CE442 Aulas 10-11 PDF

CE-442
Métodos de Análise
Econômica IV
Prof. Marcelo Justus
mjustus@unicamp.br
Última atualização: 03.06.2019
1 / 79
2 / 79
Um curso de introdução à
análise de séries temporais
3 / 79
Metodologia Box-Jenkins para
processos ARIMA não
sazonais
I Identificação do processo
I Estimação do modelo
I Diagnósticos nos resı́duos
I Previsão dos valores
4 / 79
Metodologia de Box-Jenkins
O objetivo principal na análise Box-Jenkins

(1976) é prever valores de uma série
temporal utilizando a correlação entre os
valores realizados do processo estocástico.
5 / 79
Metodologia de Box-Jenkins
A análise Box-Jenkins consiste em quatro

etapas:
1. identificação,
2. estimação,
3. diagnóstico, e
4. previsão.
6 / 79
Identificação
A série {yt} foi gerada por um processo

AR(p), MA(q), ARMA(p, q) ou
ARIMA(p, q, d)?
7 / 79
Identificação
Na identificação queremos determinar:

1 os filtros (AR, I, MA) que compõem o
processo gerador da série;
2 as respectivas ordens (p, q, d) dos filtros.
8 / 79
Identificação
Em geral, a identificação é baseada no

comportamento da fac e facp empı́ricas.
9 / 79
Identificação
O primeiro passo na etapa de identificação é

a verificação da propriedade de
estacionariedade da série a {yt}, ou seja, a
identificação da ordem de integração
(d).
10 / 79
Identificação
A metodologia de Box-Jenkins é restrita à

séries estacionárias, porém, é possı́vel
aplicá-la à séries que se tornam
estacionárias após a aplicação diferenças.
11 / 79
Identificação
Nestes casos, a série {yt} é dita

diferença-estacionária, e a ordem d é o
número de raı́zes unitárias existentes no
processo estocástico.
12 / 79
Identificação
Lembrete:
Se a série {yt} é não estacionária mas a sua
primeira diferença ∆yt = yt − yt−1 é
estacionária, então {yt} é dita integrada
de ordem 1. Nesse caso, como d = 1,
segue que:
∆yt ∼ I(0)
13 / 79
Identificação
O gráfico da série original pode indicar

a não estacionariedade, mas não permite
identificar a ordem d.
14 / 79
Identificação
Na prática, observamos o
comportamento da fac amostral e
quando necessário aplicamos testes de
raı́z unitária.
15 / 79
Identificação
Lembrete:
Quando uma série é não estacionária os
valores dos coeficientes de autocorrelação
decrescem muito lentamente com o aumento
de k.
16 / 79
Identificação
Lembrete:
Na prática, uma fac amostral com os
primeiros valores altos e que não declinam
rapidamente para um valor
estatisticamente nulo com o aumento
de k, indica que a série é não estacionária.
Portanto, a série original precisa ser
diferenciada.
17 / 79
Identificação
Lembrete:
A análise do comportamento da fac é
revelador para julgar a estacionariedade,
porém, em alguns casos convém realizar
testes de raiz unitária para uma
conclusão definitiva sobre a presença de
tendência estocástica na série.
18 / 79
Identificação
Em suma, o comportamento teórico da

fac e facp caracterı́sticos dos processos é
Processo fac facp
AR(p) declinante truncada em k = p
MA(q) truncada em k = q declinante
ARMA(p, q) declinante declinante
19 / 79
Aplicação no R
Vamos simular processos AR(p), MA(q) e

ARMA(p, q).
20 / 79
Aplicação no R
Vamos simular processos AR(p), MA(q) e

ARMA(p, q) para plotar os gráficos da FAC
e FACP na tenativa de identificar os
modelos.
Use o R!
Script: CE442Aulas10-11.R
21 / 79
Identificação
Como trabalhamos com as funções fac e

facp empı́ricas, exige-se uma análise da
significância estatı́stica das
autocorrelações. Portanto, a amostra deve
ter (no mı́nimo) de 40 a 50 observações.
22 / 79
Identificação
Como é difı́cil identicar processos mistos

pela fac e facp, Tsay & Tiao (1984) sugerem
o uso da função de autocorrelação
estendida, abreviadamente face (ver
Morettin & Toloi 2006, p. 493).
23 / 79
Identificação
A apresentação da face é feita em uma

tabela de dupla entrada.
As linhas são enumeradas 0, 1, 2. . . . ,
indicando a ordem p do filtro AR.
As colunas, também enumeradas, indicam
a ordem q da parte MA.
24 / 79
Identificação
25 / 79
Identificação
Simplifica-se substituindo as estimativas

