Upload
truongliem
View
222
Download
0
Embed Size (px)
Citation preview
[email protected]@mbarros.com 1
MMóódulo de Regressão e Sdulo de Regressão e Sééries ries TemporaisTemporais
Parte Parte 33
Mônica Barros, Mônica Barros, D.Sc.D.Sc.
Julho de 2007Julho de 2007
[email protected]@mbarros.com 2
Quem sou eu?Quem sou eu?
Mônica BarrosDoutora em Séries Temporais – PUC-RioMestre em Estatística – University of Texas at Austin, EUABacharel em Matemática – University ofWashington, Seattle, EUAProfessora da PUC-Rio (Depto. De Eng. Elétrica)E-mails: [email protected], [email protected] page: http://www.mbarros.com
[email protected]@mbarros.com 3
Programa do CursoPrograma do Curso
Modelagem ARIMA de Box & Jenkinssazonal e não sazonal
Função de autocorrelação e autocorrelaçãoparcial Modelo Identificação de (p, q, d, P, Q, D) Estimação Estatísticas de ajuste e análise dos resíduos Exercícios
[email protected]@mbarros.com 4
MODELO BOX & JENKINS UNIVARIADO
(Não Sazonal e Sazonal)
[email protected]@mbarros.com 5
BOX & JENKINSBOX & JENKINS
PROCESSO ESTOCPROCESSO ESTOCÁÁSTICOSTICO
Toda variável aleatória que evolui no tempo, i.e., guarda uma estrutura de dependência no tempo é um processo estocástico.
SÉRIE TEMPORAL
É uma realização particular de um processo estocástico.
Exemplo: Inflação, Retornos Financeiros, Demanda, etc...
[email protected]@mbarros.com 6
BOX & JENKINSBOX & JENKINS
( )tZ ZE=μ
MÉDIA de um processo (série)
Teórico
Estimador
VARIÂNCIA de um processo (série)
Teórico
Estimador
T
Zm
T
tt
Z
∑== 1
( )
11
2
2
−
−=
∑=
T
mZS
T
tZt
Z
( ){ }22ZtZ ZE μ−=σ
[email protected]@mbarros.com 7
BOX & JENKINSBOX & JENKINS
AUTOCOVARIÂNCIA de um processo (série)
Teórico
Estimador
Onde k = 1 , 2 . . . é o “lag” ou defasagem
( )( ){ }ZktZtk ZZE μμγ −−= +
( )( )Zkt
kT
tZtk mZmZ
Tc −−
−= +
−
=∑
111
[email protected]@mbarros.com 8
BOX & JENKINSBOX & JENKINS
AUTOCORRELAÇÃO de um processo (série)
É a medida padronizada da dependência linear de lag k, (é a autocovariância padronizada)
Teórico
Lembrar que:
( )( ) ( )ktt
kttkk
ZVARZVARZZCOV
+
+==,
0γγρ
( ) ( ) constante ==== 20 , Zttt ZVARZZCOV σγ
[email protected]@mbarros.com 9
BOX & JENKINSBOX & JENKINS
Então: para todos os lags 1, 2, 3,...
Estimador rk (autocorrelação estimada de lag k)
O gráfico de r(k) versus k é chamado correlogramacorrelograma do processo (ou da série Zt) .
