Baixe o app para aproveitar ainda mais
Prévia do material em texto
FACULDADES INTEGRADAS DOM PEDRO II Monografia de Bacharelado em Economia MODELOS ECONOMÉTRICOS E SUA IMPORTÂNCIA EM TOMADA DE DECISÕES Um estudo sobre a metodologia Box-Jenkins Por: Leandro Vermelho Buosi Orientação: Prof. Bruno Sbrogio São José do Rio Preto-SP Novembro de 2015 LEANDRO VERMELHO BUOSI MODELOS ECONOMÉTRICOS E SUA IMPORTÂNCIA EM TOMADA DE DECISÕES Um estudo sobre a metodologia Box-Jenkins Monografia submetida à apreciação de banca examinadora do Departamento de Economia, como exigência parcial para a obtenção do grau de bacharel em Ciências Econômicas, elaborado sob a orientação do professor Bruno Sbrogio. FACULDADES INTEGRADAS DOM PEDRO II São José do Rio Preto-SP Novembro de 2015 MODELOS ECONOMÉTRICOS E SUA IMPORTÂNCIA EM TOMADA DE DECISÕES Um estudo sobre a metodologia Box-Jenkins Leandro Vermelho Buosi Aprovada em ____/____/______. BANCA EXAMINADORA _________________________________________________ Membro da Banca – Orientador __________________________________________________ Membro da Banca __________________________________________________ Membro da Banca CONCEITO FINAL: _____________________ TERMO DE COMPROMISSO E AUTORIZAÇÃO Eu, LEANDRO VERMELHO BUOSI, aluno do curso de Ciências Econômicas da Faculdades Integradas D. Pedro II – São José do Rio Preto-SP, declaro que o conteúdo do trabalho de conclusão de curso intitulado: MODELOS ECONOMÉTRICOS E SUA IMPORTÂNCIA EM TOMADA DE DECISÕES, um estudo sobre a metodologia Box-Jenkins, é autêntico, original e de sua autoria exclusiva. Ainda em tempo, autorizo a disponibilização deste trabalho na Biblioteca da Faculdade para consultas públicas e referências bibliográficas. São José do Rio Preto, Novembro de 2015. __________________________________________ Nome do Aluno DEDICATÓRIA Aos meus pais, dos quais nunca faltou apoio. AGRADECIMENTOS Agradeço ao professor Bruno Sbrogio pelo incentivo e por aceitar o desafio de enfrentar uma área desconhecida e nova para mim. A todos os professores do departamento de economia, pelos anos de conhecimento transmitidos. Agradeço também aos professores Prof. Dr. Luiz Carlos Baida e Prof. Dr. Rodrigo Capobianco Guido do Departamento de Ciências de Computação e Estatística da Universidade Estadual Paulista UNESP, da qual também sou aluno. Por me receberem e pela grande ajuda nas partes estatísticas e computacionais. RESUMO O trabalho trata sobre o estudo de uma metodologia voltada para previsão de valores futuros em séries temporais, baseada em modelos econométricos e estatística. A metodologia é da forma ARIMA, auto regressivo integrado de médias móveis, e busca mostrar a eficiência da mesma para planejamentos estratégicos em diversas áreas, como em indústrias, empresas, ou no mercado financeiro. ABSTRACT The purpose of this paper is to study a methodology aimed at forecasting future values in time series based on econometric models and statistics. The methodology is based on the ARIMA (autoregressive integrated moving average) model and aims at showing its efficiency on strategic planning in a number of fields, such as industry, businesses and the financial market. SUMÁRIO 1. INTRODUÇÃO .................................................................................................. 