PONTIFÍCIA UNIVERSIDADE CATÓLICA DE MINAS GERAIS

INSTITUTO DE CIÊNCIAS ECONÔMICAS E GERENCIAIS

Graduação em Ciências Econômicas

Elisa Pacheco Jorge Rafael

Giovana Gil Patrus

RESUMO DO ARTIGO
APLICAÇÃO DO MODELO ARIMA PARA PREVISÃO DO PREÇO DO FRANGO
INTEIRO RESFRIADO NO GRANDE ATACADO DO ESTADO DE SÃO PAULO

Belo Horizonte
2018
 2

RESUMO DO ARTIGO

As previsões podem ser alcançadas através de modelos estatísticos que

captam o comportamento de variáveis para estimar um modelo econômico. O foco
do autor é no estudo do modelo ARIMA ou também conhecido como Box-Jenkins,
para estimar uma serie histórica mensal para os anos de 1996 a 2005 do preço
médio do frango inteiro resfriado para o grande atacado de São Paulo. Segundo o
autor essa serie foi escolhida devido a grande significância econômica do produto,
visto que o Brasil naquela época era o maior exportador e importado de carne de
frango no mundo.
Primeiramente, os autores conceituam o que são series temporais para
explicar o desenvolvimento do modelo ARIMA. “Os estudos com dados econômicos
podem ser apresentados de duas formas, dados em corte transversal ou series de
tempo.” A serie temporal pode ser definida como um conjunto de dados observados
ao longo de um período no tempo, além disso, a serie deve ser apresentada com a
mesma periodicidade. O modelo de previsão de series temporais podem ser
classificados em determinísticos e estocástico, onde estes dois tipos utilizam o
comportamento passado da serie para prever os componentes futuros, porem os
modelos determinísticos não fazem referencias às fontes ou a natureza aleatória
(estocástica).
Uma serie temporal pode ser interpretada como um processo estocástico que
só é estacionário se sua média e variância forem constante ao longo do tempo.
Conforme o autor cita Hill, Griffiths e Judge (2003) foi observado que uma variável
econômica é aleatória porque não se pode prevê-la perfeitamente e o modelo
econômico que gera uma variável de série temporal é chamado de processo
estocástico ou aleatório.
Porém sabe-se, que a maioria das séries temporais econômicas são não
estacionárias, portanto deve-se usar a função autocorrelação (FAC) para detectar a
estacionariedade ou não da serie temporal. A partir de uma demonstração gráfica
com o correlograma a identificação visual se a serie é ou não estacionária pode ser
concluída com o coeficiente de correlação inicial, se este se mostra elevado e com
crescimento das defasagens k é característico de uma series não estacionaria,
conforme a Figura 1 abaixo.
 3

Figura 1 - Exemplo de correlograma amostral de uma série temporal não

estacionário

Na série estacionáriao coeficiente do correlograma cai abruptamanete após a

primeira defasagem k, conforme a Figura 2 abaixo:

Figura 2 - Exemplo de um correlograma amostral de uma série temporal estacionária

Após a identificação da estacionariedade da serie, a serie estacionária é

chamada de série original integrada de ordem I(1) e se apenas na segunda
diferenciação a série se torna estacionária a série original é denominada como I(2),
generalizando se uma série para alcançar a estacionariedade for diferenciada n
vezes, é considerada integrada ou homogenia de ordem n I(n). (CAMPOS;
CORDEIRO, 2006, p.4). Os autores apresentam uma segunda alternativa para
identificar a estacionariedade, como o teste de raiz unitária, também conhecido
como teste de Dickey-Fuller.
O modelo ARIMA (Auto Regressivo Integrado de Média Móvel) é próprio para
previsões de séries temporais, observando que este modelo é uma combinação de
três componentes: o componente Auto-regressivo (AR), o filtro de Integração (I) e o
componente de Médias Móveis (MA). Dessa forma o modelo ARIMA é representado
pela notação (p,d,q), sendo (p,d,q) a representação da ordem do modelo. Conforme
os autores citam Pindyck e Rubinfeld (2004) a aplicação do modelo ARIMA é
composta de quatro etapas, identificação, estimação, verificação e previsão.
 4