11 +≤≤− kρ
( )( )
( )∑
∑
=
−
=+
−
−−== T
tZt
kT
tZktZt
kk
mZ
mZmZ
ccr
1
2
1
0
[email protected]@mbarros.com 10
BOX & JENKINSBOX & JENKINS
PROCESSO ESTACIONÁRIO (de 2ª ordem)Um processo estocástico é dito estácionário de 2ª ordem se:
(i) para qualquer t
(ii) (constante) para qualquer t
(iii) Cov [Zt, Zt+k ] = função apenas do lag k paraqualquer instante t
i.e , o processo tem média e variância constantes e aautocovariância só depende do lag k
[ ]E Z t z= μ
[ ]E Zt z z− =μ σ2 2
[email protected]@mbarros.com 11
BOX & JENKINSBOX & JENKINSExemplos
Zt
Não Estacionário na Variância
t
Estacionário Não Estacionário na Média
Não Estacionário na Média E na Variância
[email protected]@mbarros.com 12
BOX & JENKINSBOX & JENKINS
PROCESSO RUÍDO BRANCO
Um processo estocástico é chamado de ruruíído brancodo brancoe denotado por at se, além de estacionário de 2ªordem, ele não apresenta qualquer dependênciaserial, ou seja,
Ou seja, um ruído branco é uma seqüência de observações com média e variância constantes e autocorrelações nulas em todos os lags.
ρkpara kpara k
==>
⎧⎨⎩
1 00 0,,
[email protected]@mbarros.com 13
BOX & JENKINSBOX & JENKINSObjetivo de AnObjetivo de Anáálise de Slise de Séérie Temporalrie Temporal
Dada uma série temporal Zt que não é “branca”, isto é, que exibe uma estrutura de dependência serial, achar o melhor modelo matemático que descreva esta dependência serial e a transforme num ruído branco.
Se uma série já é ruído branco, então não existe modelo univariado para ela!
O operador B, conhecido como Operador de Atraso ou “Backward Shift Operator“ é bastante usado por na descrição dos modelos e é definido como:
BkZt = Zt-k
[email protected]@mbarros.com 14
BOX & JENKINSBOX & JENKINS
Exemplos
1)
2)
Z Z Z a at t t t t= + + +− − −α α β β1 2 2 4 1 1 2
ta
tZ3B
3tZ2B
2tBZ
1Z t +α+α+α=
ta
tZ)3B
32B
2B
1(
tZ +α+α+α=
Z B Z B Z Ba at t t t t= + + +α α β β12
24
1 2
Z B B Z B at t t= + + +( ) ( )α α β β12
24
1 2
Z Z Z Z at t t t t= + + +− − −α α α1 1 2 2 3 3
[email protected]@mbarros.com 15
BOX & JENKINSBOX & JENKINS
FunFunçção de autocorrelaão de autocorrelaçção parcial de lag ão parcial de lag kk
É uma medida de dependência linear ou correlação linear entre Zt e Zt+keliminando a dependência dos termos intermediários Zt+1 , Zt+2 . . . Zt+k-1 i.e.:
( )11 ,,|, −+++= kttkttkk ZZZZCorr Kφ
[email protected]@mbarros.com 16
BOX & JENKINSBOX & JENKINS
MODELO ARIMA de Box e Jenkins
Seja Zt uma série estacionária de 2ªordem . A modelagem BJ propõe modelos lineares para Zt, conhecidos como ARIMA(p, d, q).
[email protected]@mbarros.com 17
BOX & JENKINSBOX & JENKINS
Casos Particulares do ARIMA(p, d, q)
AR(p) = modelo autoregressivo de ordem p
MA(q) = modelo médias móveis de ordem q
[email protected]@mbarros.com 18
BOX & JENKINSBOX & JENKINS
( )AR(1) : Z = Z Zt t -1 tφ φ1 11+ − =a B at t,
( )AR(2) : Z = Z Z Zt t -1 t -2 tφ φ φ φ1 2 1 221+ + − − =a B B at t,
( )AR(p) : Z = Z Z Z Zt t-1 t-2 t-p tφ φ φ φ φ φ1 2 1 221+ + + + − − − − =K Kp t p
pta B B B a,
MODELOS AR(p)
Modelo Autoregressivo de ordem p
[email protected]@mbarros.com 19
BOX & JENKINSBOX & JENKINS
ProblemaSe a ordem “p” do modelo cresce, teremos muitos parâmetros φi ; i = 1, . . . , p para estimar, o que requer séries de tamanhos elevados, nem sempre disponíveis .
