Sazonalidade e Modelos SARIMA

Nuno Sobreira

Universidade Eduardo Mondlane - Faculdade de

Economia

1/62
Exemplos de dados com componente sazonal

(a) Volume vendas gasolina (b) Vendas licor (Milhes$)

(c) Novas habitaes

em construo (d) Tx. desemprego
Figura 1: Algumas sries temporais dos EUA no ajustadas sazonalidade

2/62
Introduo I
Ao longo de todo a amostra, a srie temporal aparenta ter
padres especficos que se repetem sistematicamente num
dado perodo de tempo como, por exemplo, numa dada estao
do ano ou em sentido mais amplo num dado dia, semana, ms
ou trimestre.
Este comportamento peridico muito comum em sries
temporais e chamado de sazonalidade.
Essa tal componente sazonal pode aparecer quando so feitas
observaes intra-anuais para a srie de interesse, isto , os
dados so registrados mensalmente, trimestralmente ou
semanalmente, por exemplo.
H muitos e bons motivos para pensar que sries temporais
econmicas tm uma componente sazonal:
1. O consumo de gasolina aumenta no Vero devido ao aumento de
viagens de automvel durante o perodo de frias;
2. O nmero de passagens areas internacionais aumentam no
Vero via aumento do turismo durante o perodo de frias;

3/62
Introduo II
3. O consumo de eletricidade aumenta durante o pico do Inverno e
do Vero graas maior utilizao do ar condicionado para
moderar a temperatura em espaos fechados;
4. O consumo privado aumenta em Novembro e Dezembro com as
compras de Natal e o subsdio de Natal;
5. A construo bem como o emprego associado a esta atividade
diminui no Inverno devido s precaues que necessrio tomar
em condies climatricas adversas.
6. A produo de variadssimos bens agrcolas est dependente do
clima e, consequentemente, tem uma forte componente sazonal.
7. . . .
Como na realidade h vrios motivos diferentes para pensar que
os dados tm uma componente sazonal, natural pensar que a
sazonalidade se pode manifestar de diversas maneiras e,
consequentemente, a econometria apresenta diferentes
maneiras de modelar a componente sazonal.
Para dados macroeconmicos, a escolha da tcnica apropriada
depende se a sazonalidade vista como:
1. Sazonalidade determinstica
2. Sazonalidade estocstica
4/62
Sazonalidade determinstica I

Sazonalidade determinstica - assume que as flutuaes

sazonais so fixas mudando apenas a mdia da srie entre
estaes entre perodos.
Um exemplo extremo o comportamento das vendas de rvores
de Natal que se espera ser muito similar ano aps ano,
independentemente das condies econmicas.
Por exemplo, para dados mensais teramos:


1 , se ms=Janeiro

2 , se ms=Fevereiro

E(Xt ) = .

..


12 , se ms=Dezembro

5/62
Sazonalidade determinstica II

Para garantir mdias diferentes para cada ms fazemos

corresponder uma varivel dummy para cada ms:
( (
1, se ms=Janeiro 1, se ms=Fevereiro
D1,t = D2,t =
0, caso contrrio 0, caso contrrio
(
1, se ms=Dezembro
...... D12,t =
0, caso contrrio
Assim para um modelo mais simples em que o erro apenas
segue um rudo branco:

12
X
s Ds,t + ut , ut RB 0, u2


Xt =
s=1

6/62
Sazonalidade determinstica III

Para um modelo ARMA(p,q) teramos:

12
X
s Ds,t + ut , (L) ut = (L) t , t RB 0, 2


Xt =
s=1

7/62
Sazonalidade estocstica I
Todavia, possvel considerar sazonalidade estocstica quando
a componente sazonal no apresenta um padro constante no
tempo. Por exemplo, as despesas de turismo dependem
tambm do rendimento disponvel que pode ser mais alto ou
mais baixo de acordo com o ciclo econmico.
Assim, ser necessrio usar uma abordagem diferente para
modelar a componente sazonal da srie.
Existem diversos procedimentos automticos para
dessazonalizar uma srie, entre eles, dos mais utilizados so o
TramoSeats e o Census X12-ARIMA (implementveis no EViews
em Proc Seasonal adjustment). Para mais detalhes vide, por
exemplo, http://www.census.gov/srd/www/x12a/ ou manual do
software Eviews.
comum ento comear a anlise com dados j
dessazonalizados via um destes mtodos mas preciso ter
ateno pois possvel que nem todo o padro de sazonalidade
tenha sido removido.

