Baixe o app para aproveitar ainda mais
Prévia do material em texto
APST 1 – 2012.1 – Prof.: Henrique Hippert Bacharelado em Estatística – 2012.1 Disciplina: Análise e Previsão de Séries Temporais I Professor: Henrique S. Hippert Aula 09 - Métodos de Decomposição Clássica 1. Introdução Os métodos de decomposição pretendem decompor uma série dada em seus componentes básicos, na forma: série = padrão + erro aleatório O “padrão”, por sua vez, pode ser decomposto em tendência/ciclo (trend/cycle - Tt) e sazonalidade (seasonality - St). O termos restante é o erro aleatório (Et). Há portanto três componentes, que podem estar relacionados entre si por meio de um modelo aditivo: tttt ESTZ ++= ou por um modelo multiplicativo: tttt ESTZ ××= Os métodos “clássicos” para fazer a decomposição são baseados em médias móveis ou em razões. Originaram-se nos anos 1920, e ainda são muito usados. Em anos mais recentes, com a divulgação dos computadores, métodos mais complexos têm sido criados; contudo, na base da maioria deles ainda está a decomposição clássica. 2. Decomposição seguindo modelo aditivo 2.1. Médias móveis - Média móvel de ordem k: (moving average) ∑ −= += m mj jtt Zk T 1 Exemplo: média móvel de ordem 3: )( 3 1 11 +− ++= tttt ZZZT - Médias móveis centradas - ordem k = 2m += ∑∑ +−= + − −= + m mj jt m mj jtt Zk Z k T 1 1 11 2 1 Exemplo: média centrada de ordem 4 (2x4 MA) +++ + +++ = 442 1 54324321 3 ZZZZZZZZT APST 1 – 2012.1 – Prof.: Henrique Hippert 2.2. Decomposição usando médias móveis O processo clássico de decomposição consiste de retirar primeiro a tendência/ciclo, usando amortecimento por médias móveis; a seguir, a sazonalidade, novamente por meio de médias; por fim, o que sobra é o erro aleatório. Mais especificamente, para dados mensais, de período anual, o procedimento é: (i) amortecer a série usando uma média móvel dupla 2x12 MA. A série amortecida será uma estimativa da tendência/ciclo. (ii) calcular a série detrended (sem tendência) tZ ' , subtraindo da série original a tendência/ciclo estimada em (i): ttttt ESTZZ +=−=' A série remanescente será portanto constituída da componentes sazonal e do erro. (iii) estimar o componente sazonal, constituído de uma sequência de 12 índices sazonais (um para cada mês). - Para estimar estes índices, o procedimento mais simples é o de tomar a média dos valores detrended para cada mês: o índice sazonal do mês de janeiro, por exemplo, será calculado pela média das observações detrended feitas nos meses de janeiro; o índice de fevereiro, pela média das observações detrended feitas nos meses de fevereiro, e assim por diante. (iv) estimar o componente aleatório, subtraindo da série detrended o componente sazonal estimado em (iii). Fig. 1 - Decomposition plot para uma série de cargas APST 1 – 2012.1 – Prof.: Henrique Hippert Estes passos podem ser ilustrados graficamente por um gráfico de decomposição (decomposition plot, Figura 1), que mostra, em quatro painéis sucessivos, a série original, e seus três componentes: a tendência/ciclo, o componente sazonal e o erro aleatório. 3. Decomposição seguindo modelo multiplicativo Esta forma de decomposição é similar à anterior, mas os componentes são removidos da série original por meio de divisões, ao invés de subtrações. O modelo multiplicativo é mais comumente usado quando o componente sazonal não é constante em todos os momento, mas aumenta com o crescimento do nível da série. Isto pode ser observado, por exemplo, na série da Figura 2, que mostra o número mensal de passageiros (em milhares) em viagens aéreas internacionais de 1949 a 1956 (esta série é um exemplo clássico, provavelmente a série mais citada na literatura de previsão). Fig. 2 - Série airline: número de passageiros em viagens aéreas internacionais É em evidente que a variação sazonal aumenta quando o nível aumenta; a decomposição por modelo aditivo não seria portanto adequada. Há duas maneiras de decompor esta série. A primeira, seria a de tentar transformá-la, de modo a estabilizar a variância; se isto for conseguido, o modelo aditivo poderá ser usado. Se calcularmos os logaritmos da série original, obtemos a série na Figura 3. Fig. 3 - Logaritmos da série airline APST 1 – 2012.1 – Prof.: Henrique Hippert A variação sazonal parece agora bastante regular, e um modelo aditivo pode ser tentado. A segunda opção, que adotaremos a seguir, é a de fazer a decomposição segundo um modelo multiplicativo. O procedimento a ser seguido é : (v) amortecer a série usando uma média móvel dupla 2x12MA. A série amortecida é uma estimativa da tendência/ciclo. (vi) calcular a série detrended pela razão entre a série original a tendência/ciclo estimada em (i): tt t ttt t t t EST EST T ZZ ===' (vii) estimar o componente sazonal, tomar a média dos valores detrended para cada mês, como feito no modelo aditivo. (viii) estimar o componente aleatório, dividindo a série original pelo produto da tendência pelo componente sazonal estimado em (iii): tt ttt tt t t ST EST ST ZE == 4. A dessazonalização de séries Uma das vantagens do método de decomposição é permitir separar o efeito da sazonalidade numa série, do efeito dos outros componentes (tendência/ciclo e erro aleatório). A série da qual foi extraído o componente é chamada de série dessazonalizada. É comum que dados econômicos sejam publicados de uma forma dessazonalizada, para facilitar comparações de período a período. Comparações na série original nem sempre são possíveis. Se observamos um aumento na demanda ou nas vendas de novembro para dezembro, por exemplo, não podemos concluir daí que a economia sofreu um aquecimento, ou tirar outra conclusão do gênero - o aumento pode ter sido apenas efeito da proximidade do fim do ano e do Natal. Uma conclusão segura só pode ser tomada se eliminarmos este efeito, isto é, se dessazonalizamos a série. 5. Problemas dos métodos de decomposição Do ponto de vista estatístico, o método clássico de decomposição tem vários defeitos teóricos; entre eles o fato de que o ruído remanescente depois da extração da tendência e sazonalidade é em geral correlatado. Para um estatístico, isto significa que há informação contida nos dados, que não foi aproveitada (a idéia de filtrar a série até que o ruído remanescente seja descorrelatado está na base dos modelos ARIMA; isto será visto nas aulas seguintes). O método, no entanto, continua a ser largamente empregado, em vista de sua simplicidade e da facilidade de interpretação de seus resultados.
Compartilhar