Baixe o app para aproveitar ainda mais
Prévia do material em texto
ECONOMETRIA DE SÉRIES TEMPORAIS AULA 4 – O MODELO ARMA Prof, Ricardo Chaves Lima 1 Modelos de Séries Temporais Univariados 2 I. O Modelo Ruído Branco (white noise): ➢ Uma série de tempo (εt) é um processo ruído branco se cada valor da sequência tiver média zero, variância constante e for não correlacionado com os demais valores (Enders, 2004); ➢ Seja o modelo, yt = εt ➢ Formalmente temos: E(εt) = E(εt-1) = ... = 0 E(εt 2) = E(εt-1 2) = ... = σ2 E(εtεt-s) = E(εt-jεt-sj-) = 0 para todo j e s Dois Caso Especiais Modelos de Séries Temporais Univariados 3 II. O Modelo de Passeio Aleatório (Random Walk): ➢ O modelo de passeio aleatório é não estacionário; ➢ O modelo não tem termo constante e não se move de forma persistente em uma direção definida. Pelo Contrário, move- se aleatoriamente levado pelos choques estocásticos (εt,) (Pankratz, 1983); ➢ É comumente usado para previsão de valores de índices e ações em mercados financeiros. yt = ϕyt-1 + εt, para ϕ = 1 Modelos de Séries Temporais Univariados 4 Os Modelos Autoregressivos AR(p) yt = ϕ1yt-1 + ϕ2yt-2 + ... + ϕpyt-p + εt Para ϕ0 = 0 yt - ϕ1yt-1 - ϕ2yt-2 - ... - ϕpyt-p = εt (1 - ϕ1L - ϕ2L 2 - ... – ϕpL p) yt = εt Fazendo ϕ(L) = (1 - ϕ1L - ϕ2L 2 - ... – ϕpL p) ϕ(L)yt = εt yt = [1/ϕ(L)] εt Modelos de Séries Temporais Univariados 5 Os Modelos de Média Móvel MA(q) yt = εt - θ1εt-1 - θ2εt-2 - ... – θqεt-q Fazendo θ(L) = (1 - θ1L - θ2L 2 - ... – θpL p) yt = θ(L)εt yt = (1 - θ1L - θ2L 2 - ... – θqL q) εt Modelos de Séries Temporais Univariados 6 Os Modelos ARMA(p,q) yt = ϕ1yt-1 + ... + ϕpyt-p + εt - θ1εt-1 - ... – θqεt-q ϕ1yt-1 - ... - ϕpyt-p - yt = εt - θ1εt-1 - ... – θqεt-q ϕ(L)yt = θ(L)εt yt = [θ(L)/ϕ(L)]εt Note: os modelos ARMA(p,q) são estacionários e inversíveis Modelos de Séries Temporais Univariados 7 Simulação de um Modelos ARMA(p,q) # ARMA simulation set.seed(123) armasim<- arima.sim(n = 100, list(ar = c(0.88, -0.49), ma = c(-0.23, 0.25)),sd = sqrt(2)) + 10 armasim plot(armasim) Modelo Simulado yt = 10 + 0.88yt-1 – 0.49yt-2 – 0.23εt-1 + 0.25εt-2 + εt Modelos de Séries Temporais Univariados 8 O Método de Box-Jenkins Identificação Estimação Diagnóstico Previsão (p, d, q) software AIC, SBC, R2-ajustado, t, Q Previsão ex-post, escolher o melhor modelo Modelos de Séries Temporais Univariados 9 O Método de BJ – Identificação • A escolha de d: ❖ A grau de diferenciação d, da série temporal, é o primeiro parâmetro a ser escolhido; ❖ Assumindo que o modelo ARMA(p,q) é estacionário, d = 0. • A escolha de p e q ❖ Observar a FAC e a FACP Formato da FAC/FACP Tipo de Modelo • FAC com Queda exponencial; Modelo AR(p), usar a FACP para decidir a ordem do modelo; • FAC Alternando valores positivos e negativos; Modelo AR(p), usar a FACP para decidir a ordem do modelo; • FAC com um ou mais picos e o resto zero; MA(q), observe os picos da FAC para decidir a ordem; • Queda logo após poucas defasagens. ARMA(p,q) Modelos de Séries Temporais Univariados 1 0 O Método de BJ – Estimação e Diagnóstico • Os Critérios AIC e SBC ❖ Observar o ajuste do modelo pelos critérios AIC (Akaike Information Criterion) and SBC (Schwartz Bayesian Criterion); ❖ O aumento de defasagens de AR e MA que não contribuam para uma melhor previsão, deve implicar em um crescimento da soma do quadrado dos erros (SQE); AIC = T ln (soma do quadrado dos resíduos) + 2n SBC = T ln (soma do quadrado dos resíduos) + n ln (T) Onde, n = número de parâmetros estimados (p + q + possível termo constante) T = número de observações utilizáveis Modelos de Séries Temporais Univariados 1 1 • Os Critérios AIC e SBC (continuando) ❖ Note que modelos com melhores ajustes mostram menores valores de AIC e SBC, inclusive do lado positivo da reta numérica. Ou seja, AIC e SBC aproximam-se de menos infinito quanto melhor o ajuste do modelo; ❖ Considerando que ln(T) será sempre maior do que 2, o custo marginal de adicionar um regressor (aumentar n) é maior para SBC. ❖ Deve-se ter sempre em mente o critério da parcimônia. Ou seja, para modelos com mesmo AIC e SBC prefere-se sempre o menor. O Método de BJ – Estimação e Diagnóstico Modelos de Séries Temporais Univariados 1 2 O Método de BJ – Estimação e Diagnóstico • O R-quadrado ajustado e as estatísticas t ❖ No modelos ARMA deve-se observar os valores do R- quadrado ajustado e significância dos parâmetros; • A Estatística Q (Ljung-Box-Pierce) para os erros ❖ A regra geral é que modelos com melhor ajuste e poder de previsão têm erros não correlacionados no tempo. Assim, a estatística Q é usada para examinar autocorrelação conjunta para os termos de erro do modelo: Para s autocorrelações, p termos autorregressivos e q termos de média móvel, a estatística Q tem distribuição qui-quadrado com s – p – q graus de liberdades (ou s - p – q – 1 se o modelo tiver intercepto). A hipótese H0 é de resíduos não autocorrelacionados. Modelos de Séries Temporais Univariados 1 3 O Método de BJ – Previsão • Propriedades da previsão ❖ A maior importância dos modelos do tipo ARMA é a realização de previsão. Considere um processo do tipo AR(1): ❖ Atualizando um período a frente, temos: ❖ Conhecendo os coeficientes ϕ0 e ϕ1 pode-se prever yt+1 condicional à informação disponível até o período t; yt =ϕ0 + ϕ1yt-1 + εt yt+1 =ϕ0 + ϕ1yt + εt+1 Etyt+1 =ϕ0 + ϕ1yt Modelos de Séries Temporais Univariados 1 4 O Método de BJ – Previsão • Propriedades da previsão ❖ Para 2 períodos à frente temos: ❖ Portanto, a previsão no tempo (t+1) é utilizada para prever no tempo (t+2), e assim sucessivamente. Assim, no tempo futuro (t+j), a previsão é: ❖ É possível, portanto, obter uma sequência completa de previsões (função de previsão) j passos à frente, da seguinte forma: Etyt+2 = ϕ0 + ϕ1Etyt+1 Etyt+2 = ϕ0 + ϕ1(ϕ0 + ϕ1yt ) Etyt+j+1 = ϕ0 + ϕ1Etyt+j Etyt+j+1 = ϕ0(1+ ϕ1 + ϕ1 2 + ... + ϕ1 j-1) + ϕ1 jyt Modelos de Séries Temporais Univariados 1 5 O Método de BJ – Previsão • Propriedades da previsão ❖ Observe que, a medida em que avançamos para o futuro a qualidade da previsão é reduzida por causa do aumento do erro de previsão; ❖ Erro de Previsão - para a previsão j passos à frente, o erro de previsão é: et(j) ≡ yt+j - Etyt+j ❖ A variância do erro de previsão é: Var[et(j)] = σp 2 = σe 2(1+ϕ1 2 + ϕ1 4 + ...+ϕ1 2(j-1) ] onde σe 2 é a variância do erro do modelo. (≡) Idêntico a Modelos de Séries Temporais Univariados 1 6 O Método de BJ – Previsão • Propriedades da previsão ❖ Assim, para previsão 1 passo à frente, a variância do erro de previsão é σ2, para 2 passos à frente temos σ2(1+ϕ1 2 ), a assim sucessivamente; ❖ O intervalo de confiança de previsão de 95% para 1 passos à frente é: ϕ0 + ϕ1yt ± 1,96σe ❖ Para 2 passos à frente: ϕ0(1 + ϕ1) + ϕ1 2yt ± 1,96σe (1 + ϕ1 2)1/2 Modelos de Séries Temporais Univariados 1 7 O Método de BJ – Previsão • Avaliação da Previsão (Previsão ex-post) ❖ A previsão ex post é realizada em um horizonte de tempo passado sobre o qual tem-se conhecimento dos valores da série. Compara-se, então, os valores previstos contra os valores ocorridos com o objetivo de medir a performance do modelo. A medida comumente utilizada é o Erro Quadrado Médio da Previsão (EQM), que é calculado da seguinte forma: ❖ Onde k é o horizonte de previsão ex post, geralmente entre 4 e 6.
Compartilhar