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 16 – Processos MA(1) e MA(2) 1. Processo MA(1) 11 −−+= ttt aaz θµ (1) Escrito com os dados centrados: 11 −−= ttt aaz θ (2) tt aBz )1( 1θ−= 1.1. Estacionariedade e invertibilidade Para um modelo MA(1), a equação característica é 01 1 =− Bθ cuja raiz é 1 1 θ =B Para que |B| > 1, é preciso que 1|| 1 <θ Portanto, um modelo MA(1) é sempre estacionário, e será invertível se 1|| 1 <θ . 1.2. Média e variância De (1) e (2) acima, µ=)( tzE 0)( =tzE 22 1 2 )1( az σθσ += 1.3. Função de autocorrelação (FAC) > = +++ +++− = −+ qk qk q qkqkk k 0 ,...,2,1 ...1 ... 22 1 11 θθ θθθθθ ρ (3) Análise e previsão de séries temporais I – Prof.: Henrique Hippert Substituindo o coeficiente θ1 em (3), obtemos: 2 1 1 1 1 θ θρ + − = 0=kρ , k>1 1.4. Função de autocorrelação parcial (FACP) Substituindo o ρ1 acima nas equações de Yule-Walker, Box & Jenkins (1994) demonstram que é possível chegar à expressão da FACP do modelo MA(1), em função do defasamento k: − − −= +22 1 2 1 1 1 1 k k kk θ θθφ (4) portanto, − − −= 4 1 2 1 111 1 1 θ θθφ +− − −= )1)(1( 1 2 1 2 1 2 1 1 θθ θθ 2 1 1 1 θ θ + − = − − −= 6 1 2 12 122 1 1 θ θθφ − − −= 8 1 2 13 133 1 1 θ θθφ , etc. como, pela condição de invertibilidade do modelo, 1|| 1 <θ é fácil de ver que k1θ irá decair exponencialmente (se o sinal de θ1 for negativo, as potências sucessivas de k1θ terão sinais alternados). Como o termo entre parênteses em (4) 1 1 1 22 1 2 1 < − − +kθ θ vemos que k kk 1|| θφ < e concluímos daí que kkφ será dominada por uma exponencial amortecida. Para um modelo MA(1), portanto, a FAC tem apenas um valor diferente de zero, enquanto a FACP decai indefinidamente. É a situação inversa do que acontecia com AR(1). Análise e previsão de séries temporais I – Prof.: Henrique Hippert 2. Processo MA(2) Modelo: 2211 −− −−+= tttt aaaz θθµ (5) Ou, usando dados centrados, 2211 −− −−= tttt aaaz θθ tt aBBz )1( 221 θθ −−= 2.1. Estacionariedade e invertibilidade Os processos MA(2) são sempre estacionários. Para que seja invertível, é preciso que as raízes da equação característica estejam fora do círculo unitário, o que ocorre se os coeficientes atenderem às restrições: 112 <+θθ 112 <−θθ 11 2 <<− θ Estas três restrições definem a área sombreada abaixo: Um modelo será invertível se o ponto definido por seus coeficientes estiver dentro do triângulo. Note que estas condições são similares àquelas exigidas para a estacionariedade de um AR(2). 2.2. Média e variância: De (1) e (2) acima, µ=)( tzE )1()( 22212 θθσ ++= atzVar 2.3. Função de autocorrelação : Da expressão (3), obtemos 2 2 2 1 21 2 2 2 1 211 1 1 )1( 1 θθ θθ θθ θθθρ ++ −− = ++ +− = Análise e previsão de séries temporais I – Prof.: Henrique Hippert 2 2 2 1 2 2 1 θθ θρ ++ − = ρk= 0 para k≥3 2.4. Função de autocorrelação parcial A expressão da FACP para modelos MA(2) é bastante complicada e não será apresentada aqui. Esta função é dominada pela soma de duas exponenciais (se as raízes da equação característica são reais), ou por uma senóide amortecida, no caso contrário. Portanto, a FACP de um processo MA(2) irá se comportar exatamente como um a FAC de um processo AR(p). 3. Dualidade entre AR e MA AR: ACF infinita; PACF finita MA: ACF finita; PACF infinita AR: sempre invertível MA: sempre estacionário AR: raizes fora do círculo unitário, para estacionariedade MA: raizes fora do círculo unitário, para invertibilidade
Compartilhar