da face por “zeros” e “X’s”,
respectivamente, quando elas caem dentro e
fora do intervalo de confiança (±2
erros padrão).
26 / 79
Identificação
27 / 79
Identificação
As ordens p e q são determinadas pela

posição (p0, q0) de tal forma que todos os
valores na tabela sejam “zeros” para (i, j)
na região triangular em que i = p0 + k e
j ≥ qo + k, k = 0, 1, 2 . . . .
28 / 79
Aplicação no R
O pacote TSA do R tem o comando
eacf() para estimar uma face amostral.
Aplicaremos essa metodologia de
identificação nos processos AR(p), MA(q) e
ARMA(p, q) simulados.
Use o R!
29 / 79
Estimação
Uma vez determinados os valores p, d e q,

passa-se para a estimação dos p parâmetros
φ, dos q parâmetros θ e da variância σε2.
30 / 79
Estimação
O pacote forecast tem o comando

Arima() para estimar uma classe geral de
modelos ARIMA(p, q, d).
31 / 79
Estimação
Lembre-se que um ARIMA(1,0,1) é um

ARMA(1,1), um ARIMA(1,0,0) é um
AR(1), um ARIMA(0,0,2) é um AR(2), e
assim por diante.
32 / 79
Critérios de seleção
Em geral, haverá mais de um modelo

candidato a gerador da série {yt}.
33 / 79
Na prática, ajustamos um conjunto de

modelos candidatos e utilizamos critérios
de informação (ou de seleção) para
selecionar o “melhor” modelo.
34 / 79
Os critérios de informação mais utilizados

são:
I Akaike (AIC);
I Schwartz ou Baysiano (BIC);
I Hannan-Quinn (HQ).
35 / 79
2(p + q)
AIC(p, q) = ln(σε2) +
T
ln T (p + q)
BIC(p, q) = ln(σε2) +
T
ln{ln(T )}(p + q)
HQ(p, q) = ln(σε2) +
T
36 / 79
Na prática, estimamos modelos

correspondentes a vários pares (p, q) para
selecionar a especificação que minimiza o
critério de informação adotado.
37 / 79
Os critérios de informação são

“penalizadores” de modelos com muitos
parâmetros, pois modelos parcimoniosos
são preferidos a modelos de ordens elevadas.
38 / 79
Ao decidir coim base em critérios de

informação tenha em mente que:
I É necessário comparar séries com o
mesmo número de observações;

I O BIC tende a escolher um modelo
mais parcimonioso do que o AIC;
39 / 79
I O AIC é melhor em quando a amostra é

pequena, porém, tende a indicar
modelos sobreparametrizados;
I O HQ é menos forte que o critério BIC.
40 / 79
I Os critérios de informação devem ser

aplicados como procedimento
complementar e não alternativo àquele
baseado na observação do
comportamento amostral da facp e facp.
41 / 79
Aplicação no R
Realizaremos a etapa de estimação e escolha

inicial do modelo usando os dados do
processo ARMA(p, q) simulado
anteriormente.
Use o R!
42 / 79
Verificação
Nessa etapa verificamos se o modelo

estimado é adequado.
43 / 79
Verificação
Se o modelo é julgado adequado, então ele

será utilizado para a próxima etapa:
previsão; em caso negativo, outra
especificação deve ser escolhida para
modelar a série.
44 / 79
Verificação
Se julgado inadequado, então será

necessário refazer a etapas 1 e 2:
identificação e estimação.
45 / 79
Verificação
Os diagnósticos de verificação mais comuns

são:
I Avaliação da ordem do modelo;

I Análise dos resı́duos.
46 / 79
Ordem do modelo
O objetivo é verificar se o modelo não está

superespecificado.
47 / 79
Ordem do modelo
O critério da parcimônia estabelece

que o modelo não deve conter parâmetros
em excesso.
48 / 79
Ordem do modelo
A verificação da presença de coeficientes

irrelevantes é feita por meio dos erros
padrão dos coeficientes φ̂ e θ̂.
49 / 79
Ordem do modelo
Queremos coeficientes altamente

significativos. Assim, recomenda-se que o
valor coeficiente deve ser pelo menos duas
vezes o valor do seu erro padrão.
50 / 79
Ordem do modelo
Se o coeficiente estatisticamente não

