Prévia do material em texto
Econometria 2 Sophia Oliveira Barroso Metodologia de Box & Jenkins De acordo com Box & Jenkins (1994), a análise de séries temporais tem como intuito, principalmente, a realização de previsão. Com essa metodologia, é possível prever os valores futuros de uma série, tomando por base apenas seus valores presentes e passados. Isso é feito através da correlação temporal existente entre os valores existentes. A aplicação do método consiste em quatro etapas, descritas a seguir: 1ª Etapa - Identificação Na primeira etapa, deve-se descobrir os valores apropriados de p, d e q. Para isso utiliza-se a função de correlação amostral (ACF), a função de correlação amostral parcial (PACF) e os correlogramas resultantes dessas funções. 1. Escolha de d: para a escolha de d deve-se observar se uma série apresenta não-estacionariedade. Caso apresente, as autocorrelações estimadas terão valores absolutos altos para todos os lags. Neste caso, aplica-se sucessivamente o operador diferença à série e calcula-se sua autocorrelação, que indicará quando uma série com características de um processo estacionário foi obtida. 2. Escolha de p e q e aplicação do teste de hipóteses: Uma vez que o grau d tenha sido identificado, o passo seguinte será a escolha dos graus p e q dos polinômios φ(B) e θ(B) do modelo ARMA aplicado à série. A identificação de p e q é feita comparando-se o comportamento dos estimadores das autocorrelações e das autocorrelações parciais com as correspondentes funções teóricas. Obs.: A maioria das séries estacionárias, na prática, apresentam p + q ≤ 2. 3. Verificação e diagnóstico dos correlogramas obtidos. 2ª Etapa - Estimação Nesta etapa, após a identificação dos valores apropriados de p e q, deve-se estimar os parâmetros dos termos autorregressivos e dos termos de média móvel incluídos no modelo. Às vezes, esse cálculo pode ser feito por mínimos quadrados simples, mas, às vezes, é necessário aplicar os métodos de estimação não linear (nos parâmetros). 3ª Etapa - Verificação do diagnóstico Após escolher um modelo ARIMA específico, e tendo estimado seus parâmetros, verifica-se se o modelo selecionado se ajusta aos dados razoáveis- mente bem para que seja possível que outro modelo ARIMA possa também fazer o trabalho. Esse é o motivo da modelagem ARIMA/Box-Jenkins ser mais arte do que ciência; uma habilidade é requerida para escolher o modelo ARIMA correto. Um teste simples do modelo selecionado é verificar se os resíduos estimados com base nesse modelo são ruídos brancos; se forem, poderemos aceitar o ajuste específico; do contrário, deveremos recomeçar. Para realizar essa etapa, deve-se verificar se o modelo estimado para a série Yt está representando adequadamente o comportamento da série temporal em estudo. Se o modelo for adequado, este será utilizado para fins de previsão. Senão, deve-se retornar à fase de identificação. As hipóteses abaixo devem ser satisfeitas nessa etapa: 1) Aceita-se como correto o modelo testado quando o modelo com parâmetros adicionais está sobre-identificando o modelo testado. 2) Rejeita-se a hipótese do modelo identificado ser correto, caso as estimativas dos parâmetros adicionais sejam coerentes. Princípio da parcimônia: entre 2 modelos que se ajustam igualmente bem à uma série Yt , devemos preferir aquele que tem menor número de parâmetros. Para análise, são indicados alguns testes e estatísticas que devem ser satisfeitos a fim de comprovar a confiabilidade. Uma estatística muito usada para verificação do modelo é o Critério de Akaike (AIC) onde p = número de parâmetros do modelo. O melhor modelo é aquele que apresenta menor AIC. Além disso, é feita a análise dos resíduos, onde constrói-se a série de resíduos estimados através da aplicação do modelo que for escolhido para representar a série. Aplica-se o método de Box-Jenkins para a série de resíduos estimados. Se o modelo está correto, as suposições iniciais feitas para os resíduos devem ser satisfeitas. A partir da série de resíduos estimada podemos calcular as k primeiras autocorrelações dos resíduos, isto é: O teste proposto por Box-Pierce assume que, se o modelo fixado é correto, então a estatística: que foi modificado por Ljung e Box (1978) para tem, aproximadamente, uma distribuição Qui-Quadrado com M = k - (p+q) graus de liberdade e N = T - d é o número de termos da série estacionária. A hipótese de ruído branco é rejeitada para valores grandes de Q. 4ª Etapa - Previsão Uma das razões da popularidade da modelagem ARIMA é seu sucesso na previsão. Em muitos casos, as previsões obtidas por esse método são mais confiáveis do que as obtidas por meio da modelagem econométrica tradicional, especialmente para as previsões de curto prazo. Naturalmente, cada caso deve ser verificado. O objetivo, portanto, é o cálculo do valor esperado de uma observação futura condicionado aos valores passados e ao valor presente da variável. Ou seja, chamando de Yt(l) o valor previsto para um horizonte de l períodos de tempo futuros e t o período de origem da previsão, então, O valor de Y no tempo t+l é obtido pela equação do modelo ARIMA. Em geral, os modelos postulados são parcimoniosos, pois contêm um número pequeno de parâmetros e as previsões obtidas são bastante precisas, comparando-se favoravelmente com os demais métodos de previsão. Uma desvantagem do uso da metodologia proposta por Box & Jenkins é que a sua utilização requer experiência e algum conhecimento, além do uso automático de um software estatístico. REFERÊNCIA GUJARATI, Damodar N. Econometria básica. 5. Porto Alegre AMGH 2011 1 recurso online ISBN 9788580550511.