Baixe o app para aproveitar ainda mais
Prévia do material em texto
ANÁLISE DE SÉRIES TEMPORAIS TÉCNICAS DESCRITIVAS Anderson Castro Soares de Oliveira Departamento de Estatística/ICET/UFMT Análise Exploratória de Séries Temporais ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS • A análise exploratória de séries temporais envolve: • caracterização da série por meio de identificação de pa- drões não aleatórios na série temporal, • verificação da correlação entre as observações e • verificação da estabilidade da variância. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Representação Gráfica de Serie Temporal • A representação gráfica de uma série temporal é feita atra- vés do gráfico de linha, sendo: • eixo horizontal - indicador de tempo • eixo vertical - variável a ser representada. • A construção de gráfico permite identificar características dos dados ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Representação Gráfica de Serie Temporal Ano P ol eg ad as 1880 1900 1920 1940 1960 1980 10 20 30 40 Figura 1: Precipitação anual, em polegadas, da cidade de Los Angeles, Califórnia (EUA), nos anos de 1878 a 1992. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Representação Gráfica de Serie Temporal Ano Te m pe ra tu ra 1964 1966 1968 1970 1972 1974 1976 10 20 30 40 50 60 70 Figura 2: Temperaturas médias mensais (grau Fahrenheit) de Dubuque, Iowa (EUA), de janeiro de 1964 a dezembro de 1975. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Representação Gráfica de Serie Temporal Figura 3: Produção de pescado no Brasil, nos anos de 1950 a 2010. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Representação Gráfica de Serie Temporal Figura 4: Geração mensal de eletricidade dos Estados Unidos (em milhões de quilowatts-hora) no periodo entre 01/1973 - 12/2005 ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Componentes de Séries Temporais • Em uma série temporal pode-se avaliar a existência: • Três possíveis componentes determinísticas: a tendência, sazonalidade e ciclo • Uma componente aleatória • A componente aleatória refere-se aos valores da série que flutuam em torno de uma média constante. • A existência das componentes determinísticas fazem com que não se perceba a componente aleatória. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS • A tendência é caracterizada como aquele movimento re- gular e continuo de longo prazo, refletindo um movimento ascendente ou descendente em longo período de tempo. Figura 5: Exemplo de série temporal com tendência crescente (A) e decrescente (B). ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS • A sazonalidade pode ser entendida como variações perió- dicas ou cíclicas que se repetem em intervalos relativa- mente constantes de tempo. Figura 6: Exemplo de série temporal com sazonalidade (A) e com sazonalidade e tendência (B) ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS • O Ciclo é caracterizado pela existência de variações ascen- dentes e descendentes, porém, em intervalos não regula- res de tempo. São as flutuações de longo prazo em torno da curva de tendência. Figura 7: Exemplo de série temporal com Ciclo ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Estacionaridade • Uma das suposições mais frequentes que se faz a respeito de uma série temporal é de que ela é estacionária • De um modo geral uma série será estacionária se não hou- ver mudanças sistemáticas na média e na variância • Na pratica a maioria das séries tem um comportamento não estacionário • O comportamento não estacionário é provocado pela pre- sença de componentes determinísticas • Uma alternativa é remover as componentes determinísticas deixando apenas a parte estacionária da série ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Diferença • O operador de retardo B é uma função matemática apli- cada para um valor de uma série é obtido a mesma série retardada de um período. Isto é: BYt = Yt−1 B2Yt = Yt−2 BnYt = Yt−n • O operador diferença é dada por ∆ = Yt − Yt−1 = (1− B)Yt . ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Diferença • Para eliminar as componentes determinísticas pode-se to- mar diferenças sucessivas da série original, até obter uma série estacionária. • A primeira diferença de uma série é definida por: ∆Yt = Yt − Yt−1 • A segunda diferença é dada por: ∆2Yt = ∆(∆Yt ) = ∆(Yt − Yt−1) = = ∆Yt −∆Yt−1 = (Yt − Yt−1)− (Yt−1 − Yt−2) = Yt − 2Yt−1Yt−2 ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Diferença • A n-ésima diferença é dada por: ∆nYt = ∆(∆n−1Yt ) = (1− B)nYt ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Autocorrelação • Lag ou defasagem temporal é um período de tempo entre as duas observações de uma série temporal. • A autocorrelação refere-se à correlação de uma série de tempo com o seu próprio passado e os valores futuros • A autocorrelação (fac) mede o grau de correlação de uma variável, em um dado instante, consigo mesma, em um ins- tante de tempo posterior. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocovariância • Seja {Xt , t ∈ Z} um processo estacionário real discreto de média zero, sua função de autocovariância (facv) é definida por γτ = E [XtXt+τ ] • A facv γτ deve satisfazer as seguintes propriedades: i) γ0 > 0; ii) γ−τ = γτ ; iii) |γτ | ≤ γo; iv) γτ é não negativa definida, tal que n∑ j=1 n∑ k=1 ajakγτj−τk ≥ 0, para quaisquer números reais a1, . . . ,an, e τ1, . . . , τn de Z . ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • A função de autocorrelação (fac) do processo é definida por ρτ = γτ γ0 , τ ∈ Z • A fac possui as mesmas propriedades da função de auto- covariância γτ , exceto que agora temos ρ0 = 1. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • A função de autocorrelação amostral rk é definida como: rk = ck c0 = N−k∑ t=1 (Yt − Ȳ )(Yt+k − Ȳ ) N∑ t=1 (Yt − Ȳ )2 ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • A função de autocorrelação é apresentada num gráfico k versus ck , com linhas verticais que expressam a magnitude da autocorrelação. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • Para construir o gráfico de autocorrelação determina-se o numero máximo de lag K pela expressão K = 10log(N) em que N representa o tamanho da serie • A fac pode ser utilizar para verificar se uma série é aleatória ou não. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • Em uma série aleatória, os valores defasados das séries são não correlacionadas e é esperado que rk ∼= 0. • Para verificar se uma autocorrelação rk é significativamente diferente de zero é construido um intervalo de confiança rk ± 2√ n ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação Figura 8: Representação da função de autocorrelação amostral ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • A FAC também é importante para se verificar estacionari- dade da série • A inspeção do gráfico da função de autocorrelação permite indentificar alguns padrões ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • Séries aleatórias: Se uma série é completamente aleatória, os valores de rk são estatisticamente iguais a zero. Figura 9: Exemplo de uma função de autocorrelação