Solução encontrada Reduzir a ordem “p” da parte AR através da inclusão no modelo de defasagens no ruído branco (além das defasagens da própria série temporal). Isso eqüivale a adicionar uma estrutura MA ao modelo (média móvel = “MovingAverage”)
[email protected]@mbarros.com 20
BOX & JENKINSBOX & JENKINS
Modelos MA(q) = Médias Móveis de ordem q
( )MA(q) : Z = a a a a Zt t t -1 t -2 t -q t− − − − = − − − −θ θ θ θ θ θ1 2 1 221K Kq q
qtB B B a,
( )MA(1) : Z = a a Zt t t-1 t− = −θ θ1 11, B at
( )MA(2) : Z = a a a Zt t t -1 t -2 t− − = − −θ θ θ θ1 2 1 221, B B at
[email protected]@mbarros.com 21
BOX & JENKINSBOX & JENKINS
Exemplo (modelo MA(1))
Exemplo (modelo AR com infinitos lags)
( )tttt
tt
aZZZaZBB
=+++=+++
−− ...,1
2211
221
θθθθ K
( )tt Z
Ba
taBtZtatatZ
⎟⎟⎠
⎞⎜⎜⎝
⎛−
=⇒
−=−−=
111
11,11
θ
θθ :é isto
[email protected]@mbarros.com 22
BOX & JENKINSBOX & JENKINS
Como no caso do AR (p) , para ordens MA altas é melhor trabalhar com o AR invertido que terá, certamente, menos parâmetros a serem estimados.
Princípio da Parcimônia!
AR( )∞ ≡ MA q( )
MA( )∞ ≡ AR p( )
[email protected]@mbarros.com 23
( ) ( ) tt aBBaa 1111 11 θφθφ −=−−= t1-t1-tt ZZ-Z : ARMA(1,1)
BOX & JENKINSBOX & JENKINS
Modelos ARMA (p, q)
( ) ( )1 11 22
1 22− − − − = − − − −φ φ φ θ θ θB B B B B B ap
pq
qtK KZt
( ) ( )1 11 22
1 22− − = − −φ φ θ θB B B B atZt
ARMA(2,2) : Z - Z - Zt t-1 t-2 t-1 t-2φ φ θ θ1 2 1 2= − −a a at
ARMA(p,q) : Z - Z - - Z -t t-1 t-p t-1 t-qφ φ θ θ1 1K K− = − − −p t qa a a
[email protected]@mbarros.com 24
BOX & JENKINSBOX & JENKINS
Fundamento teórico dos modelos BJPassagem de um ruído branco por um filtro linear de memória infinita gera um processo estacionário de 2a ordem. (Teoria geral de sistemas lineares)
ψ( )B Z =t 1 2 3a a a at t t t− − − −− − −ψ ψ ψ1 2 3 K
( ) Z =t 1 2 31 2 3− − − −ψ ψ ψB B B atK
( ) Z =t ψ B at
at Zt
[email protected]@mbarros.com 25
BOX & JENKINSBOX & JENKINS
Fundamento Teórico
Como contém infinitos parâmetros, então BJ sugerem escrevê-lo como a razão de dois polinômios:
ou seja
Logo, a modelagem BJ consiste em achar a estrutura ARMA (i.e., as defasagens p e q) mais adequada para a série Zt.
( ) ψ θφ
B BB
=( )( )
( ) ψ B
( )( ) ( ) ( ) tttt aBZBaBBZ θφ
φθ
=⇒=
[email protected]@mbarros.com 26
BOX & JENKINSBOX & JENKINS
Processos Não-EstacionáriosHomogêneos
Yt é não Estacionário na Média
Seja Zt = Yt - Yt-1
Zt = Yt - BYt
Zt = (1-B)Yt
Zt = ∇ Yt (série estacionária)
Xt é não Estacionário na MédiaYt = ∇Xt =Xt - Xt-1
Yt: Não Estacionário na MédiaZt = ∇Yt = ∇ ∇ Xt
Zt = ∇ 2Xt (série estacionária)
[email protected]@mbarros.com 27
BOX & JENKINSBOX & JENKINS
GeneralizaçãoUm processo estocástico é não estacionário homogêneo se ele se torna estacionário após a aplicação de “d”diferenças
Se Yt é não estacionário homogêneoentão:
td
t YZ ∇= é estacionário!
