Baixe o app para aproveitar ainda mais
Prévia do material em texto
Análise e previsão de séries temporais. Prof.: Henrique Hippert Bacharelado em Estatística – 2011.3 Disciplina: Análise e Previsão de Séries Temporais I Professor: Henrique S. Hippert Aula 11 – Filtros lineares 1. Definição Qualquer série Zt que apresente autocorrelação pode ser representada pela combinação linear de uma série de choques independentes at (realizações de VAs i.i.d.) [ ] tt ZFTa →→ onde FT é a função de transferência, e at ~ N(0,σ2) (isto é, at é um ruído branco). Um filtro linear é uma função de transferência definida pela combinação linear infinita dos valores da série de entrada: ...2211 ++++= −− tttt aaaz ψψµ (1) onde µ é uma constante (nível da série), at é um ruído branco, e os ψi são os coeficientes. Para simplificar, às vezes escrevemos o filtro em termos dos valores centrados: µ−= tt zz ...2211 +++= −− tttt aaaz ψψ (2) (neste caso, é claro, os coeficientes ψi serão diferentes dos encontrados na forma (1)) 2. Operadores de retardo Um operador de retardo é um operador matemático, representado por B (do inglês backward), que, aplicado a um valor da série, produz o valor da série no instante anterior: 1−= tt zBz Se aplicarmos o operador duas vezes seguidas, obtemos: 21 2 )()( −− === tttt zzBBzBzB Em geral, ktt k zzB − = No caso particular de k=0, por definição B0=1 Podemos re-escrever o filtro linear em (1) usando operadores de retardo, na forma: ... 2 21 ++++= tttt aBBaaz ψψµ (3) Os operadores e pesos podem ser representados conjuntamente por meio de um polinômio: ...)( 221100 +++=Ψ BBBB ψψψ (4) Análise e previsão de séries temporais. Prof.: Henrique Hippert onde ψ0=1. Note que usaremos, aqui e nos exemplos abaixo, as letras psi minúsculas (ψ ) para indicar os parâmetros do modelo, e a letra maiúscula (Ψ) para indicar o polinômio. Isto leva à representação simplificada: tt aBz )(Ψ+= µ (5) ou, usando valores centrados tt aBz )(Ψ= (6) Nesta representação, não é imediatamente óbvio que os valores de tz produzidos pelo filtro sejam autocorrelatados (isto é, que tz seja dependente de 1−tz ), já que 1−tz não figura explicitamente no modelo. Contudo, note que ,...),,( 21 −−= tttt aaafz ,...),,( 3211 −−−− = tttt aaafz Vemos que tz e 1−tz são funções lineares de vetores que tem vários componentes em comum (embora os coeficientes multiplicando estes componentes sejam diferentes). Portanto, é lógico supor que os valores consecutivos de zt serão de certa forma dependentes. 3. Forma invertida do filtro O ruído branco at pode ser representado como função da série zt, se usarmos um filtro na forma invertida. O ruído branco (sem dependência serial) será obtido pela passagem da série temporal (com dependência) através do filtro, no sentido contrário; diremos então que a série zt foi “filtrada”, isto é, que o filtro retirou a estrutura de autocorrelação encontrada, devolvendo uma série “limpa” (em termos estatísticos, uma série que não carrega nenhuma informação). [ ] tt zFTa ←← ' Invertendo a série centrada em (6), tt azB =Ψ − )(1 (7) Iremos representar a função de transferência FT’ que faz a filtragem por Π(B) )()( 1 BB −Ψ=Π Portanto, tt azB =Π )( (8) Se o processo estacionário em (6) pode ser também representado na forma em (8), dizemos que o processo é invertível. 