significativo for o de maior ordem, por
exemplo φ̂4 em uma ARMA(4,2), deve-se
excluı́-lo do modelo, estimando um modelo
de menor ordem, ou seja, um ARMA(3,2)
nesse exemplo.
51 / 79
Ordem do modelo
Mesmo que o coeficiente não for o de maior

ordem, digamos que fosse o φ̂2, ele também
será eliminado na maioria das aplicações.
52 / 79
Análise dos resı́duos
Os resı́duos do modelo estimado, ε̂, são

estimativas de ε. Logo, devem ser
aproximadamente ruı́do branco se o
modelo estiver adequadamente especificado.
53 / 79
Especificamente, seus coeficientes de

autocorrelação devem ser
estatisticamente nulos.
54 / 79
A análise das autocorrelações é feita

aplicando a estatı́stica Q de
Ljung-Box para testar se os primeiros k
coeficientes de autocorrelação
P
ε̂tε̂t−j
ρ̂j = ,
t−j
são estatisticamente nulos.
55 / 79
As hipóteses nula e alternativa do

teste Q de Ljung-Box são, respectivamente,
k
X
H0 : ρj = 0 e
j=1
k
X
H1 : ρj 6= 0.
j=1
56 / 79
A estatı́stica do teste é
k
X ρ̂2j
Q(k) = T (T + 2) −→d χ2k
j=1
T −j
ou seja Q(k) converge em distribuição para uma

distribuição qui-quadrado com k graus de liberdade.
57 / 79
No R, o teste Q de Ljung-Box é aplicado

pela função Box.test() do pacote stats.
58 / 79
Se os resı́duos são autocorrelacionados,

então voltamos para etapa de identificação e
estimação.
59 / 79
Convém, adicionalmente, verificar se os

resı́duos são homocedásticos. No R,
aplicamos o teste ARCH pela função
ArchTest() do pacote FinTS.
60 / 79
Normalidade do resı́duos
Verificamos, ainda, se os resı́duos têm (pelo

menos aproximadamente) uma
distribuição normal.
61 / 79
Fazemos um gráfico da densidade

estimada dos resı́duos utilizando o kernel
como ponderador e/ou utilizar um teste de
hipótese.
62 / 79
Os dois testes de hipótese de normalidade

mais aplicados são:
I Shapiro-Wilk;
I Jarque-Bera.
63 / 79
Teste Jarque-Bera
A hipótese nula do teste é

H0 : os resı́duos têm distribuição normal,
e a hipótese alternativa,
H1 : os resı́duos não têm distribuição normal.
64 / 79
Teste Jarque-Bera
A estatı́stica do teste é
A2 (C − 3)2

JB = T + →d χ22
6 24
65 / 79
Teste Jarque-Bera
Não rejeitamos a hipótese nula de

resı́duos com distribuição normal, na
prática, se o p-valor da estatı́stica JB for
maior que 0,05 (5%).
66 / 79
A função shapiro.test() do pacote

stats do R aplica o teste Shapiro-Wilk.
67 / 79
A função jarque.bera.test() do pacote

tseries do R aplica o teste Jarque-Bera.
68 / 79
Aplicação no R
Realizaremos a etapa de verificação (ou

diagnóstico) no modelo incial escolhido
usando para os dados do processo
ARMA(p, q) simulado.
Use o R!
69 / 79
Previsão
Dentre os modelos candidatos estimados,

usamos o “melhor” deles para prever
valores da série {yt} em instantes de tempo
posteriores a T .
70 / 79
Previsão
Como a variância do erro de previsão

cresce à medida que a previsão se
afasta de T , o intervalo de previsão vai
sendo ampliado com o horizonte de previsão.
71 / 79
Previsão
Obtemos as previsões após estimar o modelo

utilizando a função forecast.Arima() do
pacote forecast.
72 / 79
Aplicação no R
Realizaremos a etapa final – previsão – no

modelo final escolhido para os dados do
processo ARMA(p, q) simulado.
Use o R!
73 / 79
Atualização das previsões
Convém, sempre que possı́vel, atualizar

as previsões já realizadas à medida que
novas realizações do processo estocástico
se tornem conhecidas.
74 / 79
Atualização das previsões
Na prática, reestima-se o modelo e repete-se

