CAPÍTULO 6

IDENTIFICAÇÃO DE MODELOS ARIMA

INTRODUÇÃO

Dado que especificamos a classe geral de modelo ARIMA, o próximo passo é a

identificação do particular modelo a ser ajustado;

p+q ≤ 3 MA(1) AR(1) ARIMA(1,1)

MA (2) AR(2)
AR(3)

A escolha baseia-se primariamente nas autocorrelações e autocorrelações

parciais (
) estimadas;

Lembrando que a fac é estimada por:  =
, j = 0, 1, ..., N – 1.


Onde  é a estimativa da
  :

 =  ∑ [( − ̅) ( − ̅)] , = 0, 1, … ,

 
− 1.

#$

∑
Onde ̅ = "%&
!"

é a média amostral e  =  .

A idéia geral é determinar um IC para  , para saber se  é nula além de um

certo lag. Uma expressão aproximada para a variância de  , para um processo

estacionário normal, é dado por:


Var ( ) −
' ∑∞
)∞ (() 2 + () . () − 4( () () + 2() 2( 2)


1
Para um processo em que as autocorrelações são nulas para  > ., todos os

termos do lado direito se anulam para j > ., exceto o primeiro termo )/ .

Temos, então que:


Var ( ) −
' 01 + 2 ∑1) ) 22, j > q.


Como desconhecemos () vamos substituir por 3) , obtendo a seguinte

estimativa:


'  01 + 2 ∑1) ) 22, j > q.
452 ( ) −

Para N suficientemente grande e sob a hipótese que ( = 0, para j > ., a

distribuição de  é aproximadamente normal, com média igual a zero e

variância σ2 ( );


 D(convergência ditrib.) N70,  (1 + 2 ∑ ) 2)8, j > q.

Dessa forma, podemos construir um intervalo de confiança aproximado para

as autocorrelações;

 ± 9: .45 ( )

Onde 9: é o valor da estatística t de Student com N-1 graus de liberdade, t. q.

P (-9: < t < 9: ) = γ. Na prática, 9: = 2.

Podemos considerar ( como sendo significativamente diferente de zero se:

| | > 2.45 ( ), j > q.

Para a facp, sob a hipótese de que o processo é AR(p):

2
 < ) −
Var (;

' , j > p.


De modo que:

<== ) −
45 (; '

, j > p.
√

<
Além disso, para N grande e sob a hipótese de que o processo é AR(p), ;

terá distribuição aproximadamente normal, com média zero e variância

< );
Var(;

<
; D N (0,

), j > p.


< significativamente diferente de zero se:

Podemos considerar ;

< | >
|;
/
, j > p.
√

PROCEDIMENTO DE IDENTIFICAÇÃO

O objetivo da identificação consiste em determinar os valores “p”, “d” e “q”

do modelo ARIMA (p,d,q).

Vamos dividi-la em três passos:

1. Verificar se existe necessidade de uma transformação na série original,

com o objetivo de estabilizar a sua variância. Para se ter uma idéia do

tipo de transformação, pode-se utilizar a série de dados em K

subconjuntos com k observações em cada subconjunto. Calcula-se a

média ̅ de cada subconjunto, tal que

3
 ?
1
?̅ = A B
@
B

i. Calcula-se, também, a amplitude W ou o desvio padrão S de cada

subconjunto, tal que:

ii. WD = max (ZFG ) – min (ZFG ), e

∑M L N
K%&IJK$ IM )
iii. Sk =H D

iv. A seguir, construímos um gráfico que traz no eixo das abscissas a

variável zPQ e no eixo das ordenadas, WD ou Sk. O par (zPQ , WD ) ou

(zPQ , Sk) será um ponto do gráfico. Podemos obter as seguintes

variações gráficas:

estabiliza

As transformações logarítmicas e raiz quadrada são as mais comuns.