de uma série aleatória ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • Séries com alternâncias: Se uma série temporal alterna, com sucessivas observações em diferentes lados da mé- dia geral, então o gráfico da função da autocorrelação tam- bém tende a alternar, entre valores positivos e negativos de autocorrelação. Figura 10: Exemplo de uma função de autocorrelação de uma série com alternâncias ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • Série com sazonalidade: Se a série apresenta sazonali- dade, então o gráfico da função da autocorrelação também exibirá uma oscilação na mesma freqüência. Figura 11: Exemplo de uma função de autocorrelação de uma série com sazonalidade ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação • Séries com tendência: Se a série contém uma tendência, então os valores de de rk não caem parazero exceto para valores de "lag"(intervalo de tempo) muito altos. Figura 12: Exemplo de uma função de autocorrelação de uma série com tendência ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação Figura 13: Exemplo de uma função de autocorrelação de uma série com tendência e sazonalidade ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação Parcial • A autocorrelação parcial mede a autocorrelação entre Yt e Yt+k sem considerar as a autocorrelação das observações Yt+1 a Yt+k−1. ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação Parcial • A função de autocorrelaçao parcial (facp) do processo é definida por: φkk = |P∗k | |Pk | em que • Pk é a matriz de autocorrelação dada por 1 ρ1 ρ2 · · · ρk−1 ρ1 1 ρ1 · · · ρk−2 ρ2 ρ1 1 · · · ρk−3 ... ... ... . . . ... ρk−1 ρk−2 ρk−3 · · · 1 • P∗k é a matriz Pk com a última coluna substituída pelo vetor de autocorrelação {ρ1, ρ2, ..., ρk} ANÁLISE EXPLORATÓRIA DE SÉRIES TEMPORAIS Função de Autocorrelação Parcial • A função de autocorrelação parcial é apresentada num grá- fico k versus φkk , com linhas verticais que expressam a magnitude da autocorrelação parcial. • Para avaliar se a autocorrelação parcial φkk é significati- vamente diferente de zero, verifica-se se os valores estão foram de um intervalo intervalo de confiança φkk ± 2√ n . Modelos de Decomposição MODELOS DE DECOMPOSIÇÃO • Considerando as observações {Yt , t ∈ T} de uma série temporal. Um modelo de decomposição consiste em es- crever Yt como uma soma de três componentes Yt = Tt + St + at , em que • Tt é a componente de tendência • St é a componente de cíclica ou sazonal • at é a componente aleatória MODELOS DE DECOMPOSIÇÃO • Uma ST também pode ser representada por um modelo multiplicativo Yt = TtStat MODELOS DE DECOMPOSIÇÃO • Suposição: at é um ruído branco, isto é, E [atas] = 0 para t 6= s. • Em geral: supõe-se apenas que at é um processo estacio- nário com média zero e variância σ2. • O principal interesse é obter uma série estacionária (livre de tendência e sazonalidade). • Estimar a tendência Tt e a sazonalidade St . • Subtrair da série original as estimativas T̂t e Ŝt : Yt = Tt + St + at série não estacionária at = Yt − T̂t − Ŝt série estacionária MODELOS DE DECOMPOSIÇÃO Tendência • A Tendência em uma série de tempo é uma mudança lenta, gradual, de alguma propriedade da série em todo o inter- valo de observação. Algumas séries apresentam tendência forte e outras fraca. • Supondo um modelo em que apenas a componente de ten- dência esteja presente, temos: Yt = Tt + at em que • Tt é a componente de tendência • at é a componente aleatória MODELOS DE DECOMPOSIÇÃO Teste de Tendência: Cox-Stuart • Considere um conjunto de observações