Estatsticas
Introduo
O objetivo do trabalho ajustar um modelo ARIMA Sazonal (SARIMA)
para tentar prever valores futuros de uma srie temporal com caractersticas de
tendncia e sazonalidade. Dessa forma utilizou-se a modelagem de Box &
Jenkins para ajustar previses.
O livro de Anlise de Sries Temporais de Morettin e Toloi foi
fundamental para a realizao do trabalho.
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Nov
Dez
177
186
181
184
190
181
190
183
185
192
194
197
203
200
203
204
203
207
202
205
209
206
207
211
217
213
221
222
225
232
230
224
235
233
241
247
237
221
240
226
234
238
240
237
241
234
252
265
271
278
280
279
277
273
263
268
262
255
253
251
267
271
267
269
262
258
269
278
284
285
279
276
280
286
291
292
283
292
297
296
297
297
287
303
298
294
299
309
316
315
309
305
297
304
314
300
296
300
300
308
313
309
315
308
299
309
303
302
302
309
310
312
301
310
317
313
309
313
322
336
342
357
364
365
362
384
380
384
382
390
371
372
337
353
364
353
367
372
365
359
377
374
372
380
368
381
374
385
391
396
392
393
402
409
417
435
417
395
386
393
419
423
421
418
410
417
427
449
447
422
417
411
430
453
446
449
451
459
461
479
477
481
486
470
471
503
494
484
492
458
497
513
505
524
525
521
532
544
553
572
559
583
577
598
607
600
601
Pode-se notar que a produo tende a ser maior nos primeiros meses e
vai diminuindo com o passar dos meses at se aproximar do incio de um novo
ano quando volta a crescer. Os traos no grfico indicam a mdia em cada
perodo.
DECOMPOSIO SERIAL
A decomposio serial uma das formas mais simples de se analisar
uma srie temporal, com a qual objetiva mensurar alguns componentes que
esto presentes intrinsecamente em uma observao (Yt). Desta Yt temos a
tendncia, que denota o comportamento mais geral da varivel no tempo;
sazonalidade, oscilaes de curto prazo peridicas, normalmente por origens
naturais; e o rudo, movimentos irregulares e por causas desconhecidas
(Montgomery et al., 1990).
Comportamento sazonal:
resduos em relao ao tempo, ora pela FAC dos resduos, onde se busca a
existncia de no autocorrelao dos resduos em alguma defasagem
(retirando a defasagem 0).
O teste de Ljung-Box busca testar a existncia significativa de autocorrelao
dos resduos em alguma k defasagem. A inexistncia de autocorrelao dos
resduos em nenhuma defasagem implica a ausncia de correlao temporal
na estrutura dos resduos do modelo.
Por fim, testamos a hiptese de os resduos seguirem uma distribuio
Gaussiana, atravs do teste de Jarque-Bera .
A ltima etapa consiste em realizar a previso, mas quando h um conjunto de
diferentes modelos, necessrio realizar testes e usar critrios para mensurar
o ajuste do modelo em relao aos dados e selecionar o melhor modelo de
previso.
Teste ADF
Hipteses
Estatstica de Teste
Valor Crtico
(5%)
P Valor
1,7637
-3,43
1,0000
Teste ADF
Hipteses
Estatstica de Teste
Valor Crtico
(5%)
P Valor
1,9347
-3,43
0,9998
Teste ADF
Hipteses
Estatstica de Teste
Valor Crtico
(5%)
P Valor
1,1292
-3,43
0,9328
Estatstica de Teste
Valor Crtico
(5%)
P Valor
-4,3177
-3,43
0,0038
Seleo do Modelo:
O processo de modelagem foi feito baseado na anlise do
correlograma, e aps ser feito todos os testes para os resduos: de
normalidade dos resduos, homocedasticidade dos resduos e de
correlao serial, o modelo que melhor se ajustou foi esse:
H0: i = 0 x H1: i = 0.
Como p-valor > nvel usual de 5%, no rejeita-se H0, portanto no se tem
evidncias de que os resduos no sejam no correlacionados.
Test de White:
H0: Hiptese de homocesditicade x H1: Hiptese de heterocedasticidade
Previses:
Uma vez ajustados os modelos, daremos incio previso de valores
futuros. Sero previstos 11 passos frente pelo modelo, ou seja, os valores
previstos so para o perodo de: maio de 2014 a maro de 2015.
Ano
Previses
Valores
Verdadeiros
Previses de
Naive
Maio
2014
534,98
532
521
Junho
2014
534,82
544
532
Julho
2014
546,27
553
544
Agosto
2014
558,74
572
553
Setembro
2014
561,69
559
572
Outubro
2014
558,43
583
559
Novembro
2014
585,28
577
583
Dezembro
2014
579,68
598
577
Janeiro
2015
602,57
607
598
Fevereiro
2015
605,76
600
607
Maro
2015
600,59
601
600
O grfico das previses pode ser visto a seguir. A linha vermelha indica a
previso e as azuis, o intervalo de confiana de 95%.
NAIVE
Valores
RMSE
13,68476
MAE
12
MAPE
2,093842
Concluso
Baseado nos resultados anteriores, o modelo (4,1,3)(0,1,1)12,
parece ser um modelo adequado para prever os valores futuros da srie
temporal. Porm, com certeza devem haver outras ferramentas e outros tipos de
modelos que dariam previses mais eficientes.
