Beruflich Dokumente
Kultur Dokumente
Modulo I
Matrícula: 11028003401
Belém-PA
2014
Introdução
Morettin e Toloi (1987) mostram que a construcão dos modelos ARIMA e baseada em
um ciclo iterativo, no qual a escolha do modelo é feita com base nos próprios dados.
Segundo Box e Jenkins (1976). Os estágios do ciclo iterativo são:
Modelos ARIMA
Onde:
ϕi são parâmetros da estrutura, i = 1,..., p (ordem da estrutura)
at é ruído branco com média zero e variância 𝜎 2 𝑎 .
𝜙 𝐵 = 1 − 𝜙1 𝐵 − 𝜙2 𝐵2 − … − 𝜙𝑝 𝐵𝑝
Função de autocorrelação
ρj = φ1 ρ j –1 + φ2 ρ j –2 + ...+ φp ρ j – p
Então
ρ1 = φ1 ρ j –1 + φ2 ρ j –2 + ...+ φpρ p – 1
ρ2 = φ1 ρ j –1 + φ2 ρ j –2 + ...+ φpρ p – 2
....
ρ p = φ1 ρ j –1 + φ2 ρ j –2 + ...+ φp
Sendo que, neste caso, para j = 1, 2,..., p estas equações são denominadas de Yule-
Walker, onde, em forma matricial, ficam:
Onde:
ϕi são os parâmetros da estrutura auto-regressiva, i = 1,..., p
θ i são os parâmetros da estrutura médias móveis, i = 1,..., q
at .ruído branco
𝜙 𝐵 𝑍𝑡 = Ѳ(𝐵)𝑎𝑡
ρj = φ1 ρ j –1 + φ2 ρ j –2 + ...+ φp ρ j – p
ϕ(B) ∇𝑑 𝑍𝑡 = Ѳ(𝐵)𝑎𝑡
Onde:
ϕ(B) representa o operador auto-regressivo de ordem p
ϴ(B) representa o operador médias móveis de ordem q
at ruído branco
d representa o número de diferenças
∇ =1− B representa o operador diferença
Etapas:
a) Verificar se existe a necessidade de uma transformação na série original, com
objetivo de estabilizar a variância;
b) Tornar a série estacionária por meio de diferenças, de modo que o processo dZt
seja reduzido a um ARMA(p,q)
c) Identificar o processo ARMA(p,q) resultante.
d) Verificação da estacionariedade e da invertibilidade.
Condições de estacionariedade/invertibilidade :
Assim, a partir das FAC. estimadas, tentamos identificar um padrão que se comporte
teóricamente com algum modelo.
Critério de Informação
São alguns procedimentos de identificação utilizado que minimizam funções
penalizadoras particulares.
Consideram não apenas a qualidade do ajuste, mas também penalizam a inclusão de
parâmetros extras.
Os critérios de informação são utilizados para comparação de modelos e que levam em
conta a variância do erro, o tamanho da amostra N e os valores de p, q.
Regra básica: selecionar o modelo cujo critério de informação calculado seja mínimo.
Critérios de informação mais usados:
a. Akaike (AIC) :
b. Schwarz (SIC) :
SIC(k) = N ln(RSS) + k ln (N)
BIC(k)=-2logVerossimilhança Maximizada + k +k ln N
n : número de observações
k : número de parâmetros estimados
RSS : Soma dos quadrados dos resíduos
Identificado a ordem de um modelo ARIMA para uma série temporal precisamos agora
estimar os parâmetros deste modelo. Para isso, podemos utilizar método dos momentos,
estimadores de minimos quadrados e estimadores máxima verossimelhança.
Vale a pena ressaltar que previsões utilizando modelos ARIMA serão eficazes para um
período curto e as melhores previsões serão aquelas que apresentam um errro quadrático
médio(EQM) mínimo.
Aplicação
Figura 1. Gráfico da série Produto Interno Bruto (PIB) do Brasil, observações anuais de
1861 a 1986
900
800
700
600
500
400
300
200
100
1 13 26 39 52 65 78 91 104 117
Identificação do Modelo
1,0
0,8
0,6
0,4
Autocorrelação
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20
1,0
0,8
0,6
Autocorrelatção Parcial
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20
FAC da 1ª Diferença
1,0
0,8
0,6
0,4
Autocorrelação
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20
FAC 2ª Diferença
1,0
0,8
0,6
0,4
Autocorrelação
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20
Estimativa do Modelo
Verificação do Modelo
Essa etapa consiste em verificar se o modelo identificado é adequado. Em caso
negativo, será necessário identificar outro modelo e repetir as etapas de estimativa e
verificação. A forma de verificação utilizada foi:
1,0
0,8
0,6
0,4
Autocorrelação
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20
[1] MORETTIN, Pedro A. e TOLOI, Clélia M. S´eries Temporais, 2a ed. Editora Atual,
1987.
[2] http://www.portalaction.com.br/1479-47-diagn%C3%B3stico-de-modelos-arima