You are on page 1of 19

1

UNIVERSIDADE FEDERAL DA PARABA

CENTRO DE CINCIAS SOCIAIS APLICADAS

DEPARTAMENTO DE ECONOMIA

THIAGO PAULINO DOS SANTOS

TRABALHO DE ECONOMETRIA

JOO PESSOA, 2015.2


2

THIAGO PAULINO DOS SANTOS

Matrcula: 11500650

ANLISE DA PRODUO NACIONAL DE MINERAIS NO


METLICOS NO PERODO DE 2002 A 2015

Trabalho apresentado disciplina de Econometria, do


curso de graduao em Economia da UFPB, como
requisito parcial de avaliao do perodo 2015.2.

Palavras-Chave: Minerao

ARIMA

Srie Temporal

Previso

JOO PESSOA, 2015.2


3

SUMRIO

1. INTRODUO.............................................................................................................

1.1 PROBLEMTICA........................................................................................................
1.2 OBJETIVOS..................................................................................................................
1.2.1 Objetivo Geral............................................................................................................
1.2.2 Objetivos Especficos.................................................................................................
1.3 DADOS.........................................................................................................................
1.4 FONTE..........................................................................................................................
2. ANLISE PRELIMINAR E DESCRITIVA..............................................................

2.1 PRODUO BRASILEIRA DE MINERAIS NO METLICOS............................


2.2. DESCRIO DOS DADOS........................................................................................
3. TESTES E ANLISE....................................................................................................

3.1 FAC...............................................................................................................................
3.2. TESTE DE RAZ UNITRIA DICKEY-FULLER.....................................................

4. METODOLOGIA..........................................................................................................

4.1 A PREVISO COM A METODOLOGIA DE BOX-JENKINS..................................


4.2 FILTROS DE MDIAS MVEIS................................................................................
4.3 ESTGIOS DA METODOLOGIA DE BOX-JENKIES..............................................
4.4 MODELOS TESTADOS (ARIMA) COM BASE NO AIC.........................................
4.5 CRITRIO PARA ESCOLHA DO MODELO ARIMA (p, d, q,)................................
4.6 CHECAGEM E DIAGNSTICO.................................................................................
4.7 PREVISO USANDO O MODELO AJUSTADO......................................................
4.8 GRFICO DOS RESULTADOS..................................................................................
5. TESTE JACKER-BERA NORMALIDADE DOS RESDUOS................................

5.1 PREMISSAS PARA O TESTE.....................................................................................


5.2. APLICAO DO TESTE DE NORMALIDADE......................................................
REFERNCIAS.................................................................................................................
4

1. INTRODUO

1.1. PROBLEMTICA

DEFINIO DE MINERAIS NO METLICOS

Minerais no metlicos so minerais cuja explorao no motivada por seu


contedo metlico, ainda que possuam metais em sua composio. Entre os minerais
no metlicos esto argilas, pedras, diversos sais, substncias de grande utilidade
industrial, como gipsita, e mesmo alguns elementos, como enxofre e carbono sob a
forma de grafite. As pedras preciosas e semipreciosas tambm so classificadas como
minerais no metlicos (VIANA, 2012).

IMPORTNCIA

A minerao um setor fundamental para o desenvolvimento de uma economia.


Pois, a atividade uma grande fonte de renda e equilibra os ndices de crescimento do
pas em grau bastante significativo. Isso se d principalmente quando se pensa no
potencial do solo brasileiro, que se apresenta em configuraes bem atpicas, abundante
em recursos naturais. Assim, capaz de coloc-lo frente, se comparado em nveis
bastante equilibrados, das naes referncias em desenvolvimento. E de acordo com o
Ministrio de Minas e Energia, o efeito multiplicador de empregos de 1:13 no setor
mineral. Ou seja, para cada posto de trabalho gerado na minerao outros 13 so criados
de forma direta ao longo de sua cadeia produtiva. Assim, fcil perceber a importncia
do setor na gerao de emprego e renda em uma dada economia. (DANTAS, 2014).

