Baixe o app para aproveitar ainda mais
Prévia do material em texto
ANÁLISE DE SÉRIES TEMPORAIS MODELOS ARMA Anderson Castro Soares de Oliveira Departamento de Estatística/ICET/UFMT Modelos de Box & Jenkins MODELOS DE BOX & JENKINS • Uma metodologia bastante utilizada na análise de modelos de séries temporais é conhecida como modelos de Box & Jenkins. • Os modelos Box & Jenkins podem ser classificados em es- tacionários e não estacionários MODELOS PARA SÉRIES ESTACIONÁRIAS • Modelos estacionários são aqueles que assumem que a série temporal desenvolve-se no tempo com médias e vari- ância constantes • Suponha que exista um sistema cuja entrada é um ruído branco at , no qual possui um filtro que que gera uma sequên- cia de valores observados seguindo um padrão, que corres- ponde à série temporal Yt . Figura 1: Representação de uma série temporal como saída de um filtro linear MODELOS PARA SÉRIES ESTACIONÁRIAS • Formalmente, tem-se: Yt = µ+ at + ψ1at−1 + ψ2at−2 + ... = µ+ (1 + ψ1B + ψ2B2 + ...)at = µ+ ψ(B)at em que ψ(B) é a função de transferência do filtro e µ é um parâmetro que determina o nível de série. • Fazendo: Ỹt = Yt − µ • Temos: Ỹt = ψ(B)at = ∞∑ j=0 ψjat−j em que com ψ0 = 1 MODELOS PARA SÉRIES ESTACIONÁRIAS • Desta forma o processo linear Ỹt , é escrito como uma soma ponderada de ruídos branco do presente e do passado. • Esse processo consiste em uma sequência de variáveis aleatórias não-correlacionadas em que: E [at ] = 0 ∀ t Var [at ] = σ2 <∞ ∀ t E [asat ] = 0 ∀ s 6= t MODELOS PARA SÉRIES ESTACIONÁRIAS • Podemos escrever Yt é uma forma alternativa: Ỹt = π1Ỹt−1 + π2Ỹt−2 + ...+ at = ∞∑ j=1 πj Ỹt−j + at Ỹt − ∞∑ j=1 πj Ỹt−j = at1− ∞∑ j=1 πjBj Ỹt = at π(B)Ỹt = at em que π(B) é o operador dador por π(B) = 1 − π1B − π1B2 − .... Temos que MODELOS PARA SÉRIES ESTACIONÁRIAS • Um processo liner será: • Estacionário se a série ψ(B) convergir para |B| ≤ 1 • Invertível se a série π(B) convergir para |B| ≤ 1 Modelos Auto-Regressivos (AR) MODELOS AUTO-REGRESSIVOS (AR) • Um modelo auto-regressivo de ordem p, denotado por AR(p), é descrito pela expressão abaixo: Yt = µ+ φ1Yt−1 + φ2Yt−2 + ...+ φpYt−p + at • Pode-se escrever o modelo em termos da operador dife- rença: Ỹt − φ1Ỹt−1 − φ2Ỹt−2 − ...− φpỸt−p = at (1− φ1B − φ2B2 − ...− φpBp)Ỹt = at φ(B)Ỹt = at em que Ỹt = Yt − µ MODELOS AUTO-REGRESSIVOS (AR) • Como o polinômio φ(B) = π(B) • a condição de estacionaridade do AR(p) estabelece que to- das as raízes da equação devem cair fora do círculo unitário, ou seja |B| > 1. • E, sendo um processo de ordem finita, então temos que AR(p) é sempre invertível. MODELOS AUTO-REGRESSIVOS (AR) • O modelo autoregressivo de ordem 1 e 2 pode ser repre- sentado pelas expressões AR(1) ⇒ Ỹt = φ1Ỹt−1 + at AR(2) ⇒ Ỹt = φ1Ỹt−1 + φ2Ỹt−2 + at MODELOS AUTO-REGRESSIVOS (AR) Exemplo • Seja um modelo auto-regressivo de ordem 2 Yt = 0,5Yt−1 − 0,3Yt−2 + et • O modelo é invertível, vamos verificar se é estacionário φ(B) = 1− 0,5B + 0,3B2 1− 0,5B + 0,3B2 = 0 B1 = −2,83 e B2 = 1,77 • Como |B1| > 1 e |B2| > 1 então o modelo é estacionário. MODELOS AUTO-REGRESSIVOS (AR) Exemplo • Seja um modelo auto-regressivo de ordem 2 Yt = 1,61Yt−1 − 0,56Yt−2 + et • O modelo é invertível, vamos verificar se é estacionário φ(B) = 1− 1,61B + 0,56B2 1− 1,61B + 0,56B2 = 0 B1 = 0,91 e B2 = 1,97 • Como |B1| < 1 e |B2| > 1 então o modelo não é estacioná- rio. MODELOS AUTO-REGRESSIVOS (AR) • A identificação do modelo é feita por meio das funções de autocorrelação (FAC) e