Baixe o app para aproveitar ainda mais
Prévia do material em texto
SÉRIES TEMPORAIS (Modelos ARIMA) Comandos Stata Profa. Maria Elizete Previsão (Clements e Hendry, 2002) Algumas questões básicas: 1. O que é previsão? 2. O que pode ser previsto? 3. Qual a confiabilidade das previsões? 4. Geralmente, como a previsão é feita? 5. Como a previsão é feita pelos economistas? Algumas questões básicas: 1. O que é previsão? 2. O que pode ser previsto? 3. Qual a confiabilidade das previsões? 4. Geralmente, como a previsão é feita? 5. Como a previsão é feita pelos economistas? Previsão 1. O que é previsão? • Ato de prever • Suposição do que ainda não aconteceu Clements e Hendry (2002) • Declaração sobre o futuro A declaração pode ser: bem fundamentada ou faltar uma base sólida; precisa ou imprecisa para um determinado período; informal ou baseada em modelos. 1. O que é previsão? • Ato de prever • Suposição do que ainda não aconteceu Clements e Hendry (2002) • Declaração sobre o futuro A declaração pode ser: bem fundamentada ou faltar uma base sólida; precisa ou imprecisa para um determinado período; informal ou baseada em modelos. Previsão • Realização das previsões: métodos diversos e modelos de regressão. Previsão 2. O que pode ser previsto? Por ser uma declaração sobre o futuro, qualquer “coisa” pode ser prevista. • Taxa de inflação para os próximos meses; • Mudanças climáticas para o futuro; • Aumentos médios no nível do mar em um determinado período; • Valor do índice Dow Jones para um período específico; • Valor do PIB brasileiro para o próximo trimestre; • Etc. 2. O que pode ser previsto? Por ser uma declaração sobre o futuro, qualquer “coisa” pode ser prevista. • Taxa de inflação para os próximos meses; • Mudanças climáticas para o futuro; • Aumentos médios no nível do mar em um determinado período; • Valor do índice Dow Jones para um período específico; • Valor do PIB brasileiro para o próximo trimestre; • Etc. Previsão 3. Qual a confiabilidade das previsões? Nossa confiança dependerá de quão bem fundamentadas são as previsões. Abordagens bem testadas, experimentadas. Problema: o futuro é incerto! 3. Qual a confiabilidade das previsões? Nossa confiança dependerá de quão bem fundamentadas são as previsões. Abordagens bem testadas, experimentadas. Problema: o futuro é incerto! Previsão 4. Em geral, como a previsão é feita? Há muitas formas de fazer previsão: • Palpites; • Adivinhação; • Simples extrapolação; • Modelos paramétricos; • Modelos não paramétricos; • Etc. 4. Em geral, como a previsão é feita? Há muitas formas de fazer previsão: • Palpites; • Adivinhação; • Simples extrapolação; • Modelos paramétricos; • Modelos não paramétricos; • Etc. Previsão 5. Como a previsão é feita pelos economistas? Os métodos de previsão incluem, entre outros: • Modelos informais, “regras de ouro”: sorte • Juízo de especialistas: não tem validação se único componente • Extrapolação: as tendências persistem? Mas, as previsões são mais úteis quando predizem mudanças nas tendências. Muitos investiram no auge de um “boom”. 5. Como a previsão é feita pelos economistas? Os métodos de previsão incluem, entre outros: • Modelos informais, “regras de ouro”: sorte • Juízo de especialistas: não tem validação se único componente • Extrapolação: as tendências persistem? Mas, as previsões são mais úteis quando predizem mudanças nas tendências. Muitos investiram no auge de um “boom”. Previsão • Modelos econométricos: principal ferramenta na previsão econômica. Uma das vantagens: consolidação de conhecimento empírico e teórico sobre como as economias funcionam. • Modelos de séries temporais: Descrevem o padrão histórico dos dados. Como os outros métodos, está presente