10 2. CONCEITOS ESTÁTISTICOS ......................................................................... 12 2.1. Apresentação e revisão ................................................................................ 12 2.1.1. Diferenciação das séries .............................................................................. 12 2.1.2. Função de autocorrelação ............................................................................ 12 2.1.3. Função de autocorrelação parcial ................................................................ 13 3. SÉRIES TEMPORAIS ....................................................................................... 14 3.1. Séries estacionárias ...................................................................................... 14 3.2. Séries não estacionárias ............................................................................... 15 4. METODOLOGIA BOX-JENKINS .................................................................... 16 4.1. Introdução .................................................................................................... 16 4.1.1. Modelos auto regressivos e de médias móveis ............................................ 16 4.1.2. Modelos auto regressivos integrados de médias móveis ............................. 16 5. APLICANDO A METODOLOGIA ................................................................... 18 5.1. Identificação do modelo .............................................................................. 18 5.2. Estimação do modelo .................................................................................. 18 5.3. Diagnóstico .................................................................................................. 18 5.4. Previsão ....................................................................................................... 18 6. EXEMPLOS SIMULADOS ............................................................................... 19 6.1. Previsão econômica ..................................................................................... 19 6.1.1. Produção de açúcar ...................................................................................... 23 6.1.2. Índice Nacional de Preços ao Consumidor Amplo ..................................... 30 6.1.3. Produção de Etanol Total ............................................................................ 35 7. RESULTADOS E CONCLUSÕES .................................................................... 41 8. REFERÊNCIAS BIBLIOGRÁFICAS ............................................................... 42 10 1. INTRODUÇÃO Quando chega a hora da tomada de decisão, é necessário que se leve em conta inúmeros fatores, e analise o cenário econômico e todas as variáveis e modelos que podem vir a ser cruciais para uma boa previsão visando atingir seus objetivos. E com isso a econometria surge como fator indispensável para que o futuro não fique as mãos do acaso, os modelos de previsão são de suma importância para análises econométricas, por meio dela pode-se analisar o comportamento de variáveis econômicas indispensáveis como o PIB, inflação, taxas de juros, taxas de desemprego, receita de empresas, cotação do dólar, preços de ações do mercado financeiro. Onde investir, o que investir, expandir ou não seus negócios, comprar ou não comprar, são todas questões que podem ser respondidas