Baixe o app para aproveitar ainda mais
Prévia do material em texto
Aula 34 Introdução à Análise de Séries Temporais Gujarati, 2006 (tradução da 4a. ed. em inglês) – cap. 21 e 22 O que é uma série temporal? Uma série temporal é qualquer conjunto de observações ordenadas no tempo, espaço, volume ou algum outro parâmetro físico. São exemplos de séries temporais: preço mensal da cesta básica na cidade de São Paulo; índice diário da Bolsa de Valores de São Paulo; número de acidentes ocorridos, a cada quilômetro, numa certa rodovia Federal; número mensal de automóveis de passeio comercializados no Brasil. Figura 1 – Série Mensal do Custo da Cesta Básica, medido pelo DIEESE, no município de São Paulo, no período de Ago/1994 a Nov/2010. Exemplo 01 Figura 2 – Série mensal do número total de passageiros internacionais (em milhares de passageiros), no período de 01/1949 – 12/1960. Exemplo 02 Figura 3 – Série mensal de vendas de automóveis nacionais ao mercado interno no atacado (refere-se apenas a carros de passeio / passageiros e de uso misto, não englobando veículos comerciais leves nem veículos comerciais pesados). Fonte: ANFAVEA. Exemplo 03 Exemplo 04 Figura 4 – Série mensal sobre a produção de cimento no Brasil, em milhares de toneladas, no período de 01/1970 a 12/2007. (Sindicato Nacional da Industria do Cimento - SNIC). Exemplo 05 Figura 5 – Série diária de log-retornos da ação Petrobras, no período de 03/01/1995 – 28/12/2000. Exemplo 06 Figura 6 – Séries mensais de preços médios da cesta básica, em reais, nas cidades de Porto Alegre, Curitiba e Florianópolis, coletadas desde janeiro de 1995 até janeiro de 2010. 0 50 100 150 200 250 300 P r e ç o M é d io d a C e s ta B á s ic a Porto Alegre Curitiba Florianópolis Quais são os objetivos da Análise de Séries Temporais? Estudar procedimentos adequados para análise de um conjunto de dados com estrutura de correlação entre as observações. Ainda, (i) descrever apenas o comportamento da série; neste caso, a construção do gráfico da série, a verificação da existência de tendências, ciclos e variações sazonais, a construção de histogramas e diagramas de dispersão podem ser ferramentas úteis; (ii) investigar o processo gerador da série temporal; por exemplo, analisando uma série de valores mensais de vendas de automóveis no Brasil, podemos querer saber como estes valores de vendas foram gerados; (iii) fazer previsões futuras da série; estas podem ser a curto prazo, como para série de vendas, produção ou estoque, ou a longo prazo, como para séries de produtividade; (iv) procurar periodicidades relevantes nos dados; neste caso, a análise espectral pode ser de grande utilidade. Domínios de análise Domínio do tempo Procedimento baseado no fato de que a correlação entre valores adjacentes da série temporal é melhor explicada em termos de uma regressão dos valores passados da série e de um ruído (modelos paramétricos). Domínio da freqüência Procedimento baseado no fato de que uma série temporal pode ser decomposta como uma superposição linear de senos e co-senos com períodos diferentes (modelos não-paramétricos). Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais são processos estocásticos, isto é, processos controlados por leis probabilísticas. Definição – Seja T um conjunto arbitrário. Um processo estocástico é uma família X = {X(t), t T}, tal que, para cada t T, X(t) é uma variável aleatória. Modelos para Séries Temporais Para cada t T, X(t) é uma v.a. definida sobre , na realidade X(t) é uma função de dois argumentos, X(t, ), t T , . Por outro lado, para cada , fixado, obteremos uma função de t, ou seja, uma realização ou trajetória do processo, ou ainda, uma série temporal. Modelos para Séries Temporais Processo estocástico interpretado como uma família de variáveis aleatórias. fX(x) . . t1 t2 X(t, ) . t (t) t3 O conjunto de valores {X(t), t T} é chamado de espaço de estados, S, do processo estocástico e os valores de X(t) podem ser chamados de estados. Se o conjunto T for finito ou enumerável, como T = Z, o processo diz-se com parâmetro discreto. Por outro lado, se T for um intervalo de , teremos um processo com parâmetro contínuo. Modelos para Séries Temporais O espaço de estados também pode ser discreto ou contínuo: No caso discreto X(t) pode representar uma contagem, como o número de transações de uma ação, durante um dia. Já no caso contínuo, X(t) pode representar uma medida que varia continuamente, como o retorno de um ativo ou volume negociado, em cada dia. Modelos para Séries Temporais (a) O espaço onde está definido o processo; (b) O conjunto dos índices T; (c) A estrutura de dependência da v.a., X(t), t T. Modelos para Séries Temporais Vale notar que ao se definir um processo estocástico é necessário introduzir três características: Modelos para Séries Temporais Como o processo estocástico X(t), t T, é uma v.a., estaremos interessados em obter a distribuição conjunta de {X(1), ..., X(K)}. Mas, na prática, só dispomos de uma única realização do processo. Logo, se torna necessário introduzir certas restrições para que seja possível obter esta distribuição