1.2 OBJETIVOS

1.2.1 Objetivo Geral

O presente trabalho tem por objetivo geral investigar o mecanismo gerador da


srie temporal estimada, fazer previses de valores futuros, descrever o comportamento
da srie e verificar a periodicidade nos dados.

1.2.2 Objetivos Especficos

Determinar se a srie temporal estudada estacionria ou no

Realizar previso com base nas informaes da srie

Analisar se a srie tem resduos que seguem distribuio Normal

1.3. DADOS

A srie objeto de anlise neste estudo referente Produo industrial de


minerais no metlicos no perodo de 2002 a 2015 (com frequncia mensal).

1.4. FONTE
5

As observaes da pesquisa foram buscadas no site do Instituto de Pesquisa


Econmica Aplicada (IPEA) conforme dados fornecidos pelo Instituto Brasileiro de
Geografia e Estatstica da Pesquisa Industrial Mensal - Produo Fsica (IBGE/PIM-
PF).

2. ANLISE PRELIMINAR E DESCRITIVA

Ser utilizado no presente trabalho o programa R. Este, um software de cdigo


livre para avaliao estatstica. uma linguagem de programao para grficos e
clculos estatsticos. Nesse estudo ser utilizada essa ferramenta para analisar a srie
temporal de produo brasileira de minerais no metlicos (industriais) no perodo de
2002 a 2015.

2.1. PRODUO BRASILEIRA DE MINERAIS INDUSTRIAIS

Abaixo, na tabela 1, so apresentados os dados completos da srie temporal analisada


neste trabalho. Trata-se de uma srie de produo de minerais industriais, que comea
em janeiro de 2002 e se estende at dezembro de 2015.
PRODUO BRASILEIRA DE MINERAIS NO METLICOS (2002-2015) IPEA/IBGE-PIM-PF

2002.01 72,50 2004.05 78,30 2006.09 84,40 2009.01 82,90 2011.05 104,90 2013.09 103,20
2002.02 69,70 2004.06 77,30 2006.10 86,80 2009.02 76,90 2011.06 102,40 2013.10 109,90
2002.03 76,20 2004.07 81,60 2006.11 85,10 2009.03 86,40 2011.07 104,00 2013.11 104,30
2002.04 76,90 2004.08 84,70 2006.12 80,80 2009.04 81,90 2011.08 106,50 2013.12 94,20
2002.05 77,70 2004.09 81,60 2007.01 80,00 2009.05 87,80 2011.09 104,70 2014.01 97,00
2002.06 74,40 2004.10 82,20 2007.02 78,10 2009.06 87,00 2011.10 105,70 2014.02 96,00
2002.07 77,50 2004.11 79,50 2007.03 87,60 2009.07 95,40 2011.11 101,00 2014.03 101,00
2002.08 80,20 2004.12 75,90 2007.04 83,50 2009.08 94,90 2011.12 95,40 2014.04 96,40
2002.09 78,10 2005.01 76,80 2007.05 88,00 2009.09 93,40 2012.01 93,70 2014.05 103,50
2002.10 84,40 2005.02 73,20 2007.06 85,70 2009.10 98,70 2012.02 94,90 2014.06 94,80
2002.11 81,50 2005.03 80,00 2007.07 89,60 2009.11 94,50 2012.03 103,60 2014.07 102,90
2002.12 75,40 2005.04 80,00 2007.08 91,60 2009.12 91,80 2012.04 96,50 2014.08 105,20
2003.01 74,10 2005.05 81,50 2007.09 86,30 2010.01 89,30 2012.05 104,20 2014.09 104,00
2003.02 71,60 2005.06 80,50 2007.10 94,00 2010.02 86,00 2012.06 98,00 2014.10 105,20
2003.03 75,10 2005.07 80,40 2007.11 89,30 2010.03 98,10 2012.07 102,70 2014.11 99,30
2003.04 70,70 2005.08 84,80 2007.12 84,20 2010.04 93,80 2012.08 107,40 2014.12 90,10
2003.05 75,50 2005.09 81,90 2008.01 88,80 2010.05 100,40 2012.09 100,90 2015.01 92,40
2003.06 71,50 2005.10 81,70 2008.02 83,60 2010.06 96,80 2012.10 105,60 2015.02 86,80
2003.07 75,60 2005.11 81,30 2008.03 91,70 2010.07 101,10 2012.11 98,60 2015.03 98,60
2003.08 75,60 2005.12 79,20 2008.04 90,30 2010.08 103,00 2012.12 93,80 2015.04 92,10
2003.09 74,80 2006.01 80,20 2008.05 92,60 2010.09 101,60 2013.01 96,20 2015.05 97,00
2003.10 80,70 2006.02 74,60 2008.06 95,10 2010.10 103,50 2013.02 92,20 2015.06 93,30
2003.11 75,00 2006.03 82,20 2008.07 100,30 2010.11 99,90 2013.03 102,50 2015.07 96,90
2003.12 71,20 2006.04 76,20 2008.08 102,60 2010.12 98,10 2013.04 103,20 2015.08 96,40
2004.01 72,80 2006.05 84,50 2008.09 101,20 2011.01 92,50 2013.05 105,20 2015.09 92,20
2004.02 69,00 2006.06 80,50 2008.10 104,00 2011.02 92,80 2013.06 100,70 2015.10 94,10
6

