T.E.A.

II (Curso Preparatrio para o Exame da ANPEC)

Disciplina: Estatstica - Professor: Eduardo Lima Campos

Processo Estocstico

Um processo estocstico um
25. MODELOS DE conjunto de v.a.`s {Yt, t = 1,2,...,T}.

BOX E JENKINS A hiptese crucial na teoria de sries temporais

a de que uma srie temporal seja um conjunto
de observaes destas v.a.`s: {yt, t = 1,2,...,T}.
(ESPECIFICAO)
Formalmente, uma srie temporal tratada
como realizao de um processo estocstico.

Rudo Branco
Modelo de Sries Temporais
Rudo branco o processo t tal que:
o processo estocstico que supostamente
E ( t ) = 0 e V( t ) = 2 , t
gerou a srie, ou processo gerador dos dados.
Corr (i , j ) = 0, i j.

Todos os modelos utilizam em sua Um caso particular importante o rudo

composio o processo estocstico mais branco Gaussiano, definido como segue:
simples possvel, chamado rudo branco. i.i .d . independentes e
t ~ N (0, 2 ), t. identicamente
distribudas

Passeio Aleatrio (Random Walk) Propriedades do Passeio Aleatrio:

Processo estocstico mais simples depois do

Passeio aleatrio sem constante:
rudo branco, definido pela seguinte equao:
E(Yt) = 0 e V(Yt) = t 2
Yt = Yt 1 + t , sendo t um RB.

O passeio aleatrio pode incluir uma constante: Passeio aleatrio com constante:

Yt = 0 + Yt 1 + t . 0
E(Yt) = t e 2
V(Yt) = t

1
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

Demonstrao (caso geral com a constante 0):

A frmula geral para um instante t genrico :
Y1 = 0 + 1 (supondo Y0 = 0) t
Yt = t 0 + i ,
i =1
Y2 = 0 + Y1 + 2 =
0 + 0 + 1 + 2 cujo valor esperado :
= 20 + 1 + 2 t
E ( Yt ) = t 0 + E i =
i =1
Y3 = 0 + Y2 + 3 t
t 0 + E ( i ) = t 0 .
= 30 + 1 + 2 + 3 i =1

E cuja varincia (lembrando

que os i `s so descorrelacionados) :
Processos como o passeio aleatrio, para os
quais alguma caracterstica (como a mdia e/ou
V (Yt ) = V t0 + i = V ( t0 ) + V i
t t
a varincia) se altera ao longo do tempo (isto ,
i =1 i =1 depende de t), so chamados no estacionrios.
= V i = V ( i ) = t 2 .
t t

i =1 i =1

Estacionariedade (no sentido forte) Estacionariedade Fraca ou de 2 Ordem

(suficiente para processos Gaussianos, isto , com rudo branco Normal)

Um processo estocstico dito estacionrio Um PE dito estacionrio no sentido fraco,

(no sentido forte, estrito ou amplo) se suas
caractersticas no se alteram com o tempo.
De forma geral, esta condio muito difcil
de verificar, sendo comum adotar uma noo
mais simples - ou fraca - de estacionariedade.
fracamente estacionrio, estacionrio de 2a
ordem, ou ainda, covarincia-estacionrio, se
todas as 3 condies a seguir so satisfeitas:
E(Yt) = , t = 1,2,...,T (mdia constante)
V(Yt) = 2, t = 1,2,...,T (varincia constante)
Cov(Yt,Yt-k) = k (Cov funo apenas de k!)

2
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

Operador de Defasagem (ou de Soluo:

Backshift) e Equao Caracterstica Yt = 0,8Yt 1 + t

O operador de defasagem B tal que BYt =

Yt-1 (B defasa Y em uma unidade de tempo). Yt = 0,8BYt + t
Yt 0,8BYt = t
Exemplo 25.1 - Seja o modelo:
(1 0,8B)Yt = t
Yt = 0,8Yt 1 + t .
(1-0,8B) chamado polinmio caracterstico
Escreva este modelo em termos de B. do modelo. E a equao (1-0,8B) = 0
chamada equao caracterstica do modelo.