[email protected]@mbarros.com 28
BOX & JENKINSBOX & JENKINS
Modelo ARIMA (p,d,q)
φ θ( ) ( )B Z B adt t∇ =
φ φ φ φ( )B B B Bpp= − − − −1 1 2
2 K
θ θ θ θ( )B B B Bqq= − − − −1 1 2
2 K
∇ = −d dB( )1
[email protected]@mbarros.com 29
BOX & JENKINSBOX & JENKINS
Exemplosi) ARIMA (1,1,1)
ii) ARIMA (0,2,2)
Z Z Z a at t t t t- ( +φ φ θ1 1 1 2 1 11+ = −− − −)
[ ]1- ( + (1 -1φ φ θ12
11+ =) )B B Z B at t
(1 - (1 - (1 -φ θ1 1B B Z B at t) ) )=
Zt = (φ1 +1)Z t-1 - φ1Zt-2 + a t - θ1at-1
( )( ) ( )
221121
221121
221
2
221
2
22
121
1
−−−−
−−−−
−−+−=−−=+−
−−=+−
−−=∇
tttttt
tttttt
tt
tt
aaaZZZaaaZZZaBBZBB
aBBZ
θθθθ
θθ
θθ
[email protected]@mbarros.com 30
BOX & JENKINSBOX & JENKINS
II) MODELO BJ
Fluxograma Operacional ==> ∇d ==> θ(B) , φ(B) ==>
at
Zt
Yt
Série estacionária após d diferenças
Série original (não estacionária)
[email protected]@mbarros.com 31
BOX & JENKINSBOX & JENKINSFluxo Operacional BJ
Operador diferença
Ordem AR(p) e
MA(q)
Estimação
Ruído
é branco
Previsão
Não
Identificação
Estimação
Testes
Sim
Yt~
Zt~
$ $φ θi j
e
at~
[email protected]@mbarros.com 32
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODO
Identificação
Valores de p,d,q para Yt.
i) d através dos gráficos de ∇dYt.
ii) p e q através das ACF e PACF (correlograma e correlograma parcial de ∇dYt ).
[email protected]@mbarros.com 33
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODONo gráfico a seguir está uma série não estacionária, para a qual são necessárias duas diferenças atéencontrar uma série estacionária.
500
1000
1500
2000
2500
3000
0 5 10 15 20 25
Gráfico da Série original
[email protected]@mbarros.com 34
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODOA autocorrelação (ACF) da série original decresce MUITO lentamente, como mostrado a seguir.
[email protected]@mbarros.com 35
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODOO gráfico da 1a. diferença da série é:
0
5
10
15
0 5 10 15 20 25
[email protected]@mbarros.com 36
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODOA ACF da série diferenciada é:
[email protected]@mbarros.com 37
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODOA série duplamente diferenciada é:
-2
-1
0
1
2
3
0 5 10 15 20 25
[email protected]@mbarros.com 38
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODOE sua função de Autocorrelação:
Logo, foram necessárias duas diferenças para tornar a série original estacionária.