2004.03 78,20 2006.07 83,30 2008.11 92,40 2011.03 100,50 2013.07 106,60 2015.11 85,70
2004.04 73,90 2006.08 87,40 2008.12 81,10 2011.04 98,20 2013.08 108,20 2015.12 75,30

Tabela 1 Elaborao prpria (IPEA)

Para Morettin e Toloi (1981, p.1), uma srie temporal qualquer conjunto de
observaes ordenadas no tempo. Sob esse enfoque, Felipe (2012), define uma srie
temporal ou srie histrica, como uma sequncia de dados obtidos em intervalos
regulares de tempo durante um perodo determinado. Assim, obtida a srie temporal,
seus objetivos segundo Morettin e Toloi (1981) so o de investigar o seu mecanismo
gerador, fazer previses de valores futuros, descrever o comportamento da srie e
verificar a periodicidade nos dados.

2.2. DESCRIO DOS DADOS

A seguir ser mostrada a Rotina utilizada para chegar aos resultados do teste.
Ser descrito ao longo do trabalho os comandos no R e sempre abaixo os resultados
obtidos. Comando para chamar os dados para o R: y=scan("mineral.txt") O comando
resulta em: Read 168 items. O comando para declarar os dados como uma srie
Temporal: y.ts=ts(y, start=c(2002,1), frequency=12). E, por fim, o comando Sumrio:
Apresenta uma descrio bsica dos dados: summary(y.ts) O resultado do comando
descrito na tabela abaixo:

Summary (y.ts)
min. 1st qu. Median mean 3rd qu. Max.
69.00 80.47 89.85 89.49 98.60 109.90
Tabela 2

Diante do exposto, agora possvel apresentar o comando para aplicar


logaritmo nos dados: ly=log(y.ts). Agora vamos Plotar o grfico do logaritmo da srie
temporal, como poder ser observado logo abaixo:
7

A seguir apresentada uma sequncia com alguns comandos para fazer uma
descrio bsica dos dados da srie: mean(y.ts) / > median(y.ts) / > sqrt(var(y.ts)) /
> fivenum(y.ts). O ltimo comando corresponde a respectivamente, minimo, primeiro
quartil, mediana, terceiro quartil e mximo. Os Resultados dos comandos aplicados
acima na srie encontram-se descritos na tabela a seguir:

Descrio estatstica da srie


Mean (y.ts) Median (y.ts) sqrt (var (y.ts))
8.948.869 89.85 1.067.752

Fivenum (y.ts) 69.00 80.45 89.85 98.60 109.90


Tabela 3

Comando para determinar a Funo de Autocorrelao ver o grfico: acf(ly)


O resultado do comando ser a apresentao do grfico a seguir:

Grfico 1. Elaborado a partir dos dados no R.

