Baixe o app para aproveitar ainda mais
Prévia do material em texto
Análise e previsão de séries temporais I – Prof.: Henrique Hippert Bacharelado em Estatística – 2011.3 Disciplina: Análise e Previsão de Séries Temporais I Professor: Henrique S. Hippert Aula 14 – Processos AR(1) e AR(2) 1. Processo AR de primeira ordem (Markov) O modelo AR mais simples é o de primeira ordem (usualmente chamado de processo de Markov), que pode ser descrito como: ttt azz ++= −11φξ (1) Ou, em termos dos valores centrados: ttt azz += −11φ (2) tt azB =− )1( φ (3) Como foi dito antes, um modelo AR é um caso especial do filtro linear: tt aBz )(Ψ= É fácil verificar isto para o caso do AR(1). A forma em (3) pode ser reescrita como tt aB z )1( 1 1φ− = Lembrando que o operador B pode ser tratado como uma variável algébrica, e da propriedade de uma série de potências: ...1 1 1 2 +++= − aa a , se a<1 (4) podemos reescrever o modelo como ttt aBBaB z ...)1()1( 1 22 11 1 +++= − = φφφ Portanto, o modelo AR(1) em (2) pode ser escrito como um filtro linear (isto é, como uma combinação linear de choques at): tt aBBz ...)1( 2211 +++= φφ (5) onde a função de transferência é ...)1()()( 22111 +++=Φ=Ψ − BBBB φφ 1.1. Condições de estacionariedade Como visto anteriormente, um modelo AR será estacionário se as raízes de sua equação característica estiverem fora do círculo unitário. Para o modelo em (2), a equação característica será dada por: 01 1 =− Bφ Análise e previsão de séries temporais I – Prof.: Henrique Hippert cuja raíz é: 1 1 φ=B Logo, para que a raiz esteja fora do círculo unitário |B| > 1 é preciso que |φ1|<1 Isto é fácil de compreender, intuitivamente, pois se |φ1|>1, Zt iria crescer indefinidamente, e o processo não teria uma média constante. [Se |φ1| = 1, obtemos um processo não-estacionário particular, o passeio aleatório, que será estudado mais tarde]. 1.2. Média e variância Para obtermos a média do processo AR(1), tomamos o valor esperado de ambos os membros em (1): ttt azz ++= −11φξ )()( 11 −+= tt zEzE φξ Uma vez que E(zt) = E(zt-1) (já que a série é estacionária), ξφ =− )()1( 1 tzE 11 )( φ ξµ − == tzE Se o modelo for escrito em termos dos valores centrados como em (2), ξ=0 → µ=0 Se o processo AR(1) for escrito na forma de um filtro linear como em (5): ...2 2 111 −− ++= tttt aaaz φφ sua variância será ...)var()var( 22111 −− ++= tttt aaaz φφ 24 1 2 1 2 ...)1( aZ σφφσ +++= (6) Usando a propriedade das séries de potências em (4), podemos também reescrever a variância na forma 2 1 2 2 1 φ σ σ − = a z (7) Note que, para que esta série (5) em φi seja convergente, e a variância 2Zσ em (7) tenha um valor finito, será preciso que |φ1|<1. Isto confirma a condição de estacionariedade vista no item anterior. Análise e previsão de séries temporais I – Prof.: Henrique Hippert 1.3. Função de autocorrelação Da expressão da FAC para um processo AR qualquer: pkpkkk −−− +++= ρφρφρφρ ...2211 No processo AR(1), φk = 0 para k>; resta portanto apenas o termo em φ1: 11 −= kk ρφρ Como ρ0 = 1, 1011 φρφρ == 2 1112 φρφρ == ... k k 1φρ = A série de autocorrelações será portanto constituída de potências sucessivas de φ1. Se φ1 > 0, os valores das autocorrelações decairão de forma exponencial; se φ1<0, na forma de uma senóide