após uma boa análise por meio de modelos econométricos. Entre os modelos de previsão está a metodologia Box-Jenkins que se baseiano ajuste de modelos do tipo autorregressivo integrado de médias móveis (ARIMA). Os modelos de previsão Box-Jenkins são baseados em conceitos e princípios estatísticos sendo capazes de modelarem o comportamento de séries temporais. O método consiste em realizar previsões de valores futuros de series temporais buscando encontrar uma fórmula apropriada para que os erros/resíduos sejam pequenos e se anulem e que não apresentem padrões. Os modelos que analisam as séries temporais não levam em conta as variáveis econômicas que podem ter gerado as séries. Os modelos ARIMA visam estabelecer uma relação entre os valores presente e passados de uma série temporal de modo que as previsões possam ser feitas tomando apenas os valores passados como base. E busca-se por meio desta metodologia observar e analisar séries de tempo, verificando uma variável e o seu comportamento em relação a ela mesma. E com isso mostrar a sua precisão e eficiência para que a metodologia possa ser utilizada com êxito e eficiência nas tomadas de decisões. 11 Para realizar uma modelagem Box-Jenkins é necessário que antes siga alguns passos para verificar a veracidade do mesmo. Com um bom conhecimento estatístico e matemático. Será apresentado, de forma breve, todos os conceitos e passos para que possa ter um bom entendimento da metodologia. A busca pelos dados, análise de seu comportamento ao longo do tempo, sua relação com ela mesma. São passos que devem ser realizados com eficiência e precisão. Para que se chegue ao um modelo ARIMA ideal, é necessário que sejam realizados alguns passos pré-estabelecidos, são eles: A identificação do modelo, a estimação, o teste de diagnóstico, e finalmente o uso para previsão. 12 2. CONCEITOS ESTÁTISTICOS 2.1. Apresentação e revisão Este capítulo é organizado para que se tenha um bom entendimento estatístico e matemático do que será feito mais pra frente. Tópicos como diferenciação, funções autocorrelação e autocorrelação parcial, regressão linear, método dos mínimos quadrados, autocovariância, variância, entre outros. 2.1.1. Diferenciação das séries Estudo dos gráficos de correlogramas das séries. É por meio da diferenciação que se converte séries não estacionárias em séries estacionárias. 2.1.2. Função de autocorrelação A função autocorrelação permite identificar a ordem q de um processo MA, que será apresentado e estudado mais a frente. Um processo AR(q) apresenta uma função de autocorrelação declinante. Os modelos AR(p), MA(q) e ARMA(p,q) apresentam algumas características diferentes com base na função de autocorrelação: i) Um processo AR(p) tem FAC infinita em extensão que decai de acordo com exponenciais e/ou comportamento senoidal. ii) Um processo MA(q) tem FAC finita, sendo truncada após a defasagem q. 13 iii) No processo ARMA(p,q) a FAC é infinita e decai de acordo com exponencias e apresenta comportamento senoidal após defasagem (p,q). Medida que informa o quanto o valor de uma realização de uma variável aleatória é capaz de influenciar seus vizinhos. De acordo com FRANCO. C, G – Depto de estatística UFMG, é a autocovariância padronizada, usado para medir o comprimento e a memória de um processo, ou seja, a extensão para a qual o valor tomado