 0 bt (2) = (1 + )Z Z . . . b bt (h 1) Z bt (h 2) + 0 para h > 2 Zt (h) = (1 + )Z (9.46)

9.5.2

Erro de Previso

O erro de previso ser dado por et (h) = com e V ar [et (h)] = 2 a


h 1 X j =0

j at+hj , h = 1

(9.47)

E [et (h)] = 0, h = 1
h 1 X j =0

(9.48)

2 j, h = 1

(9.49)

Entretanto, para os modelos no-estacionrios os pesos j no decaem para zero quando j aumenta. Alm disso, para alguns modelos no-estacionrios, a equao (8.49) mostra que o a varincia do erro de previso crescer sem limite quando o h aumenta. Este fato no ser tambm uma supresa, desde que com sries noestacionrias o futuro distante quase incerto.

9.6

Atualizao das Previses


bt+1 (h) = h at+1 + h+1 at + h+2 at1 + ... t+1 : Z bt (h + 1) = h+1 at + h+2 at1 + ... t : Z bt (h + 1) + h at+1 bt+1 (h) = Z Z 67 (9.50) (9.51)

Vamos calcular as previses de Zt+h+1 feitas a partir de duas origens:

Subtraindo (8.51) de (8.50) temos que:

(9.52)

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

9.7

Assim, a previso de Zt+h+1 , feita no instante t, pode ser atualizada quando um novo dado, Zt+1 , observado. Deste modo, faremos a previso de Zt+h+1 , na bt (h + 1) um mltiplo do erro de previso et (1) = origem t + 1, adicionando-se Z b Zt+1 Zt (1) = at+1 .

Intervalo de Conana para Previso


bt (h) = t+l Z

Para um modelo com tendncia determinstica com rudo branco at , ns temos que

V ar [et (h)] = V ar (at+h ) = 0 bt (h) = at+h normalSe at N 0, 2 , ento o erro de previso et (h) = Zt+h Z mente distribudo. Alm disso, para um dado nvel de conana 1 , podemos utilizar a tabela da normal padronizada para encontrar um intervalo de (1 /2) 100% de conana, ou seja " # bt (h) Zt+h Z P z (1 /2) < p < z (1 /2) = 1 (9.53) V ar [et (h)]

9.8

ou h i p p bt (h) z (1 /2) V ar [et (h)] < Zt+h < Z bt (h) + z (1 /2) V ar [et (h)] P Z (9.54) temos que (1 /2) 100% de conana que as observaes futuras estaro contida dentro dos limites p bt (h) z (1 /2) V ar [et (h)] Z (9.55)

Transformaes e Previses

Se Zt a srie original, e Yt = g (Zt ) uma transformao (instantnea, que no involve Ztj , j = 1) de Zt . Uma das principais razes de se fazer uma transformao que Yt pode ser Gaussiana e, neste caso, a previso tima (no sentido de mnimos quadrados) uma funo linear das observaes. Em Econmia, comum termos sries com tendncia na mdia, de modo que tomando-se diferenas obtm-se sries estacionrias. Mas se a varincia aumenta com o tempo, s tomar diferenas pode no ser suciente e uma transformao dos dados dever ser tentada. O usual, para sries econmicas, tomar uma diferena do logaritmo da srie original. Para que a transformao logartmica seja apropriada, a mdia e o desvio-padro (ou outra medida de variabilidade) devero ser proporcionais. O problema que se apresenta o de obter previso para Zt+h , dado que temos um modelo para Yt e temos previses para: Yt+h = g (Zt+h ) (9.56)

Uma maneira ingnua de proceder considerar a equao (8.56) e substituir previses por valores futuros: bt (h) = g Z bt (h) . Y (9.57) 68

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

bt (h) em funo de Y bt (h) a partir de (8.57); em particDepois, tentamos obter Z ular, se g admite inversa, temos que bt (h) = g 1 Y bt (h) . Z Por exemplo, se Yt = ln Zt ento Zt = exp (Yt ), e uma previso para Zt+h ser bt (h) = exp Y bt (h) Z : (9.58)