Y1,Y2, ...,YN . Considere: c = N2 se N par c = N+12 se N ímpar • Agrupe as observações em pares (Y1,Y1+c), (Y2,Y2+c), · · · , (YN ,YN+c). • Hipóteses:{ H0 : P(Yi < Yi+c) = P(Yi > Yi+c), ∀i Não existe tendência H1 : P(Yi < Yi+c) 6= P(Yi > Yi+c), ∀i Existe tendência MODELOS DE DECOMPOSIÇÃO Teste de Tendência: Cox-Stuart • A cada par de observações é associado o sinal + se Yi < Yi+c 0 se Yi = Yi+c − se Yi > Yi+c • Seja T o numero total de pares com sinal + e n o numero de pares onde Yi 6= Yi+c . • Supondo H0 verdadeira T ∼ Binomial(n, 12) assim, rejeita- se H0 • (para n < 30) se T ≥ n − t , em que t encontrado numa tabela binomial. • (para n ≥ 30) se T ≥ 12 + zα2 √ n 4 MODELOS DE DECOMPOSIÇÃO Teste de Tendência: Cox-Stuart (Exemplo) • Considere parte da série temporal de produção de pescado no Brasil. Temos N = 20, assim c = 10. Tabela 1: Produção anual de pescado no Brasil no período de 1993 a 2012 e sinal dos pares do teste de Cox-Stuart. t Yt t Yt Pares Yi Yi + c Sinal 1 676,441 11 985,4 1 676,4 985,4 + 2 701,251 12 1015,9 2 701,3 1015,9 + 3 652,91 13 1008,0 3 652,9 1008 + 4 693,172 14 1050,8 4 693,2 1050,8 + 5 732,261 15 1072,2 5 732,3 1072,2 + 6 710,704 16 1157,6 6 710,7 1157,6 + 7 744,598 17 1241,6 7 744,6 1241,6 + 8 839,296 18 1265,5 8 839,3 1265,5 + 9 935,946 19 1433,3 9 935,9 1433,3 + 10 1003,26 20 1551,2 10 1003,3 1551,2 + T 10 MODELOS DE DECOMPOSIÇÃO Teste de Tendência: Cox-Stuart (Exemplo) • Assim, considerando os pares (tabela 1) temos T = 10, n = 10, t0,975,10,0,5 = 8. Desta forma, rejeita-se H0. Pois, T = 10 > 2 = 10− 8 = n − t0,975,10,0,5. MODELOS DE DECOMPOSIÇÃO Sazonalidade • Da mesma forma que a tendência, a sazonalidade (ou periodicidade) constitui uma outra forma de não- estacionaridade e deve ser estimada e retirada da série. • Considera-se como sazonais os fenômenos que ocorrem com regularidade no tempo. • Relações: • Entre observações para meses sucessivos em um ano par- ticular • entre as observações do mesmo mês em anos sucessivos. MODELOS DE DECOMPOSIÇÃO Sazonalidade • As séries sazonais são caracterizadas por apresentarem correlação alta em "lag sazonais", isto é, lags que são múl- tiplos do período. • A sazonalidade por ser: • Deterministica: pode ser predita perfeitamente a partir de meses anteriores • Estocástica: a componente sazonal varia com o tempo. MODELOS DE DECOMPOSIÇÃO Sazonalidade • Sendo Ŝt a estimativa de St , a série sazonalmente ajustada é dada por: • Modelo Aditivo Y SAt = Yt − Ŝt • Modelo Multiplicativo Y SAt = Yt Ŝt MODELOS DE DECOMPOSIÇÃO Sazonalidade: Periodograma • O periodograma é uma descrição dos valores observados numa realização de uma série através da sobreposição de ondas sinusoidais com várias freqüências. • Aplicação prática: servir de instrumento na identificação de componentes sazonais. MODELOS DE DECOMPOSIÇÃO Sazonalidade: Periodograma • Seja Yt uma série temporal de tamanho n im periodograma pode ser obtido a partir da expressão: Ij(ωj) = 1 2πn ( n∑ t=1 (yt − y)cos(ωj t) )2 + ( n∑ t=1 (yt − y)sen(ωj t) )2 em que: • ωj = 2πjn é a freqüência analisada com j = 1,2, ..., n 2 • Ij (ωj ) é a intensidade da freqüência ωj MODELOS DE DECOMPOSIÇÃO Sazonalidade: Periodograma • A periodicidade é dada por 2πωj • No gráfico do periodograma, o periodo é representada no eixo das abscissas e a intensidade da frequência Ip(fi) no das ordenadas. • Na maioria das vezes, o pico de maior intensidade é o com- ponente periódico. MODELOS DE DECOMPOSIÇÃO Sazonalidade: Teste de Fisher • O teste de Fisher é utilizado para confirmar a existência de sazonalidade