Академический Документы
Профессиональный Документы
Культура Документы
Instituto de Matem´atica
Departamento de M´etodos Estat´ısticos
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Sumário
1 Introdução 3
1.1 Noções Básicas . . . . . . . . . . . . . . . . . . . . . . 4
2. Fundamentos Probabilı́sticos . . . . . . . . . . . . . . 9
3. Processos Estacionários . . . . . . . . . . . . . . . . . 14
4. Modelos de séries temporais . . . . . . . . . . . . . . . 27
2 Modelos de Regress˜ao 35
2.1 Revis˜ao de Modelos Lineares . . . . . . . . . . . . . . 38 2.2 Previs˜ao .
. . . . . . . . . . . . . . . . . . . . . . . . 43 2.3 Modelos Sazonais . . . .
. . . . . . . . . . . . . . . . 47
3 C apitulo 52
4 Modelos ARIMA 53
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . 55
2. Modelo de Filtro Linear . . . . . . . . . . . . . . . . . 56
3. Estacionariedade e Invertibilidade . . . . . . . . . . . . 59
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1. Introdu¸c˜ao
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1.1. Noc¸˜oesB´asicas
Exemplos de aplica¸c˜oes:
Economia: pre¸cos diarios´ de ac¸˜oes; taxa de desemprego. Medicina:
n´ıveis de eletrocardiograma ou eletroencefalograma. Epidemiologia:
casos semanais de sarampo; casos mensais de AIDS. Metereologia:
temperatura di´aria; registro de mar´es, . . .
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Classifica¸c˜ao:
S´erie temporal ´eo conjunto de observa¸c˜oes {Y (t), t ∈T }, Y : vari´avel de
interesse, T : conjunto de ´ındices
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Y pode tamb´em ser discreto ou cont´ınuo. Muitas vezes, Y ´ediscreto
mas pode ser tratado como cont´ınuo.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Objetivos de uma an´alise de s´eriestemporais
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Predizer o futuro possibilita:
• Fazer planos a longo, m´edio e curto prazo;
• Tomar decis˜oes apropriadas.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1.2. Fundamentos Probabil´ısticos
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Para cada t, Y (t) tem uma distribui¸c˜ao de probabilidade. Pode ser a
mesma ou n˜ao.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Uma forma alternativa de defini¸c˜ao de processo estat´ıstico ´e uma
fam´ılia de v.a. {Y (t), t ∈T }´eum processo estoc´astico se as v.a. Y (t1), Y
(t2), ..., Y (tn) tem f.d. finito-dimensionais
F (y1, ..., yn; t1, ..., tn) = P r(Y (t1) ≤ y1, ..., Y (tn) ≤ yn)
conhecidas para todo n ≥ 1 satisfazendo as condic¸˜oes de:
Ex: (n = 3) F (y2, y1, y3; t2, t1, t3) = F (y1, y2, y3; t1, t2, t3)
• Consistˆencia:
lim F (y1, . . . , yn; t1, . . . , tn) = F (y1, . . . , yn−1; t1, . . . , tn−1)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Essa defini¸c˜ao n˜ao ´e muito u´til na pr´atica pois ´e muito dif´ıcil a especi-
fica¸c˜ao de todas as distribui¸c˜oes finito-dimensionais Normalmente, o
que se faz ´econcentrar nos primeiros momentos. Estes s˜ao:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
A (facv) fornece a forma de dependˆencia temporal do processo Y (t).
Ela n˜ao traduz a for¸ca dessa dependˆencia pois depende da unidade de
medi¸c˜aode Y .
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1.3. Processos Estacion´arios
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Tecnicamente, existem duas formas de estacionariedade:
∀t1, . . . , tn, τ
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
O processo deslocado τ unidades no tempo permanece com as mesmas
caracter´ısticas.