a incerteza. • Modelos econométricos: principal ferramenta na previsão econômica. Uma das vantagens: consolidação de conhecimento empírico e teórico sobre como as economias funcionam. • Modelos de séries temporais: Descrevem o padrão histórico dos dados. Como os outros métodos, está presente a incerteza. Abordagem Metodologia Box-Jenkins (ARIMA) Metodologia Box-Jenkins • Modelos univariados Modelos ARIMA: Início déc. 70; George Box (1919- )e Gwilym Jenkins (1933-1982). Permite a previsão dos valores futuros de uma série,baseando-se apenas nos seus valores presentes epassados. Esses modelos se ajustam às ST em que asobservações são fortemente dependentes entre si. • Modelos univariados Modelos ARIMA: Início déc. 70; George Box (1919- )e Gwilym Jenkins (1933-1982). Permite a previsão dos valores futuros de uma série,baseando-se apenas nos seus valores presentes epassados. Esses modelos se ajustam às ST em que asobservações são fortemente dependentes entre si. Metodologia Box-Jenkins Analisar correlação temporal existente entre os valores exibidos pela ST. Esta relação temporal é representada por um conjunto de processos estocásticos denominados modelos ARIMA. Estes modelos resultam da combinação de três componentes ou filtros: i) o componente Auto-regressivo (AR); ii) o filtro de integração (I) e; iii) o componente de Médias Móveis (MA). Analisar correlação temporal existente entre os valores exibidos pela ST. Esta relação temporal é representada por um conjunto de processos estocásticos denominados modelos ARIMA. Estes modelos resultam da combinação de três componentes ou filtros: i) o componente Auto-regressivo (AR); ii) o filtro de integração (I) e; iii) o componente de Médias Móveis (MA). Metodologia Box-Jenkins 1) Modelo Auto-Regressivo (AR): Yt é descrita somente por seus valores passados e peloruído branco εt. Versão mais simples: Yt = ФYt-1 + εt → AR(1). (modelo mais simples) Ф = parâmetro; E(εt)= 0; E(ε2t) = σ2; E(εt εs) =0 para t ≠ s 1) Modelo Auto-Regressivo (AR): Yt é descrita somente por seus valores passados e peloruído branco εt. Versão mais simples: Yt = ФYt-1 + εt → AR(1). (modelo mais simples) Ф = parâmetro; E(εt)= 0; E(ε2t) = σ2; E(εt εs) =0 para t ≠ s Metodologia Box-Jenkins 2) Modelo de Médias Móveis (MA): Neste modelo, a série Yt é uma função linear dos choques aleatórios (ruídos brancos) do período corrente e dos períodos passados. Eis o modelo: Yt = εt - θεt-1 → MA(1) (modelo mais simples) 2) Modelo de Médias Móveis (MA): Neste modelo, a série Yt é uma função linear dos choques aleatórios (ruídos brancos) do período corrente e dos períodos passados. Eis o modelo: Yt = εt - θεt-1 → MA(1) (modelo mais simples) Metodologia Box-Jenkins 3) Modelo ARMA: Neste modelo, Yt é uma função dos seus valores passados e dos choques aleatórios correntes e passados. Isto é: Yt = ФYt-1 + εt - θεt-1 → ARMA(1,1) 3) Modelo ARMA: Neste modelo, Yt é uma função dos seus valores passados e dos choques aleatórios correntes e passados. Isto é: Yt = ФYt-1 + εt - θεt-1 → ARMA(1,1) Metodologia Box-Jenkins Especificação mais ampla... Yt = Φ1Yt-1 + ...+ ΦpYt-p + εt – θ1εt-1 - ...- θqεt-q Sendo: Yt = ΔdYt *Após determinar p, d e q, passa-se para a estimação dos p parâmetros Φ, dos q parâmetros θ e da variância σ2 do modelo. p: denota nr de termos autoregressivos; d: denota nr de vezes que ST precisa ser diferenciada; q: denota nr de termos de médias móveis Especificação mais ampla... Yt = Φ1Yt-1 + ...+ ΦpYt-p + εt – θ1εt-1 - ...