|
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 dadosvalores doda casoamostra emcom estudo coma umdas padrãotendências teóricoteóricas.
No entanto, aA possível ambiguidade associada à determinação do modelo ARIMA apropriado, leva no entanto a que o modelo inicialmente escolhido seja tido como uma tentativa.
As análises que determinaram com certeza se esteo modelo escolhido é de facto acertado, serãosão feitas nos dois passos dois e trêsseguintes.
A escolha do modelo certo àdepende primeira tentativa, relaciona-se com ada experiência do analista,. àÀ 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]]).
É de salientar que, se aas amostraautocorrelações deda autocorrelaçõesamostra se extinguirextinguem exponencialmente apara zero e a amostra deas autocorrelações parciais forda cortadaamostra terminarem, o modelo vai requerer termos autorregressivos. SeVerificando-se esta lógica foro invertidainverso, o modelo necessita de termos de médias móveis. Caso ambas as amostrasautocorrelações e autocorrelações parciais se extingam, então recorre-se a termos autorregressivos e a termos de médias móveis.
Através da contagem das amostrasautocorrelações significativase deautocorrelações autocorrelaçãoparciais edas autocorrelaçãoamostras significativas parcial, a ordem das componentes Médias Móveis (MA) e Autoregressiva (AR) pode éser determinada. Para testaravaliar a significância de ambasambos, asos amostras,valores oda seuautocorrelação valore éautocorrelação comparadoparcial da amostra, são comparados com, <math>\frac{\pm {2}/{\sqrt{n}}}</math>, onde <math> n </math> representa o número de observações na série cronológica.
Estes limites funcionam bem para muitas observações, valores elevados de <math> n </math>.
| 