Professional Documents
Culture Documents
(verso preliminar)
Agosto 2012
Prof. Cristiano Fernandes
e-mail: cris@ele.puc-rio.br
1. MOTIVAO .......................................................... 5
INTRODUO .............................................................. 5
INTRODUO ............................................................ 42
MODOS CONDICIONAL E INCONDICIONAL DOS MODELOS DE ST ..... 44
PROCESSO AR(1) ...................................................... 44
Propriedades Estatsticas ....................................... 44
PROCESSO AR(2) ...................................................... 46
Condies de estacionariedade ................................ 46
PROCESSO AR(P)....................................................... 49
Estimao .......................................................... 50
TESTES DE HIPTESES ................................................. 51
INTRODUO ............................................................ 57
PROCESSO MA(1) ...................................................... 58
Estimao .......................................................... 61
GENERALIZAO ........................................................ 62
DUALIDADE AR X MA.................................................. 62
INTRODUO ............................................................ 64
PROCESSO ARMA(1,1) ................................................ 64
ESTACIONARIEDADE .................................................... 67
INVERTIBILIDADE ....................................................... 67
ESTIMAO ............................................................. 67
IDENTIFICAO ......................................................... 67
CRITRIOS DE INFORMAO (CI) ..................................... 68
PROCESSOS ARIMA(P,D,Q) ........................................... 69
INTRODUO ............................................................ 71
SAZONALIDADE COM VARIVEIS DUMMIES ............................ 72
NO ESTACIONARIEDADE SAZONAL ................................... 76
SAZONALIDADE COM MODELOS SARIMA.............................. 77
IDENTIFICAO DE MODELOS SARIMA(P,D,Q) X (P,D,Q)S ........ 78
Identificao de d e D........................................... 78
INTRODUO ............................................................ 83
MEDIDAS DE ADERNCIA ............................................... 84
DIAGNSTICOS ......................................................... 86
NORMALIDADE .......................................................... 87
QQ plot ............................................................. 87
Teste de Jarque-Bera ............................................ 88
Correlao serial ................................................. 91
Anlise de interveno .......................................... 97
BIBLIOGRAFIA....................................................... 112
Introduo
Fonte: Ipeadata.
A fim de ilustrar os problemas potenciais que podem ocorrer numa regresso com
sries de tempo, considere o seguinte exemplo.
Exemplo
A inspeo visual dos grficos das sries no tempo sugere no-estacionariedade das
sries, uma vez que nenhuma das sries parece variar em torno de um valor de
equilbrio.
7000
6000
5000
4000
3000
2000
1000
95 96 97 98 99 00 01 02 03 04 05
EXPORTAO
0
95 96 97 98 99 00 01 02 03 04 05
CMBIO SELIC
Modelo ARIMA para Sries Temporais utilizando o software EViews 8
Prof. Cristiano Fernandes PUC-Rio Agosto 2012
Formalmente a no estacionariedade de cada uma destas sries pode ser
investigada atravs da aplicao de um teste de no estacionariedade (ou teste de
raiz unitria), o teste ADF, onde:
1
Os testes de raiz unitria disponibilizadas no EViews no so, estritamente falando, adequados para sries sazonais.
Neste caso deve-se obter a srie anual, por agregao da srie mensal, e testar raiz unitria. Se a srie anual no-
estacionria, bem provvel que a srie mensal tambm o seja.
4000
3000
2000
1000
-1000
-2000
95 96 97 98 99 00 01 02 03 04 05
RESDUOS
Lembrando que os resduos so estimativas dos erros, segue que uma regresso que
resulta em resduos no estacionrios jamais poderia estar associada a um modelo
onde os erros possuem varincia constante e so descorrelatados.
Por outro lado, pode-se mostrar formalmente que se o erro for no estacionrio,
ento os resultados da regresso entre sries temporais carecem de qualquer base
estatstica, sendo denominada de regresso espria.
Esta uma estratgia vlida neste caso, mas no adequada para todos os casos.
Exemplo:
modelo ARMA(1,1):
y t = y t 1 + t 1 + t , t ~ N(0, 2 )
modelo AR(1)-GARCH(1,1)
h t = 0 + 2t 1 + h t 1 ,
t = h 1/2
t t
Exemplo:
y t = 0 + 1 y t 1 + 2 xt + 3 xt 1 + t , t ~ N(0, 2 )
Uma vez construdo um modelo para uma ST, este pode ser utilizado para efetuar
previses probabilsticas sobre o futuro da srie.
