Estimação no Domínio do tempo: Covariâncias e modelos ARIMA
|
|
- Diana Alves Lombardi
- 4 Há anos
- Visualizações:
Transcrição
1 Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
2 Índice 1 Estacionariedade e Autocovariância 2 AR(p) ARMA(p,q) Modelos ARIMA(p,d,q) 3 Referências Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
3 Estacionariedade e Autocovariância Estacionariedade Processo estocástico É uma família Z = {Z (t), t T } em que Z (t) é variável aleatória. Série Temporal É uma particular realização do processo estocástico. Fracamente estacionário ou de 2a ordem E(Z t ) = µ, t T ; E(Zt 2 ) <, t T ; Cov(Z t1, Z t2 ) = γ( t 1 t 2 ), ou seja, a covariância é função somente de t 1 t 2. Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
4 Estacionariedade e Autocovariância Propriedades da Função de Autocovariância Processos estacionários são bem caracterizados por sua média µ e sua fac. (Cramér e Leadbetter, 1967, p.80) (FAC n.neg.def.) Seja Z = {Z (t), t Z} um processo estacionário real com tempo discreto com função de autocovariância denotada como γ τ = Cov(Z t, Z t+τ ). γ 0 > 0; γ τ = γ τ ; γ τ γ 0 ; γ τ é não negativa definida no sentido que a j, a k n j=1 k=1 n a j a k γ τj τ k 0. Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
5 Estacionariedade e Autocovariância Propriedades da Função de Autocovariância γ 0 = Var(Z t ) > 0; γ τ = Cov(Z t, Z t τ ) = Cov(Z t+τ, Z t ) = γ τ ; γ τ γ 0 ; E( Z t+τ Z t ) 2 = E( Z 2 t+τ 2 Z t+τ Zt + Z 2 t ) 0 γ 0 γ τ 0 γ τ é não negativa definida no sentido que a j, a k n j=1 k=1 n a j a k γ τj τ k 0. n j=1 n k=1 a ja k γ τj τ k = n j=1 n k=1 a ja k Cov(Z τj, Z τk ) = E[ j a jz τj ] 2 0 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
6 Estacionariedade e Autocovariância Propriedades da Função de Autocovariância Observação A função de autocorrelação do processo estocástico Z = {Z (t), t Z} é ρ τ = γ τ (γ0 ) (γ 0 ) = γ τ γ 0 ˆρ τ vai auxiliar a propormos modelos. Um exemplo de processo estocástico contínuo (tempo contínuo) é o movimento Browniano (MT p.33); A função de autocorrelação de um processo estocástico estacionário decai para 0; Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
7 Estimação Estacionariedade e Autocovariância Z = {Z (t), t Z} processo estacionário µ = Z E(Z ) = E ( 1 n ) n Z t = µ t=1 Var(Z ) = 1 n 2 Var ( n t=1 = 1 n 1 n 2 k= (n 1) Z t ) = 1 n 2 n t=1 s=1 (n k ) γ k = 1 n Para processo estacionário ( n 1 k= (n 1) ρ k 0. n Cov(Z t, Z s ) n 1 k= (n 1) 1 k n ( 1 k ) ρ k n 0 n ) ρ k é finita pois Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
8 Estimação Estacionariedade e Autocovariância O estimador da função de autocovariância (γ j ) é ˆγ j = c j = 1 T N j [(Z t Z )(Z t+j Z )], j = 0, 1,..., T 1. t=1 Poderíamos considerar: ˆγ j = 1 N j [(Z t T j Z )(Z t+j Z )], j = 0, 1,..., T 1. t=1 Esse pode ter um viés um pouco menor, mas não é função não negativa definida como é ˆγ j, logo ˆγ j deve ser utilizado (Wei). Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
9 Estimação Estacionariedade e Autocovariância Estimador da função de autocorrelação No R: acf( ). ρ j = Corr(Z t, Z t+j ) = γ j γ 0 ˆρ j = r j = ˆγ j ˆγ 0, j = 0, 1,..., T 1. Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