conjunta. Por exemplo, no instante t = 1 só observamos x1, que é o valor que a v.a. X(1) assume neste instante de tempo, mas desejamos recuperar a distribuição da v.a. X(1). Aqui, vale observar que esta distribuição pode depender de mais de um parâmetro e, portanto, é impossível recuperá-la com uma única observação. No caso dos processos estocásticos, as restrições que devem ser impostas são de dois tipos Modelos para Séries Temporais (a) Na heterogeneidade temporal; e (b) Na memória do processo. Seja um dado subconjunto de índices T, por exemplo, {1 t1 < t2 < ... < tm}. Uma restrição na heterogeneidade temporal é, por exemplo, assumir que a distribuição conjunta de {X(t1), X(t2), ..., X(tm)} é igual à distribuição conjunta de {X(t1+), X(t2 +), ..., X(tm +)}, para qualquer inteiro 1. Ou seja, estamos assumindo que a distribuição conjunta é invariante por translações. Note que essa restrição implica que tanto a média quanto a variância do processo são invariantes no tempo. Restrição na Heterogeneidade Temporal fX(x) . . t1 t2 X(t, ) . t (t) t3 Estamos assumindo que a distribuição de probabilidades é a mesma em todos os instantes de tempo – grau zero de heterogeneidade temporal. Restrição na Heterogeneidade Temporal Com relação à memória do processo estocástico, a primeira idéia é fazer com que o processo não tenha memória, isto é, seja não correlacionado ou independente. A restrição de independência é muito forte e pouco plausível, uma vez que séries temporais econômicas apresentam algum tipo de dependência temporal. Assim, uma forma de abrandar essa suposição é fazer com que para instantes de tempo muito afastados não exista correlação. Dessa forma, o processo tem memória, mas tal memória vai diminuindo com o aumento dos intervalos entre os instantes de tempo. Restrição na Memória do Processo Estacionariedade Intuitivamente, um processo X(t) é estacionário se ele se desenvolve no tempo de modo que a escolha de uma origem dos tempos nãoseja importante. Em outras palavras, as características de X(t+), para todo , são as mesmas de X(t). PROCESSOS ESTACIONÁRIOS PROCESSO ESTRITAMENTE ESTACIONÁRIO Um processo estocástico X = {X(t): t T = 1, 2, ...} diz-se estritamente estacionário (ou estacionário de primeira ordem) se, para cada conjunto de índices 1 t1 < t2 < ... < tm, a distribuição conjunta de {X(t1), X(t2), ..., X(tm)} é igual à distribuição conjunta de {X(t1+), X(t2 +), ..., X(tm +)}, para qualquer inteiro 1. Um processo estocástico {X(t): t = 1, 2, ...}, com segundo momento finito [E(xt 2) < ] diz-se estacionário em covariância (ou fracamente estacionário ou estacionário de segunda ordem ou sentido amplo) se, e somente se: PROCESSO ESTACIONÁRIO EM COVARIÂNCIA (i) E(X(t)) = , constante, t; (ii) Var(X(t)) = E(X(t) - )2 = 2, constante, t; (iii) = E[(X(t) - )(X(t-) - )] = Cov(X(t), X(t-)), para qualquer t e qualquer 1, depende somente de , e não de t. PROCESSO ESTACIONÁRIO EM COVARIÂNCIA Seja {Xt, t Z} um processo estacionário real discreto, de média zero e facv = Cov(Xt, Xt-) = E{XtXt-}. Função de Autocovariância Proposição – A facv satisfaz as seguintes propriedades: (i) 0 > 0; (ii) - = ; (iii) || 0; Considere o seguinte processo yt = ut, t = 1, 2, ... em que ut ~ NID(0, u 2); Pergunta-se: yt é estacionário de segunda ordem? Exercício Definição (ruído branco): Dizemos que a seqüência aleatória {t, t Z } é um ruído branco discreto se as v.a. t são não correlacionadas, isto é, Cov(t, t-) = 0, 0. Um tal processo será estacionário se E(t) = e Var(t) = 2, para todo t. PROCESSO ESTACIONÁRIO EM COVARIÂNCIA Tendo calculado os valores da Função de Autocovariância (), os coeficientes de autocorrelação para uma série temporal estacionária são definidos por )()( ),( ),( tt tt tt xVarxVar xxCov xxCorr Função de Autocorrelação Que fica reduzida à expressão: 0 )( ),( )()( ),( ),( t tt tt tt tt xVar xxCov xVarxVar xxCov xxCorr Função de Autocorrelação caso a série temporal seja estacionária. A expressão anterior é conhecida por função de autocorrelação, FAC, à representação gráfica da FAC dá-se o nome de correlograma. Função de Autocorrelação A função de autocorrelação (FAC) proporciona evidências de uma série temporal não-estacionária. Tipicamente, tais séries apresentam FACs significativas para muitas defasagens. Observação Função de Autocorrelação Exercícios Verifique se o processo yt = et + 1et-1, t = 1, 2, ... em que {et} é i.i.d. com média = 0 e variância igual a e 2; é estacionário de segunda ordem. Exercício 1 Suponha que a sequência {yt: t = 1, 2, ...} tenha sido gerada por yt = 0 + 1t + et, em que: (i) 1 0; (ii) {et: t = 1, 2, ...} é uma sequência i.i.d. com média zero e variância igual a e 2. Exercício 2 Verifique se: (a) {yt} é estacionária; (b) yt – E(yt) é estacionária? (c) yt – yt-1 é estacionária? (d) Qual a intuição dos procedimentos (b) e (c)? Exercício 2 (cont.) Suponha que a seqüência {yt: t = 0, 1, 2, ...} tenha sido gerada por yt = yt-1 + et, em que: (i) y0 = 0; (ii) {et: t = 1, 2, ...} é uma seqüência i.i.d. com média zero e variância igual a e 2. Verifique se {yt} é estacionária. Exercício 3
Compartilhar