Esquematicamente:
Processo Estocstico
-1
-2
-3
-4
25 50 75 100
AR_1
que a estrutura capturada pelo modelo seja uma boa aproximao para o
mecanismo de dependncia da srie;
Na prtica somente observamos uma nica realizao de um PE, i.e., uma nica ST
(inflao, cmbio etc).
A partir desta nica realizao temos que determinar/estimar o processo que gerou
a ST.
Para que este procedimento seja factvel necessrio impor algumas restries ao
PE, sendo estacionariedade uma destas condies.
Estacionariedade
i. E [ yt ]
= t
ii. E ( yt ) = (0) = y2
2
t
iii. E ( yt )( yt k ) = (k ) t
Se | | < 1 ento este processo ser sempre estacionrio, pois neste caso pode-
se mostrar que:
E(yt) = 0
Var(yt) = 2 /(1 - 2)
yt = yt-1 + et et ~NID(0,2)
e assim:
E(yt) = 0
Var(yt) = t 2
(k) = (t k)2
-5
-10
-15
-20
-25
50 100 150 200 250 300
PASSEIO ALEATRIO
50000
40000
30000
20000
10000
0
95 96 97 98 99 00 01 02 03 04 05
IBOV
Exemplo:
yt = a srie Selic
De forma equivalente, dada uma ST real, podemos estimar a sua mdia, varincia, o
seu correlograma, o correlograma do quadrado da srie, testar se a srie
estacionria, se tem dependncia linear e no linear etc
T
= E(y t ) y = (1/T) y t
t=1
T _
2y =Var(y t ) s 2y = (1/(T-1)) (y t - y ) 2
t=1
T _
S = E[(y t - )3 ] / 3y s = (1/(T-1)) (y t - y )3 /s3/2
y
t= 1
T _
K = E[(y t - ) 4 ] / 4y k = (1/(T-1)) (y t - y ) 4 /s 4y
t= 1
A FAC e a FACP tambm podem ser estimadas para uma srie temporal real, da
mesma forma que estimamos a sua mdia e outros momentos amostrais.
Propriedades da FAC
E(yt) = 0
1.0
0.8
0.6
0.4
0.2
0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
FAC do AR(1)
(0 < < 1 ) :
1.0
0.8
0.6
0.4
0.2
0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
FAC do AR(1)
yt = yt-1 + et
yt = yt-1 + et
Observe que na FACP terica a correlao parcial para k > 1 exatamente zero,
enquanto que na FACP estimada no exatamente zero, mas estatisticamente
no discernvel de zero.
Ha: a ST estacionria
yt = yt-1 + et (I)
yt = a1yt-1 + et (II)
a1 = -1
Por exemplo:
2
A maneira formal de se testar RU por demais intricada, envolvendo uma sucesso de testes mltiplos e simples,
com distribuies no-padres, at se forma adequada do teste de RU. Na maioria dos casos deve coincidir com o
procedimento prtico aqui apresentado.
Nos teste ADF, para corrigir a possvel presena de autocorrelao dos resduos
nas equaes I, II ou III, adicionado o seguinte somatrio em cada uma destas
equaes, transformando-as em ADF-I, ADF-II e ADF-III, respectivamente:
P
ADF-I: yt = a1yt-1 + y
i =1
i t i + et
P
ADF-II: yt = ao+ a1yt-1 + y
i =1
i t i + et
P
ADF-III: yt = ao + a1yt-1 + y
i =1
i t i + a 2 t + et
^ ^
t = ( a1 - 0) / se( a 1 )
Ou seja, o valor crtico da estatstica de teste muda com a forma do teste de RU:
I, II ou III.
Exemplo
Srie do Ibovespa
50000
40000
30000
20000
10000
0
95 96 97 98 99 00 01 02 03 04 05
IBOV
bvio que a srie estacionria com mdia praticamente nula, e assim sendo a
forma adequada para o teste ser o ADF-I, cujo resultado apresentamos a seguir:
ADF-I
Assim sendo, antes de ser utilizada em modelos, algumas sries devem ser
transformadas em estacionrias.
Formalmente:
se a srie transformada vai ser utilizada num modelo voc no deve colocar na
janela do modelo o nome da srie transformada e sim o comando que cria esta
srie. Por exemplo:
realiza uma regresso com a variao mensal relativa das exportaes com a
variao mensal na taxa de cmbio e variao absoluta da taxa Selic.
