séries univariantes de tempo - metodologia de Box & Jenkins

98Para o caso de se objetivar a verificação da existência de parâmetrosem demasia no modelo ajustado (modelos superparametrizados), o testeutilizado é comparar os valores dos parâmetros com o dobro de seus respectivosdesvios padrão (vale dizer, ct=5%) . Se houver parâmetros inferioresao dobro de seus desvios padrão, em modulo, esses são possíveiscandidatos a serem eliminados.Se o parâmetro não significante e o de ordem mais elevada,o modelo podeser simplificado, reduzindo-se de um a ordem do operador.Exemplo: seja o modelo Vx t =(l - 0,47B - 0,05B 2 )a t com desvios de 0,02e 0,07, respectivamente, para BI e 02-O parâmetro 0,47 é significante, pois § 1 >2DP(8i),isto é, O, 47> 2 x O,02.O parâmetro 0,05 é não significativo, pois é menor que 2 x DP(§2), istoé, 2 x 0,07.Sugere-se, então, o modelo alternativo VXç =(l - 0,47B)at-Se o parâmetro não significante não e o de ordem mais elevada, deve-severificar o grau de correlação entre os parâmetros através de sua matrizde correlação. Se a matriz indica correlação entre os parâmetros,pode-se eliminar a de maior ordem; se não houver correlação entre osparâmetros, então,mantêm-se todos os parâmetros.Exemplo: seja o modelo Z - Z = (l - 0,08B - 0,56B 2 )a , com desviospadrão dos parâmetros de 0,09 e 0,01 respectivamente.O parâmetro 0,08 e não significante, pois e menor que 2 x 0,09.O parâmetro 0,56 é significante, pois é maior que 2 x 0,01.Se a correlação entre os dois parâmetros for, por exemplo, de 0,95, ouseja, se existe cor ré laçaoentre eles,então se sugere o modelo Zj- - Z t _^ == (l - 0,08B)a t .Um ultimo caso e aquele em que todos os parâmetros se apresentam comsignificância, mas altamente correlacionados. Nesse caso, deve-se optarpela redução do numero de parâmetros, baixando a ordem do modelo. Apôscada simplificação, os valores ótimos devem ser reestimados.Para o caso de modelos subparametrizados, onde o modelo especificadoapresenta um numero de parâmetros menor do que o necessário para descreveradequadamente o comportamento dos dados, o processo de analisede sua subparametrizaçao e baseado no fato de os resíduos obtidos apôsa estimação dos valores dos parâmetros terem autocorrelaçoes significantes.Sua avaliação e feita através dos seguintes procedimentos:- se os valores dos coeficientes de autocorrelacao são significantes nasdefasagens iniciais e/ou nos períodos múltiplos de sazonalidade,issoindica que os comportamentos regular e/oú sazonal não foram consideradosna integra. Devem-se buscar as causas da deficiência através dacomparação dos coeficientes significantes desse modelo com os coeficientesconhecidos para os operadores AR e MA. Obtidas as razões,elimina-sea deficiência pela agregação de tais operadores ao modelo;- se os coeficientes de autocorrelacao significantes ocorrem em defasagensdistintas das expostas acima, não apresentando então a necessidadede operadores regulares e/ou sazon'ais adicionais e, além disso,