8/62
Sazonalidade estocstica II

Tal como argumentado por Bell e Hilmer(1984), uma abordagem

mais eficiente analisar de forma conjunta a componente
sazonal e no sazonal da srie.
Esta a abordagem dos modelos SARIMA que estudaremos
de seguida em detalhe.
No geral, esta abordagem modela a dependncia temporal em
duas dimenses diferentes:
1. Dependncia no sazonal - relao entre observaes
sucessivas num dado ano;
2. Dependncia sazonal - relao entre a observao da
estao"(ms, trimestre,. . .) deste ano e a observao da mesma
estao"no(s) ano(s) passado(s);

9/62
Sazonalidade estocstica III

Alguns exemplos de modelos sazonais puros so os seguintes:

1. Para dados trimestrais:

Xt = Xt4 + t , t RB(0, 2 )

Xt = t t4 , t RB(0, 2 )

2. Para dados mensais:

Xt = Xt12 + t , t RB(0, 2 )

Xt = t t12 , t RB(0, 2 )

10/62
Sazonalidade estocstica IV

Alguns exemplos de modelos sazonais impuros so os

seguintes:
1. Para dados trimestrais:

Xt = Xt1 + Xt4 + t , t RB(0, 2 )

Xt = t t1 t4 , t RB(0, 2 )
2. Para dados mensais:

Xt = Xt1 + Xt12 + t , t RB(0, 2 )

Xt = t t1 t12 , t RB(0, 2 )

11/62
Sazonalidade estocstica V
A construo do modelo SARIMA segue os mesmos passos do
procedimento Box-Jenkins:
1. Identificao - Comeamos por aplicar o nmero de diferenas
sazonais e no sazonais necessrio para estacionarizar a srie
temporal. Usualmente, no mximo, aplicamos uma diferena
sazonal e outra no sazonal. Depois escolhemos as ordens
apropriadas do modelo ARMA sazonal.
2. Estimao do modelo SARIMA
3. Diagnstico dos resduos
No entanto, o uso da FAC e da FACP na identificao e
especificao de modelos para sries sazonais um pouco
mais complicado pela interao da componente sazonal com a
componente ARMA apesar de seguir os mesmos passos da
metodologia Box-Jenkins.
Nos prximos slides apresentaremos as principais propriedades
dos modelos SARIMA mais importantes bem como um exemplo
de aplicao da Metodologia Box-Jenkins para construo do
modelo.

12/62
Processo de mdias mveis puramente sazonal
SMA(Q)S

O modelo de mdias mveis puramente sazonal SMA(Q)S

definido pela seguinte equao:

Xt = t 1 tS 2 t2S . . . Q tQS , t RB 0, 2

Usando o operador lag, L, este modelo pode ser reescrito de

maneira mais simplificada como:

Xt = (LS )t

em que (LS ) = 1 1 LS 2 L2S . . . Q LQS .

Xt invertvel se as razes (inversas) do polinmio MA, (LS )
estiverem fora (dentro) do crculo unitrio.

13/62
Processo SMA(1)4

14/62
Processo SMA(1)12

15/62
Processo SMA(2)4

16/62
Processo SMA(2)12

17/62
Processo autoregressivo puramente sazonal
SAR(P)S

O modelo autoregressivo puramente sazonal SAR(P)S

definido pela seguinte equao:

Xt = 1 XtS + 2 Xt2S + . . . + P XtPS + t , t RB 0, 2

Usando o operador lag, L, este modelo pode ser reescrito de

maneira mais simplificada como:

(LS )Xt = t

em que (LS ) = 1 1 LS 2 L2S . . . P LPS .

Xt estacionrio se as razes (inversas) do polinmio AR,
(LS ), estiverem fora (dentro) do crculo unitrio.

18/62
Processo SAR(1)4

19/62
Processo SAR(1)12

20/62
Processo SAR(2)4

21/62
Processo SAR(2)12

22/62
Processo autoregressivo e de mdias mveis
puramente sazonal SARMA(P, Q)S
O modelo autoregressivo e de mdias mveis puramente
sazonal SARMA(P, Q)S definido pela seguinte equao:
Xt = 1 XtS + . . . + P XtPS + t 1 tS . . . Q tQS

em que t RB 0, 2 .


