sÃ©ries univariantes de tempo - metodologia de Box & Jenkins

More documents

Recommendations

Info

aparecem escassamente no correlograma (por exemplo, 5% das autocorrelaçoessão significantes), então, a serie de resíduos deve ser aceitacomo aleatória e o modelo considerado satisfatório.Exemplo: seja um modelo MA(1):w t = (1-9,B)a t .Se os resíduos apresentam autocorrelaçao significante na defasagem l,isso esta a indicar a necessidade de um operador MA adicional de ordem1. Sugere-se o modelo MA(2): w = (l - 9^8 - 02B 2 )at •Exemplo: seja o modelo sazonal V. ? ln w = (l - 0.4B)(1 - 0.5B 12 )a comdesvios padrão dos parâmetros 0,06 e 0,04 repectivamentt.No caso, ambos os parâmetros são significantes e devem permanecer nomodelo (a correlação entre eles é zero) e não existe qualquer evidenciaque i.idique superparametrizaçao. Fazendo uma^analise das autocorrelaçoesdos resíduos após o ajustamento, essa não mostra melhoria domodelo.Poderá, ainda, ocorrer um caso especial, onde a super e a subparametrizaçaoestão presentes simultaneamente.Isso acontece quando se necessitatanto uma simplificação como uma melhoria do modelo. Ocorre quando estãopresentes tanto parâmetros sazonais que se desejam simplificar,quanto parâmetros regulares, que se pretendem incorporar.994.2 — Modelagem de Séries Sazonais:Modelo SARIMA (p, d, q) x (P, D, Q)O processo de modelagem para series de tempo que apresentam variaçõescíclicas de curto prazo e bastante similar aqueles em que a sazonalidadeé inexistente. Fundamentalmente, essas diferenças residem em seprecisar estabelecer um numero maior de parâmetros e identificar valorespara a ordem (p,d,q)x(P,D,Q). Como o processo de estimação dos parâmetrosde um modelo SARIMA segue os mesmos princípios de ummodelo nãosazonal, e essa técnica de calculo encontra-se embutida nos pacotes computacionais,o problema do modelador reduz-se somente a estabelecer valorespara a ordem (p,d,q)x(P,D,Q).Assim,para se obter "d" e "D", deve-se utilizar,conjuntamente, os operadoresV d = (l - B) d e vj? = (1-B S ) D , de maneira a tornar W = V VJ? XO t S Lestacionaria.A obtenção das ordens "p", "P", "q", "Q" é feita, como no modelo nãosazonal, através das funções de autocorrelaçaoeautocorrelaçao parcialda serie V = V V X . Para o modelo multiplicativo,as conclusões obtidaspela existência de correlações diferentes de zero nas primeirasdefasagens devem ser agora vistas conjuntamente com as defasagens sazonais.As funções de^autocorrelaçao e autocorrelaçao^parcial do processo multiplicativosão geradas pelo produto das funções de seus componentesnão sazonais e sazonais. Dessa maneira,as conclusões obtidas pela exis-
100tencia de correlações diferentes de zero nas primeiras defasagens sãoindicações dos valores das ordens "p" e "q" e nas defasagens sazonaisdas ordens "P" e "Q".Por exemplo, para um processo (O,l,l)x(0,l,1) «, os coeficientes de autocorrelaçoesda série W X devem ser diferentes de zero soincndefasagens l, 11, 12, 13.
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 82 and 83: Por fim, o estudo das funções de
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 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.
show all

sÃ©ries univariantes de tempo - metodologia de Box & Jenkins

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?