3. TESTES E ANLISE

1.3. FAC: Para fazer a anlise da Funo de Autocorrelao (FAC) e


Autocorrelao parcial (FACp) com defasagem 5:

Comando: acf(mineral, lag.max=5). Abaixo podemos analisar o grfico da


funo de autocorrelao (FAC) com defasagem lag 5:
8

Agora apresentaremos outros grfico, de autocorrelao parcial (FACp) que ser


apresentado logo abaixo:
9

Utilizando o comando a seguir: pacf(diff(y.ts), lag.max=5). Chegaremos


a o prximo grfico relacionado funo de autocorrelao que relaciona agora a srie
temporal Y.ts anteriormente descrita.

A seguir, os comando para tornar a srie Estacionria: > acf(diff(ly). Sabendo


que o comando para o Grfico a seguir esboa a srie temporal de cada ms do ano,
ajudando a verificar padres Sazonais. > monthplot(y.ts) O resultado deste comando
ser o grfico a seguir:

Grfico 2. Elaborado a partir dos dados no R.


10

Sazonalidade pode ser detectada pelo comando (st1): plot(stl(log(y.ts),


"periodic")). O Resultado do comando a decomposio da srie temporal em
Tendncia, Sazonalidade e resto (componente irregular): mostrada no grfico abaixo.

Grfico 3. Elaborado a partir dos dados no R.

Usando agora o comando decompose () para decompor os componentes da


srie: decompose(y.ts) . O resultado desse comando a decomposio da srie em seus
componentes: Tendncia, Aleatrio e Sazonal.

Agora oportuno apresentar algumas Rotinas bsicas para tornar possvel a


realizao do Teste de Raiz Unitria:

> mineral <- read.csv("mineral.txt",header=T,dec=",",sep=";") > mineral >


attach(mineral) > names (mineral)

Feito isso, agora executa o comando para realizar primeira diferena na srie
temporal: diff(y.ts). Em seguida tira o Logaritmo da srie: log(y.ts)

3.2. TESTE DE RAZ UNITRIA (DICKEY-FULLER)

Observao:

Utilizaremos para realizar esse teste o pacote tseries do R. Por esse motivo
antes oportuno descrever algumas rotinas bsicas para detectar, instalar e solicitar
pacotes no software R. A seguir a descrio dos respectivos comandos:

> library () o comando usado para detectar os pacotes na biblioteca local.


11

> install.packages(tseries) Esse comando necessrio apenas se no tiver instalado o


pacote tseries.

> library(tseries) Um pacote instalado tem que ser chamado no R para realizar a tarefa.

Sabendo que os Passos para a realizao do Teste de Raiz Unitria (Comandos


em sequncia) pode ser resumidos n sequncia adiante:

> mineral <- read.csv("mineral.txt",header=T,dec=",",sep=";") > mineral > attach


(mineral) > names (mineral) > diff (y.ts) > log (y.ts) > library (tseries) > Mineral >
Attach (mineral) > names (mineral) > require (tseries) > y.ts

Feitos esses procedimentos, agora realizado o comando para realizar o Teste


de Raiz Unitria Dickley-Fuller (Augmented Dickey-Fuller Test): adf.test(y.ts,
alternative = "stationary" , k=3)

O resultado do Teste est descrito na tabela a seguir. Com base no P-valor ser
possvel fazer uma anlise da srie e identificar se estacionria ou no.