- θqεt-q Sendo: Yt = ΔdYt *Após determinar p, d e q, passa-se para a estimação dos p parâmetros Φ, dos q parâmetros θ e da variância σ2 do modelo. p: denota nr de termos autoregressivos; d: denota nr de vezes que ST precisa ser diferenciada; q: denota nr de termos de médias móveis Metodologia Box-Jenkins 4) Modelo Auto-Regressivo Integrado de Médias Móveis (ARIMA): A metodologia Box-Jenkins deve ser aplicada à ST estacionárias; ou que se tornam estacionárias depois da aplicação de diferenças. O númerode diferenças utilizado para tornar uma série estacionária é definido como ordem de Integração (I). 4) Modelo Auto-Regressivo Integrado de Médias Móveis (ARIMA): A metodologia Box-Jenkins deve ser aplicada à ST estacionárias; ou que se tornam estacionárias depois da aplicação de diferenças. O número de diferenças utilizado para tornar uma série estacionária é definido como ordem de Integração (I). Metodologia Box-Jenkins Obs: ARIMA (2,1,2). Aplicou-se uma diferença para estacionarizar. Série estacionária modelada como ARMA (2,2). Se d=0 ... ARMA (p,q) ARIMA (p,0,0): Processo AR(p) puramente estacionário ARIMA (0,0,1): Processo MA(q) puramente estacionário Enfim... Dados os valores de p, d e q, diz-se qual processo está sendo modelado. Obs: ARIMA (2,1,2). Aplicou-se uma diferença para estacionarizar. Série estacionária modelada como ARMA (2,2). Se d=0 ... ARMA (p,q) ARIMA (p,0,0): Processo AR(p) puramente estacionário ARIMA (0,0,1): Processo MA(q) puramente estacionário Enfim... Dados os valores de p, d e q, diz-se qual processo está sendo modelado. Questões: Observando-se uma ST, como saber se ela segue: • Um processo AR puro (e qual valor de p)? • Um processo MA puro (e qual valor de q)? • Um processo ARMA (e quais valores de p e q)? • Um modelo ARIMA (e quais valores de p, d, q)? Usaremos a metodologia Box-Jenkins para respostas. Observando-se uma ST, como saber se ela segue: • Um processo AR puro (e qual valor de p)? • Um processo MA puro (e qual valor de q)? • Um processo ARMA (e quais valores de p e q)? • Um modelo ARIMA (e quais valores de p, d, q)? Usaremos a metodologia Box-Jenkins para respostas. Etapas Metodologia Box-JenkinsEtapas Metodologia Box-Jenkins Etapas da Metodologia Box-Jenkins 1) Identificar o processo gerador da série: Após analisar a estacionariedade da ST, os modelos potenciais são escolhidos (escolha de p, d, q); 2) Estimar os parâmetros dos modelos, escolhendo-se um deles; 1) Identificar o processo gerador da série: Após analisar a estacionariedade da ST, os modelos potenciais são escolhidos (escolha de p, d, q); 2) Estimar os parâmetros dos modelos, escolhendo-se um deles; Etapas da Metodologia Box-Jenkins 3) Diagnóstico: Avaliar se o processo de estimação foi bem sucedido. Resíduos ruído branco? Se sim, ir para etapa 4. Se não, voltar à etapa 1. 4) Previsão. 3) Diagnóstico: Avaliar se o processo de estimação foi bem sucedido. Resíduos ruído branco? Se sim, ir para etapa 4. Se não, voltar à etapa 1. 4) Previsão. O processo de identificação consiste em determinar quais dos filtros AR, I, MA compõem o processo gerador da série, e suas respectivas ordens (p, d, q). 1) Identificação O processo de identificação consiste em determinar quais dos filtros AR, I, MA compõem o processo gerador da série, e suas respectivas ordens (p, d, q). 1) Identificação Instrumentos: a) Função de autocorrelação (FAC) b) Função de autocorrelação parcial (FACP) c) Correlograma Instrumentos: a) Função de autocorrelação (FAC) b) Função de autocorrelação parcial (FACP) c) Correlograma Gráfico: LPIB – EUA (1947 – 2007, dados trimestrais) a) Função de Autocorrelação (FAC) Coeficiente de autocorrelação (populacional) de ordem k (ou entre Yt e Yt-k) é dado por: Coeficiente de correlação amostral: 2)( ))([( )( ),( − −− === −− t ktt t ktt o k k YE YYE YV YYCov Coeficiente de autocorrelação (populacional) de ordem k (ou entre Yt e Yt-k) é dado por: Coeficiente de