Usando o operador lag, L, este modelo pode ser reescrito de
maneira mais simplificada como:
   
LS Xt = LS t

em que:
(LS ) = 1 1 LS 2 L2S . . . P LPS
(LS ) = 1 1 LS 2 L2S . . . Q LQS
Xt estacionrio se as razes (inversas) do polinmio AR,
(LS ), estiverem fora (dentro) do crculo unitrio.
Xt invertvel se as razes (inversas) do polinmio MA, (LS ),
estiverem fora (dentro) do crculo unitrio.
23/62
Processo SARMA(1, 1)4

24/62
Processo SARMA(1, 1)12

25/62
Processo autoregressivo, integrado e de mdias
mveis puramente sazonal SARIMA(P, D, Q)S
O modelo autoregressivo, integrado e de mdias mveis
puramente sazonal SARIMA(P, D, Q)S definido pela seguinte
equao:

D D S
S Xt = 1 S XtS + . . . + p 12 XtPS + t 1 tS . . . Q tQS

S D
em que D e t RB 0, 2 .



S = 1L
Usando o operador lag, L, este modelo pode ser reescrito de
maneira mais simplificada como:
   
L S D
S Xt = L
S
t

em que:

(LS ) = 1 1 LS 2 L2S . . . P LPS

(LS ) = 1 1 LS 2 L2S . . . Q LQS

26/62
Processo SARIMA(1, 1, 0)12

27/62
Modelo multiplicativo geral
SARIMA(p, d, q) (P, D, Q)S I
O modelo multiplicativo geral SARIMA(p, d, q) (P, D, Q)S
definido pela seguinte equao j simplificada com o operador
lag L:

(L) (LS )d D S 2


S Xt = (L) (L )t , t RB 0,

em que:

(L) = 1 1 L 2 L2 . . . p Lp
(L) = 1 1 L 2 L2 . . . q Lq
(LS ) = 1 1 LS 2 L2S . . . P LPS
(LS ) = 1 1 LS 2 L2S . . . Q LQS

e as razes (inversas) dos polinmios (L) e (LS ) esto fora

(dentro) do crculo unitrio ou, por outras palavras, d D
S Xt
estacionrio.
28/62
Modelo multiplicativo geral
SARIMA(p, d, q) (P, D, Q)S II

Para a especificao multiplicativa ficar mais clara considere os

seguintes exemplos:
1. SARIMA(1, 0, 0) (1, 0, 0)12
 
(1 L) 1 L12 Xt = t

Xt = Xt1 + Xt12 Xt13 + t

2. SARIMA(0, 0, 1) (0, 0, 1)12
 
Xt = (1 L) 1 L12 t

Xt = t t1 t12 + t13

29/62
Modelo multiplicativo geral
SARIMA(p, d, q) (P, D, Q)S III

3. SARIMA(1, 0, 0) (0, 0, 1)12

 
(1 L) Xt = 1 L12 t

Xt = Xt1 + t t12
4. SARIMA(0, 0, 1) (1, 0, 0)12
 
1 L12 Xt = (1 L) t

Xt = Xt12 + t t1

30/62
Correlograma de SARIMA(1, 0, 0) (1, 0, 0)12

O correlograma aparenta ser compatvel com um modelo AR tanto na parte

sazonal como na no sazonal uma vez que a FACP trunca no lag 12
enquanto que a FAC estatisticamente significante para defasagens altas. 31/62
Correlograma de SARIMA(0, 0, 1) (0, 0, 1)12

O correlograma aparenta ser compatvel com um modelo MA tanto na parte

sazonal como na no sazonal uma vez que a FAC trunca no lag 12 enquanto
que a FACP estatisticamente significante para defasagens altas. 32/62
Correlograma de SARIMA(1, 0, 0) (0, 0, 1)12

Pela simples observao da FAC/FACP no claro qual o modelo que se

ajusta melhor aos dados. Tanto a FAC como a FACP no truncam (ver lag
36). Logo uma boa ideia experimentar diferentes modelos e depois
selecionar o melhor, segundo a metodologia Box-Jenkins. 33/62
Correlograma de SARIMA(0, 0, 1) (1, 0, 0)12

Apesar de aparentar ser um modelo AR na parte no sazonal e sazonal, o

modelo gerado foi um modelo MA na parte sazonal e modelo AR na parte
no sazonal. Logo uma boa ideia experimentar diferentes modelos e
depois selecionar o melhor, segundo a metodologia Box-Jenkins. 34/62
EXERCCIO

Utilizando os dados da srie

mensal do nmero total de
passageiros internacionais (em
milhares de passageiros) nos
Estados Unidos no perodo de
01/1949 at 12/1960, AIRLINE. Wf1,
responda ao que for pedido:

35/62
EXERCCIO I
(a) Elabore o grfico da srie. Comente quanto
estacionaridade e sazonalidade. Voc faria
alguma transformao na srie?