(9.59)

Vemos, ento, que o procedimento (8.59) conduz a previses viciadas e, como consequncia, o EQM de previso aumentar. Se Yt = ln Zt segue um modelo ARIMA, ento sabemos que a distribuio b condiconal de Yt+h , dado o passado, N Yt (h) , V ar [et (h)] , e um intervalo de conana para Yt+h , com coeciente de 95% de conana, ser 0.5 d bt (h) 1.96 V ar [et (h)] Y (9.61)

Contudo, pode-se demonstrar que, no caso de Yt ser gaussiana, a previso tima 1 b exp Yt (h) + V ar [et (h)] (9.60) 2

9.9

d Lembremos que V ar [et (h)] a estimativa de V ar [et (h)], com 2 a substitudo c 2 por a , no ajuste do modelo Yt .

Daqui, segue-se que um intervalo de conana para Zt+h , com coeciente de 95% de conana, ser 0.5 b d exp Yt (h) 1.96 V ar [et (h)] (9.62)

Resumo de Previses para alguns Modelos ARIMA


AR(1): Zt = (Zt1 ) + at
bt (h 1) bt (h) = + Z Z = + h (Zt ) para h grande V ar [et (h)] = 2 a 1 2h 1 2 2 a para h grande 1 2 = j para j > 0

9.9.1

69

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

9.9.2

MA(1): Zt = + at at1
bt (h) = Z j at para h = 1 para h > 1 2 a
2 a para h=1 1 + 2 para h > 1

V ar [et (h)] = =

para h = 1 0 para h > 1

9.9.3

IMA(1,1) com termo constante: Zt = Zt1 + 0 + at at1


bt (1) = Zt + 0 at Z bt (h) = Zt + h0 at Z X = h0 + (1 ) j Ztj
j =0

V ar [et (h)] = 1 + (h 1) 1 2 j = 1 para j > 0 2 a Note que se 0 6= 0, a previso segue uma reta com inclinao 0 , mas se 0 = 0, bt (h) o mesmo para todo h. que o caso usual, ento Z

9.9.4

IMA(2,2): Zt = 2Zt1 Zt2 + 0 + at 1 at1 2 at2


bt (1) = 2Zt Zt1 + 0 1 at 2 at1 Z bt (1) Zt + 0 2 at bt (2) = 2Z Z bt (h 1) Z bt (h 2) + 0 , para h > 2 bt (h) = 2Z Z 0 = A + Bh + h2 , para h = 1 2

(9.63)

onde bt (1) Z bt (2) + 0 A = 2Z (9.64)

bt (2) Z bt (1) 3 0 B=Z (9.65) 2 Se 0 6= 0, ento a previso segue uma curva quadrtica em h, mas se 0 = 0, a bt (2) Z bt (1) e passar atravs das previso forma uma linha reta com inclinao Z bt (2). Podemos mostrar que a V ar [et (h)] uma bt (1) e Z duas previses iniciais Z funo cbica de h (Box e Jenkins,1976). Ns temos tambm j = 1 + 2 + (1 1 2 ) j para j > 0 (9.66)

9.10

Exerccios

bt (1) . 1) Para um modelo AR(1) com Zt = 12.2, = 0.5, e = 10.8, encontrar Z 2) Suponha que as vendas anuais (em milhes de reais) de uma empresa, segue o modelo AR(2): Zt = 5 + 1.1Zt1 0.5Zt2 + at , com 2 a =2 70

manoel@fct.unesp.br

CAPTULO 9. PREVISO COM MODELOS ARIMA

a) Se as vendas para 1985, 1984, e 1983 foram R$10 milhes, R$11 milhes, e R$9 milhes, respectivamente, prever as vendas para 1986 e 1987. b) Mostrar que 1 = 1.1 para este modelo. c) Calcule um intervalo de 95% de conana para os anos de 1986 e 1987. d) Se as vendas em 1986 so de R$12 milhes, qual ser a previso para 1987. 3) Considere o modelo Zt = 0 + 1 t + Xt com Xt = Xt1 + at Assumindo que 0 , 1 , e so conhecidos. Mostrar que o eqm mnimo de previso a h passos a frente pode ser escrito como bt (h) = 0 + 1 (t + h) + h (Zt 0 1 t) Z