(CAMPOS; CORDEIRO, 2006, p.5)

A identificação é para determinar a notação (p,d,q) e a ordem que vai
representar melhor a series temporal. Nesse processo faz-se o uso da função FAC e
o teste de Dickey-Fuller. A segunda etapa é a estimação após identificar os valores
de p, d e q estima os parâmetros, esse processo é extremamente trabalhoso e
requer o uso de software para realizar a estimação.
A terceira etapa consiste na verificação da significância dos parâmetros e se
os erros são autocorrelacionados. Por ultimo é apresentado a previsão, com o
objetivo de prever os valores futuros de uma serie temporal que estejam sujeitos ao
menor erro possível e os autores destacam que as previsões no modelo ARIMA são
populares devido seu sucesso e confiabilidade para previsões a longo prazo.
O modelo ARIMA também pode ser usado na analise de series temporais
com características sazonais, onde os parâmetros são (P,D,Q) são os equivalentes
sazonais de (p,d,q) e ainda utilizam a FAC (Função Autocorrelação) e FACP
(Função Autocorrelação Parcial). Outro uso do ARIMA é para variáveis explicativas.
A inclusão de variáveis explicativas ao modelo ARIMA potencializa a
metodologia, porque aproxima as qualidades intrínsecas dos modelos
univariados, que captam os padrões de comportamento passado da própria
variável e os unificam aos padrões de comportamento de outras variáveis
(explicativas) que podem contribuir para prever o seu comportamento futuro.
(CAMPOS; CORDEIRO, 2006, p.7)

A avaliação da performance de previsões é importante para um estudo

consistente, para os autores uma metodologia útil para aferir o desempenho de um
modelo de serie temporal consiste em previsões ex post , onde são realizadas
simulações para períodos passados, sem que esses dados façam parte da amostra
na qual o modelo é rodado, servindo apenas para a avaliação da performance da
previsão realizada.
Os métodos de avaliação sugeridos são Raiz do Erro de previsão Quadrático
Médio - REQM (Root Mean Square Erro) e Coeficiente de desigualdade de Theil - U
de Theil, definidos por como:

Figura da equação 11 e 12
 5

Os autores optam pelo método, que segundo eles foi proposto por Raupp e
Beuren (2004), focando em tipologias de delineamento de pesquisa, agrupadas em
três categorias: quanto aos objetivos, quanto aos procedimentos e quanto à
abordagem do problema. Os objetivos se enquadram como descritivos ao estudar e
relatar o comportamento de uma serie temporal econômica. Os procedimentos são
enquadrados como estudo de caso por se tratar de um estudo voltado a um preço e
mercado especifico e dados de uma amostra especifica. A abordagem do problema
se enquadra como quantitativa devida a analise e intepretação dos dados com a
ferramenta estática.
Foram coletados os preços médios do frango inteiro resfriado no grande
atacado do estado de São Paulo em R$/Kg do banco de dados da empresa JOX
Assessoria Agropecuária, no período de janeiro de 1996 a dezembro de 2005. A
utilização da metodologia ARIMA é adotada sem variáveis explicativas (forma
univariada). As previsões são elaboradas conforme descrito a seguir:
São elaboradas previsões trimestrais e anuais para os anos de 2004 e
2005, com os anos de previsão excluídos da amostra de análise. Por
exemplo: para a previsão do 2º. trimestre de 2005, são utilizados os dados
de janeiro de 1996 até março de 2005. Para testar a eficiência de previsão
de longo prazo, são realizadas previsões diretas para 24 meses, 2004 e
2005, com os dados destes anos excluídos da amostra de análise São
elaboradas previsões trimestrais e anuais para os anos de 2004 e 2005,
com os anos de previsão excluídos da amostra de análise. Por exemplo:
para a previsão do 2º. trimestre de 2005, são utilizados os dados de janeiro
de 1996 até março de 2005. Para testar a eficiência de previsão de longo
prazo, são realizadas previsões diretas para 24 meses, 2004 e 2005, com
os dados destes anos excluídos da amostra de análise (CAMPOS;
CORDEIRO, 2006, p.10)

A metodologia de Box e Jenkins é utilizada para a determinação dos modelos.