as etapas de verificação e previsão. Algumas
vezes, porém, é necessário voltar a etapa de
identificação.
75 / 79
Aplicação no R
Usaremos a ST do ı́ndice de Atividade
Econômica do Banco Central do Brasil
(IBC-BR) para aplicar a metodologia
Box-Jenkins. Por hora, ignorando os dados
discrepantes nas observações 72:73.
Use o R!
76 / 79
Seleção automática do “melhor” modelo
no R
A função auto.arima do pacote forecast
faz uma pesquisa, dentro das restrições de
ordem fornecidas, e retorna com os
ressutados do melhor modelo ARIMA de
acordo com o valor AIC, AICc ou BIC.
Use o R!
Script: CE442Aula10-11.R
77 / 79
Aplicação no R
Aplicaremos a função auto.arima na ST
do ı́ndice de Atividade Econômica do
Banco Central do Brasil (IBC-BR),
ignorando os dados discrepantes nas
observações 72:73.
Use o R!
78 / 79
Leitura indicada
1. Barros, A. C. et al.; P. G. C. Ferreira (Org.). Análise de séries temporais

em R: curso introdutório. Rio de Janeiro: Elsevier, FGV IBRE, 2018.
2. Bueno, R. L. S. Econometria de Séries Temporais, 2a Edição. Cencage
Learning, 2011.
3. Morettin, P. A. e Toloi, C. M. C. Análise de Séries Temporais, 2a Edição.
Blücher, 2006.
4. Hanck, C.; Arnold, M.; Gerber, A. and Schmelzer, M. Introduction to
Econometrics with R, 2018-12-19. Disponı́vel em
https://www.econometrics-with-r.org/
5. Kerns, G. J. Introduction to Probability and Statistics Using R. Third
Edition, 2018-08-29. Disponı́vel em
https://cran.r-project.org/web/packages/IPSUR/vignettes/IPSUR.pdf
6. Oliveira, P. F.; Guerra, S., McDonnell, R. Ciência de dados com R:
Introdução. Brası́lia: Editora IBPAD, 2018. Disponı́vel em
https://cdr.ibpad.com.br/cdr-intro.pdf
79 / 79

CE442 Aulas 10-11 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

CE442 Aulas 10-11 PDF

Caricato da

Copyright:

Formati disponibili

CE-442

Última atualização: 03.06.2019

O objetivo principal na análise Box-Jenkins

A análise Box-Jenkins consiste em quatro

A série {yt} foi gerada por um processo

Na identificação queremos determinar:

Em geral, a identificação é baseada no

O primeiro passo na etapa de identificação é

A metodologia de Box-Jenkins é restrita à

Nestes casos, a série {yt} é dita

O gráfico da série original pode indicar

Em suma, o comportamento teórico da

Vamos simular processos AR(p), MA(q) e

Vamos simular processos AR(p), MA(q) e

Como trabalhamos com as funções fac e

Como é difı́cil identicar processos mistos

A apresentação da face é feita em uma

Simplifica-se substituindo as estimativas

As ordens p e q são determinadas pela

Uma vez determinados os valores p, d e q,

O pacote forecast tem o comando

Lembre-se que um ARIMA(1,0,1) é um

Em geral, haverá mais de um modelo

Na prática, ajustamos um conjunto de

Os critérios de informação mais utilizados

I Schwartz ou Baysiano (BIC);

Na prática, estimamos modelos

Os critérios de informação são

Ao decidir coim base em critérios de

mesmo número de observações;

mais parcimonioso do que o AIC;

I O AIC é melhor em quando a amostra é

I Os critérios de informação devem ser

Realizaremos a etapa de estimação e escolha

Nessa etapa verificamos se o modelo

Se o modelo é julgado adequado, então ele

Se julgado inadequado, então será

Os diagnósticos de verificação mais comuns

I Avaliação da ordem do modelo;

O objetivo é verificar se o modelo não está

O critério da parcimônia estabelece

A verificação da presença de coeficientes

Queremos coeficientes altamente

Se o coeficiente estatisticamente não

Mesmo que o coeficiente não for o de maior

Os resı́duos do modelo estimado, ε̂, são

Especificamente, seus coeficientes de

A análise das autocorrelações é feita

As hipóteses nula e alternativa do

ou seja Q(k) converge em distribuição para uma

No R, o teste Q de Ljung-Box é aplicado

Se os resı́duos são autocorrelacionados,

Convém, adicionalmente, verificar se os

Verificamos, ainda, se os resı́duos têm (pelo

Fazemos um gráfico da densidade

Os dois testes de hipótese de normalidade

A hipótese nula do teste é

Não rejeitamos a hipótese nula de

A função shapiro.test() do pacote

A função jarque.bera.test() do pacote

Realizaremos a etapa de verificação (ou

Dentre os modelos candidatos estimados,

Como a variância do erro de previsão