no tempo t depende daquele tomado no tempo t-k. pk = cov [Yt , Yt-k] / √ var( Yt )var( Yt-k ) 2.1.3. Função de autocorrelação parcial Esta medida corresponde a correlação de Xt e Xt-k removendo o efeito das observações Xt-1, Xt-2,...,Xt-k+1.. Uma forma de encontrar os valores da função de autocorrelação parcial é estimando as regressões com os valores defasados da série, por exemplo: Yt = α + ϕ.Yt-1 Yt= α + ε.Yt-1 + ϕ.Yt-2 E assim por diante, fazendo para qualquer Yt-k. Sendo ϕ os valores da FACP. Nos processos AR, MA e ARMA temos as seguintes f.a.c.p. teóricas: i) Em um processo MA(q) a FACP se comporta de maneira similar à FAC de um processo AR(p), com comporamento exponencial e\ou senoidal. ii) No processo ARMA(p,q) a FACP se comporta como a f.a.c.p. de um processo MA puro. 14 3. SÉRIES TEMPORAIS Uma série temporal pode ser definida como uma sequencia de dados numéricos no qual cada item é associado a um instante particular no tempo. Como por exemplo; PIB, taxas mensais de desemprego, oferta monetária, índices de preços. As séries temporais consistem em dados coletados, armazenados ou observados em sucessivos incrementos de tempo, as técnicas de série temporais são baseadas na identificação de padrões existentes nos dados históricos para posterior utilização no cálculo do valor previsto (Wanke e Julianelli 2006). Tem como característica suas variáveis serem dependentes, e seus objetivos são: Modelagem, previsão e controle de qualidade, e periodicidade. 3.1. Séries estacionárias Quando uma série flutua em torno de uma mesma média, ele é dita estacionária e sua função de autocorrelação declinará conforme aumente o numero de defasagens. No ramo econômico, o crescimento do PIB (produto interno bruto), ações do mercado financeiro, são alguns exemplos de séries estacionárias. Quando Yt e Yt-k estão distribuídas identicamente qualquer que seja k, denomina-se como estritamente estacionário. Uma série é fracamente estacionária quando ela se desenvolve no tempo ao redor de uma média e variância constantes, indicando um padrão de equilíbrio. (Glaura C. Franco) E(Yt) = µ Var(Yt) = σ² 15 3.2. Séries não estacionárias As séries não estacionárias não têm média e variância constantes ao longo do tempo, sendo assim os dados não são suficientes para estimar a média e variância de uma série. As séries não estacionárias possuem tendência, podendo ser de natureza determinística ou estocástica. Em economia, os índices de preços e nível de produto são exemplos da não estacionariedade de séries. 16 4. METODOLOGIA BOX-JENKINS 4.1. Introdução A utilização da metodologia de Box-Jenkins para previsão consiste em realizar ajuste de modelos tentativos denominados ARIMA (autoregressivos integrados e de médias móveis) a séries temporais de valores observados onde a diferença entre os valores previstos e os observados sejam uma série de resíduos de comportamento aleatório em torno de zero. A metodologia é de modelagem flexível por conseguir descrever tanto as séries estacionárias quanto as não estacionárias, e as previsões são realizadas com base nos valores passados e presente das séries. Os estágios principais da metodologia são: Identificação do modelo, estimação, teste de diagnóstico e finalmente o uso para previsão. Os modelos autoregressivos e de médias móveis modelam o grau de autocorrelação entre desvios e observações defasadas. 