Por fim, o estudo das funções <strong>de</strong> autocorrelaçao e autocorrelaçao parcialproporciona as estimativas iniciais para os parâmetros, as quaisserão os instrumentos básicos para, no item subseqüente <strong>de</strong>ste capítulo,produzir as estimativas convenientes dos parâmetros do mo<strong>de</strong>lo.No Capítulo 3, as analises dos processos media movei, auto-regressivo emisto auto-regrcssivo-media móvel, para or<strong>de</strong>m inferior ou igual a dois,proporcionaram as expressões dos coeficientes <strong>de</strong> autocorrelaçao em termosdos parâmetros do processo. As estimativas iniciais po<strong>de</strong>m ser obtidassubstituindo valores estimados.Deve-se salientar que, no processo <strong>de</strong> obtenção dos valores parametricos,surgirão, muito freqüentemente, múltiplas soluções para estimativasdos parâmetros, porem somente uma <strong>de</strong>ssas soluções ira satisfazer ascondições restritivas <strong>de</strong> inversibilida<strong>de</strong> e/ou estacionarieda<strong>de</strong>.Na página 75, o Quadro l expõe os valores calculados para os parâmetros$ e 9 em função dos coeficientes <strong>de</strong> autocorrelaçao,para as or<strong>de</strong>nscomumente encontradas nas séries econômicas <strong>de</strong> <strong>tempo</strong>.Da mesma forma, as estimativas iniciais para a Ãa são obtidas pelos valoresda autocovariancia, conforme analise do capitulo anterior.Sinteticamente,suas formulas são:Para um AR(p) : ô 2 = C (l-d>_ r,-
86dignifica, portanto, a obtenção <strong>de</strong> "p" estimativas para os parâmetros«j)., _, o> . . . $ , e "q" estimativas para os parâmetros 6 ,6_,9,, ...,6 , alem da variancia do ruído, a . ®qaEmbora os parâmetros auto-regressivos sejam lineares, permitindo o uso<strong>de</strong> métodos simples <strong>de</strong> estimação como, por exemplo, o<strong>de</strong> mínimos quadradosordinários, os parâmetros media movei não são lineares, o que tornabastante mais complexos os processos <strong>de</strong> estimação. Por essa razão,a escolhada técnica usualmente utilizada recai no método <strong>de</strong> máxima verossimilhança.Esse método é uma técnica <strong>de</strong> estimação bastante usual na inferencia estatística,ã medida que as estatísticas assim obtidas apresentam muitasdas proprieda<strong>de</strong>s aconselháveis para a escolha dos estimadores.O principio da verossimilhança sustenta que, se o mo<strong>de</strong>lo está corretamentei<strong>de</strong>ntificado, todas as informações que os dados observados fornecemsobre os parâmetros estão contidas na função <strong>de</strong> verossimilhança,e todos os <strong>de</strong>mais aspectos informativos das observações são irrelevantes.Para gran<strong>de</strong>s amostras, as estimativas da máxima verossimilhança possuemas proprieda<strong>de</strong>s assintoticas <strong>de</strong>:- eficiência, com menor variancia que qualquer outro estimador;- consistência;- no caso <strong>de</strong> haver um estimador suficiente, ele será o produzido peloestimador <strong>de</strong> máxima verossimilhança;- ser normalmente