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
Jan
91,29
91,31
91,04
86,17
82,23
83,03
89,95
92,3
90,11
90,03
98,62
98,68
101,08
107,08
97,92
103,34
104,64
106,92
111,16
107,73
Fev
82,77
82,23
80,85
82,09
77,94
86,8
82,64
87,36
86,83
84,16
88,59
94,13
94,92
96
93,23
102,63
106,74
106,15
101,44
105,08
Mar
97,12
89,55
89,54
94,25
94,91
91,88
93,87
94,22
89,8
98,61
100,29
106,51
107,04
103,84
107,17
119,31
117,42
118,87
109,85
Abr
85,29
87,57
94,41
89,53
90,95
84,56
88,18
96,78
88,69
91,18
99,11
96,8
100,81
106,52
102,45
110,33
108,33
107,66
113,54
Mai
90,01
99,49
95,82
96,51
97,13
95,34
98,32
96,68
93,46
95,31
102,34
107,47
111,75
111,63
109,24
115,35
118,16
115,58
116,11
Jun
94,36
96,49
100,34
99,9
99,31
97,85
96,19
92,17
89,61
95,59
102,7
104,32
109,98
110,63
106,21
112,64
111,29
110,13
112,02
Jul
98,98
111,47
108,5
110,61
105,14
102,64
104,27
102,47
96,3
100,9
103,95
107,56
111,72
117,49
114
118,5
118,72
116,53
120,15
Ago
105,87
112,31
108,91
108,27
108,11
108,9
112,16
107,67
98,6
105,55
113,51
114,98
119,92
118,44
117,1
121,88
125,26
125,62
124,36
Set
101,56
107,6
113,18
108,45
107,94
102,45
104,88
104,6
103,95
109,4
109,34
111,95
114,28
122,32
117,54
124,88
122,63
121,56
119,83
Out
105,96
113,99
118,69
110,57
109,13
111,5
111,05
117,69
111,11
110,93
112,45
118,89
126,39
127,73
126,98
128,44
126,32
131,25
131,02
Nov
105,73
108,76
106,61
107,81
105,96
107,25
111,66
110,46
105,87
112,13
114,86
118
123,15
119,49
121,93
126,1
125,56
126,9
124,67
Dez
93,78
94,06
92,43
92,88
93,8
95,14
93,43
97,54
99,3
106,37
109,12
108,93
110,43
108,31
114,99
115,36
114,53
114,54
110,85
Pode-se notar que a produo tende a ser menor nos primeiros meses e
vai crescendo com o passar dos meses at se aproximar de outubro quando
tem o seu maior crescimento e volta a decair.
DECOMPOSIO SERIAL:
Comportamento sazonal:
Estacionariedade
Para analisarmos a estacionariedade da srie foi feito o correlograma da srie,
que nos mostra a FAC e a FACP da srie.
Estatstica de Teste
Valor Crtico
(5%)
P Valor
-2,0180
-3,43
0,5876
Teste ADF
Hipteses
Estatstica de Teste
Valor Crtico
(5%)
P Valor
0,0111
-3,43
0,9577
Teste ADF
Hipteses
Estatstica de Teste
Valor Crtico
(5%)
P Valor
1,6314
-3,43
0,9750
Estatstica de Teste
Valor Crtico
(5%)
P Valor
-4,5164
-3,43
0,0018
Seleo do Modelo:
O processo de modelagem foi feito baseado na anlise do
correlograma, e aps ser feito todos os testes para os resduos: de
normalidade dos resduos, homocedasticidade dos resduos e de
correlao serial, os modelos que melhores se ajustaram foram esses:
H0: i = 0 x H1: i = 0.
Como p-valor > nvel usual de 5%, no rejeita-se H0, portanto no se tem
evidncias de que os resduos no sejam no correlacionados.
Test de White:
H0: Hiptese de homocesditicade x H1: Hiptese de heterocedasticidade
Previses:
Uma vez ajustados os modelos, daremos incio previso de valores
futuros. Sero previstos 12 passos frente pelo modelo, ou seja, os valores
previstos so para o perodo de: maro de 2013 a fevereiro de 2015.
Ano
Previses
Valores
Verdadeiros
Previses de
Naive
Maro
2013
115,18
109,85
101,44
Abril
2013
107,88
113,54
109,85
Maio
2013
116,64
116,11
113,54
Junho
2013
110,46
112,02
116,11
Julho
2013
118,78
120,15
112,02
Agosto
2013
125,71
124,36
120,15
Setembro
2013
123,26
119,83
124,36
Outubro
2013
129,69
131,02
119,83
Novembro
2013
124,81
124,67
131,02
Dezembro
2013
112,43
110,85
124,67
Janeiro
2014
107,78
107,73
110,85
Fevereiro
2014
99,43
105,08
107,73
O grfico das previses pode ser visto a seguir. A linha vermelha indica a
previso e as azuis, o intervalo de confiana de 95%.
NAIVE
Valores
RMSE
MAE
MAPE
6,983952
6,063333
5,185173
Concluso:
Baseado nos resultados anteriores, o modelo (4,1,0)(1,1,0)12,
parece ser um modelo adequado para prever os valores futuros da srie
temporal. Porm, com certeza devem haver outras ferramentas e outros tipos de
modelos que dariam previses mais eficientes.
Referncias
MORETTIN, Pedro A.; TOLOI, Clia M. C.; Anlise de Sries Temporais. 2
Edio. So Paulo: Blucher, 2006.
Sarima Models, acesso em 18 de junho de 2014. Disponvel em:
http://www.personal.psu.edu/asb17/old/sta4853/files/sta4853-17.pdf
HAMILTON, James D.; Time Series Analysis. Princeton University Press,
1954