Logística/Técnicas de previsão/Decomposição de séries temporais

Muitos métodos de previsão, têm como propósito distinguir a tendência de qualquer aleatoriedade que possa estar contida nas observações. Numa série de dados com tendência, o alisamento das observações passadas, permite separar e eliminar a aleatoriedade, facilitando a utilização da tendência para prever os valores futuros da série temporal. De modo a reconhecer as componentes da série temporal de forma isolada, é frequente a separação da tendência em subtendências, proporcionando previsões mais precisas e uma melhor compreensão do comportamento da série (Makridakis, 1998, p. 82-84).

A ciclicidade e a sazonalidade são duas componentes distintas da tendência que, normalmente, caracterizam as séries económicas e comerciais através dos métodos de decomposição. A sazonalidade, consiste numa flutuação periódica da variável, causada, por exemplo, pela temperatura, pluviosidade, mês do ano, feriados ou politicas empresariais. Quando ocorrem mudanças a longo prazo no nível da série, está-se perante uma situação de ciclicidade. Habitualmente, a ciclicidade é separada em componentes de tendência e cíclicos, distinção sempre algo artificial, integrando os dois efeitos num único componente, a ciclicidade.

A decomposição pressupõe que os dados são compostos como se segue:

Dados = tendência + erro = $f$(ciclicidade, sazonalidade, erro)

Assim, a presença de um elemento de erro ou aleatoriedade é também assumida, em adição aos componentes da tendência. Este erro é, normalmente, apelidado de componente «irregular» ou «resto» e, caracteriza-se por ser a diferença entre o efeito combinado das duas subtendências da série e os dados reais.

Para isolar cada componente da série com a maior precisão possível, há várias alternativas de decompor uma série temporal. Esta separação consiste em remover a ciclicidade, isolando a componente sazonal numa fase posterior. Qualquer resíduo é considerado aleatório, sendo possível a sua identificação, apesar da sua previsão ser impossível. Apesar das fragilidades existentes na abordagem da decomposição, do ponto de vista estatístico, na prática, esta tem sido usada com um sucesso notável, ignorando estas fraquezas.