Exportao
7000
6000
5000
4000
3000
2000
1000
95 96 97 98 99 00 01 02 03 04 05
1000
500
-500
-1000
-1500
95 96 97 98 99 00 01 02 03 04 05
.3
.2
.1
.0
-.1
-.2
-.3
95 96 97 98 99 00 01 02 03 04 05
Introduo
Os modelos autorregressivos so modelos de regresso onde:
Como veremos, para que um modelo AR(p) seja estacionrio necessrio que
sejam impostas restries nos seus parmetros.
yt-1 = per_exp_1
yt-4 = per_exp_4
Se a srie for iid, isto totalmente aleatria (um rudo branco), ento s haver
o modo incondicional.
Processo AR(1)
y t = c + 1y t-1+ t , t ~ N(0, 2 )
Propriedades Estatsticas
Condio de estacionariedade
|1| < 1
Modo condicional
Modo incondicional
E(yt) = c / (1 - 1) = .
2
Var(yt ) =
1 - 12
2
f(yt ) ~ N(, )
1 - 12
FAC
1.0
1.2
0.8
0.8
0.6 0.4
0.4 0.0
0.2 -0.4
0.0 -0.8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0, k > 1
kk =
1 , k = 1
.8
.7
.6
.5
.4
.3
.2
.1
.0
2 4 6 8 10 12 14
FACP do AR(1)
1.0
Processo AR(2)
Condies de estacionariedade
2 - 1 < 1
-1 < 2 < 1
Modo condicional
Modo incondicional
E(yt) = c /(1- 1 - 2 )
Var(y t ) = 2 /(1 12 22 )
(
razes do polinmio 2 - 1 - 2 = 0 )
O importante observar que a forma da FAC de uma AR(2) indistinguvel
da FAC de um AR(1): apresentar sempre forma de decaimento exponencial
ou de senide amortecida, dependendo do sinal dos s.
1.0
0.8
0.6
0.4
0.2
0.0
2 4 6 8 10 12 14
FAC do AR(2)
0, k =
1, 2
kk
= 0,= k 3, 4,...
1.0
0.8
0.6
0.4
0.2
0.0
2 4 6 8 10 12 14
FACP do AR(2)
Processo AR(p)
( - p
1p-1- 2p-2 ... - p = 0 )
0, k =
1, 2,..., p
kk
=0, k =p + 1, p + 2, ...
Estimao
T
f ( y1, y 2 ,, yT ; ) = p( y t | Yt-1 )
t =1
= mx log L()
T
y t 1 y t 1 =
c = (1 1 ), m
m yt
=
t =1
T
(y t m
)( y t 1 m
)
1 = t =2
T
(y
t =2
t 1 m
)2
fcil de ver que esta soluo coincide, para y1 fixo, com a soluo de Mnimos
Quadrados Ordinrios.
Testes de Hipteses
hipteses do tipo
Ha: j 0
Basta que utilizemos que z j = j / se( j ) ~ N (0,1) , e assim se | zj | > 1,96
Exemplo
350
300
250
200
150
100
50
95 96 97 98 99 00 01 02 03 04 05
IGP_DI
-1
-2
95 96 97 98 99 00 01 02 03 04 05
% IGP DI
100*dlog(IGP_DI) c AR(1)
Detalhadamente:
100*dlog(IGP_DI) c 100*dlog(IGP_DI(-1))
( y c y(-1) y(-2) ... )
Introduo
Os modelos ou processos do tipo mdias mveis ou MA so construdos a partir
da constatao de que, ao somarmos um rudo branco ao seu valor defasado de
um perodo , obtemos um processo com autocorrelao:
y t = c + 1 t-1 + t t ~N(0, 2 )
Vamos ilustrar uma realizao deste processo e a sua FAC estimada, de modo
que fique constatada a afirmao de que uma srie assim gerada apresenta
autocorrelao.
12
-4
-8
50 100 150 200 250 300
MA(1)
Modo condicional
- E(y t ) = c =
- Var(y t ) = 2 (1 + 12 )
- f(y t ) ~ N( c, 2 (1 + 12 ))
1
, k =1
(k) = (k) / (0)= (1 + 12 )
0,
, k >1
.9 1.0
.8
.7 0.5
.6
.5
0.0
.4
.3
.2 -0.5
.1
.0 -1.0
2 4 6 8 10 12 14 2 4 6 8 10 12 14
.1
.0 -1.0
2 4 6 8 10 12 14 2 4 6 8 10 12 14
Estimao
T
l( )= log
t=1p(y t |Yt-1, 0 = 0)
T 1 1
= log
t=1 2 2
exp[- 2 (y t - ( + 1 t-1)]2
2
T/2
1 1 T 2
2 2
= log exp[- (, )]
2 2 t=1
t 1
T
T T 1
= log(2 ) log( 2 )- 2 2t (,1)
2 2 2 t=1
f(y t ) ~ N( , 2 (1 + 12 + 22 +...+2q ) )
(
f(z) = z q + 1z q-1 + 2 z q-2 +... + q )
Dualidade AR x MA
O leitor atento j ter observado que existe uma dualidade entre os processos AR
e MA, a qual se evidencia atravs das assinaturas reveladas nas FAC e FACP
destes processos:
Introduo
Um processo ARMA(p,q) um processo misto o qual combina num mesmo
modelo a parte AR e a parte MA, sendo dado por:
AR MA
Processo ARMA(1,1)
Modo condicional:
(1+ 11)(1+ 1) 2
,k=1
(k) = (1- 12 )
k-1
1 (k -1), k > 1
FACP: Usando que para um processo ARMA(1,1) (y t - ) =
j=0
j t-j, ~ MA( ) ,
-4
-8
-12
50 100 150 200 250 300
ARMA (1,1)
Invertibilidade
Como era de se esperar a invertibilidade do processo ARMA ser determinada
pela invertibilidade da parte MA do processo.
Estimao
Estimao dos parmetros desconhecidos de um modelo ARMA(1,1) efetuada
por MV, atravs de mtodos numricos de otimizao.
Identificao
Identificao consiste em determinar para uma dada ST estacionria, as ordens
p e q do processo ARMA(p,q) mais adequado para a srie.
Como vimos, para processos puros AR ou MA, estas ordens podem ser inferidas
atravs da inspeo simultnea da FAC e FACP, uma vez que seus
comportamentos so nicos para estes processos.
Entretanto, para processos mistos a inspeo forma da FAC e FACP no nos
permite identificar as ordens p e q do processo. Por qu?
Pode-se ver que no haver uma relao nica entre o par FAC / FACP e um
processo ARMA(p,q) misto.
Como conseqncia da no unicidade da FAC/FACP para processos mistos, uma
ST estacionria real que produz FAC/ FACP fora do padro de processos
puros, ser considerada como sido gerada por um processo misto ARMA(p,q),
com p e q desconhecidos.
/ T* + f(k,T*) / T*
= - 2 log L()
onde:
Processos ARIMA(p,d,q)
se d= 0, a srie j estacionria
Para saber a ordem d de uma srie real, realizamos testes de raiz unitria:
Ha: a ST estacionria
Introduo
Exemplos
s = 2, sries semestrais;
s = 4, sries trimestrais;
s = 12, sries mensais ;
s = 52, sries semanais;
s = 365, sries dirias.
@seas(j) j=1,2,...,s-1
1, se t = j, j = 1,2,...,s-1; t=1,2,...,T
@seas(j)=
0, se t j
Suponha que se deseja estimar um modelo ARMA(1,1) para uma srie mensal,
onde janeiro foi arbitrado como ms de referncia. Os comandos do EViews seriam
os seguintes:
Portanto, numa situao real, a modelagem sazonal por variveis dummies de uma
srie zt, diferenciada ou no, realizada utilizando o seguinte arcabouo geral:
s-1
zt = c + d
j=1
j j,t + t onde t ~ ARMA(p,q)
Exemplo
30
20
10
-10
-20
-30
-40
95 96 97 98 99 00 01 02 03 04 05
% EXP
11
100*dlog(exp_manuf)= c + d
j=1
j j,t + t
No Estacionariedade Sazonal
z1t = yt = yt - yt 1
z2t = syt = yt - yt s
Assim, na prtica, a srie a ser estimada pode ter que ser diferenciada duas
vezes: uma para retirar a no estacionariedade na tendncia e outra no
comportamento sazonal.
Para obter no EViews uma srie j diferenciada nos dois modos digitamos em
Quick, Generate series:
Inicialmente considere um modelo AR(1) que foi ajustado a uma srie temporal
sabidamente sazonal:
y t = c + 1 y t-1+ t , | 1 | < 1
Identificao de d e D
d = conforme j visto, pode ser determinado atravs de um teste de raiz
unitria, ou pela inspeo da FAC da srie original e da srie diferenciada: o
decaimento da FAC nos lags no sazonais tem que ser rpido. Geralmente d=0
(srie estacionria) ou d=1 (srie no estacionria).
