Vous êtes sur la page 1sur 60

Séries Temporais: Conceitos Iniciais

Marcelo Eduardo Alves da Silva


Departamento de Economia e PIMES-UFPE

PIMES/UFPE

13 de Março de 2018

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 1 / 60


Série Temporal

Definition
É uma seqüência de observações de uma variável de interesse. A variável é
observada em pontos temporais discretos, usualmente eqüidistantes, e a
análise de tal comportamento temporal envolve a descrição do processo ou
fenômeno que gera a seqüência.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 2 / 60


Série Temporal

Exemplos:

1 yt = c para um c ∈ R constante.

2 yt = c + t com  ∼ iid(0, σ 2 )
3 yt = c + 0, 9yt−1 + t com  ∼ iid(0, σ 2 )
4 yt = c + δt + 0, 9yt−1 + t com  ∼ iid(0, σ 2 )

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 3 / 60


PIB Brasil Consumo do Governo
14.5 13.0

14.0 12.5

13.5 12.0

13.0 11.5

12.5 11.0

12.0 10.5

11.5 10.0
1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

Consumo das Famílias Investimento


13.75 12.50

13.50 12.25

13.25 12.00

13.00 11.75

12.75 11.50

12.50 11.25

12.25 11.00

12.00 10.75

11.75 10.50

11.50 10.25
1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013 2015

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 4 / 60


Série Temporal do Preco do Arroz
4.1
PRECO_ARROZ

4.0

3.9

3.8

3.7

3.6

3.5

3.4

3.3

3.2
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 5 / 60


Série Temporal

O objetivo principal da análise da série temporal é tentar compreender o


seu comportamento e possivelmente prever seu comportamento futuro.
Dentro deste objetivo destacam-se:

1 O interesse para entender o comportamento observado;


2 Quais são os fatos que explicam o comportamento da série?
3 Quebras? Tendência? Sazonalidade? Estacionariedade?

4 O que podemos esperar para o futuro?

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 6 / 60


Série Temporal

• O problema fundamental é, portanto, tentar descobrir o processo


gerador dos dados (DGP);
• Se soubéssemos exatamente o DGP, a nossa vida seria mais fácil;

• O problema é que não conhecemos;

• O trabalho do econometrista é, portanto, tentar inferir o DGP a partir


do que é observado.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 7 / 60


Série Temporal

• As séries temporais podem ser estacionárias ou não estacionárias.

Uma série estacionária:


• Exibe "reversão para média"→ flutua em torno de uma média
constante no longo prazo.
• Tem variância finita, que não depende do tempo.

• Tem um correlograma (Função de Autocorrelação - FAC) que diminui


à medida que as defasagens aumentam.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 8 / 60


Série Não-Estacionária

Por outro lado uma série não-estacionária:


• Inexiste uma média de longo prazo para a qual a série retorna.

• A variância depende do tempo e tende ao infinito quando o tempo se


aproxima do infinito.
• O correlograma não diminui com o tempo, e em amostras pequenas ele
diminui muito vagarosamente.
• Possibilidade de regressão espúria.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 9 / 60


Processo Estacionário e Não Estacionário

Processo Estacionário − AR(1) com ρ=0.9


5

−5

−10
0 20 40 60 80 100 120 140 160
Tempo

Processo Não Estacionário − AR(1) com ρ=1


40

35

30

25

20

15
0 20 40 60 80 100 120 140 160
Tempo

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 10 / 60


Sazonalidade

• Muitas séries apresentam comportamento que se repete a cada período


determinado.
• Por exemplo, as vendas no comércio tendem a ser maiores no período
natalino, o consumo de energia elétrica tende a ser superior no período
do verão, etc.
• Se uma determinada série apresenta sazonalidade, então é fundamental
levar em conta este comportamento.
• Em geral, removemos o componente sazonal.
Tipos de sazonalidade:
• Aditiva: flutuações sazonais mais ou menos constantes, não
importando o nível global da série. (Ex: vendas em Dezembro tendem
a ser R$ 1 milhão maiores)
• Multiplicativa: o tamanho das flutuações sazonais varia dependendo
do nível global da série. (Ex: vendas em Dezembro tendem a ser 30%
maiores que a média anual)
Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 11 / 60
Sazonalidade

• Em geral, removemos o componente sazonal aplicando algum filtro.