4.1.1. Modelos auto regressivos e de médias móveis Os modelos ARMA são da forma: Yt = α + ϕ1Yt-1 + ϕ2Yt-2 +...+ ϕpYt-p + εt – θ1εt-1 -...- θqεt-q Onde p e q representam o número de parâmetros relativos aos comprimentos de defasagem dos valores observados significativos das autocorrelações. 4.1.2. Modelos auto regressivos integrados de médias móveis 17 Modelos autorregressivos, integrados e de médias móveis (ARIMA) é a representação de uma série diferenciada por um modelo ARMA. Pode-se descrever todos os modelos MA, AR, ARMA utilizando a nomeclatura ARIMA, ou seja:i) ARIMA(p,0,0) = AR(p); ii)ARIMA(0,0,q) = MA(p); iii)ARIMA(p,0,q) = ARMA(p,q). E para as séries não estacionárias, utiliza-se o modelo da forma geral ARIMA(p,d,q), onde d consiste em ser o tamanho da diferenciação na série. 18 5. APLICANDO A METODOLOGIA 5.1. Identificação do modelo Consiste em analisar e identificar o modelo apropriado para a série analisada, calculando as funções de autocorrelações e autocorrelações parciais que auxiliam na verificação da estacionariedade e na definição do modelo mais apropriado. 5.2. Estimação do modelo Estimação dos parâmetros do modelo identificado. Uma vez indicados os valores de p, d e q, passa-se para a estimativa dos parâmetros do modelo proposto e da variância do resíduo. 5.3. Diagnóstico Verificação do modelo, checagem de diagnostico. Avaliação por meio da análise de resíduos, se o modelo estiver bem estimado, os resíduos serão estimativas de ruído branco e, assim, os coeficientes de autocorrelação dos resíduos devem ser estatisticamente iguais a zero. 5.4. Previsão E finalmente, a utilização do modelo encontrado e adequado usado para a previsão de valores futuros das séries temporais. 19 6. EXEMPLOS SIMULADOS 6.1. Previsão econômica Exemplo retirado do livro Estatística e introdução à econometria, Alexandre Sartoris (2003). Refeito para fins didáticos. Seja uma série temporal qualquer, com 40 observações ao longo do tempo: Tabela 1 – Observação Yt e suas defasagens. ANO Yt Yt-1 Yt-2 Yt-3 Yt-4 Yt-5 1961 32,2 1962 32,7 32,2 1963 31,4 32,7 32,2 1964 34,2 31,4 32,7 32,2 1965 32,8 34,2 31,4 32,7 32,2 1966 35,1 32,8 34,2 31,4 32,7 32,2 1967 33,5 35,1 32,8 34,2 31,4 32,7 1968 32,1 33,5 35,1 32,8 34,2 31,4 1969 32,7 32,1 33,5 35,1 32,8 34,2 1970 31,7 32,7 32,1 33,5 35,1 32,8 1971 34,4 31,7 32,7 32,1 33,5 35,1 1972 36,3 34,4 31,7 32,7 32,1 33,5 1973 37,5 36,3 34,4 31,7 32,7 32,1 1974 38 37,5 36,3 34,4 31,7 32,7 1975 35,9 38 37,5 36,3 34,4 31,7 1976 35 35,9 38 37,5 36,3 34,4 1977 35,5 35 35,9 38 37,5 36,3 1978 34,7 35,5 35 35,9 38 37,5 1979 36,4 34,7 35,5 35 35,9 38 1980 37,9 36,4 34,7 35,5 35 35,9 20 1981 36,5 37,9 36,4 34,7 35,5 35 1982 35,1 36,5 37,9 36,4 34,7 35,5 1983 36,4 35,1 36,5 37,9 36,4 34,7 1984 36,8 36,4 35,1 36,5 37,9 36,4 1985 35,3 36,8 36,4 35,1 36,5 37,9 1986 37,1 35,3 36,8 36,4 35,1 36,5 1987 38,2 37,1 35,3 36,8 36,4 35,1 1988 37,5 38,2 37,1 35,3 36,8 36,4 1989 34,7 37,5 38,2 37,1 35,3 36,8 1990 34,8 34,7 37,5 38,2 37,1 35,3 1991 32,4 34,8 34,7 37,5 38,2 37,1 1992 33,5 32,4 34,8 34,7 37,5 38,2 1993 31,8 33,5 32,4 34,8 34,7 37,5 1994 32 31,8 33,5 32,4 34,8 34,7 1995 32,4 32 31,8 33,5 32,4 34,8 1996 32,6 32,4 32 31,8 33,5 32,4 1997 31,6 32,6 32,4 32 31,8 33,5 1998 33 31,6 32,6 32,4 32 31,8 1999 32,9 33 31,6 32,6 32,4 32 2000 33,3 32,9 33 31,6 32,6 32,4 Fonte: Estatística e introdução à econometria, Alexandre Sartoris (2003) Onde Yt é a série original, seguida de suas defasagens, Yt-1, Yt-2, Yt-3, Yt-4 e Yt-5. 