séries univariantes de tempo - metodologia de Box & Jenkins

128Resumindo, o processo de identificação indicou a possibilidade dos seguintesmodelos, todos com a variável transformada Y t = In X[.Modelo suposto n9 1: ARIMA (0,2,1)Modelo suposto n9 2: ARIMA (1,2,1)Modelo suposto n9 3: ARIMA (1,2,0)Modelo suposto n9 4: ARIMA (2,2,0)6.2.1.3 - O estabelecimento das estimativas iniciais dos parâmetrosPara completar o processo de identificação, devem-se estabelecer as estimativasiniciais dos parâmetros dos modelos supostas, fase onde tambéme feita a avaliação da existência ou não da componente tendencialdeterministica.O "pacote" computacional utilizado não apresenta sub-rotinas para essesfins, e torna-se necessário obter esses resultados manualmente, oque é feito a seguir 8 .Primeiro modelo suposto: ARIMA (O, 2, 1)Primeiramente, deve—se verificar a existência ou não da componente tendencialdeterminís tica, ou seja, deve-se avaliar se 9 0 é s_ignif icativamentediferente de zero ou não. Para tanto, testa-se se V 2 Yj-, em modulo,é maior do que DP (V 2 Y t ) .Para esse modelo,V 2 Y t = 0,00026203, /Co(l+2r 1 )'e DP(V 2 Y t ) = / i- , com n = N - d/0,0003496(1 + 2(-0, 3))82= 0,001306Como V 2 Y t < DP(V 2 Y t ) , a media pode ser considerada igual a zero e o modelonão contem 0.2O modelo suposto é V 2 In X t = (l - 6^B)a t e a estimativa inicial do párametro6^ e tal que r-^ = --, -l < B, < 1.Logo, -6 1 = r l (l+ 9*) =>•' Essa deficiência e' relativa no que tange à obtenção das estimativas iniciais dos parâmetros, uma vez que o processode aproximações sucessivas de MARQUARDT é bastante potente. Mesmo que sejam dados valores aleatórios, dentrodas regiões admissíveis, para estimativas iniciais dos parâmetros, a convergência para as estimativas eficientes é rápida.No item seguinte, quando do processo de estimação dos parâmetros dos modelos, voltar-se-á a abordar, com melhorescondições, esse assunto.