em uma série temporal. • As hipóteses a serem testadas são:{ H0 : Não existe sazonalidade H1 : Existe sazonalidade MODELOS DE DECOMPOSIÇÃO Sazonalidade: Teste de Fisher (Procedimento) • Obtém-se o periodograma, utilizando um pacote estatístico. • Calcula-se a estatística g g = max(Ip) N/2∑ p=1 Ip • Calcula-se a estatística do Teste de Fisher zα, dada por: zα = 1− (α n ) 1 n−1 em que n = N2 e α é o nível de significância do teste • Se g > zα rejeita-se H0, ou seja, a série apresenta periodi- cidade p. MODELOS DE DECOMPOSIÇÃO Sazonalidade: Teste de Fisher (Procedimento) • Pode-se testar o segundo maior periodo de Ip. • Usa-se a estatística g = I′′p N/2∑ p=1 Ip −max(Ip) sendo I′′p o segundo maior valor do periodograma. • Nesse caso utiliza-se n = N−12 no calculo de zα. MODELOS DE DECOMPOSIÇÃO Sazonalidade: Teste de Fisher (Exemplo) Tabela 2: Produção mensal de álcool nível 80 no período de janeiro de 1991 a dezembro de 1995 Mês Ano 1991 1992 1993 1994 1995 jan 46,19 38,55 36,61 20,10 34,25 fev 31,19 17,63 19,12 12,76 22,49 mar 19,06 7,02 2,66 6,92 11,04 abr 2,38 3,36 3,72 4,93 2,17 mai 101,98 55,46 109,98 123,25 69,47 jun 209,45 200,23 201,54 221,63 205,64 jul 257,16 257,90 249,53 257,34 239,72 ago 269,92 262,06 255,99 268,40 268,87 set 268,54 208,06 221,44 260,94 266,50 out 241,34 230,37 216,55 220,45 216,90 nov 142,30 174,90 129,34 120,15 154,13 dez 62,21 80,60 43,40 53,17 76,75 MODELOS DE DECOMPOSIÇÃO Sazonalidade: Teste de Fisher (Exemplo) • Na figura 14 é apresentado o periodograma da série, em que verifica-se a existência de um períodobem definido. Figura 14: Periodograma para produção mensal de álcool nível 80 no período de janeiro de 1991 a dezembro de 1995 MODELOS DE DECOMPOSIÇÃO Sazonalidade: Teste de Fisher (Exemplo) • A maior periodicidade ocorre com p = 12 e apresenta in- tensidade da freqüência igual a 573816,7 e soma das in- tensidades é dada por 607113,1, assim: g = 573816,7 607113,1 = 0,9451 • O tamanho da série é N = 60, assim n = 30, logo conside- rando α = 0,05 então zα será dado por: zα = 1− ( 0,05 30 ) 1 30−1 = 0,1979 • Desta forma como g > zα rejeita-se H0, ou seja, a série apresenta periodicidade de 12 meses. MODELOS DE DECOMPOSIÇÃO Tranformação de Séries Temporais • Se a variância da séria aumenta ao longo do tempo, a serie pode apresentar heteroscedasticidade! • É conveniente fazer uma transformação a fim de tornar sua variância constante. • Verificar a necessidade de transformação: gráfico da média versus amplitude. MODELOS DE DECOMPOSIÇÃO Tranformação de Séries Temporais • Gráfico da média versus amplitude • calcular a média e amplitude considerando intervalos regu- lares da série. • Se a série for sazonal, considere o intervalo como o tama- nho do periodo, nas demais séries pode-se utilizar interva- los de 8 a 12 observações. • A idéia básica desse gráfico é colocar em um eixo uma me- dida de posição e, no outro, uma da variação. • Se a amplitude for independente da média, não há necessi- dade de transformação. • Se for diretamente proporcional, a transformação sugerida é a logarítmica natural. MODELOS DE DECOMPOSIÇÃO Tranformação de Séries Temporais • Se houver uma tendência na série e o tamanho do efeito sazonal aumenta com o tempo, então os efeitos são multi- plicativos. • Nesse caso é aconselhável utilizar a transformação logarít- mica. • Outra possibilidade são as transformações da família Box- Cox dada por: yt = { xλt −1 λ λ 6= 0 ln(xt ) λ = 0 MODELOS DE DECOMPOSIÇÃO Tranformação de Séries Temporais (Exemplo) • Considere a geração mensal de eletricidade dos