21 Gráfico 1 - Comportamento de Yt ao longo dos anos: Pelo gráfico, nota-se que aparenta ser uma série estacionária, portanto apta a ser utilizada. A partir da série original Yt e suas defasagens, encontra-se os valores da função de autocorrelação: Tabela 2 - FAC Função de autocorrelação p1 = corr(Yt,Yt-1) = cov(Yt,Yt-1) / var(Yt) = 0,7390265 p2 = corr(Yt,Yt-2) = cov(Yt,Yt-2) / var(Yt) = 0,5943064 p3 = corr(Yt,Yt-3) = cov(Yt,Yt-3) / var(Yt) = 0,3828026 p4 = corr(Yt,Yt-4) = cov(Yt,Yt-4) / var(Yt) = 0,2572629 p5 = corr(Yt,Yt-5) = cov(Yt,Yt-5) / var(Yt) = 0,1877578 Os valores p1,p2,p3,p4,p5 indicam uma função de autocorrelação declinante, que corresponde a um processo autorregressivo ou autorregressivo de médias móveis. Os valores da função de autocorrelação parcial, são encontrados estimando regressões com valores defasados: 20 25 30 35 40 45 1960 1963 1966 1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 22 Tabela 3 - FACP Tabela 4 – Valores encontrados na FACP Valores encontrados por regressão múltipla - Software utilizado Minitab Yt = 8,818 + 0,7450 Yt-1 Yt = 8,12 + 0,675 Yt-1 + 0,090 Yt-2 Yt = 10,28 + 0,687 Yt-1 + 0,173 Yt-2 - 0,156 Yt-3 Yt = 8,77 + 0,735 Yt-1 + 0,144 Yt-2 - 0,140 Yt-3 + 0,008 Yt-4 Yt = 8,57 + 0,773 Yt-1 + 0,097 Yt-2 - 0,142 Yt-3 - 0,077 Yt-4 + 0,102 Yt-5 Os valores em negrito: 0,7450; 0,090; 0,156; 0,008 e 0,102. Indicam uma função truncada em 1, pois revela uma queda significativa do primeiro valor para o segundo. Função de autocorrelação parcial Yt = A + B.Yt-1 Yt = C + D.Yt-1 + E.Yt-2 Yt = F + G.Yt-1 + H.Yt-2 + I.Yt-3 Yt = J + K.Yt-1 + L.Yt-2 + M.Yt-3 + N.Yt-4 Yt = O + P.Yt-1 + Q.Yt-2 + R.Yt-3 + S.Yt-4 + T.Yt-5 23 6.1.1. Produção de açúcar Tabela 5 – Produção de açúcar (mil toneladas) Açúcar - 1980/1981 - 2011/2012 Observação Produção(mil toneladas) 1 8.254 2 7.935 3 8.857 4 9.086 5 8.818 6 8.033 7 8.157 8 8.185 9 8.070 10 7.214 11 7.365 12 8.530 13 9.264 14 9.162 15 12.652 16 13.513 17 14.828 18 14.887 19 18.024 20 19.388 21 16.198 22 19.218 23 22.567 24 24.919 25 26.685 24 26 25.823 27 29.988 28 31.026 29 31.049 30 32.956 31 38.006 32 35.925 Fonte: UNICA, ALCOPAR, BIOSUL, SIAMIG, SINDALCOOL, SIFAEG, SINDAAF, SUDES e MAPA. Gráfico 2 – Produção de Açúcar (mil toneladas) Fonte: UNICA, ALCOPAR, BIOSUL, SIAMIG, SINDALCOOL, SIFAEG, SINDAAF, SUDES e MAPA. 25 Figura 1 – FAC e FACP da série Açúcar; A série mostrasse não estacionária já devido a seu comportamento no gráfico, mas para mostrar isso basta analisar o correlograma, que é o estudo das funções de autocorrelação e de autocorrelação parcial. Nota-se que na defasagem 11, ela praticamente chega a 0, o valor exato é -0,0037, visto isso os valores não poderiam voltar a crescer, o que não é observado na figura 1. Com isso deve-se acrescentar as diferenças da série. 26 Gráfico 3 – 2ª diferença para Açúcar: Figura 2 – FAC e FACP da 2ª diferença da série açúcar: Já na FAC da segunda diferença, o único valor significativo é o primeiro, o valor tomado como referência é pela expressão C= (1/√n)*2 que nesse caso é 0,3592. Portanto o valor de d da série ARIMA (p,d,q) será 2, pois com duas diferenciações a série se tornou estacionária. 