DICKEY FULLER-TEST (data y.ts)

Dickey-Fuller Lag Order P-Value


(-) 3.1109 2 0.1126
ALTERNATIVE HYPOTHESIS: STATIONARY

Tabela 4

Agora necessrio descrever s hipteses do teste de raiz unitria. As


alternativas do Dickey-Fuller podem ser descritas da seguinte forma:

H0=P=1 O Processo No Estacionrio (Tem raiz unitria)

H1=P<1 O Processo Estacionrio

A Regra de Deciso, conforme notas de aula do professor Erik Figueiredo, a


seguinte: Se o P-VALOR do teste for menor que 10% Rejeita-se a hiptese Nula (H) e
logicamente aceita-se a hiptese alternativa (H1): a srie Estacionria.

Analisando o P-value (0.1126) do referido teste pode-se observar que a srie


No-Estacionria. Isso, porque seu P-value de aproximadamente 11%. Ou seja,
tomando por base a regra de bolso descrita em notas de aula, quando o P-value do teste
Dickey-Fuller (utilizando o pacote tseries) for menor que 10% ento rejeita-se a
hiptese nula (que diz haver no estacionariedade) e aceita a hiptese alternativa. Dessa
forma, a presente srie No-Estacionria.

Ressaltando-se que foram feitos diversos testes de raiz unitria com lags
variados para escolher a melhor opo. Essa se mostrou a mais prxima dos 10%
exigidos, no entanto ainda apresentando vis de no estacionariedade.
12

4. METODOLOGIA

4.1. A PREVISO COM A METODOLOGIA DE BOX-JENKINS

A metodologia de Box-Jenkins para a previso se baseia no ajuste de modelos


tentativos denominados ARIMA a sries temporais de valores observados de forma que
a diferena entre os valores gerados pelos modelos e os valores observados resulte em
sries de resduos de comportamento aleatrio em torno de zero (rudo branco).Os
modelos ARIMA (autoregressivos integrados e de mdias mveis) so capazes de
descrever os processos de gerao de uma variedade de sries temporais para os
previsores (que correspondem aos filtros) sem precisar levar em conta as relaes
econmicas, por exemplo, que geraram as sries.

Os modelos matemticos ARIMA almejam captar o comportamento da


correlao seriada, ou autocorrelao entre os valores da srie temporal, com base nesse
comportamento, para realizar previses futuras, alm de destacar-se por gerar uma
sntese dos dados que se deseja analisar, indo ao encontro do cenrio eficaz do processo
decisrio (MARCHEZAN; SOUZA, 2010). Em geral, para o estudo das sries
temporais, um mtodo muito utilizado o ARIMA (p,d,q), popularmente conhecido
como o Modelo Box e Jenkins. De origem do ingls, palavra ARIMA, ou ento
Autoregressive Integrated Moving Average, traduzido para o portugus como o modelo
autorregressivo integrado de mdia mvel. Sabendo que a checagem do diagnstico
consistiu na ps-realizao da estacionariedade da srie. Realizadas as estimativas,
identifica-se que o modelo ARIMA escolhido ser o que apresentar o menor AIC. ,
assim, mais adequado para realizar as previses propostas, por ajustar os dados
razoavelmente bem. Fato esse que demonstra o quanto indispensvel possuir
considervel habilidade para a escolha correta do modelo ARIMA (RUSSO et al.,
2006).

4.2 FILTROS DE MDIAS MVEIS, AUTOREGRESSIVO E DE INTEGRAO


NO-ESTACIONRIA.

Sobre o conjunto de sucessivos filtros aos quais se associam os parmetros dos


modelos ARIMA (p, d, q), o filtro de mdias mveis (parmetro q), o filtro
autoregressivo estacionrio (parmetro p) e o filtro de integrao no-estacionrio
(parmetro d). Ressaltando que os modelos ARIMA ou Box-Jenkins so excelentes
modelos de previso de curto prazo. Resultados de anlises com esses modelos mostram
que os melhores resultados (previses) so obtidos com de 5 a 10 anos de informao
(mensal), particularmente na presena de sazonalidade.

