Estimao de Modelos ARMA e ARIMA

Estagiria Docente: Vvian dos Santos Queiroz Disciplina: Econometria Aplicada Professor: Sabino da Silva Porto Jnior

Apresentao

Inserindo Dados de Sries Temporais no EViews Modelos ARMA:

Estacionariedade da Srie; Identificao; Estimao; Diagnstico;

Modelo ARIMA

Inserindo Dados no EViews

Incio: especificar o tipo de dados, frequncia dos dados, o comeo e o final da srie de tempo:

Supondo uma srie de tempo IPCA temos: a frequncia mensal com incio em janeiro de 2000 at dezembro de 2010:

Inserindo Dados no EViews

Inserir uma nova varivel com o boto direito do mouse que seja do tipo srie de tempo:

Inserindo Dados no EViews

A Srie de tempo IPCA deve ser inserida como segue ou importada aps definir a periodicidade da srie temporal:

Estacionariedade da Srie de Tempo

Usando como exemplo o banco IPCA.WF1. 1 passo: fazer uma anlise visual da srie, ou seja, gerar um grfico do IPCA em nvel e observar se a srie de tempo pode ou no ser estacionaria, conforme 3.2 grfico abaixo:
2.8 2.4 2.0 1.6 1.2 0.8 0.4 0.0 -0.4 00 01 02 03 04 05 06 07 08 09 10 11 IPCA

Estacionariedade da Srie de Tempo

2 passo: para ter certeza acerca da estacionariedade do IPCA sugere-se fazer um Teste de Raiz Unitria (Teste de Dickey-Fuller):

Identificao

Estimar os coeficientes de autocorrelao. Os coeficientes de Autocorrelation so os processos MA(q), enquanto Partial Correlation so os processos AR(p); Q-Stat a estatstica de Ljung-Box. Lembrar que os coeficientes que esto fora do intervalo (1.961/(T)^ = 0.17, +0.17) so significativos.

Estimao

ARMA(1,4) so as combinaes de modelos que devem ser feitas. Quando vrios coeficientes FAC (Autocorrelation) e FACP (Partial Correlation) so significativos necessrio testar vrios modelos como segue:

Para um modelo ARMA na ordem de (0,0) (1,4) ser necessrio fazer vrias combinaes e considerar 10 modelos: ARMA(0,0), ARMA(0,1), ARMA(0,2), ARMA(0,3), ARMA(0,4), ARMA(1,0), ARMA(1,1), ARMA(1,2), ARMA(1,3) e ARMA(1,4).

A estimao feita atravs de Mnimos Quadrados.

Diagnstico

O melhor modelo aquele que possuir o menor critrio Akaike e Schwarz:

ARMA (0,0) ARMA (0,1) ARMA (0,2) ARMA (0,3)
Akaike Schwarz Akaike Schwarz Akaike Schwarz Akaike Schwarz Akaike Schwarz Akaike Schwarz Akaike Schwarz Akaike Schwarz Akaike Schwarz Akaike Schwarz 1.159510 1.181349 0.723491 0.767170 0.623157 0.688675 0.638296 0.725654 0.588722 0.697919 0.607650 0.651546 0.608188 0.674032 0.619807 0.707599 0.633062 0.742803 0.589301 0.720990

ARMA (0,4)
ARMA (1,0) ARMA (1,1) ARMA (1,2) ARMA (1,3)

ARMA (1,4)

Estimao

Os melhores modelos so ARMA(1,0) e ARMA(0,4), pois exibiram menores critrios Akaike e Schwarz:

Diagnstico

Sries de tempo ARMA esto baseadas somente sobre o passado da sua prpria varivel para fins de previses, ou seja, no baseado em nenhuma teoria econmica, portanto, seus coeficientes no so interpretados. Assim, examinase a plausibilidade do modelo como um todo, se este descreve os dados bem e se produz boas previses.

Previso

As previses podem ser de dois tipos: ex-ante e ex-post. A previso ex-ante feita para calcular valores futuros, de curto prazo, da varivel em estudo. Por outro lado, a previso ex-post realizada para gerar valores dentro do perodo amostral. Quanto melhor forem essas ltimas, mais eficiente ser o modelo estimado. Por fim, para analisar a previso deve-se ater ao erro quadrado mdio (EQM) da previso. Esse igual mdia do quadrado da diferena entre cada valor previsto ex-post e o valor real observado na amostra. Ele uma medida formal da qualidade das previses ex-post. Portanto, quanto menor o EQM melhor ser o grau de ajustamento do modelo aos dados da srie

Previso

1.6 Forecast: IPCAF Actual: IPCA Forecast sample: 2000M01 2011M09 Adjusted sample: 2000M02 2011M09 Included observations: 131 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 00 01 02 03 04 05 06 07 08 09 10 11 IPCAF 0.431145 0.277611 180.4154 0.354442 0.000012 0.965634 0.034354

Fazendo a previso do IPCA de 01 de 2011 at 09 de 2011:

1.2

0.8

0.4

ARMA(1,0)

0.0

-0.4

1.6 Forecast: IPCAP Actual: IPCA Forecast sample: 2000M01 2011M09 Included observations: 132 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 0.428803 0.275329 177.6918 0.352732 0.000002 0.999998 0.000000

1.2

0.8

ARMA(0,4)

0.4

0.0

-0.4 00 01 02 03 04 05 06 07 08 09 10 11 IPCAP

ARIMA

Se a srie de tempo for um processo no estacionrio ser necessrio diferenciar a srie original d vezes at obter uma srie estacionria. Dessa forma a srie ser considerada um processo ARIMA(p,d,q), em que o I significa integrado. Assim, com a modelagem ARIMA pretende-se saber se a dinmica temporal de uma dada varivel melhor explicada por um processo auto-regressivo de ordem p [AR(p)]; por um processo de mdia mvel de ordem q [MA(q)]; por um processo auto-regressivo com mdia mvel de ordem p,q [ARMA(p,q)]; ou ainda, por um processo auto-regressivo integrado com mdia mvel de ordem p,d,q [ARIMA(p,d,q)].

ARIMA

Usando um exemplo de srie no estacionria DOLAR.WF1: 1 passo: Grfico em nvel do dlar e teste de Raiz Unitria:
4.0 3.5

3.0

2.5

2.0

1.5 500 1000 1500 CAMBIO 2000 2500

ARIMA

2 passo: Para deixar a srie temporal estacionria toma-se a primeira diferena, como segue:

ARIMA

3 passo: seguir os passos de identificao, estimao e diagnstico, como feito com os modelos ARMA, porm, nos modelos ARIMA necessrio usar a srie diferenciada. No exemplo, tomou-se a primeira diferena do dlar: d_dolar Em seguida procedeu-se com todos os passos usando d_dolar. No exemplo abaixo feita uma estimao de um ARIMA(2,1,1):

BONS ESTUDOS!