10 Estimação Estacionariedade e Autocovariância Distribuição Assintótica - Bartlett, 1946 a = {a(t), t Z} processo Ruído Branco Para n grande, ˆρ j tem distribuição normal com média ρ j e variância Var(ˆρ j ) = 1 n. Assim, podemos usar esse resultado para construir intervalos para verificar para cada lag j, se ρ j = 0 ou não. Cada intervalo é /n. Vide Property P1.1 p.30. e Teorema A.7 - Apêndice A de Shumway and Stoffer. Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
11 Ajuste de modelos ARIMA(p,d,q). Análise descritiva: série veio de processo estacionário? Tirar tendência e sazonalidade determinística e efeitos de outras var. X t = µ t + e t, em que e t é estacionário talvez ARMA µ t = tendencia(t) + sazon(t) + tend2(t) Exemplo: Produção industrial com mudança de tendência em 2008 e AR(4) Evitar regressão espúria. Se parece ter tendência estocástica: Diferenças Z t = X t = X t 1 X t = (1 B)X t ou Z t = 12 X t = (1 B 12 ) = X t X t 12 Se tira uma diferença e X t parece estacionária, dizemos X t I(1). Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
12 Metodologia Especificação: Definir classe de modelos. ex:arima(p,d,q) Identificação: Tirar tendências e com base na FAC e FACP propor (p,q) Estimação dos parâmetros Verificação: Análise de resíduos padronizados como RB, gaussiano Depois, inferência e previsão Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
13 AR(p) AR(p) Para Z t estacionário, Z t = Z t µ Z t = φ 1 Zt 1 + φ 2 Zt φ p Zt p + a t (1 φ 1 B... ) Z t = a t Φ(B) Z t = a t com a t RB e Φ(B) é o polinômio característico. Z t µ = φ 1 (Z t 1 µ) φ p (Z t p µ) + a t Z t = µ(1 φ 1 φ p ) + φ 1 Z t φ p Z t p + a t Z t = α + φ 1 Z t φ p Z t p + a t Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
14 AR(p) Exemplo AR(1) estacionário Vamos considerar Z t = Z t µ. Z t = α + φz t 1 + a t Z t = φ Z t 1 + a t = φ(φ Z t 2 + a t 1 ) + a t = φ 2 1 Z t 2 + φa t 1 + a t =. k 1 = φ k Z t k + φ j a t j j=0 k φ j a t j j=0 = Ψ(B)a t = (1 + φb + φ 2 B )a t Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
15 AR(p) - Momentos AR(p) Sob estacionariedade, temos E(Z t ) = α + φ 1 E(Z t 1 ) φ p E(Z t p ) µ = α + φ 1 µ +... φ p µ µ = α 1 φ 1... φ p γ 0 = Cov(φ 1 Z t φ j Z t j + a t, Z t ) = φ 1 γ φ p γ p + σ 2 a 1 = φ 1 ρ φ p ρ p + σ2 a γ 0 γ 0 = Para j > 0 σ 2 1 φ 1 ρ 1... φ p ρ p γ j = Cov(Z t, Z t j ) = Cov(φ 1 Z t φ j Z t j + a t, Z t j ) = φ 1 γ j φ p γ j p Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
16 FAC AR(p) AR(p) Dividindo pela variância γ 0 ρ j = φ 1 ρ j φ p ρ j p (1) Φ(B)ρ i = 0 (2) Correlação em (2) para j = 1,..., p, temos as Equações de Yule-Walker: ρ 1 = φ 1 + φ 2 ρ φ p ρ p 1 ρ 2 = φ 1 ρ 1 + φ φ p ρ p 2 ρ p = φ 1 ρ p 1 + φ 2 ρ p φ p Podemos estimar φ i, i = 1,..., p, µ e σ 2 pelo método dos momentos. Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
17 AR(p) Exercícios Para modelo AR(3), obter estimadores de φ i usando método dos Momentos. Encontrar as raízes do polinômio característico para AR(2) e verifique que as condições de estacionariedade equivalem a φ 2 + φ < 1, φ 2 φ < 1 e φ 2 < 1. Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
18 ARMA(p,q) ARMA(p,q) Z t = φ 1 Zt φ p Zt p + a t θ 1 a t 1... θ q a t q (1 φ 1 B φ p B) Z t = (1 θ 1 B... θ q B q )a t com a t RB Φ(B) Z t = Θ(B)a t Estacionário: se as raízes de Φ(B) = 0 estiverem fora do círculo unitário Invertível: se as raízes de Θ(B) = 0 estiverem fora FAC e FACP parece cair para zero e deve propor valores (p,q) até ter resíduo como RB Deve propor valores (p,q) até ter resíduo como RB Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