Nota: a série pode esconder variância não constante;

4
2. Após a checagem da variabilidade da série, tomar diferenças da série,

tantas quantas necessárias, de modo a torná-la estacionária. Ou seja,

até um processo TU  se reduzir a um ARMA (p, q). O número de

diferenças necessárias para tornar a série estacionária é alcançado

quando a fac amostral de V = TU  decresce rapidamente para zero.

 0, j ∞ (d=1 =
' 90% casos)

Pode-se testar a existência de raiz unitária no polinômio autorregressivo (teste

de raiz unitária ou Dickey-Fuller).

3. Identificar o processo ARMA (p, q) resultante, através das fac e facp

estimadas, cujos comportamentos devem ser semelhantes às

quantidades teóricas.

5
 Ordem (1,d,0) (0,d,1)

Comportamento de (? decai exponencialmente somente ( ≠ 0

Comportamento de X?? somente X ≠ 0 decai exponenc.

Ordem (2,d,0) (0,d,2)

Comportamento de (? mistura de exponenciais ou somente ( ≠ 0

ondas senóides amortecidas( e (/ ≠ 0


mistura de
Comportamento de X?? somente X ≠ 0 e exponenciais ou
X// ≠ 0 ondas senóides
amortecidas

(1,d,1)

Comportamento de (? decai exponencialmente após lag 1

Comportamento de X?? decai exponencialmente após lag 1

Modelos ARMA
fac e facp não são muito úteis. Sugestão: a) Ajustar

modelos de baixa ordem e utilizar critérios que permitam escolher o modelo

mais adequado. b) utilizar a função de autocorrelação estendida.

A justificativa de (2) é a seguinte:

Para um modelo ARMA estacionário, as fac’s são dadas por:

  
( = \ ] + \/ ]/ + ... + \^ ]^ , j > q – p.

Supondo raízes distintas. Como Φ (B) = ∏aB1 − ]B ` ) e as raízes de Φ (B)

= 0 devem estar fora do círculo unitário, devemos ter |]B | < 1.

6
Pela equação nota-se que se nenhuma raiz está muito próxima do círculo

unitário, as autocorrelações ( decrescerão para zero, conforme j aumenta;

Por outro lado, supondo que uma raiz real ]B , esteja próxima de um, ou seja:

] = 1 - Ɛ, Ɛ > 0 (pequeno)

Como = (1 − Ɛ) −
' 1 – jƐ , ver que para Ɛ = 0,05: 0,952 = 0,9025 −
' 1 – jƐ

= 0,90; 0,953 = 0,8574 −

' 1 – jƐ = 0,85.

( −
' \(1 – jƐ), o que mostra que a fac decairá lentamente para zero e de

forma aproximadamente linear.

Deve-se evitar um excesso de diferenças (superdiferenciação).

Notas:

i. Um número excessivo de diferenças resulta em um valor negativo de

autocorrelação de ordem 1 da série diferenciada. Neste caso, ( = -0,5;

ii. Um número correto de diferenças diminui a variância da série

transformada, por outro lado, excesso de diferenças aumentará a

variância;

- O movimento da variância pode ser utilizado para a escolha de d;

iii. Autocorrelações parciais tornam-se negativas;

- Na prática d = 0, 1 ou 2 e é suficiente verificar as primeiras 20

autocorrelações da série e de suas diferenças.

7
 L com seu desvio padrão
Convém testar se E(V ) = µc é zero, comparando V

L = ̅ (quadro 6.1);
estimado. Lembrando que se d = 0, V

L , onde V = TU  , n = N – d;
Quadro 6.1. Variâncias aproximadas, para V

AR(1) MA(1) ARMA(1,1)

 (d& )  (/d& )
 /d&
f1 + d g
2
e(d& ) e
e & dN

AR(2) MA(2)

 (d& )(/d&N dN )  (/d& /dN )

e
e(d& )(dN )

Exercício: Qual o modelo melhor se ajusta as informações abaixo, em que

= 50; ̅ = 0,5327 e l / = 6,0579.