(b) Esboce o grfico e o correlograma da srie

transformada. Comente.

(c) Voc faria mais alguma transformao na srie?

Em caso afirmativo, comente os resultados da
nova srie transformada.

(d) Esboce o grfico e o correlograma da srie

2 log(Xt ). Comente.

(e) Esboce o correlograma da srie 12 log(Xt ).

Comente.
36/62
EXERCCIO II
(f) Dessazonalize a srie log(Xt) usando o mtodo
TramoSeats e Census X12. Esboce o grfico e o
correlograma da nova srie dessazonalizada.
Comente.

(g) Identifique o modelo da classe

SARIMA(p, d, q) (P, D, Q)S que melhor se ajusta
aos dados. Recorde que o modelo multiplicativo
geral SARIMA(p, d, q) (P, D, Q)S definido pela
equao:

(L) (LS )d DS Xt = (L) (LS )t , t RB 0, 2

Faa ainda uma anlise adequada aos resduos

do(s) modelo(s) propostos.

37/62
EXERCCIO III

(h) Desconsidere as 12 ltimas observaes da

amostra e faa previses dinmicas e estticas
para o perodo de 1960:01 at 1960:12 com origem
na ltima observao considerada na estimao
com o modelo proposto no item anterior.
Compare os resultados previstos com os
observados com a representao grfica os
valores originais, previses e respectivos ICs.

38/62
(a) Elabore o grfico da srie. Comente quanto
estacionaridade e sazonalidade. Voc faria
alguma transformao na srie?

39/62
Transformao: log(Xt ) I

Os padres de tendncia e a sazonalidade

so imediatos na representao grfica dos
dados.
Como a varincia no aparenta ser
constante, em particular, superior na 2a
metade da amostra em relao primeira
metade transformamos a varivel para a
base logartmica.

40/62
(b) Esboce o grfico e o correlograma da srie
transformada. Comente.

Graficamente, a tendncia e a sazonalidade continuam vista no

grfico.
41/62
Correlograma de log(Xt )

A FAC decai muito lentamente sendo impossvel extrair alguma

informao sobre o padro de sazonalidade. 42/62
(c) Voc faria mais alguma transformao na srie?
Em caso afirmativo, comente os resultados da
nova srie transformada.

43/62
Transformao: log(Xt )

Retiramos ento as primeiras diferenas da

varivel log(airline) para eliminar a raz
unitria no sazonal.
A FAC apresenta um padro muito claro com
valores de autocorrelao muito altos nas
frequncias sazonais (lag 12, 24, 36,. . .) que
decaem muito lentamente com o nmero de
defasagens. Ento a 1a diferena no foi
suficiente para estacionarizar a srie?

44/62
(d) Esboce o grfico e o correlograma da srie
2 log(Xt ). Comente.

45/62
Transformao: 2 log(Xt )?

Experimentamos retirar a 2a diferena da

srie temporal.
Agora a FAC continua com valores de
autocorrelao muito altos nas frequncias
sazonais (lag 12, 24, 36,. . .) que decaem
muito lentamente com o nmero de
defasagens. Alguma alternativa?

46/62
(e) Esboce o correlograma da srie 12 log(Xt ).
Comente.

47/62
Transformao: 12 log(Xt )
O facto da FAC apresentar valores altssimos

apenas nas frequncias sazonais que

decaem muito lentamente indica que os
seus dados tm uma raiz na frequncia
sazonal: s = 12 neste caso pois os dados
so mensais.
Ento aplicamos a primeira diferena

sazonal 12 = 1 L12 .
Aps esta transformao devemos explorar

a FAC e a FACP da srie temporal e

escolher o modelo adequado. No entanto, o
padro da FAC e da FACP de 12 log(Xt )
claramente mais complicado de interpretar.
48/62
(f) Dessazonalize a srie log(Xt) usando o mtodo
TramoSeats e Census X12. Esboce o grfico e o
correlograma da nova srie dessazonalizada.
Comente.