e, portanto,
µ = µ(t)
e
σ2 = σ2(t)
s˜ao constantes.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Al´em disso,
Logo,
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Um processo estoc´astico Y (t) ´efracamente estacion´ario se:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Observe que a fun¸c˜ao de auto-correla¸c˜ao de processos estacion´arios ´e:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Ap´os observar a s´erie temporal discreta Y1, . . . , Yn, γk ser´a estimado
por:
1Σ
n−k
ck = (Yi − Y )(Yi+k − Y )
n t=1
onde
1
Σ
n
Y= n t=1 Yi e
k = 0, 1, . . . , n − 1
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Como normalmente as s´eries n˜ao apresentam esse comportamento
est´avel, recorre-se a transforma¸c˜oes nos dados. As transforma¸c˜oes mais
comuns s˜ao:
• Transforma¸c˜aoBox-Cox: Considere a fun¸c˜ao da forma:
(yλ −1)
g(y) = (1)
λ
Se
λ = 1, g ´ea identidade,
λ = −1, g ´ea transformac¸˜ao inversa,
√
λ = 1/2, g transforma y em y,
e limλ→0 g(y) = log(y)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
• Opera¸c˜ao Diferen¸ca (∆): Define-se o operador diferenc¸a
atrav´es de:
∆ yt = yt − yt−1 (2)
Aplicando-se o operador novamente obtem-se a 2a diferen¸ca:
∆ 2y t = ∆(∆y t )
= ∆(yt − yt−1)
= (yt − yt−1) − (yt−1 − yt−2)
= yt − 2yt−1 + yt−2
∆ n yt = ∆ ( ∆ n−1yt ) (3)
Normalmente, uma ou duas diferen¸cas s˜ao suficientes para tornar
a s´erie estacion´aria.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Modelagem, aprendizado e previs˜ao
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Esquema de sistema de previs˜ao:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Crit´erios de Previs˜ao
Observe que Yˆt(h) ´e uma v.a. conhecida apenas dada a hist´oria ob-
servada do processo at´e o tempo t. Associado a Yˆt(h) temos o erro de
previs˜ao Yt+h −Yˆt(h)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Se erros de previs˜ao positivos e negativos s˜ao igualmente importantes
faz sentido procurar previs˜oes que minimizem o erro absoluto m´edio
E[Yt+h − Yˆt(h)] e o erro quadr´atico m´edio E[Yt+h − Yˆt(h)]2
Privilegiaremos o segundo.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4. Modelos de s´eriestemporais
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Assim temos:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
(b) Modelos de alisamento exponencial
• O sinal novamente descreve uma fun¸c˜ao como em (a).
• Rela¸c˜ao do sinal vale apenas “localmente”.
• Parˆametros sujeitos a pequenas varia¸c˜oes temporais
(a)“Localmente”constante. (b)“Localmente”linear.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
(c) Modelos Autoregressivos (AR)
St = X t βt
generalizando os modelos de regress˜ao
βt = Gt+1βt + Wt
Esses modelos incluem os modelos ARIMA. Podem ser usados tanto
do ponto de vista cl´assico quanto Bayesiano.
Ex: X t = 1, βt = βt, Gt = 1 e Wt = Wt
logo
yt = βt + εt,
βt = βt−1 + Wt.
Equivale ao modelo de alisamento exponencial para s´eries “local-
mente”constantes.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
(f ) Modelos de equa¸c˜oessimultˆaneas ou econom´etricos
YtT Γ + X t B = st
Yt - Variave´is end´ogenas
X t - Variave´is ex´ogenas
Yt = X t T + E
onde:
YT = (Y1Y2...Yn)
XT = (X1X2...Xn)
T = BΓ−1
ET = (s1s2...sn)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
FenˆomenosT´ıpicos de S´eriesTemporais
Boa parte das s´eries tˆem caracter´ısticas t´ıpicas, as principais s˜ao:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
ii)Sazonalidade: efeitos ligados `avaria¸c˜oes peri´odicas (semanal,
mensal, anual, etc.).
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
2. Modelos de Regressao˜
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Conforme visto no cap´ıtulo 1 podemos pensar na S´erie Temporal como
uma cole¸c˜ao de observa¸c˜oes determinadas por um sinal dependendo de
uma forma determin´ıstica do tempo `as quais s˜ao superpostos erros n˜ao
correlacionados.
EXEMPLOS:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Os modelos 2 e 4 n˜ao s˜ao lineares nos parˆametros, embora Z possa ser
parametrizado atrav´es da transforma¸c˜ao logar´ıtmica:
log(a) + bt + st
Ex: Um modelo que pode ser usado para ST descrevendo uma curva S.