27 Para encontrar os valores de p e q dos AR(p) e MA(q) analise os valores encontrados no correlograma ainda tomando por base 0,3592. Defas. FAC FACP 1 - 0,4035 ** -0,4035 ** 2 - 0,2212 -0,4587 ** 3 - 0,0913 -0,3388 * 4 - 0,1843 -0,0514 5 - 0,0086 0,1554 6 - 0,2696 -0,1006 7 - 0,0855 -0,1551 Com isso, os valores de p e q será 2 e 1 respectivamente, sendo AR(2) MA(1), encontra-se portanto um modelo ARIMA(2,2,1). 28 Gráfico 4 – Previsão açúcar: Gráfico 5 – Resíduos 29Gráfico 6 – Resíduos (efetivo-previsto): O valor previsto para a próxima observação é o de 38454,605, e o valor real da produção de açúcar 2012/2013 foi de 38246 o que é muito próximo do valor esperado. Mas para as observações posteriores o modelo não se mostrou eficiente. Para verificar se o modelo é de fato o adequado, verifica-se o comportamento dos resíduos e no gráfico 5, o p-valor mostra-se acima de 5%, e no gráfico 6 os pontos vermelhos são os anos então o modelo estimado foi adequado. 30 . 6.1.2. Índice Nacional de Preços ao Consumidor Amplo Tabela 6 – IPCA: Mês/ano IPCA Mês/ano IPCA ago/06 0,19 mar/09 0,11 set/06 0,05 abr/09 0,36 out/06 0,29 mai/09 0,59 nov/06 0,37 jun/09 0,38 dez/06 0,35 jul/09 0,22 jan/07 0,52 ago/09 0,23 fev/07 0,46 set/09 0,19 mar/07 0,41 out/09 0,18 abr/07 0,22 nov/09 0,44 mai/07 0,26 dez/09 0,38 jun/07 0,29 jan/10 0,52 jul/07 0,24 fev/10 0,94 ago/07 0,42 mar/10 0,55 set/07 0,29 abr/10 0,48 out/07 0,24 mai/10 0,63 nov/07 0,23 jun/10 0,19 dez/07 0,7 jul/10 -0,09 jan/08 0,7 ago/10 -0,05 fev/08 0,64 set/10 0,31 mar/08 0,23 out/10 0,62 abr/08 0,59 nov/10 0,86 mai/08 0,56 dez/10 0,69 jun/08 0,9 jan/11 0,76 jul/08 0,63 fev/11 0,97 31 ago/08 0,35 mar/11 0,6 set/08 0,26 abr/11 0,77 out/08 0,3 mai/11 0,7 nov/08 0,49 jun/11 0,23 dez/08 0,29 jul/11 0,1 jan/09 0,4 ago/11 0,27 fev/09 0,63 set/11 0,53 Fonte: IBGE – Índice Nacional de Preços ao Consumidor Amplo15 Gráfico 7 - IPCA Fonte: IBGE – Índice Nacional de Preços ao Consumidor Amplo15 No caso da série de tempo sobre o IPCA, ela já se demonstra estacionária apenas observando o gráfico, e confirmando pelo correlograma logo abaixo: 32 Figura 3 – Correlograma IPCA: Não é necessário, portanto, diferenciar a série, podendo utilizar a original. Com isso, o modelo será da forma ARIMA (p,0,q). E com base no comportamento das funções de autocorrelação e autocorrelação parcial, é observado que o modelo mais adequado seja o (2,0,1). 33 Gráfico 8 – Previsão IPCA Os valores encontrados com a previsão são: 0.41 para outubro, 0.34 para novembro, 0.31 para dezembro e 0.30 para janeiro de 2012. Destes 4 meses previstos, apenas para o mês de outubro a previsão foi eficiente, onde o valor real foi de 0.42. 34 Gráfico 9 – Resíduos: O gráfico dos resíduos, mostrando que o modelo encontrado foi sim o mais adequado. 35 6.1.3. Produção de Etanol Total Tabela 7 – Etanol Total por mil m³ Etanol Total - Unidade: Mil m³ Etanol Total - Unidade: Mil m³ 1980/1981 3.706 1997/1998 15.415 1981/1982 4.240 1998/1999 13.876 1982/1983 5.823 1999/2000 12.983 1983/1984 7.864 2000/2001 10.592 1984/1985 9.192 2001/2002 11.536 1985/1986 11.829 2002/2003 12.623 1986/1987 10.505 2003/2004 14.736 1987/1988 11.458 2004/2005 15.389 1988/1989 11.645 2005/2006 15.821 1989/1990 11.920 2006/2007 17.844 1990/1991 11.515 2007/2008 22.527 1991/1992 12.722 2008/2009 27.526 1992/1993 11.729 2009/2010 25.691 1993/1994 11.292 