|
Nesta fase, o primeiro passo é, determinar se a série é ou não estacionária, isto é, se a série cronológica parece variar dentroem derelação a um nível fixo. Para esta determinação, torna-se útil a análise em simultâneo do gráfico da série cronológica e da ''Autocorrelation Function'' (ACF).
Se a série tiver um comportamento crescente ou decrescente ao longo do tempo e as autocorrelações da amostra não terminarem rapidamente, estamosestá-se na presença de uma série não estacionária. Torna-se então necessária a sua conversão numa série estacionária, conversão essa que é realizada através de diferenciação. Mais concretamente, a série de dados original é substituída por uma série de diferenças entre dois valores consecutivos. Exemplificando, supondosuponha-se por uma série de valores original, <math>\ Y_t </math>, que tem um comportamento crescente ao longo do tempo, mas que,e as primeiras diferenças, <math>\vartriangle Y_t = Y_t - Y_{t-1} </math>, variam dentroem dumrelação a um intervalovalor fixo.
DevePode ser apropriado usar um modelo Autorregressivo de Médias Móveis(ARMA) de ordem ''p'' = 1 e ''q'' = 1. Neste caso, o modelo é ([[Logística/Referências#refbHANKE|Hanke et al., 2008, p. 408]]):
Em algunsNalguns casos, pode ser necessário diferenciar as diferenças, antes depara se obterobterem dados estacionários. DiferenciaçõesSe simplesa correspondediferenciação asimples umafor derivaçãofeita deduas grau doisvezes, tendo esta resolução matemáticaobtêm-se:
SãoAs realizadasdiferenciações sucessivassão derivaçõesefectuadas sucessivamente até que, a representação gráfica dos dados indique que a série tem uma variação dentroem derelação a um intervalovalor fixo de valores e, as autocorrelações da amostra desaparecem com alguma rapidez. O número de diferenciações necessário para obter estacionaridade é designado por ''d''.
Assim que, se obtêm uma série de dados estáveis, o analista tem de identificar a forma do modelo a ser usado.
A identificação destada forma do modelo é conseguida através da comparação entre as ACF e ''Partial Autocorrelation Function'' (PACF) dos dados originais e as ACF e PACF dos vários modelos Autorregressivos Integrados de Médias Móveis (ARIMA). A cada modelo ARIMA corresponde um grupo único de ACF e PACF, tornando assim possível a associação dos dados do caso em estudo com um padrão teórico.
No entanto, a possível ambiguidade associada à determinação do modelo ARIMA apropriado, leva a que o modelo inicialmente escolhido seja tido como uma tentativa.
As analises que determinaram com certeza se este modelo escolhido é de facto acertado, serão feitas nos passos dois e três.
| 