4) Verique a equao (8.22) 5) Verique a equao (8.39) bt (h) , h = 1, 2, ..., para os seguintes modelos 6) Obtenha a funo de previso Z ARIMA: 2 a) 1 X 0 . 25 X 0.5X ) at Zt = (1 + 2 b) Zt 1 0.5X + 0.5X = at 1 0.5X 0.25X 2 7) Considere o modelo Zt = 0.8(Zt ) + at , at N (0, 1) . Suponha os seguintes dados: t 1 2 3 4 5 6 7 Zt 6 5 4 6 4 7 5 bt (h) para h = 1, 2, 3 e 25. Obtenha: a) Z b) A V ar [et (h)] para h = 1, 2, 3 e 25. c) Os intervalos com 95% de conana para Z8 , Z9 e Z10 . 8) As seguintes observaes Z91 , Z92 , ..., Z100 representam os valores de uma srie temporal ajustada pelo modelo: Zt Zt1 = at 1.1at1 + 0.3at2 , onde os valores so Z = [166; 172; 172; 169; 164; 168; 171; 167; 168; 172] b100 (h), h = 1, 2, ..., 10 (utilize b a99 = b a100 = 0). a) Calcule as previses Z 2 b) Sabendo que a = 1.1, calcule a V ar [et (h)], h = 1, 2, ...10 e construa intervalos de conana para os valores Zt+h . c) Determine os coecientes j e, utilizando a nova observao Z101 = 174, b101 (h) , h = 1, ..., 9. calcule as previses atualizadas Z 9) Considere o modelo Zt = 0.8Zt + at , com at N (0, 1) . bt (h) para h = 1, 2, 3, 4. a) Obtenha Z b) Obtenha a V ar [et (h)], h = 1, 2, 3, 4. t 1 2 3 4 5 6 7 c) Suponha os dados: Zt 0.66 0.57 0.66 -1.47 -1.38 -1.9 -0.7 bt (h) para h = 1, 2, 3, 4. c.1) Calcule Z c.2) Obtenha um intervalo de 95% de conana para Z8 e Z9 . 10) a) Mostre como se faz previses no modelo ARIMA(1,1,1) utilizando a bt (1) = at+1 para que as previses equao diferena. Utilize o fato que Zt+1 Z quem apenas em funo das observaes. b) Mostre como previses podem ser atualizadas. c) Utilizando o modelo do item a), suponha que sua srie Z1 , Z2 , ..., Z100 . Quando o valor real Z101 for conhecido como voc atualizaria sua previso?

71

Captulo 10

Modelos Sazonais
No captulo 3 vimos um pouco sobre tendncia sazonal, neste captulo vamos estudar os modelos sazonais determinsticos e estocsticos, procurando dar mais enfase aos modelos estocsticos, ou seja, os modelos de Box-Jenkins, para sries sazonais, chamados SARIMA. possvel que, mesmo aps eliminar a componente sazonal determinstica, ainda reste correlao signicativa em: (i) lags de baixa ordem, indicando que os resduos ainda so correlacionados, podendo-se ajust-los atravs de um modelo ARIMA; (ii) lags sazonais, isto , mltiplos de perodo s. Isto signica que h necessidade de se considerar uma sazonalidade estocstica, ou seja, ajustar srie original um modelo ARIMA sazonal (SARIMA). Consideraremos, por simplicidade, dados observados mensalmente e sazonalidade de perodo s = 12. Trataremos, separadamente, os dois tipos de sazonalidade.