distribuído, com facilida<strong>de</strong> <strong>de</strong> cálculo para a obtençãodos parâmetros média e variancia.A idéia básica do método <strong>de</strong> máxima verossimilhança é achar gran<strong>de</strong>zaspopulacionais que gerem os valores que mais se assemelhem aos da amostraobservada, ou seja, o método busca estabelecer os valores populacionaishipotéticos que maximizam a verossimilhança da amostra observada.Dito <strong>de</strong> outra maneira, o método consiste em selecionar aquelesestimadores que maximizam a probabilida<strong>de</strong> <strong>de</strong> se obter a amostra realmenteobservada.No caso <strong>de</strong> um mo<strong>de</strong>lo <strong>de</strong> regressão, o objetivo do processo <strong>de</strong> estimação<strong>de</strong> um mo<strong>de</strong>lo ARIMA(p,d,q) passa a ser achar um vetor dos parâmetros auto-regressivos§ = (,> $91 •••> $ ) e um vetor dos parâmetros médiasmoveis Q_ = (8 , 9 , ..., 6 ) tais que minimizem a soma das diferençasquadradas entre os pontos observados na amostra e os esperados pela estimativaobtida com esses parâmetros estimados: $_ = ( , rf ...,$),B = (9,, B , ..., S ) e os resíduos â associados com os valores <strong>de</strong>sses~ _ q tparâmetros. Ou seja, simbolicamente, <strong>de</strong>ve-se achar fy_, _9_, tais queS(,6) = I. a 2 seja um mínimo.Por simplificação <strong>de</strong> exposição, optou-se, aqui, por consi<strong>de</strong>rar um mo<strong>de</strong>lo on<strong>de</strong> 8 0 - 0. Caso 9 0 ¥= O, então, tambémesse parâmetro <strong>de</strong>ve ser estimado.
- Page 1:
(/Jmt/)pllllllFundação de Economi
- Page 4 and 5:
SUMÁRIOLISTA DE FIGURAS 5LISTA DE
- Page 6 and 7:
LISTA DE FIGURASCAPÍTULO 2Figura l
- Page 8 and 9:
Figura 22 — Gráfico da PAC da s
- Page 10 and 11:
Quadro 13 - Relatório de saída do
- Page 12 and 13:
A presente dissertação, orientada
- Page 14 and 15:
14de Cournot e Walras, entre outros
- Page 16 and 17:
16que as atividades de pesquisa alc
- Page 18 and 19:
18funcionamento da realidade econô
- Page 20 and 21:
20quatro componentes e tem-se como
- Page 22 and 23:
2 - SOBRE SÉRIES TEMPORAISE PROCES
- Page 24 and 25:
25onde o segundo membro dessa equa
- Page 26 and 27:
A importância do conhecimento de a
- Page 28 and 29:
O tipo de não estacionariedade mos
- Page 30 and 31:
Essa padronização e obtida atrav
- Page 32 and 33: =t1 p1 ' t-1( 1 o1 ' ' t-2-fl-He 1
- Page 34 and 35: 35l M l l l l l lFigura 3 - Correlo
- Page 36 and 37: Para retirar a sazonalidade, cria-s
- Page 38 and 39: 40Nesse caso,E (X t ) = E(u+ E(a t
- Page 40 and 41: 42Portanto.tSZ = ",z = . E z. = .E.
- Page 42 and 43: 44Note-se que, para esse processo,
- Page 44 and 45: 463.2 — Modelo Média MóvelSeja
- Page 46 and 47: 48Processo Média Móvel de Primeir
- Page 48 and 49: 50Y2 = E(a t - 6 1 a t _ 1 '^t^ (a
- Page 50 and 51: Conforme se viu no iteia 3,1, para
- Page 52 and 53: 54Coeficiente de autocorrelação>k
- Page 54 and 55: 56se k = 2, p 2 = "í^p-, + ií ) 2
- Page 56 and 57: 58Portanto,5 = 'i' 1 (B) 8 (B)2 ql
- Page 58 and 59: 60Para k < q, o processo misto auto
