Wikilivros

Logística/Técnicas de previsão/Métodos ARIMA de Box-Jenkins/Identificação do modelo: diferenças entre revisões

Explorar interativamente o histórico
[edição não verificada][edição não verificada]
← Edição anteriorEdição posterior →
Conteúdo apagado Conteúdo adicionado
VisualTexto wiki
Correcções
Correcções
Linha 35:
 
 
Tendo tudo isto em conta, é preferível trabalhar com modelos simples aoem invésvez de utilizar modelos complexos. Este, facto é conhecido como o princípio da parsimóniaparcimónia. Com uma quantidade de dados limitada, é relativamente simples encontrar um modelo com um grande número de parâmetros que se encaixe perfeitamente. No entanto, previsões realizadas por tais modelos, serão, muito provavelmente, fracas isto porque, muita da variação dos dados será relativa à modelação do erro aleatório.
O objectivo é desenvolver o mais simples dos modelos que consegue fornecer uma descrição adequada das principais características dos dados ([[Logística/Referências#refbHANKE|Hanke et al., 2008, p. 409]]).
AO escolhaprocesso de modelos ARIMA é feita através da visualizaçãoescolha do gráfico da série e associação de padrões de autocorrelação e autocorrelação parcial com padrões teóricos conhecidos de processos ARIMA. No entanto,modelo estedescrito procedimentoacima, apresenta alguma subjectividade e é possível que, dois ou mais modelos iniciais apresentem resultados consistentes na comparação dos padrões. Ainda para mais, depois da estimação de parâmetros e análise do modelo, podemos ter ainda dois que representem adequadamente os dados. Se os modelos em causa, conterem o mesmo número de parâmetros, opta-se pelo que tiver menor <math>s^2</math>. Se os modelos apresentarem diferente número de parâmetros, o princípio da parcimónia leva à selecção do modelos mais simples. No entanto, o modelo com maior número de parâmetros pode ter um <math>s^2</math> consideravelmente menor ([[Logística/Referências#refbHANKE|Hanke et al., 2008, p. 431]]).▼
 
UmaOutra abordagemtécnica utilizada na escolha do modelo é o critérioCritério de informaçãoInformação de Akaike, ou (''AIC''), que selecciona o melhor modelo dentro de um grupo de candidatos que minimiza▼
▲A escolha de modelos ARIMA é feita através da visualização do gráfico da série e associação de padrões de autocorrelação e autocorrelação parcial com padrões teóricos conhecidos de processos ARIMA. No entanto, este procedimento, apresenta alguma subjectividade e é possível que, dois ou mais modelos iniciais apresentem resultados consistentes na comparação dos padrões. Ainda para mais, depois da estimação de parâmetros e análise do modelo, podemos ter ainda dois que representem adequadamente os dados. Se os modelos em causa, conterem o mesmo número de parâmetros, opta-se pelo que tiver menor <math>s^2</math>. Se os modelos apresentarem diferente número de parâmetros, o princípio da parcimónia leva à selecção do modelos mais simples. No entanto, o modelo com maior número de parâmetros pode ter um <math>s^2</math> consideravelmente menor ([[Logística/Referências#refbHANKE|Hanke et al., 2008, p. 431]]).
 
▲Uma abordagem utilizada na escolha do modelo é o critério de informação de Akaike, ou ''AIC'', que selecciona o melhor modelo dentro de um grupo de candidatos que minimiza
 
<math>AIC = \ln {\hat{\sigma}^2} + \frac{2}{n} r</math>
Linha 61 ⟶ 60:
|}
 
Outra abordagemtécnica possível passa por utilizar o critérioCritério de informaçãoInformação de Bayesian, ou (''BIC''), que escolhe o modelo que minimiza
 
<math> BIC = \ln {\hat{\sigma}^2} + \frac{\ln n}{n} r</math>
Obtido em "https://pt.wikibooks.org/wiki/Logística/Técnicas_de_previsão/Métodos_ARIMA_de_Box-Jenkins/Identificação_do_modelo"