correlação amostral: ∑ ∑ = += − − −− == n t t n kt ktt o k k nYY nYYYY 1 2 1 /)( /))(( ˆ ˆˆ b) Função de Autocorrelação Parcial (FACP) • A correlação amostral parcial (FACP): mede a correlação entre Yt e Yt-k após remover o efeito das correlações nas defasagens intermediários. • A correlação amostral parcial (FACP): mede a correlação entre Yt e Yt-k após remover o efeito das correlações nas defasagens intermediários. c) Correlograma Correlograma: representação da FAC e FACP contra a extensão da defasagem * Tem-se uma sequência de pares (k, pk), k=1,2,...,m. Correlograma: representação da FAC e FACP contra a extensão da defasagem * Tem-se uma sequência de pares (k, pk), k=1,2,...,m. Correlograma amostral Obs.: o correlograma amostral dá indicação se uma determinada ST é estacionária ou não. Vejamos os correlogramas seguintes... Obs.: o correlograma amostral dá indicação se uma determinada ST é estacionária ou não. Vejamos os correlogramas seguintes... Correlograma de ruído branco (u puramente aleatório) AC: Função correlação amostral Eixo 0 Correlograma de ST passeio aleatório *** Correlograma de ST LPIB (dados EUA) Questões: 1) No cômputo da FAC, como escolher o tamanho da defasagem da ST? 2) Como decidir se um coeficiente de autocorrelação a uma determinada defasagem é estatisticamente significativo? 1) No cômputo da FAC, como escolher o tamanho da defasagem da ST? 2) Como decidir se um coeficiente de autocorrelação a uma determinada defasagem é estatisticamente significativo? 1)Escolha da extensão da defasagem Regra de bolso 1/3 a ¼ da extensão da ST. Regra de bolso 1/3 a ¼ da extensão da ST. 2) Significância estatística dos coeficientes (individuais) de correlação Como definir se um determinado valor do coeficiente de correlação, em uma determinada defasagem, é estatisticamente significativo? • Ver erro-padrão. • Bartlet demonstrou que se uma ST é puramente aleatória: Como definir se um determinado valor do coeficiente de correlação, em uma determinada defasagem, é estatisticamente significativo? • Ver erro-padrão. • Bartlet demonstrou que se uma ST é puramente aleatória: )/1,0(ˆ nNk ≈ Significância estatística dos coeficientes (individuais) de correlação • Calcular I.C. • Se o I.C inclui “0” não se rejeita a hipótese nula de que o verdadeiro ρk seja zero. (obs.: α=5%). )ˆ_.(96,1ˆ kk pe ± • Calcular I.C. • Se o I.C inclui “0” não se rejeita a hipótese nula de que o verdadeiro ρk seja zero. (obs.: α=5%). )ˆ_.(96,1ˆ kk pe ± Significância estatística (conjunta) dos coeficientes de correlação • Box e Pierce (1970): É possível testar se os k 1ºs coeficientes de autocorrelação são simultaneamente iguais a “0”. • Estatística • Q segue a Distribuição χ2 com “m” graus de liberdade. Se Q > Qcrít rejeita-se a hipótese de que os “m” 1ºs coeficientes de autocorrelação são nulos. Alguns deles são # 0. • Box e Pierce (1970): É possível testar se os k 1ºs coeficientes de autocorrelação são simultaneamente iguais a “0”. • Estatística • Q segue a Distribuição χ2 com “m” graus de liberdade. Se Q > Qcrít rejeita-se a hipótese de que os “m” 1ºs coeficientes de autocorrelação são nulos. Alguns deles são # 0. ∑ = = m k knQ 1 2ˆ Significância estatística (conjunta) dos coeficientes de correlação Uma variante da estatística Q é a estatística Ljung-Box(1978): • com m g.l 2 1 2ˆ)2( ≈ − += ∑ = m k k kn nnLB Uma variante da estatística Q é a estatística Ljung-Box(1978): • com m g.l 2 1 2ˆ)2( ≈ − += ∑ = m k k kn nnLB Uso dos correlogramas para identificação Vejamos as figuras seguintes, relacionadas aos dados dos EUA no período analisado. Vejamos as figuras seguintes, relacionadas aos dados dos EUA no período analisado. Correlograma LPIB EUA IC: 95% Correlograma