Modelo Autoregressivo ou AR Condio de Estacionariedade

do Modelo AR(1)
O modelo:

Yt = 1Yt 1 + t ,
Um modelo AR(1) estacionrio se
o mdulo da raiz da sua equao
chamado autoregressivo de ordem 1, caracterstica maior do que 1.
ou AR(1). A idia que o modelo uma
regresso de Yt em seu valor defasado Yt-1. A
especificao pode incluir uma constante 0.

Exemplo 25.2 - Verifique qual a condio

sobre 1 para que o AR(1) seja estacionrio. A aplicao do operador B k vezes
sucessivas defasa Y em k unidades de tempo.
Soluo - A equao caracterstica :
(1-1B) = 0, cuja raiz : B = 1/1. Por exemplo:
B2Yt = Yt-2,
Para que |B| > 1, precisamos ter |1| < 1. B3Yt = Yt-3,

Concluso: um modelo AR(1) e assim por diante.

estacionrio se |1| < 1.

3
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

O modelo AR(p) definido da seguinte forma: Isolando Yt:

Yt = 1Yt 1 + 2 Yt 2 + ... + p Yt p + t (1 1B 2B2 ... p Bp )Yt = t

sendo p denominada ordem do modelo (uma polinmio caracterstico

especificao mais geral inclui a constante 0).
A equao caracterstica deste modelo :
Em termos do operador de defasagem: 1 1B 2 B2 ... p Bp = 0
Yt = 1BYt + 2 B 2 Yt + ... + p Bp Yt + t ou, na forma usual equivalente :
Yt 1BYt 2 B Yt ... p B Yt = t
2 p
p Bp + ... + 2 B2 + 1B 1 = 0

Se p = 2, pode-se aplicar a frmula de Bhaskara

Condio de Estacionariedade
para encontrar as razes de ax2 + bx + c = 0:
do Modelo AR(p)

b b 2 4ac
x= .
Um modelo AR(p) estacionrio se as razes 2a
da sua equao caracterstica tm mdulo > 1.
Outro caminho usar o fato de que as razes
x1 e x2 de uma equao do segundo grau
satisfazem: x1 + x2 = -b/a e x1x2 = c/a.

A equao caracterstica
Exerccio 25.1 - Verifique se os do modelo em a) :
seguintes modelos so estacionrios:
1 0,8B 0,5B2 = 0
ou :
a ) Yt = 0,8Yt 1 + 0,5Yt 2 + t . 0,5B + 0,8B 1 = 0
2

b) Yt = 0,3Yt 1 + 0,6Yt 2 + t . cujas razes so: 0,8248 e 2,4228.

O mdulo de uma das razes menor do

que 1, portanto o modelo no estacionrio.

