arma arima
TRANSCRIPT
Estimação de Modelos ARMA e
ARIMA
Estagiária Docente: Vívian dos Santos Queiroz
Disciplina: Econometria Aplicada
Professor: Sabino da Silva Porto Júnior
Apresentação
Inserindo Dados de Séries Temporais no EViews
Modelos ARMA:
Estacionariedade da Série;
Identificação;
Estimação;
Diagnóstico;
Modelo ARIMA
Inserindo Dados no EViews
Início: especificar o tipo de dados, frequência dos
dados, o começo e o final da série de tempo:
Supondo uma série de tempo “IPCA” temos: a frequência
é mensal com início em janeiro de 2000 até dezembro de
2010:
Inserindo Dados no EViews
Inserir uma nova variável com o botão direito do
mouse que seja do tipo série de tempo:
Inserindo Dados no EViews
A Série de tempo “IPCA” deve ser inserida como
segue ou importada após definir a periodicidade da
série temporal:
Estacionariedade da Série de Tempo
Usando como exemplo o banco “IPCA.WF1”.
1° passo: fazer uma análise visual da série, ou seja,
gerar um gráfico do IPCA em nível e observar se a série
de tempo pode ou não ser estacionaria, conforme
gráfico abaixo:
-0.4
0.0
0.4
0.8
1.2
1.6
2.0
2.4
2.8
3.2
00 01 02 03 04 05 06 07 08 09 10 11
IPCA
Estacionariedade da Série de Tempo
2° passo: para ter certeza acerca da estacionariedade do
IPCA sugere-se fazer um Teste de Raiz Unitária (Teste
de Dickey-Fuller):
Identificação
Estimar os coeficientes de autocorrelação. Os coeficientes de
“Autocorrelation” são os processos MA(q), enquanto “Partial Correlation”
são os processos AR(p); Q-Stat é a estatística de Ljung-Box.
Lembrar que os coeficientes que estão fora do intervalo (±1.96×1/(T)^½ = -
0.17, +0.17) são significativos.
Estimação
ARMA(1,4) são as combinações de modelos que
devem ser feitas. Quando vários coeficientes FAC
(Autocorrelation) e FACP (Partial Correlation) são
significativos é necessário testar vários modelos
como segue:
Para um modelo ARMA na ordem de (0,0) à (1,4) será
necessário fazer várias combinações e considerar 10
modelos: ARMA(0,0), ARMA(0,1), ARMA(0,2),
ARMA(0,3), ARMA(0,4), ARMA(1,0), ARMA(1,1),
ARMA(1,2), ARMA(1,3) e ARMA(1,4).
A estimação é feita através de Mínimos Quadrados.
Diagnóstico
O melhor modelo é aquele que possuir o menor
critério Akaike e Schwarz:
ARMA (0,0)
Akaike 1.159510
Schwarz 1.181349
ARMA (0,1) Akaike 0.723491
Schwarz 0.767170
ARMA (0,2) Akaike 0.623157
Schwarz 0.688675
ARMA (0,3) Akaike 0.638296
Schwarz 0.725654
ARMA (0,4) Akaike 0.588722
Schwarz 0.697919
ARMA (1,0) Akaike 0.607650
Schwarz 0.651546
ARMA (1,1) Akaike 0.608188
Schwarz 0.674032
ARMA (1,2) Akaike 0.619807
Schwarz 0.707599
ARMA (1,3) Akaike 0.633062
Schwarz 0.742803
ARMA (1,4) Akaike 0.589301
Schwarz 0.720990
Estimação
Os melhores modelos são ARMA(1,0) e ARMA(0,4),
pois exibiram menores critérios Akaike e Schwarz:
Diagnóstico
Séries de tempo ARMA estão baseadas somente
sobre o passado da sua própria variável
para fins de previsões, ou seja, não é baseado em
nenhuma teoria econômica, portanto, seus
coeficientes não são interpretados. Assim, examina-
se a plausibilidade do modelo como um todo, se
este descreve os dados bem e se produz boas
previsões.
Previsão
As previsões podem ser de dois tipos: ex-ante e ex-post. A previsão ex-ante é feita para calcular valores futuros, de curto prazo, da variável em estudo. Por outro lado, a previsão ex-post é realizada para gerar valores dentro do período amostral. Quanto melhor forem essas últimas, mais eficiente será o modelo estimado.
Por fim, para analisar a previsão deve-se ater ao erro quadrado médio (EQM) da previsão. Esse é igual à média do quadrado da diferença entre cada valor previsto ex-post e o valor real observado na amostra. Ele é uma medida formal da qualidade das previsões ex-post. Portanto, quanto menor o EQM melhor será o grau de ajustamento do modelo aos dados da série temporal.
Previsão
Fazendo a previsão do IPCA de 01 de 2011 até 09
de 2011:
-0.4
0.0
0.4
0.8
1.2
1.6
00 01 02 03 04 05 06 07 08 09 10 11
IPCAP
Forecast: IPCAP
Actual: IPCA
Forecast sample: 2000M01 2011M09
Included observations: 132
Root Mean Squared Error 0.428803
Mean Absolute Error 0.275329
Mean Abs. Percent Error 177.6918
Theil Inequality Coefficient 0.352732
Bias Proportion 0.000002
Variance Proportion 0.999998
Covariance Proportion 0.000000
-0.4
0.0
0.4
0.8
1.2
1.6
00 01 02 03 04 05 06 07 08 09 10 11
IPCAF
Forecast: IPCAF
Actual: IPCA
Forecast sample: 2000M01 2011M09
Adjusted sample: 2000M02 2011M09
Included observations: 131
Root Mean Squared Error 0.431145
Mean Absolute Error 0.277611
Mean Abs. Percent Error 180.4154
Theil Inequality Coefficient 0.354442
Bias Proportion 0.000012
Variance Proportion 0.965634
Covariance Proportion 0.034354
ARMA(1,0)
ARMA(0,4)
ARIMA
Se a série de tempo for um processo não estacionário será necessário diferenciar a série original “d” vezes até obter uma série estacionária. Dessa forma a série será considerada um processo ARIMA(p,d,q), em que o “I” significa “integrado”.
Assim, com a modelagem ARIMA pretende-se saber se a dinâmica temporal de uma dada variável é melhor explicada por um processo auto-regressivo de ordem “p” [AR(p)]; por um processo de média móvel de ordem “q” [MA(q)]; por um processo auto-regressivo com média móvel de ordem “p,q” [ARMA(p,q)]; ou ainda, por um processo auto-regressivo integrado com média móvel de ordem “p,d,q” [ARIMA(p,d,q)].
ARIMA
Usando um exemplo de série não estacionária
“DOLAR.WF1”:
1° passo: Gráfico em nível do dólar e teste de Raiz
Unitária:
1.5
2.0
2.5
3.0
3.5
4.0
500 1000 1500 2000 2500
CAMBIO
ARIMA
2° passo: Para deixar a série temporal estacionária
toma-se a primeira diferença, como segue:
ARIMA
3° passo: seguir os passos de identificação, estimação e
diagnóstico, como feito com os modelos ARMA, porém, nos modelos
ARIMA é necessário usar a série diferenciada.
No exemplo, tomou-se a primeira diferença do dólar: d_dolar Em
seguida procedeu-se com todos os passos usando d_dolar. No
exemplo abaixo é feita uma estimação de um ARIMA(2,1,1):
BONS ESTUDOS!