parcial do LPIB EUA Tornando a ST estacionária • Tornar a ST de LPIB estacionária, para aplicar a metodologia Box-Jenkins. • Procedimento: aplicar primeira diferença e ver gráfico, FAC e FACPresultante. *Confirmar com teste de raiz unitária de Dickey- Fuller • Tornar a ST de LPIB estacionária, para aplicar a metodologia Box-Jenkins. • Procedimento: aplicar primeira diferença e ver gráfico, FAC e FACP resultante. *Confirmar com teste de raiz unitária de Dickey- Fuller Gráfico DLPIB FAC DLPIB FACP DLPIB Teste raiz unitária ADF Valor estatística de teste: -11,0204 Valor crítico: -3,4575 (α = 1%) Ho: ST apresenta raiz unitária (não estacionária) Conclusão: ST estacionária (na primeira diferença) Valor estatística de teste: -11,0204 Valor crítico: -3,4575 (α = 1%) Ho: ST apresenta raiz unitária (não estacionária) Conclusão: ST estacionária (na primeira diferença) Questão: • Como os correlogramas (da ST estacionária) permitem- nos encontrar o padrão ARMA da ST? As características da FAC e FACP é que indicarão qual o possível processo gerador da série! Analisa-se FAC, FACP e correlogramas correspondentes de diferentes processos ARMA: AR(1), MA(1), AR(2), MA(2), ARMA (1,1), etc. VER se a ST se ajusta a um desses padrões. • Como os correlogramas (da ST estacionária) permitem- nos encontrar o padrão ARMA da ST? As características da FAC e FACP é que indicarão qual o possível processo gerador da série! Analisa-se FAC, FACP e correlogramas correspondentes de diferentes processos ARMA: AR(1), MA(1), AR(2), MA(2), ARMA (1,1), etc. VER se a ST se ajusta a um desses padrões. Alguns padrões: Padrões opostos AR(p) e MA(q) Geometricamente: Padrões adicionais... Fonte: Franco (UFMG).Fonte: Franco (UFMG). Na prática... • As FAC e FACP estimadas não correspondem aos seus equivalentes teóricos. • O que se procura... Semelhança entre as FAC e FACP teóricas e amostrais. • Portanto... A modelagem ARIMA requer habilidade! • As FAC e FACP estimadas não correspondem aos seus equivalentes teóricos. • O que se procura... Semelhança entre as FAC e FACP teóricas e amostrais. • Portanto... A modelagem ARIMA requer habilidade! Aplicando a Metodologia ARIMA para a ST LBIP dos EUA Aplicando a Metodologia ARIMA para a ST LBIP dos EUA 1) Identificação FAC: autocorrelações decrescem para as duas primeiras defasagens (as demais são estatisticamente iguais a zero, exceto para k=5). FACP: picos nas defasagens 1 e 12. ** Se FACP mostrasse significância apenas em k=1... Modelo AR(1). *** Sugestão: tentar MA(2). FAC: autocorrelações decrescem para as duas primeiras defasagens (as demais são estatisticamente iguais a zero, exceto para k=5). FACP: picos nas defasagens 1 e 12. ** Se FACP mostrasse significância apenas em k=1... Modelo AR(1). *** Sugestão: tentar MA(2). 2) Estimação modelo ARIMA Teremos a seguinte especificação, em que Yt* corresponde a D.LPIB: = 0,00822 + 0,2918ut-1 + 0,2024ut-2 t= (9,32) (4,61) (3,20) R2 = 0,1217 d = 1,9705 2211 * −− ++= ttt uuY Teremos a seguinte especificação, em que Yt* corresponde a D.LPIB: = 0,00822 + 0,2918ut-1 + 0,2024ut-2 t= (9,32) (4,61) (3,20) R2 = 0,1217 d = 1,9705 2211 * −− ++= ttt uuY 3) Diagnóstico • Obter os resíduos do modelo MA(2) estimado. Devem se comportar como ruído branco. • Qual o padrão da FAC e FACP? • Obter os resíduos do modelo MA(2) estimado. Devem se comportar como ruído branco. • Qual o padrão da FAC e FACP? FAC resíduos MA(2) FACP resíduos MA(2) 4) Previsão • Dados da ST LPIB: 1947-I a 2007-IV. • Questão: prever LPIB para 1° trimestre de 2008. GUJARATI (2011, pg. 778): U$ 9,3741 • Dados da ST LPIB: 1947-I a 2007-IV. • Questão: prever LPIB para 1° trimestre de 2008. GUJARATI (2011, pg. 778): U$ 9,3741
Compartilhar