As funções Autocorrelação e Autocorrelação Parcial, além do teste de Raíz Unitária
de Dickey-Fuller são utilizadas para testar a estacionariedade da série.
Segundo a metodologia ARIMA, a série temporal deve ser estacionária e,
caso não seja, deve ser diferenciada para tornar-se estacionária. A partir da
representação gráfica da série (figura 3), é possível notar uma tendência de queda
sistemática, o que é típico de séries não estacionárias. Além disso, os picos
seguidos de quedas podem indicar uma sazonalidade, algo comum em séries
econômicas mensais.
 6

Pr
eç
o 3 , 00

Re 2 , 80
al
2 , 60
do
2 , 40
Fr
an 2 , 20

go 2 , 00

Re 1 , 80
sfr
1 , 60
iad
o
Figura 3 – Gráfico seqüencial da série do preço real do frango

A análise do correlograma, mostrado na Figura 4, a partir da Função

Autocorrelação confirma a não estacionariedade da série, devido à queda abrupta
do coeficiente de autocorrelação logo nas primeiras defasagens. Além disso, a
sazonalidade também é confirmada, por causa da oscilação da FAC. De forma a
tornar a série estacionária, deve-se aplicar uma diferença sequencial e uma sazonal,
chegando-se no gráfico sequencial, que indica a estabilização da série em torno de
sua média de valor 0, e correlograma indicados nas Figuras 5 e 6:
Pr
eç
o 0 , 60
Re 0 , 40
al
do 0 , 20
Fr 0 , 00
an -0 , 20
go
Re -0 , 40
sfr -0 , 60
iad
o
Figura 5 – Gráfico seqüencial da série diferenciada do preço real do frango
Preço Real do Frango Resfriado
Coeficiente
1 ,0
Limite Superior
Significância
0 ,5
FA Limite Inferior
C Significância
0 ,0

-0 , 5

-1 , 0

Figura 6 – Correlograma amostral da série diferenciada do preço real do frango

O novo correlograma não esclarece se a série se tornou estacionária. Alguns

coeficientes se mostram não significativos e só foram convergidos para o limite de
significância após a 12ª defasagem. Sendo assim, foi feita uma segunda
 7

diferenciação, alcançando-se um bom ajustamento para a série, com apensas três

defasagens não significativas. “Contudo, os testes empíricos dos modelos testados
com duas diferenciações seqüenciais se mostraram inadequados estatisticamente,
em termos de testes t para todos os parâmetros, embora alguns modelos
apresentarem boas previsões” (CAMPOS; CORDEIRO, 2006, p.12).
O correlograma da nova diferenciação está representado na Figura 7:
Preço Real do Frango Resfriado

1 ,0 Coeficiente
Limite Superior
0 ,5
Significância
FA Limite Inferior
C 0 ,0
Significância

-0 , 5

-1 , 0

Figura 7 – Correlograma amostral da série com duas diferenciações seqüenciais e

uma sazonal do preço real do frango

Como forma de se verificar a estacionariedade da série, foi também utilizado

o teste de Dickey-Fuller, de raíz unitária. Testou-se a série de duas formas, com
apenas a diferença seqüencial e com a diferença seqüencial e sazonal.
• Teste 1 - Série diferenciada seqüencial e sazonalmente:ΔΔYt =−0,816ΔYt−1 (tau)
(-8,495)
• Teste 2 - Série diferenciada apenas sequencialmente: ΔΔYt =−0,875ΔYt−1(tau) (-
9,522)

