AV SERIES TEMPORAIS - Resumo

Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original

## Resumo sobre Séries Temporais: Conceitos e Modelos FundamentaisO conteúdo apresentado aborda conceitos essenciais e modelos estatísticos aplicados ao estudo de séries temporais, com foco em propriedades como sazonalidade, estacionariedade, autocorrelação, e características específicas de modelos AR (Auto-Regressivos), MA (Médias Móveis), ARMA e SARIMA. A série temporal é uma sequência de observações ordenadas no tempo, e seu estudo é fundamental para entender padrões, prever comportamentos futuros e modelar fenômenos que evoluem ao longo do tempo.### Sazonalidade e Persistência em Séries TemporaisUm dos conceitos centrais discutidos é a **sazonalidade**, definida como um padrão de repetições periódicas com período igual ou menor que um ano, geralmente relacionado a variações regulares que ocorrem em intervalos fixos, como meses ou estações do ano. A sazonalidade pode ser representada por funções de variáveis dummy que indicam períodos específicos, como meses, para capturar essas variações periódicas.Outro aspecto importante é a **persistência** ou dependência temporal, que indica o quanto os valores atuais da série dependem dos valores passados. Séries com forte persistência apresentam uma constante de amortecimento alta no método de amortecimento exponencial, sugerindo que os valores antigos influenciam significativamente os valores futuros. Por exemplo, uma constante de amortecimento próxima a 0,9 indica alta persistência, enquanto valores menores indicam menor influência dos dados passados.### Modelos Estocásticos e Propriedades de Estacionariedade e InversibilidadeO material explora diferentes processos estocásticos usados para modelar séries temporais, destacando:- **Ruído branco**: processo com covariância zero para defasagens maiores que zero, caracterizado por valores independentes e identicamente distribuídos.- **Modelos AR(1) e AR(2)**: processos auto-regressivos onde o valor atual depende linearmente de um ou dois valores anteriores, respectivamente. A estacionariedade desses modelos depende das raízes do polinômio característico, que devem ter módulo maior que 1 para garantir que a série não apresente tendência explosiva.- **Modelos MA(1) e MA(2)**: processos de médias móveis que dependem de erros passados, com propriedades específicas de autocorrelação e autocorrelação parcial.- **Modelos ARMA(1,1)**: combinação de AR e MA, cuja estacionariedade depende dos parâmetros de ambos os componentes.A **inversibilidade** é uma propriedade importante para modelos MA, que garante que o modelo possa ser representado de forma única e estável. No exemplo dado, apenas o modelo MA(2) com certos coeficientes é inversível, enquanto o MA(1) com coeficiente -1,1 não é.### Funções de Autocorrelação e Autocorrelação Parcial, e Modelos SARIMAAs funções de autocorrelação (FAC) e autocorrelação parcial (FACP) são ferramentas essenciais para identificar e diagnosticar modelos de séries temporais. A FAC mostra a correlação entre valores da série em diferentes defasagens (lags), enquanto a FACP mede a correlação entre valores defasados, removendo o efeito das defasagens intermediárias.- Para um modelo MA(1) ou MA(2), a FAC apresenta valores diferentes de zero apenas para os primeiros lags, decaindo rapidamente.- Para modelos AR(2), a FAC pode apresentar decaimento exponencial ou senoidal amortecido, refletindo a influência dos valores passados.- A FACP para modelos AR apresenta valores diferentes de zero até a ordem do modelo, e zero para lags superiores.Os modelos **SARIMA** (Seasonal ARIMA) incorporam componentes sazonais, com parâmetros que capturam padrões periódicos em intervalos fixos, como 12 meses para dados mensais. Por exemplo:- O modelo SARIMA(0,0,0)x(2,0,0)_12 apresenta uma função de autocorrelação com decaimento exponencial ou senoidal nos lags múltiplos de 12 (12, 24, 36, etc.).- O modelo SARIMA(0,0,0)x(0,0,1)_12 tem autocorrelação diferente de zero apenas no lag 12, refletindo um componente sazonal de média móvel.### Exemplos e Aplicações PráticasO conteúdo inclui exemplos práticos para ilustrar os conceitos:- Cálculo da média de um modelo MA(1) com constante, onde a média é igual à constante do modelo, pois o termo de erro tem média zero.- Determinação da variância do erro de previsão para um modelo AR(1), que converge para um valor constante, importante para avaliar a precisão das previsões.- Testes de sobrefixação para identificar a ordem adequada do modelo, comparando modelos AR e MA para evitar sobreajuste.Esses exemplos reforçam a importância de entender as propriedades matemáticas dos modelos para aplicá-los corretamente na análise e previsão de séries temporais.---## Destaques- **Sazonalidade** é um padrão periódico com período igual ou menor que um ano, fundamental para modelar variações regulares em séries temporais.- A **persistência** indica a dependência dos valores atuais em relação aos passados, influenciando a escolha da constante de amortecimento em métodos exponenciais.- Modelos **AR, MA e ARMA** possuem condições específicas de estacionariedade e inversibilidade que garantem estabilidade e interpretabilidade.- As funções de autocorrelação (FAC) e autocorrelação parcial (FACP) são essenciais para identificar a estrutura temporal e a ordem dos modelos.- Modelos **SARIMA** incorporam componentes sazonais, capturando padrões periódicos em séries com sazonalidade, como dados mensais ou trimestrais.