4
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
A equao caracterstica
do modelo em b) :
1 0,3B 0,6B2 = 0
ou :
0,6B2 + 0,3B 1 = 0
cujas razes so: 1,065 e 1,565.
O mdulo de ambas as razes maior do
que 1, portanto o modelo estacionrio
Obs - as razes da equao caracterstica
podem ser complexas. Uma forma geral de
expressar a condio de estacionariedade
que as razes estejam fora do crculo unitrio.
No caso de razes reais, a condio acima
equivale a terem mdulo maior do que 1.
Inversibilidade (Modelo MA)
Sob certas condies, um modelo MA pode
ser escrito como um AR com infinitos termos.
Neste caso, ele denominado inversvel.
Ou seja, um MA pode ser visto como uma
especificao parcimoniosa para um AR().
No caso de um AR(2), uma excelente dica
que as condies de estacionariedade podem
ser representadas em termos de 1 e 2:
|2| < 1
1 + 2 < 1
2 - 1 < 1
Perceba que |1| < 1 e |2| < 1 no garantem a
estacionariedade do AR(2). Em particular, |1|
< 1 no condio necessria nem suficiente.
Modelos de Mdias Mveis ou MA
Em um modelo de mdias mveis (MA), Yt
representado como uma funo linear dos
erros t presente e defasados. Por exemplo,
o modelo MA de ordem 1, ou MA(1), :
Yt = t 1 t 1.
Obs - como no modelo AR, pode haver uma
constante 0 no modelo, mas no caso do MA
a incluso desta constante menos comum.
Exemplo 25.3 - Inverta o modelo MA(1)
abaixo (isto , escreva-o como um AR()):
Yt = t 0,8 t 1.
Soluo:
Yt = t 0,8 t 1 =
t 0,8B t = (1 0,8B) t
1
Yt = t .
1 0,8B
5
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
Para completar o exemplo, necessria a
frmula da soma de uma p.g. infinita, com
primeiro termo a1 e razo q, tal que |q|<1:
a1
S = . E assim:
1 q
Esta frmula pode ser aplicada
para inverter um modelo MA(1).
Condio de Inversibilidade
do Modelo MA(1)
Um modelo MA(1) inversvel se
o mdulo da raiz da sua equao
caracterstica maior do que 1.
O modelo MA de ordem q, ou MA(q), :
Yt = t 1 t 1 2 t 2 ... q t q .
Em termos do operador de defasagem:
Yt = t B1 t B2 2 t ... Bq q t
= (1 B1 B 2 2 ... Bq q ) t .
A equao caracterstica deste modelo :
1 B1 B 2 ... B q = 0
2 q
ou Bq q + ... + B2 2 + B1 1 = 0
Invertendo a frmula da soma da p.g.,
identificando que a1 = 1 e q = 0,8B:
1
= 1 + 0,8B + 0,64B2 ...
1 0,8B
(1 + 0,8B + 0,64B2 ...)Yt = t
Yt + 0,8Yt 1 + 0,64Yt 2 + ... = t
Yt = 0,8Yt 1 0,64Yt 2 + ... + t .
Exemplo 25.4 - Verifique qual a condio
sobre 1 para que um MA(1) seja inversvel.
Soluo - A equao caracterstica :
(1-1B) = 0, cuja raiz : B = 1/1.
Para que |B| > 1, precisamos ter |1| < 1.
Concluso: um modelo MA(1)
inversvel se |1| < 1.
As condies de inversibilidade para o
MA(q) so exatamente as mesmas que as
condies de estacionariedade para o AR(p).
Desta forma, as condies de inversibilidade
do MA(2) podem ser escritas em termos dos
coeficientes, por analogia com o AR(2), como:
|2| < 1
1 + 2 < 1
2 - 1 < 1
6
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
Exerccio 25.2 - Verifique se os
seguintes modelos so inversveis:
a ) Yt = t - 1,4 t 1
b) Yt = t - 1,4 t 1 + 0,5 t 2
R: a) no. b) sim.
Modelo ARMA(p,q)
O modelo ARMA de ordens p e q para
Yt especificado da seguinte forma
Yt = 0 + 1Yt 1 + 2 Yt 2 + ... + p Yt p
+ t 1 t 1 2 t 2 ... q t q .
A condio de estacionariedade definida
pela equao caracterstica da parte AR, e a
condio de inversibilidade, pela parte MA.
Ordem de Integrao
Pode ser necessrio diferenciar a srie mais
do que uma vez. O nmero d de vezes que a
srie precisa ser diferenciada para se tornar
estacionria chamado ordem de integrao.
Neste caso, dizemos que Yt integrada de
ordem d, ou I de d, e a notao : Yt ~ I(d).
A srie diferenciada (estacionria) Zt = dYt.
Todo modelo AR finito inversvel.
Todo modelo MA finito estacionrio.
Na literatura de sries temporais,
o AR dito trivialmente inversvel, e
o MA dito trivialmente estacionrio.
E se a srie no for estacionria?
preciso remover a no estacionaridade.
Box e Jenkins sugerem diferenciar a srie:
Yt = Yt Yt 1.
= 1-B
A srie estacionria denotada por Zt,
que no caso do exemplo o rudo branco:
Z t = Yt = t .
Modelo ARIMA(p,d,q)
Se Yt ~ I(d) e Zt = dYt, ento Yt segue
um modelo ARIMA de ordens p, d e
q, especificado da seguinte forma:
Z t = 0 + 1Z t 1 + 2 Z t 2 + ... + p Z t p + t
1 t 1 2 t 2 ... q t q , com Z t = d Yt .
7
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