19 ARMA(p,q) Exercícios ARMA(p,q) SS(2006): ARMA(2,2): (1 0, 4B 0, 45B 2 )x t = (1 + B + 0, 25B 2 )a t Estacionário? Invertível? Pode ser reduzido a ARMA(1,1). MT(2006): X t ARMA(p x, q x ) e Y t ARMA(p y, q y ), X t e Y t são independentes e Z t = X t + Y t. Verifique que Z t ARMA(p, q) com p = p x + p y e q max(p x + q y, q x + p y ) SS(2006) Invertível MA - Identificabilidade Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
20 Modelos ARIMA(p,d,q) Modelos ARIMA(p,d,q) X t não estac. Z t = d X t estacionário Z t ARMA(p, q) Z t = Z t µ. Z t = φ 1 Zt φ p Zt p + a t θ 1 a t 1... θ q a t q (1 φ 1 B... ) Z t = (1 θ 1 B... θ q B q )a t a t RB(0, σ 2 ). Φ(B) Z t = Θ(B)a t, Estimação de ARIMA consiste na estimação do ARMA(p,q) Máxima verossimilhança: a t N(0, σ 2 a) indep. Generalizações: outras dist como a t, variância não constante, inclusão de covariáveis. Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
21 Estimação ARIMA Modelos ARIMA(p,d,q) Z t = φ 1 Zt φ p Zt p + a t θ 1 a t 1... θ q a t q E( Z t past) = φ 1 Zt φ p Zt p θ 1 a t 1... θ q a t q Var( Z t past) = σ 2 a Verossimilhança Condicional a valores iniciais de Z t s e a s (MT). N L(θ) = f θ ( Z t Z t 1,..., ) = = t=1 1 2πσ 2 a exp { { 1 exp 2πσ 2 a } n [ Z t E( Z t past)] 2 t=1 n a 2 t 2σ 2 t=1 a Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26 } 2σ 2 a
22 Estimação ARIMA Modelos ARIMA(p,d,q) Log-Verossimilhança Condicional S(η Z t, past) = l(θ) = n 2 ln(σ2 a) S(η Z t, past) n at 2 (η Z, past) t=1 2σ 2 a η = (φ, θ) em MT (poderia incluir µ ou intercepto e efeitos) Escolha dos p valores iniciais Z 0, Z 1,..., Z p+1 e q valores iniciais de a t (= E(a t ) = 0) Predizer a t fixando η (ex.7.1. MT(2018)) Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
23 Estimação ARIMA Modelos ARIMA(p,d,q) Não condicional Agora, Esperança não condicional ao passado [a t (η Z, past)] = E[(a t η, W )] Precisa de backforecasting, usando equivalência entre Φ(B)W t = Θ(B)a t Φ(F )W t = Θ(F)e t Verossimilhança exata: AR(1) em MT inclui parâmetro para média de Z 0, Z 1 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
24 Variância dos estimadores Modelos ARIMA(p,d,q) η = (φ, θ) é k 1, k = p + q Para n grande, estimador de MV η D N k (η, V) (3) 2 S(η) S(η) η 2 η V = 2σa η k.. (4) 2 S(η) η k η k... EMV de σ 2 é σ 2 a = S( η) n Para n grande σ 2 e η são não correlacionados Ex: AR(1): var( φ) 1 φ2 n 2 S(η) η 2 n e MA(1): var( θ) 1 θ2 n Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
25 Modelos ARIMA(p,d,q) Modelo espaço de estados Os modelos ARMA podem ser escritos como modelo espaço de estados. Filtro de Kalman para predizer as variáveis latentes Arima da library(forecast) Propor prioris e estimar maximizando a dist. a posteriori Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
26 Referências Referências All Time series analysis Morettin e Toloi Shumway and Stoffer Wei Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de / 26
Econometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisModulo I. Séries Temporais: ARIMA
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA Modulo I Séries Temporais: ARIMA Curso: Bacharelado em Estatística Disciplina: Estatística Aplicada Nome: Verena