• Mais usados Arima X-12 (US Census Bureau) e o TRAMO-SEATS.

• É possível, no entanto, trabalhar com modelos que incluem


componentes sazonais.
• Por exemplo, pode-se incluir dummies sazonais ou ainda incluir
suficientes lags no componente autoregressivo.
• Não há consenso sobre qual abordagem utilizar. Mais comum, no
entanto, é remover a sazonalidade para evitar sobreparametrização do
VAR.
• Vejamos um exemplo.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 12 / 60


Sazonalidade

600
500
400
300
200 Passageiros Aéreos

AO
100

1950 1952 1954 1956 1958 1960

Time

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 13 / 60


Tendência

• Muitas séries apresentam comportamento de crescimento (ou


decrescimento) ao longo do tempo.
• Por exemplo, o PIB de uma economia apresenta uma tendência de
crescimento, o consumo de petróleo per capita vem apresentando uma
tendência de queda ao longo dos anos, etc.
• Mais uma vez, é fundamental levar em conta este comportamento.

• Exemplos de tendência:

• Linear

• Exponencial

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 14 / 60


Tendência

• Qual a tendência intrínseca da série temporal? Difícil de saber com


certeza.
• Tipicamente pode-se incorporar a tendência dentro do modelo ou
ainda removê-la.
• A remoção pode ser feita usando um filtro linear, quadrático ou ainda
aplicando HP Filter, Band-Pass Filter, etc.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 15 / 60


Filtros
Unemployment Series & Estimated Trend
10
8
6
4

1960 1970 1980 1990 2000

Time
Estimated Cyclical Component

HP CF
2

BK
1
0
−1
−2

1960 1970 1980 1990 2000

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 16 / 60


Métodos e Modelos

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 17 / 60


"Todos os modelos são errados, mas alguns são úteis"

George Box

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 18 / 60


Métodos

1 Método Univariado: ARMA/ARIMA/SARMA/SARIMA;


• Utiliza apenas informações sobre uma série temporal.

2 Método Multivariado: Vetores Auto-Regressivos - VAR/VEC;


• Utiliza informações sobre várias séries temporais.
• Abordagem flexível.

3 Modelagem Estrutural: Modelo em Estado de Espaço


4 Técnicas descritivas (não probabilísticas): identificar padrões

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 19 / 60


Definições Iniciais

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 20 / 60


Processo Estocástico

Definição: um processo estocástico é uma sequência ordenada de variáveis


aleatórias, {yt (ω), ω ∈ Ω, t ∈ T }, tal que para todo t ∈ T , yt (ω) é uma
variável aleatória em Ω e para todo ω ∈ Ω, yt (ω) é uma realização do
processo estocástico indexado em T .
• Uma série temporal {yt }T
t=1 é uma realização possível {yt }t∈T de um
processo estocástico.
• Este processo estocástico é o mecanismo gerador da série temporal
y1 (ω), y2 (ω), ..., yT (ω), denotada por {yt }

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 21 / 60


Processo Estocástico

• O objetivo do econometrista é inferir, a partir de uma realização


particular do processo estocástico, o mecanismo gerador dos dados.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 22 / 60


Média e Autocovâriancia

Seja yt uma série temporal com E(Yt2 ) < ∞. A média de Yt é dada por:

µt = E(Yt )

A função de autocovariância é definida como:

γjt = E[(Yt − µt )(Yt−j − µt−j )] ∀ t e j

Exemplo:
Sejam  ∼ i.i.N (0, σ 2 ) e yt = µ + t , então:

σ2

para j = 0
γjt = E[(Yt − µt )(Yt−j − µt−j )] = E(t , t−j ) =
0 6 0
para j =

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 23 / 60


Autocovâriancia e Autocorrelação

A função de autocorrelação (FAC) é definida como:


γjt
ρjt ≡
γ0t

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 24 / 60


Estacionariedade

Uma série temporal é dita ser fracamente estacionária se:


1 E|Yt |2 < ∞ ⇒segundo momento não centrado é finito.

2 E(Yt ) = µ para todo t ∈ Z ⇒ média igual e independente do tempo.


3 E[(Yt − µt )(Yt−j − µt−j )] = γj ⇒ variância igual e constante para todo
t e autocovariância depende apenas de j.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 25 / 60


Estacionariedade
Uma série temporal {Yt , t = 0, ±1, ±2, ...} é dita ser estritamente
estacionária ou estacionária no sentido estrito se, e somente se, a função
de distribuição conjunta de (Y1 , Y2 , . . . , Yn ) for invariante com relação a
translações temporais, ou seja:

F (Y1 , Y2 , . . . , Yn ) = F (Y1+h , Y2+h , . . . , Yn+h )

Para todos os inteiros h e n > 0.

