Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Nuno Sobreira
1/62
Exemplos de dados com componente sazonal
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
5/62
Sazonalidade determinstica II
12
X
s Ds,t + ut , ut RB 0, u2
Xt =
s=1
6/62
Sazonalidade determinstica III
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
9/62
Sazonalidade estocstica III
Xt = Xt4 + t , t RB(0, 2 )
Xt = t t4 , t RB(0, 2 )
Xt = Xt12 + t , t RB(0, 2 )
Xt = t t12 , t RB(0, 2 )
10/62
Sazonalidade estocstica IV
Xt = t t1 t4 , t RB(0, 2 )
2. Para dados mensais:
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
Xt = t 1 tS 2 t2S . . . Q tQS , t RB 0, 2
Xt = (LS )t
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
(LS )Xt = t
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:
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
Xt = t t1 t12 + t13
29/62
Modelo multiplicativo geral
SARIMA(p, d, q) (P, D, Q)S III
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
35/62
EXERCCIO I
(a) Elabore o grfico da srie. Comente quanto
estacionaridade e sazonalidade. Voc faria
alguma transformao na srie?
37/62
EXERCCIO III
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
40/62
(b) Esboce o grfico e o correlograma da srie
transformada. Comente.
43/62
Transformao: log(Xt )
44/62
(d) Esboce o grfico e o correlograma da srie
2 log(Xt ). Comente.
45/62
Transformao: 2 log(Xt )?
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
sazonal 12 = 1 L12 .
Aps esta transformao devemos explorar
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:
51/62
Estimao e escolha de (P,Q) e (p,q)
52/62
Correlograma dos resduos dos modelos
candidatos
53/62
Correlograma dos resduos dos modelos
candidatos
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
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
61/62
Bibliografia
62/62