Os captulos 26 e 27 caracterizam os modelos

de Box e Jenkins sob o aspecto estatstico.
26. MODELOS DE
Neste captulo 26, so calculados os valores
BOX E JENKINS esperados e varincias de especificaes usuais.

O captulo 27 dedica-se s estruturas de

(VALOR ESPERADO
dependncia, essenciais ao processo de
E VARINCIA) identificao das ordens destes modelos.

Valor Esperado Modelo AR(p):

com constante
Modelo AR(1): Yt = 0 + 1Yt-1 + t, |1|<1. 0
E( Yt ) = p .
E( Yt ) = E(0 ) + 1E (Yt 1 ) + E( t ) = 1 j
j=1

0 + 1E( Yt 1 ) + 0 = 0 + 1E (Yt 1 ).

Modelo MA(q) fcil verificar que:

Sob estacionariedade : E(Yt ) = E(Yt 1 ).
0 E(Yt) = 0 (ou 0 para o modelo c/ constante).
Da : E (Yt ) = 0 + 1E( Yt ) E( Yt ) = .
1 1

Varincia
Modelo ARMA(1,1):
Modelo AR(1): Yt = 0 + 1Yt-1 + t, |1|<1.
Yt = 0 + 1Yt-1 + t - 1t-1, |1|<1, |1|<1.
V(Yt ) = V(0 ) + 12 V(Yt 1 ) + V( t )
= 0 + 12 V(Yt 1 ) + 2 , pois Cov(Yt 1 , t ) = 0.
E (Yt ) = 0 (mesma mdia do AR(1)).
1 1
Sob estacionariedade : V(Yt ) = V(Yt 1 ).
2
Obs - no ARMA(1,1) s/ constante: E(Yt) = 0. Da : V(Yt ) = 12 V(Yt ) + 2 V(Yt ) = .
1 12

8
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

Modelo MA(1) - Yt = t - 1t-1, |1|<1. Exerccio 26.1 (ANPEC/2003 - Questo 15)

V(Yt ) = V( t ) + 12 V( t 1 ), pois Cov( t , t 1 ) = 0. Considere o modelo ARMA(1,1), definido por:

Yt = 0,5Yt 1 + t 0,2 t 1 , t = 1, 2, ..., T,
Mas V( t ) = V( t 1 ) = , e assim :
2
em que a varincia de t igual a 1.
V(Yt ) = + = (1 + ) .
2 2
1
2 2
1
2
Encontre a varincia de Yt.

Modelo MA(q) - fcil verificar que: (ser til lembrar que, se C = aX + bY, ento:
V(C) = a2V(X) + b2V(Y) + 2abCov(X,Y))
q
V (Yt ) = (1 + 2j )2 .
j=1 R: 1,12.