log(St) = a + b/t,
que embora n˜ao seja linear em t, ´elinear em a e b, ap´os transforma¸c˜ao
logar´ıtmica.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
2.1. Revisao˜ de Modelos Lineares
Vari´avel dependente: Y
Vari´aveis explicativas: X1, ..., Xp Σ p
Relacionadas atrav´es de: Yt = β0+ i=1 β i x it + εt onde t = 1, . . . , n
Podemos escrever:
S t = xTt β
xTt = (1, x1t, ..., xpt)
βTt = (β0, β1, ..., βp)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Usando nota¸c˜ao matricial pode-se escrever:
Y = Xβ + ε
onde:
E[ε] = 0 e V [ε] = σ2In
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Propriedades:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
S EQ
v) Se σ2 ´edesconhecido, ele ´eestimado por S2 = onde
n−p−1
SQ
E 2 2 ˆ
σ2
∼ χ 2n−p−1 e portanto E[S ]= σ e a variˆancia de β ´eestimada
por Vˆ[βˆ]= S 2 (X T X)−1
ˆ
vi) Usando o fato que ti = βSi√−βciii ∼ tn−p−1(0, 1) onde cii ´eo i-´esimo
elemento da diagonal de (X T X)−1 pode-se obter:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
vii) O teste simultˆaneo da regress˜ao testa a hip´otese
Ele rejeita H0 se
SQR
p
S EQ > Fα(p, n − p − 1),
(n−p−1)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
2.2. Previsao˜
Suponha que se deseja prever Ys baseado nos valores x1s, . . . , xps. De-
notando o preditor por Y^s e o erro de previs˜ao ´e dado por e s = Ys −Y^,s
se utilizarmos como crit´erio a minimiza¸c˜ao do EQM dado por
E[e2s] = E[Y s− Y ^] s 2
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Propriedades:
Σ . . Σ
Y s− tα/2,n−p−1 V^ (Ys −Y^s)
^ ; Y^s + tα/2,n−p−1 V^ (Ys − Y^s)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Correla¸c˜aoserial entre os erros
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
J´a vimos que ρk’s dadas por:
Σ n−k
t=1 (Yt − Y )(Y t+k − Y)
Σ n
t=1(Yt− Y )
2
rk ∼ N (0,n−1)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
2.3. Modelos Sazonais
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Normalmente, al´em de sazonalidade, a s´erie est´a sujeita `a tendˆencias e
ciclos. Isso vai ser visto na pr´oximase¸c˜ao.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Modelagem com indicadores sazonais
Σs
St = βix ti
i=1
onde
.
1, tempo t corresponde ao per´ıodo i
x ti =
0, caso contrario.
ou, mais comumente,
Σs
S t = β0 + βix ti
i=1
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
E´necess´ario impor alguma restri¸c˜ao sobre os parˆametros. As mais
comuns s˜ao:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Adotando a op¸c˜ao(iii) temos que
Σs−1
S t = β 0+ βi x ti + βsx ts
i=1
Σ
s−1 Σs−1
= β 0+ βi x ti − βix ts
i=1 i=1
Σ
s−1
= β 0+ βi (x ti − x ts)
i=1
Σ
s−1
= β 0+ βix ∗ti
i=1
onde
1, t corresponde ao per´ıodo i
x ti∗ = -1, t corresponde ao per´ıodo s
0, caso contrario.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4. Modelos ARIMA
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Classe muito popular de modelos bastante desenvolvida na d´ecada pas-
sada. Depende apenas dos dados para a especifica¸c˜ao do modelo.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4.1. Introdução
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4.2. Modelo de Filtro Linear
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Como at ´eru´ıdo branco, temos que:
• E[at] = 0, ∀t;
• Var[at] = σ 2, ∀t;
• E[atas] = 0, ∀(t, s).
E[yt] = µ + E[at + Ψ1at−1 + Ψ2at−2 + ...]. Como E[at] = 0, temos que
Σ∞
E[yt] = µ se Ψj < ∞
j =1
Σ∞ Σ∞
- γ1 = Cov[yt,yt−j ] = Cov[ Ψkat−k , Ψkat−k−j ] = Ψ0Ψj σ2 +
k=0 k=0
Σ∞
Ψ1Ψj +1σ2 + ... = σ 2
ΨkΨk+j .
k=0
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Se escrevermos yt como func¸˜ao de yt−1, yt−2, . . . ao invés de
at−1, at−2, . . . , temos
yt = Π1yt−1 + Π2yt−2 + . . . + at
Da´ı,
Σ∞
(1 − Πj B j )yt = a t
j=1
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4.3. Estacionariedade e Invertibilidade
Suponha que Ψj = Φj
Σ Σ
Ψj = Φj = 1/(1 − Φ)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit