Anlise e Previso de Sries

Temporais Univariadas (Parte2)

Suelen / Idilio

Mestrado em Informtica
Universidade Federal do Esprito Santo

22 de novembro de 2006
Reviso de MQO
Os estimadores de MQO minimizam a soma dos
quadrados dos resduos:

= =
=
n
i
ik k i i
n
i
i i
x x y y y
1
2
1 1 0
1
2
)

...

( ) ( | | |
Calculando as derivadas parciais em relao aos
coeficientes, obtemos as k+1 condies de primeira
ordem:


= =
= =
= = =
= =
n
i
n
i
i ij ik k i i ij
n
i
n
i
i ik k i i
r x x x y x
r x x y
1 1
1 1 0
1 1
1 1 0
k 1,..., j , 0 )

...

(
0 )

...

(
| | |
| | |
Reviso de MQO
Essas condies podem ser escritas, em forma de
matriz, como:
X
t
. (Y - X.B) = 0 , onde


(
(
(

=
(
(
(

=
(
(
(

=
nk n
k
k n
x x
x x
X B
y
y
Y

1
1 11 0 1
1
1
e ;

;
|
|
Resolvendo em relao a B, temos:
X
t
XB = X
t
Y , logo B = (X
t
X)
-1
X
t
Y


AR(p): Estimao
Voltando ao modelo AR(p):
...
2 2 1 1 t p t p t t t
e y y y y + + + + + =

u u u o
Escrevendo-o para os valores observados da srie,
obtemos:

...
...
...
2 2 1 1
2 2 2 1 1 2
1 1 1 2 1 1
T p T p T T T
p p p p p
p p p p p
e y y y y
e y y y y
e y y y y
+ + + + + =
+ + + + + =
+ + + + + =

+ + +
+ +
u u u o
u u u o
u u u o

AR(p): Estimao
Assim, para o AR(p), as matrizes X, B e Y ficam:
(
(
(
(
(

=
(
(
(
(
(

=
(
(
(
(

=

+

+
+
p T T T
p p
p p
p
T
p
p
y y y
y y y
y y y
X B
y
y
y
Y

2 1
2 1
1 1
1
2
1
1
1
1
e ;

;
u
u
o
Os estimadores da matriz de covarincia de B, da varincia
do erro e da mdia do processo AR(p) so, respectivamente:
p
t
e
t
e
p T XB Y XB Y
X X B
u u u
o

o
o

1

) 1 2 /( ) ( ) (
) ( ) v( o

c
2 1
2
1 2

=
=
=

AR(p): Estimao Um exemplo

Dados T = 100 valores de y
t
gerados a partir modelo AR(2)
dado por:
y
t
= 0.5y
t-1
+ 0.3y
t-2
+ e
t
, onde e
t
~ N(0,1)
A equao estimada pelo MQO :



t (5.65) (2.37) (-1.13)
e.p. (.087) (.089) (.101)
937 . 0

493 . 0 212 . 0 114 . 0

2
2 1
= + + =
e t t t
y y y o
Pelos valores t conclumos que
1
e
2
so estatisticamente
significantes e estatisticamente no-significante.
Os valores estimados dos parmetros possuem o sinal
correto e a varincia estimada do erro prxima do valor
verdadeiro.



o
Autocorrelaes parciais
O p-simo coeficiente de autocorrelao parcial (
pp
)
o p-simo coeficiente de um processo AR(p).

pp
mede a correlao entre y
t
e y
t-p
aps os efeitos de
y
t-1
, ..., y
t-p+1
terem sido controlados.
Pode ser utilizado para identificar a ordem de um
processo AR.
Para isso, estima-se processos AR de ordem
crescentes (p=1,2,...), obtendo uma sequncia de
autocorrelaes parciais
11
,
22
,... , denominada
funo de autocorrelao parcial. A ordem p escolhida
tal que
kk
diferente de zero para k=p mas igual a
zero para k>p.
Autocorrelaes parciais
Para testar se
kk
diferente de zero (ou testar sua
significncia) utiliza-se o valor estimado de
kk
.
O teste feito baseado no fato de que, em um processo
AR(p), para k>p o
kk
estimado aproximadamente
normalmente distribudo com mdia zero e varincia 1/T
(para amostras grandes).
Assim pode-se utilizar a estatstica:
kk
kk
k
T
T
t u
u

) / 1 (

2 / 1
= =
O valor de p escolhido deve ser o correspondente ao
ltimo valor de tk para o qual o resultado do teste foi
estatisticamente significante.
Autocorrelaes parciais -
exemplo
Modelos estimados para o processo AR(2): y
t
= 0.5y
t-1
+ 0.3 y
t-2
+ e
t
p=1: y
t
= -0.166+0.464y
t-1

p=2: y
t
= -0.114+0.212y
t-1
+0.493y
t-2

p=3: y
t
= -0.115+0.221y
t-1
+0.498y
t-2
-0.017y
t-3
Autocorrelaes parciais estimadas
K 1 2 3 4 5 6 7 8

kk
0.464 0.493 -0.017 -0.047 -0.136 -0.188 0.106 0.162
t
k
4.64 4.93 -0.17 -0.47 -1.36 -1.88 1.06 1.62
AR(p): outra representao
Processos AR estacionrios podem ser escritos como
funes somente do erro aleatrio e
t
. Por exemplo, para
o processo AR(1) com mdia zero:
. 1 quando zero para converge
termo o que j , obtemos
vezes de infinito nmero um processo o Repetindo

) (
1
1
0
1
1 1 2
2
1
1 2 1 1 1 1
<
=
+ + =
+ + = + =

u
u u
u u
u u u
i t
i
i
i t
i
t
t t t
t t t t t t
y e y
e e y
e e y e y y
Esta representao denominada representao
mdia-mvel do processo AR(1). Qualquer processo AR
estacionrio a possui.
Processos Mdia-Mvel
O valor no tempo da varivel econmica uma
mdia ponderada de valores atuais e passados do
erro aleatrio.
| |
| |
| |
) 1 (
2
) ( ) var(
. varincia e zero
mdia com nados correlacio - no aleatrios erros so onde
,
2 2
1
2 2 2 2 2
1
2
2 1 2 1
2 2 2
1
2
1
2
2
0
2
1 1
q e e q e e
t t q t q t t
t t
t
e
t
q t q t t t
e e e e e E
y E y
y E
e
e e e y
o o o o o o o o
o o o o

o
o o
+ + + = + + + =
+ + + + + =
= =
=
+ + + + =

Propriedades do MA(1)
| | | |
| |
| |
| |
| |

>
=
+
= =
= + + =
= =
= + + =
= =
+ = = = =
+ + =

1 0
1
1
0 ) )( (
) )( ( ) , cov(
) )( (
) )( ( ) , cov(
) 1 ( ) ( ) var( ;
2
1
1
0
3 1 2 1 1
2 2 2
2
1 2 1 1 1 1
1 1 1
2
1
2 2
0
1 1
k
k
e e e e E
y y E y y
e e e e E
y y E y y
y E y y E
e e y
k
k
t t t t
t t t t
e t t t t
t t t t
e t t t
t t t
o
o

o o

o o o o

o o
o
MA(1) se caracteriza por uma memria de 1 perodo.
MA(1) - Exemplo
1
8 . 0

+ =
t t t
e e y
1
8 . 0

=
t t t
e e y

1
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

1
0.10 0.19 0.28 0.34 0.40 0.44 0.47 0.48 0.50
1 1
+ =
t t t
e e y o
Propriedades do MA(2)
| |
| |
| |
| |
2 para 0 ;
1
;
1
) 1 (
0 ) )( ( ) , cov(
) )( ( ) , cov(
) (
) )( ( ) , cov(
) 1 ( ) var( ;
2
2
2
1
2
2
2
2
2
1
2 1
1
5 2 4 1 3 2 2 1 1 3 3
2
2 4 2 3 1 2 2 2 1 1 2 2
2 1 1
2 2
2 1
2
1
3 2 2 1 1 2 2 1 1 1 1
2
2
2
1
2
0
2 2 1 1
> =
+ +
=
+ +
+
=
= + + + + = =
= + + + + = =
+ = + =
+ + + + = =
+ + = = =
+ + + =




k
e e e e e e E y y
e e e e e e E y y
e e e e e e E y y
y y E
e e e y
k
t t t t t t t t
e t t t t t t t t
e e e
t t t t t t t t
e t t
t t t t

o o
o

o o
o o

o o o o
o o o o o o
o o o o o o o o o
o o o o
o o o
o o
MA(2) se caracteriza por uma memria de 2 perodos.
MA(2) - Exemplo
2 1
3 . 0 5 . 0

+ + =
t t t t
e e e y
2 1
3 . 0 5 . 0

+ =
t t t t
e e e y
MA(q)
q o mximo k para o qual a autocorrelao no zero.
Processos MA so estacionrios porque suas mdias,
varincias e covarincias so finitas e invariantes no
tempo.
| |

>
=
=
+ + + = = =
+ + + + =

=
+

q k
q k
y y E
e e e y
q
i
i
k q
i
k i i
k
q e t t
q t q t t t
0
,..., 2 , 1 , 0
) ... 1 ( ) var( ;
, ...
0
2
0
2 2
1
2
0
1 1
o
o o

o o o
o o
A funo de autocorrelao
amostral
Estimativa da funo de autocorrelao por meio dos valores
observados da srie.
T y y
y y
y y y y
r
T
t
t
T
t
t
k T
t
k t t
k

=
=

=
+
= =

=
1
1
2
1
onde ;
) (
) )( (

Utilizada para determinar a ordem q de um processo MA, por

meio de teste de significncia.
O teste baseia-se no fato de que se uma srie temporal
composta de variveis aleatrias no correlacionadas com
mdias zero e varincias constantes, as autocorrelaes
amostrais, para k>q, so aproximadamente normalmente
distribudas com mdia zero e varincia 1/T para amostras
grandes.
A funo de autocorrelao
amostral
Ao nvel de significncia de 5%, testamos a hiptese
nula H
0
:
k
=0, verificando se o intervalo de confiana de
95% inclui o valor zero. Se isto no ocorrer a
hiptese nula rejeitada.
Exemplo:
) / 2 ( T r
k

2 1
3 . 0 5 . 0
100

+ + =
=
t t t t
e e e y
T
MA(q): Estimao
Assumindo =0 e utilizando o princpio dos quadrados
mnimos, temos que minimizar, no caso do MA(1):
... ) ( ) (
)) ( ( ) ( ) (
1
2
3
3
1 2
2
1 1 1
1
2
2
2
1 1 1
1
2
2 1 1 1
1 1
2
1 1
2
1
= + = + =
= = =


=

=

=

= =

T
t
t t t t
T
t
t t t
T
t
t t t
T
t
T
t
t t t
e y y y e y y
e y y e y e S
o o o o o
o o o o
A soma dos quadrados no-linear, portanto deve ser
utilizada uma tcnica de otimizao no-linear (discutido
no captulo 22).
Felizmente, existem ferramentas computacionais para
realizar a estimao, como SHAZAM ou SAS
MA(q): Estimao Um exemplo
Dados T = 100 valores de y
t
gerados a partir modelo MA(2)
dado por:
y
t
= e
t
+ 0.5e
t-1
+ 0.3e
t-2
, onde e
t
~ N(0,1)

A equao estimada :


t (2.87) (2.36) (.77)
28 . 0 23 . 0 11 . 0

2 1
+ + + =
t t t t
e e e y
Pelos valores t conclumos que
1
e
2
so estatisticamente
significantes e estatisticamente no-significante.
Os valores estimados dos parmetros possuem o sinal
correto.


MA(q): outra representao
Alguns processos MA, chamados inversveis,
possuem representao AR infinita. Por exemplo,
para o MA(1), temos:
t t t
t t t t t t
e e y
e e y e e y
+ =
+ = + =


2
2
1 1 1
2 1 1 1 1 1

) (
o o
o o o
Substituindo e
t-2
, e
t-3
, etc., gerado um processo
AR infinito, se o termo converge para zero.
Isto acontece se |
1
|<1.
Portanto, um processo MA(1) inversvel se |
1
|<1.
i t
i
e
1
o