Na prática, isto significa que os gráficos da distribuição em quaisquer


dois intervalos de tempo de igual tamanho exibirão propriedades
estatísticas similares. Os momentos populacionais, quando existem, são
independentes de t.

Nota
Se {Yt } é estritamente estacionário e E[Yt ]2 < ∞ então {Yt } é fracamente
estacionário.
Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 26 / 60
Estacionariedade

Alguns resultados:
1 Estacionariedade forte não implica, necessariamente, em
Estacionariedade fraca. Nada exige que os momentos finitos existam e,
caso existam, se são iguais e independentes de t (e.g. Cauchy
distribution).

2 Estacionariedade fraca não implica Estacionariedade forte. Nada


garante que não haja alteração da distribuição por translação
temporal;
3 Estacionariedade fraca + Normalidade ⇒ Estacionariedade forte.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 27 / 60


Ergodicidade

• Estacionariedade pode ser verificada a partir de testes estatísticos (i.e.


testes de raiz unitária) - muito embora esses testes apresentem
problemas.
• Bueno (2014): Estacionariedade sozinha não permite a estimação de
uma série temporal. Faz-se necessário satisfazer a "ergodicidade".
• Ergodicidade é a propriedade da média amostral convergir para a
média populacional.
• Numa realização particular,s, de um processo estocástico, a média
temporal desta realização é dada por:
T
1 X (s)
ȳ (s) = y
T t=1 t

• Se ȳ (s) convergir para E(yt ) então existe ergodicidade.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 28 / 60


Ergodicidade

Definition
Um processo fracamente estacionário é ergódico para o primeiro
momento se:
T S
1 X (s) 1 X (s)
E(ȳ (s) ) ≡ p lim yt = p lim yt ≡ E(yt )
T →∞ T S→∞ S
t=1 s=1

• Ergodicidade implica em estacionariedade fraca, mas o inverso não é


verdadeiro (Ver Hamilton, 1994 para um exemplo).
• Se a autocovariância vai a zero suficientemente rápido quando j
aumenta, então a série é ergódica.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 29 / 60


Ergodicidade

Blockwell e Davis (1991) - Um processo é ergódico para a média se a


soma das autocovariâncias é finita:

X
|γj | < ∞
j=0

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 30 / 60


Ergodicidade

O quê queremos?
• Esperança de cada uma das observações seja igual (estacionariedade
fraca).
• Estimar a esperança populacional a partir da média temporal das
observações (ergodicidade).

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 31 / 60


Ergodicidade

Definition
Um processo fracamente estacionário é ergódico para o segundo
momento se:
T
1 X p
(yt − µ)(yt−j − µ) → γj , ∀j
T − j t=1

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 32 / 60


Exemplos de Processos Estocásticos

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 33 / 60


Ruído Branco (White Noise)

Seja uma sequência {}∞


t=−∞ de variáveis aleatórias. Se

1 E(t ) = 0, ∀t.
2 E(2t ) = σ 2 , ∀t.
3 E(t t−j ) = 0, ∀j 6= 0.

Então este processo é chamado de ruído branco, representado por

 ∼ RB(0, σ 2 )

Note que um ruído branco (white noise) é um processo estacionário.


Média constante e variância finita.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 34 / 60


Ruído Branco
Exemplo de processo RB(0, σ 2 ) com σ 2 = 1.

Processo Ruído Branco


2.5

1.5

0.5

−0.5

−1

−1.5

−2

−2.5
0 20 40 60 80 100 120 140 160
Tempo

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 35 / 60


Processo de Média Móvel de Ordem 1 - MA(1)

Considere a série definida por

Xt = Zt + θZt−1 , t = 0, ±1, ...

Onde Zt ∼ RB(0, σ 2 ) e θ uma constante nos reais. Este é um processo


MA(1).

Um processo mais geral seria:

Xt = µ + Zt + θZt−1 , t = 0, ±1, ...

com µ 6= 0

Um processo MA(2) é dado por:

Xt = Zt + θ1 Zt−1 + θ2 Zt−2 , t = 0, ±1, ...