4.3 ESTGIOS DA METODOLOGIA DE BOX-JENKIES

A metodologia de Box-Jenkins corresponde a trs estgios principais: (1)


identificao de modelos tentativos (e de seus parmetros), (2) estimao, e (3) teste de
adequao, aos quais se segue a aplicao do modelo para a previso ou controle do
sistema de gerao dos valores observados Yt. Observe a figura abaixo:
13

Assim, como tarefa inicial preciso determinar p e q para a identificao de


modelos tentativos. Para isso, procede-se ao exame dos coeficientes de autocorrelao e
dos coeficientes de autocorrelao parcial, que permitem medir a fora relativa de
interao entre as variveis Yt defasadas. A combinao dos termos ponderados por
esses dois coeficientes, na ausncia de aleatoriedade, poderiam revelar o modelo exato
ARMA(p,q). Mas fato que a aleatoriedade est presente na amostra, o que leva a
desvios dos verdadeiros valores observados. Logo, podem haver enganos na
identificao dos coeficientes de autocorrelao com base na anlise de dados
amostrais. Esses enganos so revelados no teste de adequao do modelo ou anlise dos
resduos.

1.4 MODELOS TESTADOS (ARIMA) COM BASE NO AIC

A seguir, ser apresentada uma tabela com 30 modelos testados no Programa R.


Foi utilizado como critrio de escolha do melhor modelo para fazer a previso, o AIC,
Critrio de Informao de Akaike. Sabendo que o Critrio de Informao de Akaike
(AIC) definido como:

Em que a funo de mxima verossimilhana do modelo e p o nmero de


variveis explicativas consideradas no modelo.

Foi utilizado no programa R o teste de 30 modelos no arrima. A presente srie


no estacionria. E com base no critrio do menor AIC foi escolhida o modelo que ser
trabalhado para fazermos a previso. Abaixo apresentada a tabela com todos os
modelos testados.
14

ESTIMANDO O MELHOR MODELO ARMA


30 Modelos Testados com base no AIC
(p,d,q) Filtros de mdias Mveis

5,1,4 sigma^2 estimated as 918.8: log likelihood = -806.38, aic = 1652.77


5,1,3 sigma^2 estimated as 928.9: log likelihood = -806.95, aic = 1661.9
5,1,2 sigma^2 estimated as 1120: log likelihood = -819.83, aic = 1655.66
5,1,1 sigma^2 estimated as 1121: log likelihood = -820, aic = 1654
5,1,0 sigma^2 estimated as 1251: log likelihood = -827.83, aic = 1667.66
4,1,4 sigma^2 estimated as 922.4: log likelihood = -807.12, aic = 1646.74
4,1,3 sigma^2 estimated as 947.1: log likelihood = -809.23, aic = 1664.46
4,1,2 sigma^2 estimated as 1141: log likelihood = -820.84, aic = 1655.68
4,1,1 sigma^2 estimated as 1154: log likelihood = -821.77, aic = 1655.55
4,1,0 sigma^2 estimated as 1253: log likelihood = -827.96, aic = 1665.92
3,1,4 sigma^2 estimated as 947.1: log likelihood = -809.25, aic = 1654.49
3,1,3 sigma^2 estimated as 951.4: log likelihood = -809.47, aic = 1642.93
3,1,2 sigma^2 estimated as 1162: log likelihood = -822.39, aic = 1656.78
3,1,1 sigma^2 estimated as 1163: log likelihood = -822.8, aic = 1655.59
3,1,0 sigma^2 estimated as 1379: log likelihood = -835.76, aic = 1679.52
2,1,4 sigma^2 estimated as 1101: log likelihood = -818.34, aic = 1650.67
2,1,3 sigma^2 estimated as 1106: log likelihood = -818.43, aic = 1648.86
2,1,2 sigma^2 estimated as 1173: log likelihood = -824.09, aic = 1658.17
2,1,1 sigma^2 estimated as 1193: log likelihood = -825.46, aic = 1658.93
2,1,0 sigma^2 estimated as 1390: log likelihood = -836.41, aic = 1678.83
1,1,4 sigma^2 estimated as 1106: log likelihood = -818.44, aic = 1648.87
1,1,3 sigma^2 estimated as 1106: log likelihood = -818.44, aic = 1646.88
1,1,2 sigma^2 estimated as 1382: log likelihood = -835.94, aic = 1679.88
1,1,1 sigma^2 estimated as 1390: log likelihood = -836.41, aic = 1678.82
1,1,0 sigma^2 estimated as 1391: log likelihood = -836.43, aic = 1676.86
0,1,4 sigma^2 estimated as 1106: log likelihood = -818.47, aic = 1646.93
0,1,3 sigma^2 estimated as 1109: log likelihood = -818.81, aic = 1645.62
0,1,2 sigma^2 estimated as 1384: log likelihood = -836.51, aic = 1679.01
0,1,1 sigma^2 estimated as 1414: log likelihood = -837.96, aic = 1679.91
0,1,0 sigma^2 estimated as 1975: log likelihood = -865.35, aic = 1732.71