- Page 60 and 61: 62Coeficientes de autocorrelação^
- Page 62 and 63: 64Observe-se que, se d=0, o modelo
- Page 64 and 65: 66Portanto, o modelo descrito pela
- Page 66 and 67: 4 - O PROCESSO DE MODELAGEMOs model
- Page 68 and 69: 71/Ml-UIAFigura 1 - Gráfico "Ampli
- Page 70 and 71: O processo de transformação da se
- Page 72 and 73: autocorrelaçao de um processo méd
- Page 74 and 75: 'kkhi,.1 O O 1 2l0 2 4 j 618l l 10
- Page 76 and 77: 79l 2 3 4 5l M'-''> OO 11 3 l 5 l 7
- Page 78 and 79: 81Padrões de p ^ e (4 ^ para um AR
- Page 80 and 81: Na prática, porém, surge outro pr
- Page 84 and 85: Esses vetores serão $,6, e a , de
- Page 86 and 87: Um exemplo pratico permite maior cl
- Page 88 and 89: Para o calculo de S(_$,ô_), os [ a
- Page 90 and 91: para iniciar o processo que se arbi
- Page 92 and 93: 95Porque os [e.t/S,wn não são exa
- Page 94 and 95: Esse processo de checagem, em geral
- Page 96 and 97: aparecem escassamente no correlogra
- Page 98 and 99: 5-0 MÉTODO DE PREVISÃODE BOX & JE
- Page 100 and 101: 103De maneira semelhante, pode-se o
- Page 102 and 103: 105Previsão utilizando equação d
- Page 104 and 105: 107ou seja,para h > 2,x t (h) = ^^(
- Page 106 and 107: 109O valor de x no período t+h éx
- Page 108 and 109: 1 11para h=2 ,x t (2) = E, para h >
- Page 110 and 111: Se as previsões para um, dois e tr
- Page 112 and 113: 115Portanto o valor de x no tempo t
- Page 114 and 115: 6.1 - Nota Introdutória6 - APLICA
- Page 116 and 117: 119rie se caracteriza por apresenta
- Page 118 and 119: tricamente crescente, pode-se infer
- Page 120 and 121: 123Figura 5 - Gráfico da função
- Page 122 and 123: 125Quadro 2Figura 7 — Gráfico da
- Page 124 and 125: 127Quadro 4Figura 8 - Gráfico da f
- Page 126 and 127: 129Portanto o modelo suposto inicia
- Page 128 and 129: 1 JF jR.LN i"ÍSSSÉÍ"'*?!!['"Ortu
- Page 130 and 131: 133O Quadro 5 permite algumas consi
- Page 132 and 133:
135T»E-EST!«»Tto «E51FWALS-- MO
- Page 134 and 135:
137Quadro 6Relatório de saída do
- Page 136 and 137:
1396.3 - Previsões para o Consumo
- Page 138 and 139:
141A avaliação da necessidade de
- Page 140 and 141:
143A Figura 16 permite observar que
- Page 142 and 143:
145A ACF da serie V 2 T t (Figura 1
- Page 144 and 145:
'147Quadro 9Valores numéricos da A
- Page 146 and 147:
149Quadro 11Valores numéricos da P
- Page 148 and 149:
Quadro 12151Principais informaçõe
- Page 150 and 151:
1536.3.4 — PrevisõesPara essa se
- Page 152 and 153:
155xx* *XXKx**xx*xx*xxxx /x ^x *xAA
- Page 154 and 155:
157Figura 24 — Relatório de saí
- Page 156 and 157:
160cionarem previsões bastante sat
- Page 158 and 159:
162- KIRBY (1966), comparando os m
- Page 160 and 161:
ANEXO lManual dos Comandos Necessá
- Page 162 and 163:
168cc 9-16 Number with four decimai
- Page 164 and 165:
170Repeat in cc 17-24, 25-32, etc.
- Page 166 and 167:
17240.12345cc 1-5Enter a zero if wi
- Page 168 and 169:
ANEXO 11Relatórios de Saída do Co
- Page 170 and 171:
s^c; c —)c i- >C-' "*> — < Sj=
- Page 172 and 173:
.-« T-4ooooooooooo*• + 4- * *•
- Page 174 and 175:
BIBLIOGRAFIAAKAIKE, H. A new look a
- Page 176 and 177:
MAKRIDAKIS, S. & WHEELWRIGHT, S. C.