2010/2011 27.376 1994/1995 12.752 2011/2012 22.682 1995/1996 12.611 2012/2013 23.226 1996/1997 14.395 2013/2014 27.541 Fonte: UNICA, ALCOPAR, BIOSUL, SIAMIG, SINDALCOOL, SIFAEG, SINDAAF, SUDES e MAPA 36 Gráfico 10 – Etanol Total: Fonte: UNICA, ALCOPAR, BIOSUL, SIAMIG, SINDALCOOL, SIFAEG, SINDAAF, SUDES e MAPA Figura 4 – Correlograma da série Etanol: 37 Gráfico 11 – Segunda diferença para Etanol: Tabela 8 – Correlograma para segunda diferença Etanol: 38 Estudando os gráficos e correlogramas da série Etanol e da série com duas diferenciações, o modelo mais adequado encontrado é da forma ARIMA(4,2,2). Os p-valor muito baixos mostram que os coeficientes encontrados são adequados. Modelo (4,2,2): ARIMA, usando as observações 1983-2014 Estimado usando o filtro de Kalman Variável dependente: (1-L)^2 EtanolTotalUnidadeMilm Erros padrão baseados na Hessiana coeficiente erro padrão z p- valor -------------------------------------------------------- phi_1 −0,448557 0,161540 −2,777 0,0055 *** phi_2 −0,673736 0,133061 −5,063 4,12e-07 *** phi_3 −0,595009 0,124071 −4,796 1,62e-06 *** phi_4 −0,629708 0,149995 −4,198 2,69e-05 *** theta_1 −0,231750 0,107027 −2,165 0,0304 ** theta_2 1,00000 0,209129 4,782 1,74e-06 *** 39 Gráfico 12 – Previsão Etanol: O valor encontrado para 2014/2015 foi de 27420,242 mil m³, e o valor real foi de 28394,312, bem próximo, e dentro do intervalo de confiança estipulado pro modelo. 40 Gráfico 13 – Resíduos: Gráfico dos resíduos, mostrando que o modelo é o melhor ajustado. 41 7. RESULTADOS E CONCLUSÕES Após toda a análise e estudo sobre a metodologia, chego à conclusão, e os resultados mostram isso, que é sim um objeto de estudo muito valioso e importante para quaisquer que sejam os rumos tomados. Neste trabalho em específico, parti para o caminho mais de planejamento e inteligência de mercado, mostrando os resultados e eficiência do modelo em um setor bem específico que é o sucroenergético, realizando análises e previsões sobre Açucar, Etanol e IPCA para mostrar que sempre que um planejamento for traçado, a metodologia proposta por Box-Jenkins é necessária e eficiente. Sobre os resultados encontrados, podemos observar que a metodologia é eficiente com muitas observações sobre os anos anteriores e que ela apresenta bons resultados em previsões para curto prazo, não sendo eficiente para previsões de médio e longo prazos. Foram utilizados no trabalho, os softwares Minitab e Gretl, dois ótimos softwares estatísticos. 42 8. REFERÊNCIAS BIBLIOGRÁFICAS GUJARATI, D. N Econometria básica 5 ª. Ed. SARTORIS, A. Estatística e Introdução à econometria 1ª. Ed. MADDALA, G. S Introdução à econometria 3ª. Ed. ALVES, G. J.; GOMES, M. F. M.; LIMA, J. E.; GOMES, M. T. Modelo de previsão de preços: um estudo para o algodão brasileiro. Revista de Economia e Administração, v. 11, n. 2, p. 235-249, 2012. BUENO, L. R Econometria de séries temporais 2ª. Ed. FRANCO, C. G Apostila sobre modelagem box and jenkins. http://www.leg.ufpr.br/lib/exe/fetch.php/disciplinas:ce229:tcc_batista_manginelli.pdf acesso em: 21 mar. 2015. www.tesouro.fazenda.gov.br/Premio_TN/VIPremio/sistemas/1siafpVIPTN/MELO_ Bruno.pdf acesso em: 21 mar. 2015. http://www.sbmac.org.br/cmacs/cmac-ne/2012/trabalhos/PDF/256.pdf Acesso em: 11 jun. 2015. http://www.portalaction.com.br/series-temporais Acesso em: 11 jun. 2015. 43
Compartilhar