autocorrelação parcial (FACP). • A FAC decai exponencialmente, alternando ou não de sinal, em geral é uma mistura de exponenciais e ondas senóides amortecidas • A FACP apresenta um corte rápido no lag significativo, in- dicando a ordem p do modelo. MODELOS AUTO-REGRESSIVOS (AR) Exemplo • A FAC decai rapidamente para zero, a partir do lag 2 é não significativo • A FACP tem apenas o primeiro lag significativo, assim te- mos um processo AR(1). Figura 2: Serie temporal, FAC e FACP de um processo AR(1) MODELOS AUTO-REGRESSIVOS (AR) Exemplo • A FAC decai rapidamente para zero, e partir do lag 10 é não significativo • FACP tem apenas lag 1 e 2 significativo, assim temos um processo AR(2). Figura 3: Serie temporal, FAC e FACP de um processo AR(2) MODELOS AUTO-REGRESSIVOS (AR) Exemplo • Esta série apresenta evidências de comportamento sazo- nal, que é confirmada pelo teste de Fisher para o período 12 (valor − p < 0,01). Período O 3 1960 1965 1970 2 4 6 8 Figura 4: Concentração mensal de Ozônio na cidade Azuza, Califórnia (EUA), de janeiro de 1956 a dezembro de 1970. MODELOS AUTO-REGRESSIVOS (AR) Exemplo • Considerando a sazonalidade como determinística, ajusta- se um modelo de regressão não linear Yt = 5,08− 2,01cos ( 2πt 12 ) − 0,26cos ( 4πt 12 ) − 1,55sen ( 2πt 12 ) + 0,52sen ( 4πt 12 ) + et • Fazendo et = Yt − Ŷt temos uma série livre de sazonalidade MODELOS AUTO-REGRESSIVOS (AR) Exemplo • Pelo comportamento das FAC e FACP, recomenda-se ajus- tar um modelo AR(1). (A) (B) 0.5 1.0 1.5 − 0 .1 5 − 0 .1 0 − 0 .0 5 0 .0 0 0 .0 5 0 .1 0 0 .1 5 Lag A C F 0.5 1.0 1.5 − 0 .1 5 − 0 .1 0 − 0 .0 5 0 .0 0 0 .0 5 0 .1 0 0 .1 5 Lag P a rt ia l A C F Figura 5: Função de autocorrelação (A) e autocorrelação parcial (B) da série temporal de concentração mensal de Ozônio na cidade Azuza, Califórnia (EUA), sazonalmente ajustada. MODELOS AUTO-REGRESSIVOS (AR) Exemplo • Assim, o modelo ajustado é dado por et = 0,15et−1 + at em que at é um ruído branco, com V̂ar(at) = 0,90. • O modelo é estacionário pois φ(B) = 1− 0,15B 1− 0,15B = 0 B = 6,67 Modelos de Médias Móveis (MA) MODELOS DE MÉDIAS MÓVEIS (MA) • Um modelo de médias móveis de ordem q é denotado por MA(q), e descrito por Yt = µ+ at − θ1at−1 − θ2at−2 − ...− θqat−q • Fazendo Ỹt = Yt − µ tem-se Ỹt = at − θ1at−1 − θ2at−2 − ...− θqat−q Ỹt = (1− θ1B − θ2B2 − ...− θqBq)at Ỹt = θ(B)at • Assim, temos que θ(B) = ψ(B). MODELOS DE MÉDIAS MÓVEIS (MA) • O modelo de médias móveis de ordem 1 e 2 pode ser re- presentado pelas expressões MA(1) ⇒ Ỹt = at − θ1at−1 MA(2) ⇒ Ỹt = at − θ1at−1 − θ2at−2 • Como o polinômio θ(B) = ψ(B) • e sendo um processo de ordem finita, então tem-se que MA(q) é sempre estacionário. • O processo MA(q) será invertível se todas as raízes da equação cairem fora do círculo unitário, ou seja |B| > 1. MODELOS DE MÉDIAS MÓVEIS (MA) Exemplo • Seja um modelo de média móveis de ordem 1 Yt = at + 0,8at−1 • O modelo é estacionário, vamos verificar se é invertível θ(B) = 1 + 0,8B 1 + 0,8B = 0 B = −1,25 • Como |B| > 1 então o modelo é invertível. MODELOS DE MÉDIAS MÓVEIS (MA) Exemplo • Seja um modelo de média móveis de ordem 1 Yt = at + 0,8at−1 • O modelo é estacionário, vamos verificar se é invertível θ(B) = 1 + 0,8B 1 + 0,8B = 0 B = −1,25 • Como |B| > 1 então o modelo é invertível. MODELOS DE MÉDIAS MÓVEIS (MA) • A identificação do modelo MA é feita por meio das funções de autocorrelação (FAC) e autocorrelação parcial (FACP). • A FACP decai exponencialmente se todos os parâmetros forem