10.1

Sazonalidade Determinstica

Quando Zt exibe um comportamento sazonal determinstico com perodo 12, um modelo que pode ser til : Zt = t + Nt (10.1)

e Nt um processo estacionrio que pode ser modelado por um ARMA(p, q ). Dessa maneira, Nt satisfaz equao (X ) Nt = (X ) at onde at rudo branco e t tem soluo geral dada por: t = +
6 X j =1

onde t uma funo determinstica perodica, satisfazendo t t12 = 0, ou (10.2) 1 X 12 t = 0

(10.3)

j cos

(2 jt) (2 jt) + j sen 12 12

(10.4)

onde , j , j , j = 1, ..., 6, so constantes desconhecidas. Para um modelo sazonal determinstico, aplicando a diferena sazonal 1 X 12 expresso (9.1), temos: (10.5) 1 X 12 Zt = 1 X 12 t + 1 X 12 Nt 72

manoel@fct.unesp.br

CAPTULO 10. MODELOS SAZONAIS

de acordo com (9.2), temos: 1 X 12 Zt = 1 X 12 Nt Substituindo (9.3) em (9.5), temos: 1 X 12 Zt (X ) 1 X 12 Zt (X ) Wt onde Wt = 1 X 12 Zt . (X ) 1 X 12 at (X ) = 1 X 12 (X ) at = 1 X 12 (X ) at =

(10.6)

(10.7)

10.2

Identicao

A identicao de modelos da forma (9.7) feita em 2 passos: e de , j e , j = 1, ..., 6, em I. Obtemos as estimativas preliminares e, ej , j j jt) jt) (9.4), atravs de uma anlise de regresso de Zt sobre 1, sen (212 e cos (212 , j = 1, ..., 6. II. Calculamos os resduos: 6 X (2 jt) e (2jt) et = Zt N e e j cos + j sen 12 12 j =1 e examinamos as funes de autocorrelao e autocorrelao parcial para identicar um modelo ARMA(p,q) para Nt .

10.3

Estimao

A estimao de mxima verossimilhana dos parmetros , j e j , j = 1, ..., 6, obtida por mtodos similares aqueles apresentados na estimao dos parmetros de um modelo ARMA.

10.4

Previso
bt (h) = E (Zt+h /Zt , Zt1 , ..., Z1 ) Z = E t+h + Nt+h /Yt , Yt1 , ..., Y1 = t+h + E (Nt+h /Yt , Yt1 , ..., Y1 )

As previses de valores futuros Zt+h , dados Z1 , ..., Zt , so obtidos observando que:

vamos ter

c onde t+h e N t (h) so calculados utilizando os modelos (9.4) e (9.3), respectivamente. O et obtido atravs de (9.4), substituindo cada um dos parmetros pelos seus estimadores de minmos quadrados de , j e j e substituindo Nt por et = Zt N et .

bt (h) = t+h + N c Z t (h)

(10.8)

73

manoel@fct.unesp.br

CAPTULO 10. MODELOS SAZONAIS

10.5

Sazonalidade Estocstica

Pode ser adequado considerar t em (9.1) como um processo estocstico satisfazendo: 1 X 12 t = Yt (10.9) onde Yt um processo estacionrio. Aplicando, agora, o operador 1 X 12 equao (9.1), obtemos: 1 X 12 Zt = 1 X 12 t + 1 X 12 Nt De acordo com (9.9), temos: 1 X 12 Zt = Yt + 1 X 12 Nt (10.10)

com Y (X ) Yt = Y (X ) at e N (X ) Nt = N (X ) t , onde at e t so rudos brancos independentes. Podemos demonstrar que a expresso (9.10) equivalente a:

D 1 1 X 12 ... P X 12P 1 X 12 Zt = 1 1 X 12 ... Q X 12Q t (10.11) ou 12 X 12 D (10.12) t 12 Zt = X 12P onde (X ) = 1 1 X 12 o operador AR-Sazonal de ordem PX ... 12 12Q P, estacionrio; (X ) = 1 X ... X o operador MA-Sazonal Q 1 12 de ordem Q, invertvel; 12 = 1 X o operador diferena Sazonal; 12 = D 1 X 12 , indicando o nmero de diferenas sazonais , onde t pode ser, eventualmente, rudo branco; neste caso, a fac do processo Zt zero para todos os lags no-sazonais e o modelo (9.11) denominado modelo sazonal puro. Supondo, que o processo t em (9.12) satisfaz um modelo ARIMA(p,d,q ), (X ) t = (X ) at (10.13)

onde at um processo de rudo branco. Ento, demonstra-se que Zt satisfaz o modelo 12 (X ) X 12 D (10.14) at 12 Zt = (X ) X onde (X ) = 1 1 X ... p X p e (X ) = (1 1 X ... q X q ), e os demais polinmios denidos em (9.12). O modelo (9.14) denominado ARIMA sazonal multiplicativo (SARIMA) de ordem (p,d,q) (P, D, Q)12 .

10.6

Identicao, Estimao e Vericao

Em princpio no teremos nenhuma diculdade adicional nestas trs etapas para os modelos sazonais. A diferena que temos que diferenar a srie com respeito a e 12 (se s = 12), a m de produzir estacionariedade, obtendo valores para d e D. Inspecionamos as fac e facp amostrais da srie adequadamente diferenada nos lags 1,2,3,... para obter valores de p e q nos lags 12,24,36,... para obter valores de P e Q, selecionando-se, desse modo, um modelo tentativo. Estimam-se os valores dos parmetros identicados, utilizando estimadores de mxima verossimilhana. Finalmente, para vericar se o modelo proposto adequado, utilizam-se testes de autocorrelao residual, Box-Pierce, etc. 74

manoel@fct.unesp.br

CAPTULO 10. MODELOS SAZONAIS

10.7
10.7.1

Exemplos de Modelos Sazonais


Exemplo 1

Modelo Sazonal MA(Q )s de ordem Q: Zt = at 1 ats ... Q atQs (10.15) (10.16)

podemos vericar que esta srie estacionria e que a fac ser diferente de zero somente nos lags sazonais de s, 2s, 3s, ..., Qs. Temos um caso especial quando q = Qs, com todos os 0 s = 0, exceto para s, 2s, ..., Qs. Particularmente, ks = k + 1 k+1 + ... + Qk Q , k = 1, ..., Q 2 1 + 2 1 + ... + Q (10.17)

com polinmio caracterstico sazonal MA (X ) = 1 1 X s ... Q X sQ

o modelo ser invertvel se as razes de (X ) = 0 excede a unidade em valor absoluto.

10.7.2

Exemplo 2
Zt = 1 Zts + ... + P ZtP s + at (10.18)

Modelo Sazonal AR(P) s de ordem P:

Estamos supondo que at independente de Zt1 , Zt2 , ... e, para a srie ser estacionria as razes de (X ) = 0 so maiores que 1 em valor absoluto. Novamete um caso especial quando p = P s, com todos os 0 s = 0, exceto nos lags s, 2s, ..., P s.

com polinmio caracterstico sazonal AR (X ) = 1 1 X 12 ... P X 12P

(10.19)

10.7.3

Exemplo 3

Modelo Sazonal Multiplicativo ARMA(p,q) (P, Q)s : (10.20) (X ) X 12 Zt = (X ) X 12 at 12 com caractersticos AR s (X ) e X , e polinmios MAs (X ) e polinmios X 12 .

10.7.4

Exemplo 4

Modelo ARIMA(0,1,1) (1, 0, 1)12 Zt Zt1 = (Zt12 Zt13 ) + at at1 at12 + at13 A funo de previso a um passo dada por: bt (1) = Zt + Zt11 Zt12 at at12 + at12 Z bt (1) + Zt10 Zt11 at10 + at11 bt (2) = Z Z (10.22) (10.21)

Os termos do rudo at13 , at12 , ..., at entram na previso para h = 1, 2, ..., 13, mas para h > 13 tomamos a parte autoregressiva do modelo, e temos bt (2) = Z bt (h 1) + Zt (h 12) Zt (h 13) , para h > 13 Z (10.23)