[email protected]@mbarros.com 39
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODO
Estimaçãoφi’s e θj’s são estimados minimizando a soma dos quadrados dos resíduos (ou erro de previsão), i.e.
tφi’s e θj’s tais que Σ at
2 seja mínimat=1
Obs: Os erros padrões estimados permitem testar as hipóteses nulas
Ho: φi = 0 e Ho: θj= 0
[email protected]@mbarros.com 40
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODOTestes de Testes de sobrefixasobrefixaççãoão – ajuste modelos “maiores” (mais elaborados) – substitua p por p + 1 e q por q + 1 e verifique se os parâmetros são significantes
Testes nos ResTestes nos ResííduosduosDevem ser ruído branco, com média nula e variância pequenaNÃO DEVE EXISTIR AUTOCORRELAÇÃO NOS RESÍDUOS!!!!
[email protected]@mbarros.com 41
BOX & JENKINSBOX & JENKINS
APLICAÇÃO DO MÉTODOTeste de Ljung e Box (ou Portmanteau)Estatística de teste é calculada a partir das ACFs estimadasdos resíduos. A estatística de Ljung e Box mede a magnitude da ACF dos resíduos para diversos lags, ou seja, estende a estatística de Durbin-Watson (só lag 1).
Q n n r in ka
i
k= +
-=Σ( ) ( )
( )2
2
1
Sob a hipótese de um ruído branco, Q é uma variável com densidade Qui-quadrado com M graus de liberdade.
OndeM = k-(p+q)
n = T-d
[email protected]@mbarros.com 42
BOX & JENKINSBOX & JENKINSBOX & JENKINS
MODELOS PARA SÉRIES SAZONAIS (SARIMA)
BJ propõem uma estrutura similar ao modelo ARIMA(p,d,q) para as séries sazonais, considerando o intervalo de "S" (S; período sazonal, e.g. S = 12, S = 4, etc.) ao invés do intervalo unitário dos modelos simples.
Modelo MA(Q) Puramente SazonalMA(Q)sazonal ≡ MA(QS) simples com parâmetros não-nulos somente nos lags S, 2S,...,QS.
[email protected]@mbarros.com 43
BOX & JENKINSBOX & JENKINSBOX & JENKINS
Correlograma do MA(Q)
Ou seja: não existe qualquer tipo de dependência dentro de um período sazonal; só existem dependências entre períodos sazonais.
....
S 2S 3S QS
ρk
k
[email protected]@mbarros.com 44
BOX & JENKINSBOX & JENKINSBOX & JENKINS
12 24
ρk
K
Exemplo: S = 12; MA(2) SazonalExemplo: S = 12; MA(2) Sazonal
Pelo visto anteriormente para o modelo simples, a PACF do Pelo visto anteriormente para o modelo simples, a PACF do MA(Q) sazonal MA(Q) sazonal éé composta de exponenciais e/ou sencomposta de exponenciais e/ou senóóides ides amortecidas nos lags S, 2S, 3S, amortecidas nos lags S, 2S, 3S, ........
wt = at - Θ1 at-12 - Θ2 at-24
[email protected]@mbarros.com 45
BOX & JENKINSBOX & JENKINSBOX & JENKINS
Modelo AR(P) Puramente SazonalModelo AR(P) Puramente Sazonal
DaDaíí:: AR(P)AR(P) Sazonal = AR(PS)Sazonal = AR(PS) Simples com parâmetroSimples com parâmetronãonão--nulos somente nos lag's S, 2S, ..., PSnulos somente nos lag's S, 2S, ..., PS
Por analogia (e dualidade) as funPor analogia (e dualidade) as funçções ACF e PACF do AR(P) Sazonalões ACF e PACF do AR(P) Sazonal são:são:
w
wt t s t s p t ps
ts s
pps
t
w w w
ou B B B a
= + + +
= + + + +− − −
Φ Φ Φ
Φ Φ Φ1 2 2
1 221
...
: ( ... )
S 2S PS (P+1)S
ρk
.... K
....