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 36 / 60


Processo de Média Móvel de Ordem 1 - MA(1)
Os dois primeiros momentos de um processo MA(1) são dados por:

1 E(Xt ) = E(Zt ) + θE(Zt−1 ) = 0.


2
E(Xt2 ) = E(Zt + θZt−1 )2

= E(Zt2 + 2θZt Zt−1 + θ2 Zt−1


2
)

= σ2 + 0 + θ2 σ2

= σ 2 (1 + θ2 ) < ∞

Processo satisfaz propriedades de estacionariedade ⇒ média constante e


variância finita.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 37 / 60


Processo de Média Móvel de Ordem 1 - MA(1)
A função de autocovariância é dada por:
 2
 σ (1 + θ2 ) para j = 0
γjt = σ2 θ para j = ±1
0 para |j| > 1

Além disso, por se tratar de um processo estacionário, a função de


autorrelação de {Xt } é dada por:

 1 para j = 0
ρjt = θ/(1 + θ2 ) para j = ±1
0 para |j| > 1

Note que condição de ergodicidade também é satisfeita:



X
|γj | = (1 + θ2 ) + |θ| < ∞
 
j=0

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 38 / 60


Simulando processos de Média Móvel

Processo MA(1) Processo MA(1)


2.5 3
θ=0 θ=0.1
2
2
1.5

1
1
0.5

0 0

−0.5
−1
−1

−1.5
−2
−2

−2.5 −3
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Tempo Tempo

Processo MA(1) Processo MA(1)


4 5
θ=0.5 θ=0.9
3 4

3
2
2
1
1
0
0
−1
−1
−2
−2

−3 −3

−4 −4
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Tempo Tempo

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 39 / 60


Processo de Média Móvel de Ordem q ou MA(q)
Em termos gerais, temos um MA(q):
q
X
Xt = µ + θj Zt−j
j=0

com θ0 = 1 e Zt ∼ RB(0, σ 2 ).
Note que:
Pq
1 E(Xt ) = µ + j=0 θj E (Zt−j ) = µ.

2  2
Xq
V ar(Xt ) = E(Xt − µ)2 = E  θj Zt−j 
j=0
q
X
θj2 E Zt−j
2

=
j=0
q
X
= σ2 θj2
j=0

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 40 / 60


Processo de Média Móvel de Ordem q ou MA(q)

Para j = 1, 2, ..., q a autocovariância é dada por:


q q
!
X X
γj = E θi Zt−i θi Zt−i−j
i=0 i=0
2 2 2 2

= E θj Zt−j + θ1 θj+1 Zt−j−1 + θ2 θj+2 Zt−j−2 + ... + θq θq−j Zt−q
| {z }
para j > q não há datas comuns

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 41 / 60


Processo de Média Móvel de Ordem q ou MA(q)

Como para j > q não há datas comuns ⇒ a covariância será nula.

σ 2 (θj + θ1 θj+1 + θ2 θj+2 + ... + θq θq−j ) para j = 1, 2, ..., q



γj =
0 para j > q

Duas observações:
1 A partir da defasagem q, a autocorrelação desaparece.
2 Olhando para a FAC é possível identificar a ordem q. (Precisaremos
olhar para a FACP para ter certeza.)

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 42 / 60


Processo de Média Móvel de Ordem q ou MA(q)

Example
Exemplo de um processo MA(2)

A autocovariância é dada por:


 2

 σ (1 + θ12 + θ22 ) para j =0
 2
σ (1 + θ12 + θ1 θ2 ) para j =1
γj =

 σ 2 θ22 para j =2
0 para j >2

Já a função de autocorrelação é dada por:




 1 para j =0
 θ1 +θ1 θ2
 2
1+θ1 +θ2 2 para j =1
ρj = θ2

 1+θ12 +θ22
para j =2

0 para j >2

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 43 / 60


Processo Autoregressivo de Ordem 1- AR(1)

Assuma agora que a série {Xt } é estacionária e definida por

Xt = c + φXt−1 + Zt , t = 0, ±1, ... com Zt ∼ RB(0, σ 2 )

• Como se comportam os momentos deste processo?

• Antes de responder permita-nos definir operador de defasagem.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 44 / 60


Operador de Defasagem

Definition
Operador de defasagem é um operador de multiplicação tal que
LXt = Xt−1 .