Varincia do ARMA(1,1) - Caso Geral:

A covarincia calculadaa seguir :
Yt = 0 + 1Yt-1 + t - 1t-1, |1|<1, |1|<1. Cov(Yt 1 , t 1 ) =
Cov(0 + 1Yt 2 + t 1 1 t 2 , t 1 ) =
V(Yt ) = 12 V(Yt 1 ) + V( t ) +
Cov( t 1 , t 1 ) = V( t 1 ) = 2 .
V( t 1 ) 211Cov(Yt 1 , t 1 ).
2
1

Sob estacionariedade : V(Yt ) = V(Yt 1 ),

E assim : V(Yt ) = 12 V(Yt ) + 2 + 122

Da : V(Yt ) = 12 V (Yt ) + V( t ) + 1 + 12 211 2

2112 V(Yt ) = .
? 1 12
12 V( t 1 ) 211Cov(Yt 1 , t 1 ).

Exerccio 26.2
Metodologia de Box e Jenkins - Etapas:
Sobre o processo Yt = 0,8Yt-1 + 0,2Yt-2
+ t 0,8t-1, julgue as seguintes proposies: captulo 27
Identificao
(1) Yt segue um ARMA(2,1) ( )
(2) Se o coeficiente de t-1 fosse 1,1, Estimao
ao invs de 0,8, o processo Zt = captulo 28
(1-B)Yt seria no estacionrio ( ) Diagnstico
(3) Se 2 = 1, a varincia do processo
Wt = (1-B)(1+0,2B)Yt igual a 1,64 ( ) Previso
(R: FFV)

9
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

Identificao

27. MODELOS DE A primeira etapa da metodologia proposta

por Box & Jenkins para a anlise de uma
BOX E JENKINS srie temporal a identificao das ordens
p e q do modelo. Isto envolve os conceitos
de Funo de Autocovarincia (FACV),
(IDENTIFICAO) Funo de Autocorrelao (FAC) e
Funo de Autocorrelao Parcial (FACP).

FACV - Funo de Autocovarincia

Obs - qual o significado de lag?
Vimos que, em um modelo estacionrio, Cada valor k para o qual definimos k
Cov(Yt,Yt-k) funo apenas de k (e no de t). chamado defasagem, ou, do ingls, lag.

Neste caso, k = Cov(Yt,Yt-k) chamada Este termo bastante adotado

Funo de Autocovarincia (FACV) de na literatura de sries temporais.
Yt, definida para k = 0, 1, 2, ... Ser usual, portanto, nos referirmos a k
como funo de autocovarincia de lag k.
Note que: 0 = Cov(Yt,Yt) = V(Yt).

FAC - Funo de Autocorrelao Para o Modelo AR(1):

A FAC 1 = Cov(Yt , Yt 1 ) = Cov(0 + 1Yt 1 + t , Yt 1 )
Cov(Yt , Yt k )
k = Corr (Yt , Yt k ) = = = 1Cov(Yt 1 , Yt 1 ) = 1V (Yt 1 ) = 1V(Yt ) = 1 0 .
V( Yt ) V( Yt k )
Cov(Yt , Yt k ) Cov(Yt , Yt k ) k
= = = . 2 = Cov(Yt , Yt 2 ) = Cov(0 + 1Yt 1 + t , Yt 2 )
V(Yt ) V (Yt ) V( Yt ) 0
= 1Cov(Yt 1 , Yt 2 ) = 11 = 12 0 .
pois o modelo suposto estacionrio!
3 = Cov(Yt , Yt 3 ) = Cov(0 + 1Yt 1 + t , Yt 3 )
A FAC, assim como a FACV, tambm definida
para os lags k = 0, 1, 2, ..., sendo 0 = 1. = 1Cov(Yt 1 , Yt 3 ) = 1 2 = 13 0 .

10
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

A frmula geral : A FAC do modelo AR(1) :

k = 1 k 1 = 1k 0 .
k
k = = 1k , k = 1, 2, ...
0
2
Mas 0 = V (Yt ) = , e assim
1 12
A FAC de um modelo AR(1) apresenta
a FACV do modelo AR(1) :
decaimento exponencial, se 1>0, e uma
1k senide amortecida, se 1<0. A FAC de um
k = 2 , k = 1, 2, ...
1 12 modelo AR(p) tambm apresenta este padro.