Num processo gradativo, passando por etapas, visando obteno da produo


futuro da srie de minerais no metlicos. Dentro da analise do espao temporal de
janeiro de 2002 dezembro de 2015, tendo como ferramenta principal o Software R,
muito usado por diversas universidades, o presente trabalho teve, como objetivo geral, a
busca pela identificao do comportamento da produo mineral brasileira no perodo
citado, fazendo-se da utilizao de modelos estocsticos da famlia Box e Jenkins, para
anlise e previso de sries temporais.
15

Neste contexto, para atingir esse objetivo, a metodologia deu-se pela


combinao do estudo de caso, pesquisas bibliogrfica e documental, para, dessa forma,
demonstrar qual o preo do dia seguinte. Concluiu-se que a utilizao do Software R
satisfez o interesse da pesquisa, cumprindo a execuo dos estgios do ciclo iterativo da
metodologia.

4.5. CRITRIO PARA ESCOLHA DO MODELO ARIMA (p, d, q,)

A checagem do diagnstico consistiu na ps-realizao da estacionariedade da


srie. Realizadas as estimativas, identificou-se que o modelo ARIMA (0, 1, 3), por
apresentar o menor Critrio de Informao de Akaike: AIC (1645.62), mais adequado
para realizar as previses propostas, por ajustar os dados razoavelmente bem.

A modelagem da srie se deu atravs do seguinte comando: ajuste.1=arima(ly.ts,


order=c(0,1,3), seasonal=list(order=c(0,1,3))) seguido de um comando posterior:
ajuste.1. A seguir ser apresentada um quadro com os resultados do ajuste da srie
temporal no estacionria.

4.6. CHECAGEM E DIAGNSTICO

Use a estatstica Ljung-Box q para testar se uma srie de observaes ao longo


do tempo aleatria e independente. Se as observaes no forem independentes, uma
observao pode ser correlacionada com outra observao k unidades de tempo depois,
uma relao chamada autocorrelao. A autocorrelao pode reduzir a preciso de um
modelo preditivo baseado no tempo, como um grfico de srie temporal, e levar a uma
interpretao incorreta dos dados.

PREVISO - PRXIMOS 8 MESES DE PRODUO MINERAL


ANO: 2016
Janeiro 4.338.712
Fevereiro 4.285.243
Maro 4.382.455
Abril 4.342.643
Maio 4.394.379
Junho 4.364.073
16

Julho 4.407.538
Agosto 4.426.798

4.7. PREVISO USANDO O MODELO AJUSTADO

Por meio do seguinte comando vamos retornar a srie a escala original:


p1=exp(predict(ajuste.1, 11)$pred). Abaixo ser apresentada uma tabela com o valor em
milhes de toneladas previstas para a produo nos meses de janeiro a novembro de
2016.