4. Condições para estacionariedade e invertibilidade de um filtro Um filtro será estacionário se a sequência de ψj for finita, ou infinita mas somável em valores absolutos, isto é: Análise e previsão de séries temporais. Prof.: Henrique Hippert ∞<∑ ∞ =0j jψ Um filtro será invertível se a sequência de pesos pij for finita, ou infinita mas somável em valores absolutos: ∞<∑ ∞ =0j jpi 5. Casos particulares de filtro linear 5.1. Modelos de médias móveis (moving average, MA) O processo MA(q) é gerado por uma combinação linear dos q choques passados: qtqtttt aaaaz −−− −−−−+= θθθµ ...2211 qtqtttt aaaaz −−− −−−−= θθθ ...2211 t q qt aBBBz )...1( 221 θθθ −−−−= (9) O valor q é chamado de ordem do processo. É fácil ver que este processo é um caso particular do filtro linear visto acima, diferindo dele por ter um número finito de parcelas, isto é, uma ordem finita (esta distinção será indicada pelo uso da letra θ para os coeficientes, ao invés de ψ ; note que têm estes coeficientes têm, convencionalmente, sinais negativos). Este processo é chamado comumente de processo de média móvel (moving average), embora não se trate verdadeiramente de uma média ponderada (uma vez que a soma dos pesos θ não é necessariamente igual a unidade). Se definirmos um operador de média móvel de ordem q como: q qBBBB θθθ −−−−=Θ ...1)( 221 (10) o processo em (9) pode ser escrito como: tt aBz )(Θ= (11) 5.2. Modelos auto-regressivos (AR) Um modelo auto-regressivo é aquele em que o valor atual da série é dado pela combinação linear de valores passados da série e de um choque at. A forma mais simples é ttt azz ++= −11φξ onde ξ é uma constante. Se escrevermos em termos dos valores centrados: ttt azz += −11φ É feita portanto a regressão do valor atual nos valores anterior da série; daí o nome auto-regressivo dado ao modelo. A ordem do modelo será igual ao maior defasamento entre as variáveis do lado direito da equação; no exemplo, o modelo é de ordem 1, denotado por AR(1). Usando o operador de retardo definido acima, o modelo AR(1) pode ser escrito da forma: ttt azBz += 1φ Análise e previsão de séries temporais. Prof.: Henrique Hippert ttt azBz =− 1φ tt azB =− )1( 1φ Um modelo AR de ordem p qualquer poderá então ser escrito usando potências sucessivas do operador B, tptpttt azzzz ++++= −−− φφφ ...2211 (12) tt p p azBBB =−−−− )...1( 221 φφφ (13) Se definirmos como operador auto-regressivo de ordem p o polinômio em B dado por: p pBBBB φφφ −+−−=Φ ...1)( 221 (14) o modelo em (12) poderá ser escrito concisamente como: tt azB =Φ )( (15) O processo AR é um caso especial do filtro linear na forma invertida em (8), tendo sua função de transferência um número finito de parcelas: )()( BB Π=Φ O processo AR pode portanto ser representado como uma combinação linear finita de valores defasados e um choque, ou como um combinação infinita de choques defasados - isto será mostrado mais tarde, para o caso mais simples, o do modelo AR(1). 5.3. Modelos mistos auto-regressivos / médias móveis (ARMA) Na prática, para obter uma representação mais simples (com menos coeficientes), às vezes é necessário combinar tanto termos AR quanto MA no modelo, na forma: ... ... 22112211 qtqtttptpttt aaaazzzz −−−−−− −−−−++++= θθθφφφ (16) tt aBzB )()( Θ=Φ (17) Este modelo combinado é chamado de ARMA(p,q). Podemos escrevê-lo na forma de filtro, usando tanto operadores AR/MA: tt aBBz )()( 1 ΘΦ= − (18) quanto usando uma razão de polinômios em B: tp p q q t aBBB BBB z φφφ θθθ −−−− −−−− = ...1 ...12 21 2 21 (19) Na maioria das aplicações práticas, não será necessário utilizar polinômios de ordem superior a dois, tanto para os modelos AR quanto para os MA. Na seções seguintes, estudaremos com mais detalhes as características dos modelos AR, MA e ARMA de primeira e de segunda ordem.
Compartilhar