Logística/Técnicas de previsão/Métodos ARIMA de Box-Jenkins/Identificação do modelo: diferenças entre revisões
| [edição não verificada] | [edição não verificada] |
Conteúdo apagado Conteúdo adicionado
Correcções |
*txt |
||
Linha 1:
Nesta fase, o primeiro passo é, determinar se a série é ou não estacionária, isto é, se a [[w:série temporal|série cronológica]] parece variar em relação 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, está-se na presença de uma série não estacionária. Torna-se então necessária a sua conversão numa série estacionária, através de diferenciação. Mais concretamente, a série de dados original é substituída por uma série de diferenças entre dois valores consecutivos. Exemplificando, suponha-se por uma série de valores original, <math>\ Y_t </math>, tem um comportamento crescente ao longo do tempo, e as primeiras diferenças, <math>\vartriangle Y_t = Y_t - Y_{t-1} </math>, variam em relação a um valor fixo.
Pode ser apropriado usar um [[w:modelo (matemática)|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]]):
Linha 21:
As diferenciações são efectuadas sucessivamente até que a [[w:representação gráfica|representação gráfica]] dos dados indique que a série tem uma variação em relação a um valor fixo e as autocorrelações da [[w:amostra|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 da 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
A escolha do modelo certo à primeira tentativa, relaciona-se com a experiência do analista, à medida que este ganha mais prática, o número de tentativas para chegar ao modelo adequado será menor ([[Logística/Referências#refbHANKE|Hanke et al., 2008, p. 408-409]]).
Linha 68:
O segundo termo utilizado tanto na ''AIC'' como na ''BIC'', é um factor que penaliza a inclusão de parâmetros adicionais no modelo. Como o critério ''BIC'' impõe uma penalização superior em relação ao critério ''AIC'', a minimização de ''BIC'' vai resultar num modelo cujo número de parâmetros não é superior aos do modelo escolhido pela AIC. Muitas vezes os dois critérios produzem o mesmo resultado.
A ''AIC'' e a ''BIC'' devem ser vistas como procedimentos adicionais que ajudam na escolha do modelo. A sua utilização não deve ser feita em substituição de uma análise cuidada das ACF e PACF, mas sim como um complemento a essa análise ([[Logística/Referências#refbHANKE|Hanke et al., 2008, p. 431]]).
{{AutoCat}}
| |||