Note que L2 Xt = L(LXt ) = LXt−1 = Xt−2 . Em geral

Lj = Xt−j

Algumas propriedades (ver Enders para outras):


1 Seja c ∈ R uma constante, então Lc = c.
2 L(Xt + Yt ) = Xt−1 + Yt−1

3 L(Xt Yt ) = Xt−1 Yt−1

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 45 / 60


Processo Autoregressivo de Ordem 1 - AR(1)
Então, podemos mostrar que:
Xt = c + φXt−1 + Zt

Xt = c + φLXt + Zt

(1 − φL)Xt = c + Zt


c X
Xt = + φj Zt−j
1 − φ j=0
| {z }
≡ψ(L)

Xt = µ + ψ(L)Zt

c
Onde µ = 1−φ e

ψ(L) = (1 − φL)−1 = 1 + φL + φ2 L2 + ...

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 46 / 60


Processo Autoregressivo de Ordem 1 - AR(1)

Como se comportam os momentos deste processo?


P∞ j
1 E(Xt ) = µ + j=0 φ E (Zt−j ) = µ.

2  2
X∞
V ar(Xt ) = E(Xt − µ)2 = E  φj E (Zt−j )
j=0


X
(φj )2 E Zt−j
2

=
j=0

σ2
=
1 − φ2

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 47 / 60


Processo AR(1)

Já a autocovariância é dada por:

∞ ∞
! !
X X
s s
E [(Xt − µ)(Xt−j − µ)] = E φ Zt−s φ Zt−s−j
s=0 s=0

= σ 2 (φj + φj+2 + φj+4 + ...)

φj
 
= σ2
1 − φ2

1 Média e autocovariâncias não dependem do tempo ⇒ processo


fracamente estacionário.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 48 / 60


Processo AR(1)

Já a função de autocorrelação é dada por:


 j 
φ
σ 2 1−φ 2
ρj = σ 2 = φj , j = 1, 2, ...
1−φ2

• Note que a função de autocorrelação para um processo AR(1)


apresentará um decaimento em direção a zero à medida que j
aumenta, assumindo que |φ| < 1.
• O decaimento será tanto mais rápido quanto mais próximo for φ de
zero.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 49 / 60


Processo AR(1)
µ = 0 e σ2 = 1

Processo AR(1) Processo AR(1)


3 3
φ=0.1 φ=0.5
2
2

1
1
0
0
−1
−1
−2

−2 −3

−3 −4
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Tempo Tempo

Processo AR(1) Processo AR(1)


5 2.5
φ=0.9 φ=0
2

1.5

1
0
0.5

−0.5
−5
−1

−1.5

−2

−10 −2.5
0 20 40 60 80 100 120 140 160 0 20 40 60 80 100 120 140 160
Tempo Tempo
Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 50 / 60
Processo Autoregressivo de Ordem 2 - AR(2)

Um processo de AR(2) é dado por:

Xt = c + φ1 Xt−1 + φ2 Xt−2 + Zt
2
com Zt ∼ RB(0, σ )
Se {Xt } é um processo estacionário, então a esperança não condicional:

E(Xt ) = c + φ1 E(Xt−1 ) + φ2 E(Xt−2 ) + E(Zt )

c
E(Xt ) ≡ µ =
1 − φ1 − φ2
ou ainda
c = µ(1 − φ1 − φ2 )

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 51 / 60


Processo Autoregressivo de Ordem 2 - AR(2)

Utilizando este resultado podemos reescrever o processo

Xt − µ = φ1 (Xt−1 − µ) + φ2 (Xt−2 − µ) + Zt

Multiplicando ambos os lados por (Xt−j − µ) e tomando a esperança não


condicional temos:

E[(Xt −µ)(Xt−j −µ)] = φ1 E[(Xt−1 −µ)(Xt−j −µ)]+φ2 E[(Xt−2 −µ)(Xt−j −µ)]


+ E[Zt (Xt−j − µ)]

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 52 / 60


Processo Autoregressivo de Ordem 2 - AR(2)

E[(Xt −µ)(Xt−j −µ)] = φ1 E[(Xt−1 −µ)(Xt−j −µ)]+φ2 E[(Xt−2 −µ)(Xt−j −µ)]


+ E[Zt (Xt−j − µ)]

Logo, por definição, a autocovariância é dada por:

γj = φ1 γj−1 + φ2 γj−2 , j = 1, 2, ...