PREVISO PRXIMOS MESES (EM MILHES DE TONELADAS)


ANO: 2016
Janeiro 76.61
Fevereiro 72.62
Maro 80.03
Abril 76.91
Maio 80.99
Junho 78.58
Julho 82.07
Agosto 83.66
Setembro 80.78
Outubro 83.86
Novembro 79.15

4.8. GRFICO DOS RESULTADOS

Abaixo apresentada a srie de produo mineral ainda sem ajustamento. Mas


a premissa para as correes e o ajuste e previso que podem ser vistos nos grficos
posteriores.
17

O grfico acima, em vermelho, temos a srie ajustada de produo mineral de


janeiro de 2002 a dezembro de 2015. No grfico abaixo apresentada uma previso de
oito perodos mensais para a produo mineral de janeiro a agosto de 2016, considerar a
parte azul do grfico.

O referido trabalho buscou atravs da modelagem de sries temporais aferir a


previso da produo brasileira gerada de minerais no metlicos nos meses de janeiro a
agosto de 2016.
18

5. TESTE JACKER-BERA NORMALIDADE DOS RESDUOS

5.1 PREMISSAS PARA O TESTE

Em estatstica, os testes de normalidade so usados para determinar se um


conjunto de dados de uma dada varivel aleatria, bem modelada por uma distribuio
normal ou no, ou para calcular a probabilidade da varivel aleatria subjacente estar
normalmente distribuda. Testar a normalidade dos resduos de uma regresso linear. A
regresso linear s deve ser usada se os erros so normais, portanto, caso o teste aponte
que esta premissa invlida, os resultados da regresso (intervalos de confiana, etc)
no podem ser usados. Neste caso, o modelo deve ser modificado (introduzindo outras
variveis explanatrias, ou mudando o modelo) para que os erros se comportem como
uma varivel normal.

O autor escolher algum teste frequentista disponvel, como o bastante


utilizado teste de Jarque-Bera. O teste de Jarque-Bera tem como hiptese nula a
normalidade. Assim, se o p-valor for menor do que 5% (ou 10%), p<0,05 (p<0,10),
ento o autor rejeita a normalidade. J se p>0,05, aceita-se a normalidade.

5.2. APLICAO DO TESTE DE NORMALIDADE (JB)

Utilizaremos como regra de bolso para escolha do teste que se o P-valor for
maior do que 10% (P-valor > 0,10) aceita-se normalidade dos resduos, e a srie
trabalhada segue uma distribuio normal.

Jarque Bera Test


data: y.ts
X-squared 10. 462
df 2
p-value 0.1257

Diante do exposto na tabela acima percebe-se que o p-valor do teste de 12% ou


seja, tomando por base a regra de bolso de que se o p valor for maior que 10% aceita-se
a hiptese nula. Assim, os resduos da referida srie seguem uma distribuio normal
como pode ser verificado no teste Jacker Bera (JB).
19

REFERNCIAS

DANTAS, Heline. Sustentabilidade da Indstria Mineral no Municpio de Pedra Lavrada (PB):


um estudo a partir do uso do ISM-ndice de Sustentabilidade da Minerao. Revista Universo
Contbil, Blumenau, v. 10, n. 2, p. 144-160, abr/jun. 2014.

VIANA, Maurcio. Avaliando Minas: ndice de Sustentabilidade da Minerao (ISM). Braslia:


Universidade de Braslia, 2012. 372 f. Tese (Doutorado em Desenvolvimento Sustentvel)
Programa de Ps-Graduao em Poltica e Gesto Ambiental, Centro de Desenvolvimento
Sustentvel, Universidade de Braslia, DF, 2012.

GUJARATI. Damodar N. Econometria Bsica. Editora LTDA, Ed. 1. Traduo D. D. So


Paulo, 2011, University of Southern California.

EHLERS, R. S. Anlise de Sries Temporais. 2007. Departamento de Estatstica,


UFPR.

Disponvel em: http://www.each.usp.br/rvicente/AnaliseDeSeriesTemporais.pdf.


EHLERS, R. S. Anlise de Sries Temporais. 2009. Disponvel em: http://www2.icmc.
usp.br/~ehlers/stemp/stemp.pdf.

NOTAS DE AULA DO PROFESSOR ERICK FIGUEIREDO

You might also like