amortecida. Note que, para o AR(1), a autocorrelação de defasamento 1 é igual ao coeficiente φ1 do modelo: 11 φρ = FAC de um modelo AR com φφφφ1 = 0,7 FAC de um modelo AR com φφφφ1 = - 0,7 1.4. Função de autocorrelação parcial Das expressões, acima, podemos determinar φ11: 110111 φρφρ == Como 11 φρ = , temos 111 φφ = Para determinar φ22, escrevemos um sistema de duas equações de Yule-Walker: 112111 ρφφρ += 221212 φρφρ += Análise e previsão de séries temporais I – Prof.: Henrique Hippert A solução deste sistema é dada por: 2 1 2 12 1 1 21 1 22 1 1 1 1 ρ ρρ ρ ρ ρρ ρ φ − − = = Como k k 1φρ = 2 12 φρ = 0 11 21 2 1 2 1 2 1 2 12 22 = − − = − − = φ φφ ρ ρρφ Portanto, só há um valor válido para a FACP; todos os φkk serão nulos para k>1. Isto nos permitirá identificar facilmente o processo gerador de uma série, a partir de suas FAC e FACP. 2. Processo AR de segunda ordem – AR(2) O processo AR de segunda ordem é representado por tttt azzz ++= −− 2211 φφ tt azBB =−− )1( 221 φφ 2.1. Condições de estacionariedade Para que o processo seja estacionário, é preciso que as raízes da equação característica 01 221 =−− BB φφ estejam fora do círculo unitário; para um AR(2), isto vai implicar em: 112 <+φφ 112 <−φφ 11 2 <<− φ Estas três condições equivalema a dizer que os parâmetros devem estar contidos na área sombreada abaixo: Análise e previsão de séries temporais I – Prof.: Henrique Hippert 2.2. Função de autocorrelação Para um processo AR(2), as equações de Yule-Walker se resumem a: 1211 ρφφρ += 2112 φρφρ += A partir delas, obtemos as relações abaixo entre as autocorrelações ρ e os parâmetros φ do modelo: 2 1 21 1 1 )1( ρ ρρφ − − = 2 1 2 12 2 1 ρ ρρφ − − = Ou: 2 1 1 1 φ φρ − = (8) 2 2 1 22 1 φ φφρ − += (9) Analogamente ao observado para os processos AR(1), as FACs de processos AR(2) assumirão também a forma de uma mistura de exponenciais ou de senóides amortecidas. Os valores seguintes de ρ podem ser obtidos por equações auto-regressivas: 12213 ρφρφρ += 22314 ρφρφρ += pkpkkk −−− +++= ρφρφρφρ ...2211 2.3. Média e variância Da expressões para a média e a variância de um processo AR(p), podemos obter expressões para a média e a variância no caso particular do processo AR(2): Média: - caso geral AR(p) pφφφ ξµ −−−− = ...1 21 - caso particular AR(2) 211 φφ ξµ −− = Variância: - caso geral AR(p): pp a z ρφρφρφ σ σ −−−− = ...1 2211 2 2 Análise e previsão de séries temporais I – Prof.: Henrique Hippert - caso particular AR(2): 2211 2 2 1 ρφρφ σ σ −− = a z Substituindo ρ1 e ρ2 por seus valores dados em (8) e (9), obtemos 2 1 2 2 2 2 22 )1(1 1 φφ σ φ φ σ −+ + − = a z 2.4. FACP Usando os resultados da aula passada, válidos para os processos AR de qualquer ordem, podemos calcular os valores φkk da FACP, em função dos valores ρk da FAC: 111 ρφ = 2 1 2 12 22 1 ρ ρρφ − − = 2 2 2 21 2 1 3 1 2 213 2 1213 33 221 2 ρρρρ ρρρρρρρρφ −+− ++−− = Substituindo nestas expressões os valores de ρ1 e de ρ2 pelas suas expressões em termos dos coeficientes φ1 e φ2 do modelo, dadas em (8) e (9), obtemos 2 1 11 1 φ φφ − = 2 1 2 22 2 2 1 3 2 2 22 22 21 2 φφφ φφφφφφ −+− −+− = 033 =φ Serão nulos todos os φkk, para k>2. Para um processo AR(2), portanto, só os dois primeiros valores da FACP são diferentes de zero.
Compartilhar