[email protected]@mbarros.com 46
BOX & JENKINSBOX & JENKINSBOX & JENKINS
S 2S PS
φkk
.... K
Modelo ARMA(P,Q) puramente Sazonal.Modelo ARMA(P,Q) puramente Sazonal.
w w w w a a a
ou wt t s t s P t Ps t t s Q t Qs
s sP
pst
s s Qs
= + + + + − − −− − − − −Φ Φ Φ Θ Θ
Φ Φ Φ Θ Θ Θ
1 2 2 1
2
... ...
: (1- B - B - B ) = (1- B - B -...- B )a1 22
1 2 Q t
[email protected]@mbarros.com 47
TambTambéém conhecido como ARIMA multiplicativom conhecido como ARIMA multiplicativo
Zt
(S)ARIMA (p, d, q) x (P, D, Q)S
Onde ∇SD = (1-BS )D
at
bt
θ(B)/ φ(B) ∇ Θ (B s)/Φ (B s). ∇ sDd
⇓ ⇓
φ(B) ∇ d b t = θ(B)a t Φ (B s).∇ sD Z t = Θ (B s)b t
⇓ ⇓
.....Φ Θ( ). ( ). ( ). ( ).B B Z B B aS
sD d
ts
tφ θ∇ ∇ =grau PS + p +SD + d grau QS + q
1 2444 3444 1 244 344
BOX & JENKINSBOX & JENKINS –– Modelos SARIMAModelos SARIMA
[email protected]@mbarros.com 48
Exemplo: Modelo AirlineExemplo: Modelo AirlineÉÉ o modelo sazonal multiplicativo que representa so modelo sazonal multiplicativo que representa sééries sazonais que ries sazonais que exibem uma tendência e sobreposta a esta, uma componente sazonalexibem uma tendência e sobreposta a esta, uma componente sazonalmultiplicativa, tmultiplicativa, tíípica de dados de negpica de dados de negóócios e, particular, de vendas de cios e, particular, de vendas de passagens apassagens aééreas. O modelo reas. O modelo éé::
SARIMA (0, 1, 1) x (0, 1, 1)SARIMA (0, 1, 1) x (0, 1, 1)1212ÉÉ facil mostrar que o correlograma do modelo airline apresenta vafacil mostrar que o correlograma do modelo airline apresenta valores lores não nulos nos lag's 1, 11, 12 e 13, como abaixo:não nulos nos lag's 1, 11, 12 e 13, como abaixo:
BOX & JENKINSBOX & JENKINSBOX & JENKINS
ρk
K1 11 12 13
[email protected]@mbarros.com 49
BOX & JENKINSBOX & JENKINS
Modelo Airline (SARIMA(0,1,1)x(0,1,1)S)Exemplo: Exemplo: Modelo Airline para dados trimestrais (s = 4)Modelo Airline para dados trimestrais (s = 4)
De uma maneira geral, se o perDe uma maneira geral, se o perííodo sazonal odo sazonal éé S, o modelo tornaS, o modelo torna--se:se:
( )( ) ( )( ) tt aBBZBB 44 1111 Θ−−=−− θ
( )( ) ( )( ) tS
tS aBBZBB Θ−−=−− 1111 θ
[email protected]@mbarros.com 50
BOX & JENKINSBOX & JENKINSBOX & JENKINS
Define-se variável de intervenção, como a série temporal, denotada por Xit , composta de valores "0“ e "1", onde "0" representa a ausência de um fenômeno. O modelo BJ com intervenção é dado por:
onde wi é o "efeito" da variável de intervenção Xit em Zt .
bi é o lag de defasamento do efeito da variável Xit em Zt .
( ) ( ) itb
tttd XBwaBZB i+=∇ θφ
[email protected]@mbarros.com 51
BOX & JENKINSBOX & JENKINSBOX & JENKINS
Tipos de IntervenTipos de Intervenççãoão
1
PulsoSazonal X 3t (j+ks) ; j=1,...,S ; k=1,2...
X3t(j+ks)
tj j+s j+2s j+3s ...