Ambos os testes tiveram a hipótese nula rejeitada, confirmando a

estacionariedade da série e, assim, a possibilidade de aplicação do modelo ARIMA.
Foram selecionados quatro modelos, indicados no Quadro 2, que melhor se
ajustaram a série, pelo desempenho e grau de significância dos parâmetros. Todos
eles apresentaram bom desempenho preditivo, apesar de as previsões para 2004
terem sido superiores às de 2005. Isso foi explicado pelo fato de que 2005 foi um
ano atípico, com queda nos preços no último trimestre (apesar de a tendência ser de
aumento, devido ao maior consumo observado nesses meses). A queda aconteceu
por causa dos focos de febre aftosa no rebanho bovino no sul do país, retraindo todo
o mercado exportador de carnes, inclusive o de frango. Assim, a produção interna
aumentou, aumentando a oferta e diminuindo o preço.
 8

MOD 1 MOD 2 MOD 3 MOD 4

ARIMA (2,1,1)(0,1,1) (2,1,1)(1,1,1) (2,1,2)(0,1,1) (2,1,2)(1,1,1)
Previsão Anual
– 2004 3,99%
EPAM 4,13% 3,93% 4,63%
REQM 0,0937 0,0884 0,1095 0,0952
U 0,0240 0,0227 0,0278 0,0243
Previsão Anual
– 2005 6,01%
EPAM 5,62% 5,42% 5,67%
REQM 0,1354 0,1299 0,1344 0,1390
U 0,0367 0,0353 0,0365 0,0377
Quadro 2 – Resultados dos melhores modelos ARIMA testados.

Foi testada a capacidade preditiva de longo prazo para os modelos, a partir

de previsões diretas para os anos de 2004 e 2005 (Quadro 3 e Figura 10),
chegando-se num bom resultado, algo que contraria a literatura utilizada como
referência, em que os modelos ARIMA têm bom desempenho somente em previsões
de curto prazo.
MOD 1 MOD 2 MOD 3 MOD 4
ARIMA (2,1,1)(0,1,1) (2,1,1)(1,1,1) (2,1,2)(0,1,1) (2,1,2)(1,1,1)
EPAM 4,97% 5,00% 6,01% 5,67%

Quadro 3 – Resultados dos melhores modelos ARIMA testados, previsões para 2

anos

Figura 10 – Gráfico das previsões do preço real do frango para 2004 e 2005, Mod. 2

Conclusões
Foi possível observar que alguns modelos, mesmo apresentando parâmetros
não significativos, apresentaram boa performance na previsão. Além disso,
 9

observou-se que a utilização do modelo ARIMA pode apresentar bom desempenho

preditivo para previsões de médio e longo prazo, não apenas para curto prazo, como
afirma a literatura de referência. Para isso, é necessário que se tenha “uma
determinação ideal ou calibragem adequada dos parâmetros do modelo e também a
realização de vários testes de previsão ex post para verificar de sua adequação”
(CAMPOS; CORDEIRO, 2006, p. 16).
Foi constatada certa dificuldade na determinação dos melhores modelos,
principalmente quando a série se ajusta a modelos com várias defasagens nos
parâmetros. Os bons desempenhos encontrados mostram que é possível a
utilização dos modelos de séries temporais no meio empresarial, de forma a auxiliar
na tomada de decisões gerenciais e estratégicas. É importante que a metodologia
seja aplicada em outras séries econômicas, para testar sua adaptabilidade.
 10

REFERÊNCIAS
CAMPOS, Paulo A.C.; Cordeiro, Agnaldo A.L. de. Aplicação do modelo ARIMA
para previsão do preço do frango inteiro resfriado no grande atacado de São
Paulo. XIII Congresso Brasileiro de Custos. Belo Horizonte, 2006. Disponível em: <
https://anaiscbc.emnuvens.com.br/anais/article/download/1871/1871>. Acesso em:
30 mai 2018.