j 1 2 3 4 5 6 7 8
 0,81 0,69 0,58 0,44 0,3 0,26 0,19 0,15
<
; 0,81 0,11 -0,03 -0,12 -0,13 0,17 -0,01 0,02

Exemplos R

8
 FORMAS ALTERNATIVAS DE IDENTIFICAÇÃO

MODELOS BASEADOS EM UMA FUNÇÃO PENALIZADORA

A idéia é escolher as ordens k e ℓ que minimizem a quantidade:

()
P (k, ℓ) = ln 45?,ℓ
/
+ (k + ℓ)


Em que 452?,ℓ é uma estimativa de variância residual obtida ajustando um

modelo ARMA (k, ℓ) às N observações da série, e C(N) é uma função do

tamanho da série;

() ()
(k + ℓ) é o termo penalizador e nº parâmetro, (k+ ℓ) ; nº
 

parâmetro, 452?,ℓ (variância residual);

Assim, minimizar P(k, ℓ) corresponde a identificar as ordens k e ℓ que

equilibrem esse comportamento.

Algumas funções penalizadoras particulares:

i. Critério de Informação de Akaike (AIC)


AIC(k, d, ℓ) = N ln 452q + 2 (k+ℓ+1+ rUs ) + N ln 2π + N
U

1, d = 0

rUs

0, d ≠ 0

452q é o estimador de máxima verossimilhança de 4q/ .

9
Com N fixo e com a série apropriadamente diferenciada, obtemos:

AIC(k, ℓ) = N (ln 452q ) + 2 (k+ℓ+2)

Para o caso de um AR(p), o critério reduz-se a:

AIC (k) = N ln 452? + 2k, k ≤ K

Onde K é o limite superior para k. Em geral, K = ln .

ii. Critério de Informação Bayesiano (BIC)

A idéia é minimizar a quantidade BIC:

vw 
BIC (k, ℓ) = ln 452?,ℓ + (k+ℓ) 

Onde 45²?,ℓ é a estimativa da variância residual do modelo ARMA(k, ℓ)

iii. Critério de HANNAN e QUINN (HQC)

Minimizar a quantidade HQC:

vw vw 
HQC (k, ℓ) = ln 452?,ℓ + 2(k+ℓ)c , c > 1.


Para o modelo AR(p), o critério HQC reduz-se a

vw vw 
HQC (k, ℓ) = ln 452? + 2ck 
, c > 1.

10
RESUMO

• fac e facp teóricas:

AR(p) (? 0 , k ∞
;?? ≠ 0 , k≤p
;?? = 0 , k>p “corte na facp”
p = 1, 2 (nunca
maior)
MA(q) ;?? 0 , k ∞
(? ≠ 0 , k≤q
(? = 0 , k>q “corte na fac”
p = 1, 2 (nunca
menor)
ARIMA (p,q)

(? 0, k ∞ a partir de lag y
Decai exponencialmente a partir de lag .

;?? 0 , k ∞

• fac e facp amostrais:

• Determinar as variâncias das fac e facp e construir IC;
 1
• Lembrando que V5( ) −
' 
01 + 2 ∑) ) ²2, j > q.

1º Caso.

• Assim, devemos testar:

z{ : O modelo é MA(q)
z : O modelo não é MA(q)

Sob z{ , então:
 1
45² ( ) −
' 
01 + 2 ∑) ) ²2, j > q

Ou n = N – d (número de observações com a série diferenciada)

11
 • Desconfiando-se que o processo é MA(2), verifica-se se há outras fac’s
amostrais  , j > 2, fora do IC.

Caso particular: MA(0)  =  . Neste caso, q = 0 e 45² ( ) =

•

2º Caso.

• Testar:
z{ : O modelo é AR(p)
z : O modelo não é AR(p)


Lembrando que 45² (; ) −
' , j > p sob z{ .
 
O IC fica 7−1,96 , 1,96 8
√ √
•

12