Professional Documents
Culture Documents
Processo Estocstico
Um processo estocstico um
25. MODELOS DE conjunto de v.a.`s {Yt, t = 1,2,...,T}.
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.
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
i =1 i =1
2
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
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.
3
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
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
4
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
Yt = t 1 t 1.
No caso de razes reais, a condio acima
equivale a terem mdulo maior do que 1. Obs - como no modelo AR, pode haver uma
constante 0 no modelo, mas no caso do MA
a incluso desta constante menos comum.
5
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
6
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
Yt = 0 + 1Yt 1 + 2 Yt 2 + ... + p Yt p Yt = Yt Yt 1.
= 1-B
+ t 1 t 1 2 t 2 ... q t q .
A srie estacionria denotada por Zt,
A condio de estacionariedade definida que no caso do exemplo o rudo branco:
pela equao caracterstica da parte AR, e a
condio de inversibilidade, pela parte MA. Z t = Yt = t .
Ordem de Integrao
Modelo ARIMA(p,d,q)
Pode ser necessrio diferenciar a srie mais
do que uma vez. O nmero d de vezes que a Se Yt ~ I(d) e Zt = dYt, ento Yt segue
srie precisa ser diferenciada para se tornar um modelo ARIMA de ordens p, d e
estacionria chamado ordem de integrao. q, especificado da seguinte forma:
7
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
0 + 1E( Yt 1 ) + 0 = 0 + 1E (Yt 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(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.
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
10
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
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 .
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
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.
12
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
13
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
BOX E JENKINS
H basicamente 2 mtodos para fazer isto:
(ESTIMAO, da mxima verossimilhana e dos momentos.
DIAGNSTICOS
E PREVISO)
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,...).
Resposta: Yt = t 0,5t-1.
14
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
Critrios de Informao
Pode-se obter mais de um modelo possvel. Um
com mais parmetros (e melhor ajuste) e outro
com pior ajuste (porm, mais parcimonioso). So critrios objetivos para definir entre
dois ou mais modelos concorrentes.
O princpio da parcimnia estabelece que um
bom modelo aquele que consegue explicar Motivao: assim como ocorre com modelos
bem a srie, porm com poucos parmetros. de regresso, modelos de sries temporais com
mais parmetros apresentaro melhor ajuste,
isto , menor soma de quadrados dos resduos.
T
t
2
15
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
16
T.E.A. II (Curso Preparatrio para o Exame da ANPEC)
Disciplina: Estatstica - Professor: Eduardo Lima Campos
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 .
2 passos a frente :
Funo de Previso do MA(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