Dividindo esta equação por γ0 temos a função de autocorrelação:

ρj = φ1 ρj−1 + φ2 ρj−2 , j = 1, 2, ...

• Estas equações são conhecidas como equações de Yule-Walker.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 53 / 60


Processo Autoregressivo de Ordem 2 - AR(2)

Portanto, para um processo AR(2) temos:

φ1
ρ1 = φ1 ρ0 + φ2 ρ1 ⇒ ρ1 = , para j=1
1 − φ2

φ21
ρ2 = φ1 ρ1 + φ 2 ⇒ ρ2 = + φ2 , para j=2
1 − φ2
E assim por diante

ρs = φ1 ρs−1 + φ2 ρs−2 , para j=s

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 54 / 60


Processo Autoregressivo de Ordem 2 - AR(2)
A variância é dada por:

E[(Xt −µ)2 ] = φ1 E[(Xt−1 −µ)(Xt −µ)]+φ2 E[(Xt−2 −µ)(Xt −µ)]+E[Zt (Xt −µ)]

A qual pode ser escrita como:

γ0 = φ1 γ1 + φ2 γ2 + σ 2

Por definição γ1 ≡ γ0 ρ1 e γ2 ≡ γ0 ρ2 , portanto:

γ0 = φ1 γ0 ρ1 + φ2 γ0 ρ2 + σ 2

ou ainda
σ2
γ0 =
1 − φ1 ρ1 1φ2 ρ2
Utilizando os resultados anteriores, temos:

(1 − φ2 )σ 2
γ0 =
(1 + φ2 )(1 − φ1 − φ2 )(1 + φ1 − φ2 )

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 55 / 60


Processo Autoregressivo de Ordem p - AR(p)

Um processo autoregressivo de ordem p é dado por:

Xt = c + φ1 Xt−1 + φ2 Xt−2 + . . . + φp Xt−p + Zt

com Zt ∼ RB(0, σ 2 )
Ou ainda
p
X
Xt = c + φj Xt−j + Zt
j=1

Provado que este é um processo fracamente estacionário, pode-se


escrever um processo AR(p) como um MA(∞) tal que:

Xt = µ + ψ(L)Zt

Onde µ = c
1−(φ1 +φ2 +...+φp ) e ψ(L) = (1 − φ1 L − φ2 L2 − . . . − φp Lp )−1

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 56 / 60


Processo Autoregressivo de Ordem p - AR(p)

É possível mostrar que a Função de Autocovariância é dada por:


φ1 γj−1 + φ2 γj−2 + . . . + φp γj−p para j = 1, 2, . . .
γj =
φ1 γ1 + φ2 γ2 + . . . + φp γp para j = 0

Como γj = γ−j há um sistema de p + 1 equações a ser resolvido para


γ0 , γ1 , . . . , γp . As equações de Yule-Walker podem ser encontradas
dividindo tudo por γ0

ρj = φ1 ρj−1 + φ2 ρj−2 , . . . , φp ρj−p , para j = 1, 2, . . . , p.

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 57 / 60


Processo Autoregressivo de Médias Móveis -
ARMA(p,q)

Um processo ARMA(p,q), {Xt }, é descrito como:


p
X q
X
Xt = c + φj Xt−j + θi Zt−i
j=1 i=0

O valor esperado de {Xt } é dado por:


p
X c
E(Xt ) = c + φj E(Xt−j ) ⇒ E(Xt ) ≡ µ = Pp
j=1
1− j=1 φj

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 58 / 60


Processo Autoregressivo de Médias Móveis -
ARMA(p,q)
Aplicando o operador de defasagem:
p
X q
X
Xt = c + φj Lj Xt + θi Li Zt
j=1 i=0

Pq i
c i=0 θi L
Xt = Pp + P p Zt
1− j=1 φj Lj 1 − j=1 φj Lj
| {z } | {z }
≡µ ≡ψ(L)

ou simplesmente

Xt = µ + ψ(L)Zt

ARMA(p,q) pode ser escrito como um MA(∞)!!!

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 59 / 60


Processo Autoregressivo de Média Móvel

Processo ARMA(1,1)
10

−5

−10

−15
0 20 40 60 80 100 120 140 160
Tempo

Silva (PIMES/UFPE) conceitos iniciais 13 de Março de 2018 60 / 60