Figura 2: Grfico e correlograma da srie log(Xt) pelo procedimento Census X12

49/62
Figura 3: Grfico e correlograma da srie log(Xt) pelo procedimento TramoSeats

50/62
(g) Identifique o modelo da classe
SARIMA(p, d, q) (P, D, Q)S que melhor se ajusta
aos dados. Recorde que o modelo multiplicativo
geral SARIMA(p, d, q) (P, D, Q)S definido pela
equao:

(L) (LS )d DS Xt = (L) (LS )t , t RB 0, 2

Faa ainda uma anlise adequada aos resduos

do(s) modelo(s) propostos.

51/62
Estimao e escolha de (P,Q) e (p,q)

(a) SARIMA(1, 1, 0) (1, 1, 0)12 (b) SARIMA(1, 1, 0) (0, 1, 1)12

(c) SARIMA(0, 1, 1) (1, 1, 0)12 (d) SARIMA(0, 1, 1) (0, 1, 1)12

Figura 4: Modelos SARIMA(p, d, q) (P, D, Q)12 candidatos

52/62
Correlograma dos resduos dos modelos
candidatos

(a) SARIMA(1, 1, 0) (1, 1, 0)12 (b) SARIMA(1, 1, 0) (0, 1, 1)12

Figura 5: Correlograma dos resduos

53/62
Correlograma dos resduos dos modelos
candidatos

(a) SARIMA(0, 1, 1) (1, 1, 0)12 (b) SARIMA(0, 1, 1) (0, 1, 1)12

Figura 6: Correlograma dos resduos

54/62
(h) Desconsidere as 12 ltimas observaes da
amostra e faa previses dinmicas e estticas
para o perodo de 1960:01 at 1960:12 com origem
na ltima observao considerada na estimao
com o modelo proposto no item anterior.
Compare os resultados previstos com os
observados com a representao grfica os
valores originais, previses e respectivos ICs.

55/62
Previso com modelos SARIMA

(a) Previso dinmica (b) Previso esttica

Figura 7: Previso com modelos SARIMA

56/62
EXERCCIO BNUS (mximo
2 pessoas) I
Escolha uma srie temporal macroeconmica,
coletada mensalmente ou trimestralmente, que
apresente sazonalidade estocstica, com pelo menos
10 anos de observaes (se mensal) ou 30 anos de
observaes (se trimestral). No pode haver 100% de
coincidncia entre as sries analisadas em trabalhos
diferentes. Ainda, desconsidere as 12 ltimas
observaes e faa o que for pedido:
(a) Identifique os modelos da classe SARIMA que
melhor se ajustam aos seus dados (apresente no
mnimo 2 modelos). Justifique o mais
adequadamente possvel as suas escolhas.
(b) Faa uma anlise de resduos completa. Comente.
57/62
EXERCCIO BNUS (mximo
2 pessoas) II
(c) Acrescente dummies aos 2 modelos
apresentados, interprete as suas estimativas para
os coeficientes da constante e de uma das
dummies e comente sobre a sua significncia
estatstica. Dica: o comando do EViews @seas
pode ser til.
(d) Faa previses dinmicas e estticas para as
observaes desconsideradas para os 2 melhores
modelos apresentados nos items anteriores, com
origem na ltima observao considerada na
estimao.

58/62
EXERCCIO BNUS (mximo
2 (e)
pessoas) III
Para os 2 melhores modelos, compare os
resultados previstos com os observados
mediante representao grfica com os valores
originais e previses. Comente.
(f) Suponha agora que voc define as dummies
sazonais com o seguinte formato:
- para dados mensais:

1, se ms=Janeiro
1, se ms=Fevereiro

D1,t = 1, se ms=Dezembro D2,t = 1, se ms=Dezembro

0, outros casos 0, outros casos

1, se ms=Novembro

...... D11,t = 1, se ms=Dezembro

0, outros casos

59/62
EXERCCIO BNUS (mximo
2 pessoas) IV
- para dados trimestrais:

1, se trimestre=1
1, se trimestre=2

D1,t = 1, se trimestre=4 D2,t = 1, se trimestre=4

0, outros casos 0, outros casos

1, se trimestre=3

D3,t = 1, se trimestre=4

0, outros casos

De acordo com a frequncia dos seus dados,

estime um dos modelos dos items anteriores
incluindo a constante e as dummies
apresentadas e interprete as estimativas da
constante e das dummies. Quais as diferenas
60/62
EXERCCIO BNUS (mximo
2 pessoas) V

que encontra na sua interpretao em relao ao

item (c).

61/62
Bibliografia

Enders, W. (2009). Applied Econometric Time Series, cap. 2.11.

Morettin P. A., e C. M. C. Toloi (2004). Anlise de Sries
Temporais, cap. 10.

62/62