GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP

Esse conjunto de modelos apresenta uma enorme quantidade de integrantes, mas todos
eles são formados a partir dos três itens discriminados acima e possuem a mesma
característica comum a todos os modelos de previsão baseados em série temporal, se
mostrando, desta forma, mais apropriados para previsões de curto prazo.
Devido à sua grande versatilidade, tais modelos são de grande utilidade num problema
de previsão. Porém, devido à grande complexidade da metodologia e de inúmeras variantes na
mesma, será apresentada somente uma versão genérica simplificada da mesma.
Box e Jenkins (1970) apresentaram a seguinte metodologia para a modelagem geral de
séries temporais:
Fase I:
Identificação
Fase II:
Estimação e
Testes
Fase III:
Aplicação
Preparação dos dados
• transformar dados para estabilizar variância
• diferenciar dados para obter séries estacionárias
Seleção do modelo ARIMA
• examinar dados, ACF e PACF visando identificar possíveis
modelos
Estimação
• estimar parâmetros nos modelos potenciais
• selecionar melhor método usando critério adequado
Diagnóstico
• checar ACF/PACF dos resíduos
• fazer teste Portmanteau dos resíduos
• Resíduos são White Noise?
Sim
Previsão
• usar modelo obtido para se realizar previsão
Não
Figura 12: Metodologia Box-Jenkins para modelagem de séries temporais
Como a figura acima ilustra, a primeira etapa da modelagem de série temporal pela
metodologia Box-Jenkins é preparar os dados transformando-os em uma série estacionária,
tanto na média (sem tendência de crescimento ou declínio) e na variância (que deve se manter
a mesma ao longo do tempo). Isso pode ser feito através de uso de médias móveis ou da
diferenciação da série temporal:
67