Estados Unidos (em milhões de quilowatts-hora) de todos os tipos: carvão, gás natural, nuclear, petróleo, e de vento, no peri- odo entre 01/1973 - 12/2005. Figura 15: Série temporal da geração mensal de eletricidade. MODELOS DE DECOMPOSIÇÃO Tranformação de Séries Temporais (Exemplo) • Na figura 16 tem-se o gráfico da média versus amplitude: padrão linear entre a média e a amplitude. Figura 16: gráfico da média versus amplitude da série temporal da geração mensal de eletricidade. MODELOS DE DECOMPOSIÇÃO Tranformação de Séries Temporais (Exemplo) • Utilizando a transformação de box-cox com λ = −0.25 tem uma série com a variância estabilizada (Figura 17) Figura 17: Gráfico da média versus amplitude da série temporal transformada (λ = −0.25) da geração mensal de eletricidade. Removendo Tendência REMOVENDO TENDÊNCIA • Se a tendência for removida pode-se obter uma série esta- cionária. • Abordagens • Método de regressão • Médias Móveis • Diferença REMOVENDO TENDÊNCIA Método de regressão • Podem ser utilizados vários tipos de modelos: polinomiais, exponencial, logística, etc. • O objetivo é estimar a tendência como uma função do tempo: Tt = f (t) • Se for utilizado um modelo polinomial: Tt = β0 + β1t + ...+ βmtm REMOVENDO TENDÊNCIA Método de regressão (Exemplo) • Considere parte da série temporal de produção de pescado no Brasil. • Polinômio de primeiro grau (regressão linear) pode ser ajustada: Tt = β0 + β1t • Ajustando uma regressão linear temos: T̂t = 527,3 + 42,5t • A série estacionária é obtida a partir da diferença entre os valores observados e estimados at = Yt − T̂t REMOVENDO TENDÊNCIA Método de regressão (Exemplo) Tabela 3: Valores observados, previsto e erro de previsão da série de produção anual de pescado no Brasil no período de 1993 a 2012 t Yt T̂t at t Yt T̂t at 1 676,4 569,8 106,6 11 985,4 994,8 -9,4 2 701,3 612,3 89 12 1015,9 1037,3 -21,4 3 652,9 654,8 -1,9 13 1008 1079,8 -71,8 4 693,2 697,3 -4,1 14 1050,8 1122,3 -71,5 5 732,3 739,8 -7,5 15 1072,2 1164,8 -92,6 6 710,7 782,3 -71,6 16 1157,6 1207,3 -49,7 7 744,6 824,8 -80,2 17 1241,6 1249,8 -8,2 8 839,3 867,3 -28 18 1265,5 1292,3 -26,8 9 935,9 909,8 26,1 19 1433,3 1334,8 98,5 10 1003,3 952,3 51 20 1551,2 1377,3 173,9 REMOVENDO TENDÊNCIA Removendo Tendência: Método de regressão (Exemplo) Figura 18: Produção anual de pescado no Brasil no período de 1993 a 2012, série com e sem tendência (regressão linear)) REMOVENDO TENDÊNCIA Médias Móveis • As médias móveis é um tipo de suavização que permite estimar a tendência. • A sua idéia básica é obter um subconjunto de tamanho fixo das primeiras observações da série: • A primeira média móvel será dada pela média desse sub- conjunto. • Em seguida é descolado o subconjunto para frente e calcu- lado novamente sua média. • Este processo é repetido até que todas as observações da série sejam utilizados. REMOVENDO TENDÊNCIA Médias Móveis • A forma mais simples de obter uma média móvel é por meio da expressão: Y ∗t = 1 2n + 1 n∑ j=−n Zt+j em que 2n + 1 representa o tamanho do subconjunto. • Se n = 1, temos um subconjunto de 3 observações da série. • Se n = 2 temos um subconjunto de 5 observações da série. REMOVENDO TENDÊNCIA Médias Móveis • Uma limitação do método de médias móveis é que não é possível fazer estimativas para o observações nos instan- tes t = 1, ...,n e t = N − n + 1. • A partir da diferença entre os valores observados e as mé- dias móveis é obtida a série sem tendência que deverá ser uma série estacionária: at = Yt − Y ∗t REMOVENDO TENDÊNCIA Médias Móveis (Exemplo) Tabela 4: Valores