[email protected]@mbarros.com 52
BOX & JENKINSBOX & JENKINS
Exemplo – Série não sazonalPIB a preços de 2006 (1947 a 2006)
5
10
15
20
X 1E+005
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
Legend
PIB_R$_2006
[email protected]@mbarros.com 53
BOX & JENKINSBOX & JENKINS
A série é claramente não estacionária, portanto a identificação das ordens p e q irá requerer a diferenciação prévia da série.
Mas, qual “a cara” da ACF e PACF da série sem diferenciação?
[email protected]@mbarros.com 54
BOX & JENKINSBOX & JENKINS
ACF da série sem diferenciação
[email protected]@mbarros.com 55
BOX & JENKINSBOX & JENKINS
PACF da série sem diferenciação
[email protected]@mbarros.com 56
BOX & JENKINSBOX & JENKINS
ACF da série após a 1ª. Diferença
[email protected]@mbarros.com 57
BOX & JENKINSBOX & JENKINS
PACF da série após a 2ª. Diferença
[email protected]@mbarros.com 58
BOX & JENKINSBOX & JENKINS
Pelos gráficos anteriores...ACF da série diferenciada sugere MA(1) ou MA(2).PACF da série diferenciada sugere AR(1).Opções:
ARIMA(1,1,2) ouARIMA(1,1,1)
[email protected]@mbarros.com 59
BOX & JENKINSBOX & JENKINS
Ajuste de ARIMA(1,1,2)Forecast Model for PIB_R$_2006ARIMA(1,1,2)
Term Coefficient Std. Error t-Statistic Significance-------------------------------------------------------------------------------a[1] 0.6697 0.1639 4.0854 0.9999b[1] 0.1754 0.1842 0.9524 0.6550 <-b[2] -0.3098 0.1476 -2.0987 0.9596
Within-Sample Statistics-----------------------------------------------------------Sample size 60 Number of parameters 3Mean 1.021e+006 Standard deviation 6.939e+005R-square 0.9969 Adjusted R-square 0.9968Durbin-Watson 2.052 Ljung-Box(18)=26.9 P=0.919Forecast error 3.922e+004 BIC 4.235e+004MAPE 0.02674 RMSE 3.823e+004MAD 2.519e+004
[email protected]@mbarros.com 60
BOX & JENKINSBOX & JENKINS
Ajuste de ARIMA(1,1,1)Forecast Model for PIB_R$_2006ARIMA(1,1,1)
Term Coefficient Std. Error t-Statistic Significance-------------------------------------------------------------------------------a[1] 0.9996 0.0278 35.9010 1.0000b[1] 0.7978 0.0965 8.2696 1.0000
Within-Sample Statistics---------------------------------------------------------------Sample size 60 Number of parameters 2Mean 1.021e+006 Standard deviation 6.939e+005R-square 0.997 Adjusted R-square 0.9969Durbin-Watson 1.71 * Ljung-Box(18)=34.11 P=0.9878Forecast error 3.852e+004 BIC 4.054e+004MAPE 0.02642 RMSE 3.787e+004MAD 2.607e+004
Todos os coefs. significantes, mas alguns dos erros “in sample”ligeiramente maiores que no modelo anterior
Expert selection do FPW sugere este modelo
[email protected]@mbarros.com 61
BOX & JENKINSBOX & JENKINS
Exemplo – Série sazonalConsumo mensal de energia elétrica – total Brasil
10000
15000
20000
25000
30000
80 85 90 95 0 5
Legend
TOTAL
[email protected]@mbarros.com 62
BOX & JENKINSBOX & JENKINS
ACF da série original
[email protected]@mbarros.com 63
BOX & JENKINSBOX & JENKINS
PACF da série original
[email protected]@mbarros.com 64
BOX & JENKINSBOX & JENKINS
ACF da série com uma diferença NÃO sazonal
[email protected]@mbarros.com 65
BOX & JENKINSBOX & JENKINS
PACF da série com uma diferença NÃO sazonal
[email protected]@mbarros.com 66
BOX & JENKINSBOX & JENKINS
ACF da série com uma diferença sazonal
A diferença sazonal não serve para tornar a série estacionária. Então, o que interessa é apenas a diferença não sazonal.
