Baixe o app para aproveitar ainda mais
Prévia do material em texto
ECONOMETRIA DE SÉRIES TEMPORAIS AULA 8 – OS MODELO ARIMA E ARIMA-S Prof, Ricardo Chaves Lima 1 Modelos ARIMA 2 • Uma série temporal não estacionária pode exibir tendência estocástica, o que é uma característica da ocorrência de raiz unitária; • Os modelos univariados de séries temporais do tipo ARMA não podem ser utilizados para fazer previsão se os dados não estacionários; • Através do processo de diferenciação, pode-se transforma uma série não estacionária com raiz unitária em uma série estacionária; • As vezes é necessário mais de uma diferenciação para se obter estacionariedade em uma série com RU; • Não se deve usar mais de duas diferenciação para efeitos de obter uma serie estacionária; • Os modelos de previsão univariados do tipo ARMA, quando a série é diferenciada, são chamados ARIMA (auto regressivo integrado de média móvel); Modelos ARIMA 3 Os Modelos ARIMA(p,d,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 • Seja Yt uma série temporal não estacionária com tendência estocástica, sendo que: onde o número de diferenciações d pode ser 1 ou 2 (1 – L)dYt = yt Modelos ARIMA 4 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 ARIMA 5 O Método de BJ – Identificação • A escolha de d: v A grau de diferenciação d, da série temporal, é o primeiro parâmetro a ser escolhido; • A escolha de p e q v Observar a FAC e a FACP (semelhante ao do modelos ARMA); O Método de BJ – Estimação e Diagnóstico • Critérios AIC e SBC; • Estatística Q (Ljung-Box-Pierce); • Previsão ex-post – EQM; Propriedade da Previsão • Semelhante ao modelo ARMA; Ajuste Sazonal 6 Ajuste Sazonal 7 Ajuste Sazonal 8 Modelos ARIMA-S 9 • Os modelos ARIMA-S se aplicam a dados sazonais. Ou seja, que foram gerados de acordo com padrões que se repetem periodicamente (anual); Índice de Vendas de Produtos Farmacêuticos (média 2011=100) Ve nd as 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 25 50 75 100 125 Modelos ARIMA-S 10 Diferenciação Sazonal yt = ΔsDYt = (1− Ls )DYt Onde: yt é a série diferenciada sazonalmente, Yt é a série sazonal, D é o número de diferenciação sazonais (1 ou 2), e s é o período sazonal (geralmente 12). Exemplo: Para D = 1 Para D = 2 yt = ΔsYt =Yt −Yt−s yt = Δs2Yt = ΔYt −ΔYt−s = (Yt −Yt−s )− (Yt−s −Yt−2s ) Modelos ARIMA-S 11 Seja o modelo ARIMA(p,d,q)(P,D,Q): Onde • p e P representam as memórias autoregressiva e autoregressiva sazonal, respectivamente, e • q e Q representam as memórias de média móvel e média móvel sazonal, respectivamente. yt = φ1yt−1 +...+φpyt−p +Φ1yt−s +...+ΦPyt−s−P +εt −θ1εt−1 −...−θqεt−q −Θεt−s −...−Θεt−s−Q φ(L)Φ(Ls )ΔdΔsDYt =θ(L)Θ(Ls )εt φ(L)Φ(Ls )yt =θ(L)Θ(Ls )εt yt = θ(L)Θ(Ls ) φ(L)Φ(Ls )εt Modelos ARIMA-S 12 Onde: é um polinômio autoregressivo simples de ordem p; é um polinômio autoregressivo sazonal de ordem P; é um polinômio de média móvel simples de ordem q; é um polinômio de média móvel saznoalde ordem Q; φ(L) =1+φ1L ++φpLp Φ(Ls ) =1+Φ1Ls ++ΘPLPs θ(L) =1−θ1L −−θqLq Θ(Ls ) =1−Θ1Ls −−ΘQLQs Teste de Raiz Unitária Sazonal • Procedimento no RATS (www.estima.com): hegy.src • Referências: E. Ghysels, H. Lee, and J. Noh, "TESTING FOR UNIT ROOTS IN SEASONAL TIME SERIES", Journal of Econometrics, 62, pp. 415-442. (1994). S. Hylleberg, R. Engle, W. Granger, and B. Yoo "SEASONAL INTEGRATION AND COINTEGRATION" Journal of Econometrics, 44, pp. 215-238. (1990).
Compartilhar