positivo, caso contrário forma uma senóide amortecida. • A FAC apresenta um corte rápido no lag significativo, indicando a ordem q do modelo. MODELOS DE MÉDIAS MÓVEIS (MA) Exemplo • A FACP forma uma senóide amortecida, e a FAC tem ape- nas lag 1 e 2 significativo. • Assim temos a caracterização de um processo de média móveis, como o lag 1 e 2 são significativos na FACP temos um processo MA(2). MODELOS DE MÉDIAS MÓVEIS (MA) Exemplo • Considere a série temporal Produção anual de pescado no Brasil no período de 1993 a 2012. Figura 6: Produção anual de pescado no Brasil no período de 1993 a 2012. MODELOS DE MÉDIAS MÓVEIS (MA) Exemplo • A série livre de tendência do modelo de regressão • Pelo teste de Fisher rejeita-se a hipótese de presença da componente sazonal. MODELOS DE MÉDIAS MÓVEIS (MA) Exemplo • Pelo comportamento das FAC e FACP, recomenda-se ajus- tar um modelo(A) (B) Figura 7: Função de autocorrelação (A) e autocorrelação parcial (B) da série temporal produção anual de pescado no Brasil no período de 1993 a 2012, tendência ajustada MODELOS DE MÉDIAS MÓVEIS (MA) Exemplo • O modelo MA(1) ajustado é dado por Yt = at − 0,81at−1, em que at é um ruído branco, com V̂ar(at) = 0,016. • O modelo é invertível pois, θ(B) = 1− 0,81B 1− 0,81B = 0 B = 1,17. Modelos Auto-Regressivos de Médias Móveis (ARMA) MODELOS AUTO-REGRESSIVOS DE MÉDIAS MÓVEIS (ARMA) • Os modelos auto-regressivo de média móveis são uma com- binação dos dois anteriores, • Yt é descrito por seus valores passados e pelos ruídos branco corrente e passados. • Um modelo auto-regressivo de média móveis de ordem p,q denotado por ARMA(p,q), é descrito por: Yt = φ1Yt−1 + · · ·+ φpYt−p + at − θ1at−1 − · · · − θqat−q MODELOS AUTO-REGRESSIVOS DE MÉDIAS MÓVEIS (ARMA) • Pode-se escrever o modelo em termos da operador dife- rença: Yt = φ1Yt−1 + · · ·+ φpYt−p + at − θ1at−1 − · · · − θqat−q Yt − φ1Yt−1 − · · · − φpYt−p = at − θ1at−1 − · · · − θqat−q (1− φ1B − · · · − φpBp)Yt = (1− θ1B − · · · − θqBq)at φ(B)Yt = θ(B)at MODELOS AUTO-REGRESSIVOS DE MÉDIAS MÓVEIS (ARMA) • A condição de estacionaridade do ARMA(p,q) é atendida se todas as raízes da polinômio φ(B) cairem fora do círculo unitário, ou seja |B| > 1. • E é um processo invertível se todas as raízes do θ(B) cai- rem fora do círculo unitário, ou seja |B| > 1. MODELOS AUTO-REGRESSIVOS DE MÉDIAS MÓVEIS (ARMA) Exemplo • Seja um modelo ARMA(1,2) Yt = 0,4Yt−1 + at − 0,7at−1 − 0,6at−2 Yt − 0,4Yt−1 = at − 0,7at−1 − 0,6at−2 (1− 0,4B)Yt = (1− 0,7B − 0,6B2)at MODELOS AUTO-REGRESSIVOS DE MÉDIAS MÓVEIS (ARMA) Exemplo • Assim, φ(B) = 1− 0,4B, logo B = 2,5. • Como |B| > 1 então o modelo é estacionário. • Fazendo θ(B) = 1− 0,7B − 0,6B2, logo B1 = 0,83 e B2 = −1. • Assim |B1| < 1 então o modelo é não invertível. MODELOS AUTO-REGRESSIVOS DE MÉDIAS MÓVEIS (ARMA) • A FAC determina a ordem q de um modelo ARMA(p,q): de- caimento de acordo com exponenciais e/ou senóides amor- tecidas após o lag q − p. • A FACP determina a ordem p de um modelo ARMA(p,q): decaimento de acordo com exponenciais e/ou senóides amor- tecidas após o lag p − q. MODELOS AUTO-REGRESSIVOS DE MÉDIAS MÓVEIS (ARMA) Exemplo • Verifica-se que tanto a FAC como a FACP tem apenas lag 1 e 2 significativo, assim tem processo de autoregressivo de média móveis ARMA(2,2). Figura 8: Serie temporal, FAC e FACP de um processo ARMA(2,2) Modelos de Box & Jenkins Modelos Auto-Regressivos (AR) Modelos de Médias Móveis (MA) Modelos Auto-Regressivos de Médias Móveis (ARMA)
Compartilhar