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 – 2011.2 Disciplina: Análise e Previsão de Séries Temporais I Professor: Henrique S. Hippert Aula 15 – Processos MA 1. Introdução Nestes modelos, o valor presente da série é descrito como uma combinação linear de um número finito q de choques aleatórios passados: qtqtttt aaaaz −−− −−−−+= θθθµ ...2211 (1) Ou, escrevendo em termos dos valores centrados: qtqtttt aaaaz −−− −−−−= θθθ ...2211 (2) t q qt aBBBz )...1( 221 θθθ −−−−= tt aBz )(Θ= A relação entre um valor zt e o valor anterior da série zt-1 não é tão obvia como nos modelos AR na seção anterior; veremos a seguir, contudo, que um modelo MA pode ser escrito na forma invertida, o que o torna equivalente a um AR. 2. Propriedades estatísticas de um processo MA 2.1. Média Tomando os valores esperados de ambos os termos do modelo em (1), obtemos: )...()()( 2211 qtqtttt aaaaEEzE −−− −−−−+= θθθµ µ=)( tzE Se o modelo é escrito em termos dos valores centrados como em (2), obtemos )(...)()()()( 2211 qtqtttt aEaEaEaEzE −−− −−−−= θθθ 0)( =tzE Portanto, adicionar uma constante µ no lado direito da equação, como em (1), tem o efeito de dar ao processo uma média igual a esta constante. 2.2. Variância Calculando as variâncias de ambos os membros de (1), obtemos )var(...)var()var()var()var()var( 2222121 qtqtttt aaaaz −−− +++++= θθθµ já que as variáveis at-k são descorrelacionadas. Como 2)var()var( aktt aa σ== − , ∀k Isto leva a 222 2 2 1 2 )...1( aqz σθθθσ ++++= (3) Análise e previsão de séries temporais I – Prof.: Henrique Hippert Podemos concluir daí que qualquer processo MA(q) é estacionário de segunda ordem, já que sua média e variância são constantes, independentes do instante t. 2.3. Função de autocorrelação Para o processo MA(q) em (2), a função de autocovariância será definida como )]...)(...[( 1111 qktqktktqtqttk aaaaaaE −−−−−−− −−−−−−= θθθθγ (4) o que resulta em > =++++− = −++ qk qkaqkqkkk k 0 ,...,2,1)...( 22211 σθθθθθθθ γ (5) Dividindo as autocovariâncias em (5) pela variância em (3) obtemos a função de autocorrelação: > = +++ +++− = −+ qk qk q qkqkk k 0 ,...,2,1 ...1 ... 22 1 11 θθ θθθθθ ρ (6) Pode-se notar que a FAC de um processo MA(q) só tem valores para os primeiros q defasamentos, anulando-se em seguida - por exemplo, a Fig. 1a mostra a FAC de um MA(2). Como vimos anteriormente, a FAC de processo AR decresce continuamente – a Fig. 1b mostra a FAC de um AR(p). FAC de um modelo MA(2) FAC de um modelo AR(p) Esta diferença entre o comportamento das FACs é o que nos permitirá distinguir modelos AR de MA, quando quisermos identificar modelos para uma série dada. Análise e previsão de séries temporais I – Prof.: Henrique Hippert 2.4. Função de autocorrelação parcial (FACP) Usando as equações de Yule-Walker, podemos calcular a sequência da FACP: 111 φρ = 122211 ρφφρ += 221212 φρφρ += 2 1 2 12 1 1 21 1 22 1 1 1 1 ρ ρρ ρ ρ ρρ ρ φ − − = = 233132311 ρφρφφρ ++= 133321312 ρφφρφρ ++= 331322313 φρφρφρ ++= = 1 1 1 1 1 12 21 21 312 11 11 33 ρρ ρρ ρρ ρρρ ρρ ρρ φ 2 2 2 21 2 1 3 1 2 213 2 1213 33 221 2 ρρρρ ρρρρρρρρφ −+− ++−− = 3. Condições de estacionariedade e invertibilidade Um processo MA é um caso particular do filtro linear geral, com um número limitado de parcelas. Como um filtro linear é estável quando sua sequência de coeficientes for finita, os processos MA serão