observados, médias móveis (n = 1) e erro de previsão da série de produção anual de pescado no Brasil no período de 1993 a 2012 t Yt Y∗t at t Yt Y ∗ t at 1 676,4 − − 11 985,4 1001,5 -16,1 2 701,3 676,9 24,4 12 1015,9 1003,1 12,8 3 652,9 682,5 -29,6 13 1008 1024,9 -16,9 4 693,2 692,8 0,4 14 1050,8 1043,7 7,1 5 732,3 712,1 20,2 15 1072,2 1093,5 -21,3 6 710,7 729,2 -18,5 16 1157,6 1157,1 0,5 7 744,6 764,9 -20,3 17 1241,6 1221,6 20,0 8 839,3 839,9 -0,6 18 1265,5 1313,5 -48,0 9 935,9 926,2 9,7 19 1433,3 1416,7 16,6 10 1003,3 974,9 28,4 20 1551,2 − − REMOVENDO TENDÊNCIA Médias Móveis (Exemplo) Figura 19: Produção anual de pescado no Brasil no período de 1993 a 2012, série com e sem tendência (médias móveis n = 1). REMOVENDO TENDÊNCIA Diferença • Um outro procedimento para eliminar a tendência é por meio de diferenças. • Este método consiste em tomar diferenças sucessivas da série original, até obter uma série estacionária. • Em geral toma-se uma ou duas diferenças para eliminar a tendência. REMOVENDO TENDÊNCIA Diferença (Exemplo) Tabela 5: Valores observados e a primeira diferença da série de produção anual de pescado no Brasil no período de 1993 a 2012 t Yt Yt − Yt−1 t Yt Yt − Yt−1 1993 676,4 - 2003 985,4 -17,9 1994 701,3 24,9 2004 1015,9 30,5 1995 652,9 -48,4 2005 1008 -7,9 1996 693,2 40,3 2006 1050,8 42,8 1997 732,3 39,1 2007 1072,2 21,4 1998 710,7 -21,6 2008 1157,6 85,4 1999 744,6 33,9 2009 1241,6 84 2000 839,3 94,7 2010 1265,5 23,9 2001 935,9 96,6 2011 1433,3 167,8 2002 1003,3 67,4 2012 1551,2 117,9 REMOVENDO TENDÊNCIA Diferença (Exemplo) Figura 20: Produção anual de pescado no Brasil no período de 1993 a 2012, série com e sem tendência Removendo Sazonalidade REMOVENDO SAZONALIDADE Método de regressão • A análise de regressão podem ser utilizada para estimar os parâmetros do modelo para sazonalidade. • É utilizada um modelo de regressão não linear dado por: St = µ+ k∑ i=1 [ αicos ( 2πit p ) + βjsen ( 2πit p )] em que pode k ser escolhido entre os valores 1 < k < p Método de regressão (Exemplo) • Considerando a série produção mensal de álcool, tem-se as seguintes estimativas considerando k = 3: Tabela 6: Estimativas do modelo de regressão para Sazonalidade. Parâmetro Estimativa valor-p µ 130,26 < 0, 0001 α1 -49,79 < 0, 0001 β1 -129,03 < 0, 0001 α2 3,54 0,2072 β2 15,67 < 0, 0001 α3 -20,31< 0, 0001 β3 -5,60 0,0488 • Retirando α2, o modelo para sazonalidade é dado por: Ŝt = 130,26− 49,79cos ( 2πt 12 ) − 129,03sen ( 2πt 12 ) − 15,67sen ( 2πt 6 ) − 20,31cos ( 2πt 4 ) − 5,60sen ( 2πt 4 ) REMOVENDO SAZONALIDADE Removendo Sazonalidade: Método de regressão (Exemplo) Figura 21: Periodograma para o erro do modelo modelo de regressão para Sazonalidade para produção mensal de álcool. REMOVENDO SAZONALIDADE Método de regressão (Exemplo) Figura 22: Produção mensal de álcool, série com e sem sazonalidade. REMOVENDO SAZONALIDADE Método de Diferenças • Para eliminar a sazonalidade pode-se utilizar o operador de diferença. • Este método consiste em tomar diferenças sucessivas da série original, até obter uma série estacionária. Estas dife- renças que ser multiplas do periodo p encontrado no perio- dograma: at = Yt − Yt−p • O único problema dessa técnica é a perda de muitas infor- mações se o período for grande. REMOVENDO SAZONALIDADE Método de Diferenças (Exemplo) Figura 23: Produção mensal de álcool nível 80 no período de janeiro de 1991 a dezembro de 1995, série com e sem sazonalidade Análise Exploratória de Séries Temporais Modelos de Decomposição Removendo Tendência Removendo Sazonalidade
Compartilhar