Identificao de p e q
Devem ser identificados como nos modelos AR e MA, observando se o par
FAC/FACP apresenta, fora dos lags sazonais, padro de AR puro ou de MA
puro. Se no houver um padro claro deve-se tentar um modelo misto ARMA.
Identificao de P e Q
Devem ser identificados como nos processos AR e MA, s que observando o
padro da FAC e FACP nos lags sazonais (s, 2s, 3s etc). Se tambm houver na
FAC lags significativos em torno dos lags sazonais (k= s-1, s+1, 2s-1, 2s+1 etc)
isto indica que o modelo do tipo multiplicativo. A ausncia de padres claros
nessas funes pode sugerir um modelo misto na parte no sazonal.
A experincia mostra que em muitos casos uma boa estratgia para identificao
de modelos SARIMA ajustar inicialmente o modelo SARIMA(0,1,1) x (0,1,1)s
conhecido como modelo airline, o qual tem a forma:
Exemplo
Observando a FAC fica aparente um decaimento lento nos lags sazonais, k =12, 24
e 36, implicando assim que a srie necessita tambm de uma diferenciao sazonal
(D=1).
Fica ento claro que o modelo SARIMA deve ser ajustado na seguinte srie:
% Exp_seas = dlog(ex_man_fob,1,12)
Introduo
srie - previso
- res absoluto t % = .100%
srie
m 2
2 a varincia do erro de previso
do modelo em uso.
n -1
i. R 2 = 1- (1- R 2 )
n-k
m
ii. AIC = ln[ 1/n (srie t - previso t )2 ] + 2k / n
t=1
m
iii BIC = ln[ 1/n ( srie t - previso t )2 ] + k ln (n) / n
t=1
R 2 = R 2 ajustado
AIC = Critrio de Informao de Akaike
BIC = Critrio de Informao Bayesiano ou de Schwarzt
Diagnsticos
Normalidade
Q-Q plot
teste de Jarque-Bera
QQ plot
Exemplo
Theoretical Quantile-Quantile
3
Normal Quantile
0
-1
-2
-3
-4
-.3 -.2 -.1 .0 .1 .2
RESID
A inspeo do grfico mostra que a hiptese de normalidade dos resduos parece ter
sustentao emprica, pois a maioria dos pontos est concentrada em torno da reta.
Teste de Jarque-Bera
S = E(w - )3 /3
S '2 ( K '3) 2 D
JB = n + 22
6 24
onde:
Exemplo
20 Mean 0.006695
Median 0.007694
15 Maximum 0.182724
Minimum -0.222491
Std. Dev. 0.070427
10 Skewness -0.166400
Kurtosis 3.338595
5
Jarque-Bera 1.305456
Probability 0.520624
0
-0.2 -0.1 -0.0 0.1 0.2
n 5% 10%
30 3.71 2.49
50 4.26 2.90
75 4.27 3.09
100 4.29 3.14
300 4.60 3.68
500 4.82 3.91
5.99 4.61
No existe uma resposta padro para esta situao. Os quatro procedimentos mais
utilizados na literatura so:
1. Eliminar alguns resduos atpicos atravs da anlise de interveno;
2. Transformar a srie para escala logartmica;
3. Tentar uma nova distribuio para o erro;
4. Utilizar o procedimento de bootstrap para construir intervalos de confiana e
realizar testes de hipteses.
A estrutura de dependncia dos resduos pode ser investigada atravs dos seguintes
procedimentos, que sero apresentados a seguir:
FAC (correlograma)
Teste de Box-Ljung
FAC
Ha: (k) 0
Teste Box-Ljung
No EViews esse teste apresentado em conjunto com a FAC e FACP dos resduos.
Exemplo
Este resultado tambm capturado pelo teste Box-Ljung que aparece na mesma
figura da FAC e FACP:
Exemplo
Aps a anlise judiciosa da FAC dos resduos do modelo ajustado srie % Exp_seas,
e algumas experimentaes, chegamos ao seguinte modelo final:
O teste feito como na FAC padro e pode-se tambm utilizar a estatstica de Box-
Ljung para uma maior formalizao.
A rejeio da hiptese nula indica que deve-se incorporar uma estrutura GARCH ao
modelo (a ser visto).
Anlise de interveno
Exemplo:
*t = t / ~ N(0,1)
Estes resduos atpicos devem ser vistos com ateno, pois, geralmente:
1, se t = t *
Dumt =
0, se t t
y t = c + Dumt + t
1, t = t
*
t ~ SARIMA Dt =
0, t t
*
Exemplo
-1
-2
-3
-4
96 97 98 99 00 01 02 03 04 05
RESDUOS PADRONIZADOS
Uma inspeo mais cuidadosa indica que o maior resduo padronizado est associado
ao perodo de agosto de 1998, possuindo valor -3.198. Portanto, neste ms o modelo
super-avaliou a variao percentual da exportao.
Aps criar uma dummy para agosto de 1998, dum_98_08, e adicion-la ao modelo
final, o resultado da estimao foi:
Introduo
T+ k = so os perodos futuros
k = 1 mai 2006
A obteno de uma frmula geral de previso para um modelo SARIMA arbitrrio exige
manipulaes algbricas que fogem ao escopo do pr-sente curso.
y t = c + 1y t-1+ t , t ~ N(0, 2 )
Pode-se tambm obter uma frmula explcita para o erro quadrtico mdio ou varincia
desta previso (MSE). Para o processo AR(1) mostra-se que:
) 2 (1 + 12 + 14 + 16 + ... + 12( k 1) )
MSE(y T+k|T=
Uma vez de posse das previses e das suas varincias pode-se construir um intervalo
de confiana de (1-) % para as previses k-passos--frente, o qual dado pela
frmula:
Tipos de Previso
Aps estimado, utiliza-se o modelo para realizar previses para a parte final da
amostra, a qual foi excluda da estimao. Pode-se ento comparar, utilizando
medidas de aderncia, as previses com os valores realmente observados da srie.
Exemplo
A srie % Exp_seas possui 129 observaes (= 142 obs. da srie original, menos 13
observaes perdidas pelas defasagens). Para avaliar a capacidade preditiva do modelo
utilizamos as primeiras 123 observaes para estimar o modelo, e deixamos de fora as
seis ltimas observaes.
Graficamente:
out-of-sample
6000
5000
in-sample
4000
3000
2000
1000
95 96 97 98 99 00 01 02 03 04 05 06
Exportao
No necessrio que voc sempre realize estes trs tipos de previso, principalmente
se voc no tiver uma srie muito longa.
Previso in-sample
Inicialmente o modelo deve ser estimado no perodo in-sample. Voc deve alterar a
data final que aparece em Sample da janela Equation Estimation. No nosso caso a
data final de abr 2006 foi alterada para nov 2005.
O EViews produz ento um grfico com a previso da srie original (em azul) e os
limites inferior e superior do intervalo de confiana de 95%, bem como algumas
estatsticas de aderncia do modelo no perodo in-sample.
1000
96 97 98 99 00 01 02 03 04 05
Previso in sample
5000
4000
3000
2000
1000
95 96 97 98 99 00 01 02 03 04 05
ls = exp_prev + 1.96*se
li = exp_prev 1.96*se
Previso out-of-sample
7000
6500
6000
5500
5000
4500
4000
3500
2005M11 2005M12 2006M01 2006M02 2006M03 2006M04
Previso out-of-sample
Exportao
Extrapolao
Esta a situao que ser utilizada com maior freqncia em trabalhos prticos:
voc utiliza todos os dados da srie para estimar o modelo, e extrapola o modelo a
partir da ltima observao disponvel para obter as previses e intervalos de
confiana.
Continuando como nosso exemplo, agora temos que estimar o modelo utilizando
toda a amostra, i. e., at abril de 2006. Este modelo j foi estimado anteriormente,
sendo denominado de modelo final. Os resultados so os seguintes:
Para obter a previso para os prximos 12 meses, i.e., de mai 2006 at abr 2007,
inicialmente ser necessrio expandir a planilha do EViews, de forma a torn-la apta
a receber as previses.
Para expandir a planilha voc deve clicar duas vezes em cima do nome Range que
aparece no workfile:
10000
9000
8000
7000
6000
5000
4000
2006M07 2006M10 2007M01 2007M04
Bibliografia
1. Box, G.E.P.; Jenkins, G.M.; Reinsel, G.C. (1994). Time Series Analysis, Forecasting and
Control, 3rd Edition. Prentice Hall.
2. Enders, W. (1995). Applied Econometric Time Series. Wiley.
3. EViews 5.0 Users Guide (2004). Quantitative Micro Software.
4. Fernandes, C. (2003). Notas de aula de Sries Temporais. Departamento de Engenharia
Eltrica, PUC-Rio.
5. Patterson, K. (2000) . An Introduction to Applied Econometrics.
St Martins Press.