Para o Modelo MA(1): A FAC do modelo MA(1) :

1 = Cov(Yt , Yt 1 ) =
1 1
Cov( t 1 t 1 , t 1 1 t 2 ) = 1 = = .
0 (1 + 12 )
k = 0, k = 2, 3, ...
1Cov( t 1 , t 1 ) = 1 2 .

Assim, a FAC do MA(1) finita.

k = 0, k = 2, 3, ....
Dizemos que truncada no lag 1.

Exerccio 27.1 - Seja um modelo MA(2):

Exerccio 27.2 - Seja um modelo AR(2):
Yt = t - 1t-1 - 2t-2. Verifique que a FAC :

1 ( 2 1) Yt = 0 + 1Yt-1 + 2Yt-2 + t.
1 =
1 + 12 + 22
A FAC do MA(2) Verifique que a FAC no lag 1 :
truncada no lag 2.
2
2 =
1 + 12 + 22 1
1 =
(1 2 )
k = 0, k = 3,4,....

11
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

Estimao da FAC
A FAC de um modelo MA(1) truncada em 1.
Para cada lag k, calcula-se a correlao
amostral entre Yt e Yt-k, da seguinte forma:
A FAC de um modelo MA(q) truncada em q.
T
(Yt Y )(Yt k Y)
k = t = k +1
T
, k = 0, 1, 2, ...
Este resultado pode ser utilizado para (Yt Y ) 2
t =1
identificar a ordem q de um modelo MA.
mdia amostral da srie

Identificao de um Modelo MA Identificao de um

Processo No Estacionrio
A partir da srie que se quer analisar,
estima-se a FAC e obtm-se o grfico da Qual o comportamento esperado para o
FAC amostral, que se chama correlograma. correlograma de uma srie no estacionria?

Se ele apresentar um comportamento similar Ela dever apresentar decaimento bem

quele que corresponde ao modelo MA(q), lento, pois a estimativa do coeficiente
ento identificamos este modelo para a srie. autoregressivo deve ser prxima de 1.

FACP
Vimos como identificar a ordem de um
A Funo de Autocorrelao Parcial FACP
modelo MA, mas nada foi dito sobre a
a correlao parcial entre Yt e Yt-k, ou seja,
identificao da ordem do modelo AR.
a correlao entre Yt e Yt-k, aps ter sido
descontada a influncia de Yt-1, Yt-2, ..., Yt-k+1.

Para isto, precisamos introduzir o conceito Notao: kk.

de funo de autocorrelao parcial (FACP).
Obs1 - por definio: 11 = 1.
Obs2 - no modelo AR(p), pp = p.

12
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

Estimao da FACP O resultado fundamental envolvendo a FACP

Usa-se o fato de que, no AR(p), pp = p.
Assim, pp = p .
Estima-se modelos AR de diferentes ordens,
tomando como estimativa de kk a estimativa
do coeficiente k do termo Yt-k do AR(k).
A FACP estimada chamada FACP amostral.
: no modelo MA(q), ela tem comportamento
igual FAC de um modelo AR (decaimento
exponencial ou senide amortecida), e no
modelo AR(p), ela truncada no lag p.
Este resultado pode ser utilizado para
identificar a ordem p de um modelo AR.

Exemplo 27.1 - Sejam os seguintes

Identificao de um Modelo AR correlograma e correlograma parcial:

A partir da srie que se quer analisar,

estima-se a FACP e obtm-se o grfico da
FACP amostral = correlograma parcial.

Se ele apresentar um comportamento similar

quele que corresponde ao modelo AR(p),
ento identificamos este modelo para a srie.
Neste caso, identifica-se claramente um AR(1).

Resumo - Identificao de um Modelo ARMA: Exerccio 27.3 (ANPEC/2012 - Questo 8)

A FAC de um MA(q) truncada em q.