Para entender melhor os modelos de previso, vamos considerar alguns casos especiais a seguir. 75

manoel@fct.unesp.br

CAPTULO 10. MODELOS SAZONAIS

10.7.5

Exemplo 5
Zt = Zt12 + at (10.24) (10.25)

O modelo sazonal AR(1)12 Vamos ter ento

Entretanto podemos escrev-lo como

bt (h) = Z bt (h 12) Z

onde k e r so denidos por h = 12k + r + 1 com 0 5 r < 12 e k = 0, 1, 2, ....Em outras palavras, k a parte inteira de (h 1) /12, e r/12 a parte fracional de (h 1) /12. Vamos determinar os pesos 0 s para esse modelo, sabendo que, somente para os mltiplos de 12, eles so diferente de zero, ou seja j/12 , j = 0, 12, 24, ... (10.27) j = 0, caso contrrio temos ento que a varincia do erro de previso pode ser escrita como V ar [et (h)] = onde h = 12k + r + 1. 1 2k+2 2 1 2 a (10.28)

bt (h) = k+1 Zt+r11 Z

(10.26)

10.7.6

Exemplo 6

Modelo sazonal MA(1)12, temos Zt = at at12 + 0 Neste caso temos a seguinte funo de previso b (1) = at11 + 0 Z b (2) = at10 + 0 Z . . . b Z (h) = 0 , para h > 12 (10.30) (10.29)

Aqui obtemos diferentes previses para os meses do primeiro ano, mas para os anos seguintes as previses so dadas pela mdia do processo. Para este modelo 0 = 1, 12 = , e j = 0 caso contrrio. Alm disso, teremos a seguinte varincia para o erro de previso 2 15 h 5 12 a, 2 V ar [et (h)] = (10.31) 1 + 2 a , h > 12

10.7.7

Exemplo 7

Modelo ARIMA(0, 0, 0) (0, 1, 1) 12, temos Zt Zt12 = at at12 (10.32)

76

manoel@fct.unesp.br

CAPTULO 10. MODELOS SAZONAIS

Com funo de previso dada por: b (1) = Zt11 at11 Z b (2) = Zt10 at10 Z . . . b bt (h 12) , h > 12 Zt (12) = Z (10.33)

Observamos que todos os meses de janeiro, fevereiro,..., dezembro, tem previses idnticas entre si, e assim por diante. Neste caso temos j = 1 , para j = 12, 24, ..., e zero caso contrrio. A varincia do erro de previso dada, ento, por h i 2 , (10.34) V ar [et (h)] = 2 a 1 + k (1 ) onde h = 12k + r + 1, k = 0, 1, ..., e 0 5 r < 12.

10.7.8

Exemplo 8
(10.35)

Modelo ARIMA(0, 1, 1) (0, 1, 1) 12, temos Zt = Zt1 + Zt12 Zt13 + at at1 at12 + at13 A funo de previso satisfaz bt (1) = Zt + Zt11 Zt12 at1 at11 + at12 Z bt (1) + Zt10 Zt11 at10 + at11 bt (2) = Z Z . . . b bt (11) + Zt Zt1 at + at1 Zt (12) = Z b (12) + Z bt (1) Zt + at bt (13) = Z Z bt (h) = Z b (h 1) + Z bt (h 12) Z bt (h 13) , para h > 13 Z 6 X 2 jh 2 jh B1j cos + B2j sin , h>0 12 12 j =0 (10.36)

Para entender o padro geral dessas previses, podemos utilizar a representao bt (h) = A1 + A2 h + Z (10.37)

onde Aj e Bj so independentes de Zt , Zt1 , ..., ou, alternativamente, determinados bt (2) , ..., Z bt (13) . bt (1) , Z das previses iniciais Z Este resultado segue-se da teoria geral das equaes diferenas e envolve as razes de (1 X ) 1 X 12 = 0. (ver Abraham & Box, 1978).

