Академический Документы
Профессиональный Документы
Культура Документы
Aula 36
em que
t ~ RB 0, 2
Especificação
Identificação
Estimação
Diagnóstico
Especificação
Cov( xt , xt h ) h
h Corr( xt , xt h )
Var( xt ) 0
1 nh
ˆ h n t 1
xt x xt h x
ˆ h
ˆ 0 n
xt x
1 2
n t 1
Identificação
m ˆ 2
LB ( m ) n ( n 2 ) h m2
nh
h 1
Observações
1 1 1
1 1 1 1 2
1 2 2 1 3
11 1 22 33
1 1 1 1 2
1 1 1 1 1
2 1 1
Identificação
Para um k genérico
*
Pk
kk ~
Pk
~
em que
Pk é a matriz de auto-correlações;
Pk* é a matriz Pk com a última coluna substituída pelo
vetor de auto-correlações.
Estimação
Observação
Além dos EMV, para o caso de modelos autorregressivos,
também podemos considerar os estimadores de Yule-Walker.
Estimação
Exemplo 1
Considere que
X t 0 1 X t 1 t .
1
L | X , x0 2
T
2 T / 2
X 0 1 X t 1
2
exp 2
~ ~ 2
t
t 1
Estimação
Exemplo 2
Considere que
X t 0 t 1 t 1 ... q t q
em que
t ~ N(0, 2).
Exemplo 2 (cont.)
1 X 1 0 ,
2 X 2 0 11
e a partir desses valores formamos a função de
verossimilhança.
Exercício 1
Uma série temporal Yt, t = 1,...T, foi gerada por um processo
da classe ARMA(p,q) e apresenta os seguintes formatos para
a Função de Autocorrelação (FAC) e Função de
Autocorrelação Parcial (FACP):
Voltando à Identificação
Voltando à Identificação
l k
AIC 2 2
T T
em que
l – log-verossimilhança;
T – número de observações;
k – número de parâmetros estimados.
Observação
Voltando à Identificação
l log(T )
SIC 2 k
T T
em que
l – log-verossimilhança;
T – número de observações;
k – número de parâmetros estimados.
Diagnóstico
r̂k
as auto-correlações entre os resíduos, que, aqui, serão
denotados por
aˆt .
Assim, as auto-correlações, serão dadas pela seguinte
n
aˆt aˆt k
expressão:
t k 1
rˆk n
t
ˆ
a 2
t 1
Diagnóstico
1
rˆk ~ N 0,
n
sob a suposição que o modelo ajustado é apropriado.
Diagnóstico
h 1
em que
n – tamanho da amostra;
m – duração da defasagem.
Sob H0,
Q m p q
2
m rˆh2
LB( m) n ( n 2)
2
m p q
h 1 n h
Observações Finais