sempre estacionários. Isto foi confirmado acima em 2(i) e 2(iii), quando vimos que média e variância de um processo MA são finitas e constantes, não sendo necessário impor restrições aos coeficientes θi. No entanto, estes modelos apresentam outro problema: sua FAC não é única, isto é, dois modelos diferentes podem ter a mesma FAC. Por exemplo, suponhamos os dois modelos abaixo: (a) 1−−= ttt kaaz (b) 1 1 − −= ttt ak az Substituindo os coeficientes k=1θ e k 1 1 =θ em (6), é fácil ver que FAC de ambos os modelos é igual à : Análise e previsão de séries temporais I – Prof.: Henrique Hippert 21 1 k k + − =ρ 0=iρ para i>1 Na metodologia desenvolvida por Box & Jenkins, dada uma série temporal, calculamos sua FAC empírica, e procuramos encontrar um modelo cuja FAC teórica seja semelhante. É necessário, portanto, que cada FAC corresponda a apenas um modelo. Para garantir que isto aconteça, Box & Jenkins sugeriram que fosse imposta uma restrição aos modelos : somente serão considerados os modelos MA que sejam invertíveis, isto é, que possam ser escritos como filtros estacionários da forma: tt azB =Π )( Tomando o modelo MA(1) como exemplo, é fácil mostrar por meio de substituições sucessivas que ele pode ser escrito na forma invertida: [usaremos θ ao invés de θ1, para simplificar a notação] 1−−= ttt aaz θ (7) Escrevendo o choque at-1 em função de 1−tz , 211 −−− −= ttt aaz θ 211 −−− += ttt aza θ e substituindo no modelo em (7): ][ 21 −− +−= tttt azaz θθ 2 2 1 −− −−= tttt azaz θθ (8) Escrevendo o choque at-2 em função de 2−tz , e substituindo em (8), obtemos 322 −−− −= ttt aaz θ 322 −−− += ttt aza θ e substituindo este valor at-2 em (8), )][ 3221 −−− +−−= ttttt azzaz θθθ 3 3 2 2 1 −−− −−−= ttttt azzaz θθθ Substituindo sucessivamente, obtemos o filtro AR que corresponde ao MA(1), ...3 3 2 2 1 −−−−= −−− ttttt zzzaz θθθ ttttt azzzz =++++ −−− ...3 3 2 2 1 θθθ tt azBBB =++++ ...)1( 3322 θθθ (9) Isto mostra que o modelo MA(1) pode ser escrito como um AR; não mostra, contudo que este AR seja estacionário. Comparando o modelo em (9) com a forma usual do filtro invertido, tt azBBB =−−−− ...)1( 33221 pipipi tt azB =Π )( Análise e previsão de séries temporais I – Prof.: Henrique Hippert vemos que os coeficientes pi são dados por potências sucessivas de θ, isto é: )( jj θpi −= Vimos (Aula 11b) que um modelo invertido só será estacionário se ∞<∑ ∞ =0j jpi Para que isso ocorra, é preciso que |θ|<1; neste caso, θj → 0, e o somatório dos coeficientes θj tenderá para um valor definido: ∞< − =++++==−= ∑∑∑ ∞ = ∞ = ∞ = θ θθθθθpi 1 1 ...1 32 000 j j j j j j Portanto, embora o modelo escrito na forma MA(1) original seja estacionário para qualquer valor de θ, na forma inversa ele só será estacionário se |θ|<1. No caso geral, Box & Jenkins (1994) demonstram que a condição para que um modelo MA(q) t q qt aBBBz )...1( 221 θθθ −−−−= seja invertível é a que as raízes de sua equação característica (onde B é visto como uma variável complexa) 0...1 221 =−−−− q q BBB θθθ estejam fora do círculo unitário (i.e., |B| > 1). Esta é a mesma condição de estacionariedade dos modelos AR. Podemos resumir estas condições de estacionariedade e invertibilidade dos modelos no quadro abaixo: Modelo condições: AR MA estacionariedade |B| > 1 sempre estacionário invertibilidade sempre invertível |B| > 1
Compartilhar