10.8

Exerccios
Zt = Zt4 + at 1 at1 2 at2

1) Baseado em dados trimestrais, um modelo sazonal da forma

foi ajustado para srie temporal. a) Encontrar os 4 primeiros pesos 0 s deste modelo. b) Suponha que 1 = 0.5, 2 = 0.25, e 2 a = 1 e que os dados para os ltimos 4 trimestres so: 77

manoel@fct.unesp.br

CAPTULO 10. MODELOS SAZONAIS

I II III IV Srie 25 20 25 40 Resduo 2 1 2 3 Encontre a previso para os prximos 4 trimestres. c) Encontre um intervalo de 95% de conana para as previses em b. 2) Para o modelo sazonal Zt = Zt4 + at at1 , com || < 1, encontrar 0 e k para k > 0. 3) Identique os seguintes modelos sazonais multiplicativos ARIMA: a) Zt = 0.5Zt1 + Zt4 0.5Zt5 + at 0.3at1 . b) Zt = Zt1 + Zt12 Zt13 + at 0.5at1 0.5at12 + 0.25at13 . 4) Suponha que o processo {Zt } se desenvolve de acordo com Zt = Zt4 + at , para t > 4 com Zt = at para t = 1, 2, 3, 4. Encontrar a funo varincia e a funo de autocorrelao para {Zt } .

78

Apndice A

Esperana Condicional
Se X e Y tem f.d.p. conjunta f (x, y ) e seja f (x) a f.d.p. marginal de X, ento a f.d.p. condicional de Y |X = x dada por f (x|y ) = f (x, y ) . f (x)

A esperana condicional de Y |X = x ento denida como Z yf (y |x) dy. E (Y |X = x) =

Observe que a mdia da distribuio condicional, e alm disso, tem todas as propriedades de mdias comum e valores esperados. Por exemplo, E (aY + bZ |X = x) = aE (Y |X = x) + bE (Z |X = x) e E [h (Y ) |X = x] = Z

h (y ) f (y |x) dy.

Pode-se demonstrar a seguinte propriedade E [h (X ) |X = x] = h (X ) a varivel aleatria h (X ) pode ser tratada como uma constante. Contudo geralmente, E [h (X, Y ) |X = x] = E [h (x, Y ) |X = x] . Se zer E [h (X ) |X = x] = g (x) , ento g (X ) = Y uma v.a., e E [g (X )] = E (Y ) . Que pode ser escrito como E [E (Y |X )] = E (Y ) .Se Y independente de X , ento E (Y |X ) = E (Y ) .

79

Apndice B

Predio de Erro Quadrtico Mdio Mnimo


Suponha Y uma v.a. com mdia y e varincia 2 y . Se o objetivo fazer a predio de Y utilizando somente uma constante c, qual a melhor escolha para c? Um bom critrio escolher um valor de c que minimiza o erro quadrtico mdio (EQM) de predio, ou seja, 2 min g (c) = E (Y c) . Expandindo g (c) , temos g (c) = E Y 2 2cE (Y ) + c2 g 0 (c) = 2E (Y ) + 2c = 0 encontrando c = E (Y ) = y nota-se que 2 min g (c) = E Y y = 2 y. (B.1) (B.2)

como g (c) uma funo quadrtica em c, resolvendo a equao g 0 (c) = 0, encontrase o ponto de mnimo da funo, tem-se ento

Agora considere a situao em que uma segunda v.a. X utilizada, e deseja-se utilizar o valor observado de X para predizer Y.Seja = Corr(X, Y ). Supondo que, somente funes lineares a + bX podem ser utilizadas para predi. O EQM ento dado por g (a, b) = E (Y a bX )2 expandindo a funo g (a, b) tem-se g (a, b) = E Y 2 + a2 + b2 E X 2 2aE (Y ) + 2abE (X ) 2bE (XY ) . g (a, b) g (a, b) =0e = 0. a b tem-se g (a, b) = 2a 2E (Y ) + 2bE (X ) = 0 a 80