[email protected]@mbarros.com 67
BOX & JENKINSBOX & JENKINS
Pelos gráficos anteriores...O problema é BEM MAIS complicado que no caso não sazonal....
ACF da série diferenciada – olhe o lags 1 e também lags múltiplos de 12, sugerindo MA(1) não sazonal e MA(1) sazonal.PACF da série diferenciada sugere AR(1) e AR(1) sazonal.Modelo tentativo: SARIMA(1,1,1)(1,0,1)
[email protected]@mbarros.com 68
BOX & JENKINSBOX & JENKINS
SARIMA(1,1,1)(1,0,1)Forecast Model for totalARIMA(1,1,1)*(1,0,1)
Term Coefficient Std. Error t-Statistic Significance-------------------------------------------------------------------------------a[1] -0.2619 0.1788 -1.4644 0.8569 <-b[1] 0.1100 0.1694 0.6493 0.4838 <-A[12] 0.9994 0.0001 7677.2516 1.0000B[12] 0.9252 0.0308 30.0414 1.0000
Try alternative model ARIMA(0,1,1)*(1,0,1)
Within-Sample Statistics-------------------------------------------------------------Sample size 340 Number of parameters 4Mean 1.871e+004 Standard deviation 6141R-square 0.991 Adjusted R-square 0.9909Durbin-Watson 1.727 Ljung-Box(18)=17.15 P=0.4872Forecast error 585.8 BIC 602.6MAPE 0.01865 RMSE 582.3MAD 343
Necessidade de reajustar estrutura do modelo, jogando fora parâmetros não significantes.
[email protected]@mbarros.com 69
BOX & JENKINSBOX & JENKINS
SARIMA(0,1,1)(1,0,1)Forecast Model for totalARIMA(0,1,1)*(1,0,1)
Term Coefficient Std. Error t-Statistic Significance-------------------------------------------------------------------------------b[1] 0.3380 0.0571 5.9169 1.0000A[12] 0.9979 0.0099 101.0419 1.0000B[12] 0.8984 0.0175 51.3158 1.0000
Within-Sample Statistics-------------------------------------------------------------Sample size 340 Number of parameters 3Mean 1.871e+004 Standard deviation 6141R-square 0.9909 Adjusted R-square 0.9909Durbin-Watson 1.767 Ljung-Box(18)=18.18 P=0.5564Forecast error 587 BIC 599.6MAPE 0.01882 RMSE 584.4MAD 344.5
[email protected]@mbarros.com 70
BOX & JENKINSBOX & JENKINS
SARIMA(1,1,0)(1,0,1)Forecast Model for totalARIMA(1,1,0)*(1,0,1)
Term Coefficient Std. Error t-Statistic Significance-------------------------------------------------------------------------------a[1] -0.3629 0.0629 -5.7732 1.0000A[12] 0.9992 0.0001 8168.8195 1.0000B[12] 0.9163 0.0294 31.1158 1.0000
Within-Sample Statistics-------------------------------------------------------------Sample size 340 Number of parameters 3Mean 1.871e+004 Standard deviation 6141R-square 0.991 Adjusted R-square 0.9909Durbin-Watson 1.757 Ljung-Box(18)=17.44 P=0.5072Forecast error 585.1 BIC 597.7MAPE 0.0186 RMSE 582.5MAD 343.6
[email protected]@mbarros.com 71
BOX & JENKINSBOX & JENKINS
Como escolher dentre os dois últimos modelos?
Estatísticas de erros dentro da amostraBICHoldout – separar alguns meses como se não pertencessem à série e verificar capacidade de previsãoACF dos resíduos – é importante que os resíduos de um modelo B/J não tenham estrutura.