Suponha que Yt seja descrito por um
A FACP de um AR(p) truncada em p.
processo AR(3): Yt = Yt-1 0,50Yt-3 + t.
FAC e FACP de um ARMA(p,q)
apresentam uma mistura
Determine a correlao entre Yt e Yt-2.
dos comportamentos acima.
Um ARIMA(p,d,q) com d>0 (raiz unitria)
R: 0,4.
apresenta FAC com decaimento muito lento.

13
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

28. MODELOS DE A etapa seguinte identificao a estimao

dos parmetros do modelo identificado.

BOX E JENKINS
H basicamente 2 mtodos para fazer isto:
(ESTIMAO, da mxima verossimilhana e dos momentos.
DIAGNSTICOS
E PREVISO)

Estimao por Mxima

Mtodo dos Momentos
Verossimilhana (Condicional)

O mtodo geral para estimao de modelos de uma forma simples de obter estimativas
Box & Jenkins o da mxima verossimilhana. dos parmetros de modelos ARMA simples.

A aplicao deste mtodo para modelos de sries Consiste em utilizar as expresses tericas
temporais tem um carter especfico: como no da FAC, que so funes dos coeficientes do
h independncia a funo de verossimilhana modelo, substituir nestas frmulas as estimativas
precisa ser escrita em funo das densidades das correlaes, e resolver para os coeficientes.
condicionais (ou preditivas): f(Yt|Yt-1,yt-2,...).

Exerccio 28.2 - Estime o modelo AR(1)

Exerccio 28.1 - O correlograma de uma para uma srie cuja mdia zero e cujas
srie truncado no lag 1, com 1 = -0,4. FAC e FACP amostrais so dadas a seguir:
Identifique o modelo adequado para esta srie
e estime-o utilizando o mtodo dos momentos.

Resposta: Yt = t 0,5t-1.

Obs - camos em uma equao do segundo grau

cujas razes so 0,5 e 2. Por que descartamos o 2?
Resposta: Yt = 0,6Yt-1 + t.

14
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
Testes de Significncia/Sobrefixao
A significncia dos parmetros de um modelo
de Box & Jenkins pode ser testada por meio
do teste t ou de intervalos de confiana, obtidos
da mesma forma que na anlise de regresso.
Testes de sobrefixao consistem no aumento
de p e q em uma unidade, e na investigao da
significncia de cada um dos termos adicionais.
Pode-se obter mais de um modelo possvel. Um
com mais parmetros (e melhor ajuste) e outro
com pior ajuste (porm, mais parcimonioso).
O princpio da parcimnia estabelece que um
bom modelo aquele que consegue explicar
bem a srie, porm com poucos parmetros.
Os critrios de informao so frmulas para
escolher entre 2 ou mais modelos estimados,
considerando no somente a qualidade do
ajuste, mas tambm o nmero de parmetros.
Em linhas gerais, eles computam uma funo
crescente da soma de quadrados dos resduos
e do nmero de parmetros. Assim, queremos
que o valor resultante seja o menor possvel.
Intervalos de Confiana
Os testes de significncia podem ser
conduzidos com base nos intervalos de
confiana para os parmetros de interesse.
As frmulas destes intervalos seguem a mesma
estrutura das frmulas dos IC`s para anlise de
regresso, porm baseando-se na distribuio
t de Student com n-(p+q) graus de liberdade.
Critrios de Informao
So critrios objetivos para definir entre
dois ou mais modelos concorrentes.
Motivao: assim como ocorre com modelos
de regresso, modelos de sries temporais com
mais parmetros apresentaro melhor ajuste,
isto , menor soma de quadrados dos resduos.
T
t
2
Seja =
2 t =1
a mdia dos quadrados dos resduos
T
do modelo. Os critrios de informao usuais so :
2
Critrio de Akaike : AIC = ln( 2 ) + (p + q) .
T
Critrio de Schwarz ou Bayesiano :
ln(T)
BIC ou SBC = ln( 2 ) + (p + q) .
T
Critrio de Hannan - Quinn :
2
HQ = ln( 2 ) + (p + q) ln(ln(T)).
T
15
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
Pontos comuns a todos eles:
A segunda parcela penaliza pelo nmero de
parmetros. Esta penalizao mais severa
no BIC, para T 8 (pois ln(8) > 2). O BIC ,
portanto, mais parcimonioso do que o AIC.
Os valores dos critrios so sempre negativos.
Desta forma, buscamos o de maior magnitude!
Anlise de Resduos (Diagnstico)
Uma vez identificado e estimado um modelo,
devemos verificar se os resduos apresentam
as propriedades esperadas para eles.
Ou seja, se eles se comportam
de acordo com um rudo branco.
Teste de Ljung-Box
Testa conjuntamente todas as correlaes j
para j = 1, 2, ..., K, em que K arbitrrio.
Denotando por j a autocorrelao de lag j
da srie de resduos, as hipteses do teste so:
H0: 1 = 2 = 3 ... = K = 0.
H1: ao menos um j (j = 1, 2, ..., K) 0.
suficientemente grande
Embora os critrios de informao sejam
aplicados aps a etapa de estimao do
modelo, esta aplicao consiste em
uma reviso da etapa de identificao.
Quando diferentes critrios conduzem
seleo de diferentes modelos, uma forma
de escolher entre eles analisar os resduos.
O procedimento usual consiste em verificar
se os resduos so descorrelacionados como
um rudo branco, ou seja, se: 1 = 2 = ... = 0,
sendo j a autocorrelao de lag j dos resduos.
Uma possibilidade verificar se o IC para j :
1
IC100(1- )% ( j ) = [ j m z V ( j ) ], sendo V ( j ) ,
2 T
contm o zero, para cada j = 1, 2, ...
Estatstica do teste de Ljung-Box:
K 2j
Q = n(n + 2) .
j=1 (n j)
Sob H 0 , Q ~ K2 -(nmero de parmetros estimados) .
Por exemplo, no caso do AR(p) : Q ~ 2K -p ,
e no caso do ARMA(p, q) : Q ~ K2 -(p + q) .
16
 T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos

Previso de Sries Temporais Exerccio 28.3 - Considere o modelo:

A funo de previso k passos a frente
de um modelo de sries temporais :
Yt + k|t = E (Yt + k | Yt , Yt 1 ,...)
Yt = 40 + 0,6Yt-1 + t. Se Yt-3 = 35, Yt-2 = 28,
Yt-1 = 38 e Yt = 30. Obtenha as previses para
1 e 2 passos frente feitas a partir do instante t.
(Adaptado de ANPEC/2006 - Questo 15)

origem da previso horizonte da previso = Re spostas : Yt +1|t = 58 e Yt + 2|t = 74,8.

nmero de passos a frente
Obs outra notao possvel : Yt (k ).

Previso de Longo Prazo do AR(1) Exemplo 28.1 - Previso com o modelo MA(1):
Se |1|<1 (condio de estacionariedade):
1 passo a frente :
0
Yt + k|t k


1 1 Modelo para t + 1 : Yt +1 = 0 + t +1 1 t .

Concluso importante: Yt +1|t = 0 + E( t +1 | Yt , Yt 1 ,...) 1E( t | Yt , Yt 1 ,...).

A previso de longo prazo do modelo AR(1) t
= zero
igual sua mdia incondicional E(Yt).

2 passos a frente :
Funo de Previso do MA(1):

Modelo para t + 2 : Yt + 2 = 0 + t + 2 1 t +1.

Yt + k|t = 0 1 t , se k = 1,
Yt + 2|t = 0 + E( t + 2 | Yt , Yt 1 ,...) 1E( t +1 | Yt , Yt 1 ,...). = 0 , se k > 1,

= zero.
Isto , assim como no caso do AR(1), a
imediato que a previso tambm previso de longo prazo do modelo MA(1)
ser igual a 0 para qualquer k>2. a mdia incondicional do modelo, E(Yt).

17