A funo quadrtica em a e b. Alm disso, pode-se encontrar o ponto de mnimo resolvendo simultaneamente as equaes lineares

manoel@fct.unesp.br APNDICE B. PREDIO DE ERRO QUADRTICO MDIO MNIMO

g (a, b) = 2bE X 2 + 2aE (X ) 2E (XY ) = 0 b as quais podemos escrever como a + E (X ) b = E (Y ) E (X ) a + E X 2 b = E (XY ) (B.3) (B.4)

multiplicando (B.3) por E (X ) e subtraindo de (B.4) obtm-se: E X 2 b E 2 (X ) b = E (XY ) E (X ) E (Y ) obtendo b= ou E (XY ) E (X ) E (Y ) Cov (X, Y ) = E (X 2 ) E 2 (X ) V ar (X ) s V ar (Y ) y = V ar (X ) x

b = Corr (X, Y )

ento substituindo em (B.3) o valor de b obtm-se: a = E (Y ) a = y y E (X ) x

y x x

b a predio de EQM mnimo de Y , baseado numa funo linear de X, ento Se Y pode-se escrever b = y y x + y X Y (B.5) x x ou b y Y X x = y x em termos de v.a. padronizadas Y 0 e X 0 , tem-se Y 0 = X 0 . Pode-se vericar tambm que 2 y y 2 b min g b a, b = E Y x + X = 2 . y 1 x x 2 y y min g b a, b b = E Y x + X x x !2 b y Y X x = 2 yE y x 0 2 0 0 0 = 2 y V ar (Y ) + V ar (X ) 2Cov (Y , X ) 2 2 2 = 2 . y 1 + 2 = y 1

Prova

Considere agora o caso mais geral do problema de predio de Y com uma funo arbitrria de X . Desde que o critrio escolhido seja minimizar o EQM de predio, precisa-se escolher uma funo h (X ) que minimize E [Y h (X )] 81
2

(B.6)

manoel@fct.unesp.br APNDICE B. PREDIO DE ERRO QUADRTICO MDIO MNIMO

pode-se escrever esta funo como: n o E [Y h (X )]2 = E E [Y h (X )]2 |X (B.7)

para cada valor de x, h (x) uma constante, e pode-se aplicar o resultado E (Y ) = y para a distribuio condicional Y |X = x. Alm disso, para cada x, a melhor escolha de h (x) h (x) = E (Y |X = x) . Desde que a escolha de h (x) minimize a esperana interna na equao (B.7), a funo h (x), tambm fornece o mnimo da equao (B.5), e h (X ) = E (Y |X ) o melhor preditor de Y de todas as funes de X. Se X e Y tem distribuio normal bivariada, mostra-se que E (Y |X ) = y + y (X x ) x (B.10) (B.9)

para X = x obtm-se E [Y h (X )]2 |X = x = E [Y h (x)]2 |X = x

(B.8)

observa-se que as solues (B.10) e (B.5) coincidem. Neste caso, a melhor de todas as funes linear. Agora se a predio de Y for baseada numa funo de variveis aleatrias X1 , X2 , ..., Xn , ento pode-se argumentar facilmente que o preditor de EQM mnimo dado por E (Y |X1 , X2 , ..., Xn )

82

Referncias Bibliogrcas
[1] BOX, G.E.P. & JENKINS, G.W. Time Series Analysis, Forecasting and Control. Holden-Day, 1976. [2] BOX, G.E.P. & JENKINS, G.W. and REINSEL, G.C. Time Series Analysis: Forecasting and Control. Third Edition. Prentice-Hall, Englewood Clis, N.J., 1994 [3] MORETTIN, P.A. & TOLOI, C.M. Previso de Sries Temporais. So Paulo, Atual, 1985. [4] MORETTIN, P.A. & TOLOI, C.M. Anlise de Sries Temporais. Editora Edgard Blcher, So Paulo, 2004. [5] CRYER, J.D. Time Series Analysis. PWA- Dent Publishing Company-Boston, 1986. [6] CHATFIELD, C. The Analysis of Time Series: An Introduction. Chapman-Hall, 1984. [7] MONTGOMERY, D.C. & JONHSON, L.A. Forecasting and Time Series Analysis New York, Mcgraw-Hill, 1976.

83