Leia maisCapítulo 3. Modelos Probabilísticos
Capítulo 3 Modelos Probabilísticos 3.1 Introdução Neste capítulo serão descritos vários modelos adequados para dados de séries temporais. Tais modelos são chamados de processos estocásticos. Matematicamente
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisSéries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto 2011 1 / 49 Definição de esperança não condicional ou incondicional Considere
Leia maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia maisAnálise Espectral de Processos Estocásticos
Análise Espectral de Processos Estocásticos Airlane Pereira Alencar 21 de Março de 2019 Alencar, A.P. (IME-USP) Análise espectral 21 de Março de 2019 1 / 24 Índice 1 Objetivos 2 Pré-requisitos 3 Espectro
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisAnálise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
UNIVERSIDADE DE SÃO PAULO Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Análise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
Leia maisConceitos Básicos de Séries Temporais para Modelagem Macroeconômica
Conceitos Básicos de Séries Temporais para Modelagem Macroeconômica Material de apoio à aula de RBC Referencia bibliográfica: Introduction to Econometrics G S Maddala e Kajal Lahiri 4a. Edição, John Wiley
Leia maisEconometria Financeira
Ralph S. Silva http://www.im.ufrj.br/ralph/econometriafinanceira.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Setembro-Dezembro/2015 Análise
Leia maisEstudo de Modelos ARIMA com Variáveis Angulares para Utilização na Perfuração de Poços Petrolíferos
Universidade Federal de Campina Grande Centro de Ciências e Teconologia Programa de Pós-Graduação em Matemática Curso de Mestrado em Matemática Estudo de Modelos ARIMA com Variáveis Angulares para Utilização
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisProcessos com Memória Longa
Processos com Memória Longa 1. Introdução O processo ARMA(p, q) é considerado um processo de memória curta, uma vez que a f.a.c. ρ j decresce rapidamente para zero. Na realidade, pode-se demonstrar que,
Leia maisIdentificação e estimação de modelos ARMA com inovações Alpha-estáveis
Ilka Oliveira Torres Identificação e estimação de modelos ARMA com inovações Alpha-estáveis Brasília 2016 Ilka Oliveira Torres Identificação e estimação de modelos ARMA com inovações Alpha-estáveis Dissertação
Leia maisPrevisão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis
Previsão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis Gabriel Tambarussi Avancini 1 Thiago Viana Flor de Santana 1 Vitor Augusto Ozaki 1 Djair
Leia maisPrevisão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Leia maisECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015
ECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015 Solução Questão I (2,0 pontos): Para o modelo y t = 0, 7y t 1 + ɛ t, com ruído branco ɛ t (0, 1), (a) (0,5) Obtenha a previsão h-passos a frente, ŷ
Leia mais2 Metodologia. 2.1 Série Temporal
2 Metodologia 2.1 Série Temporal Uma série temporal é um conjunto de observações de uma dada variável, ordenada pelo parâmetro tempo. Estas observações são, em geral, feitas em intervalos de tempo equidistantes.
Leia mais3 A Modelagem Univariada por Box & Jenkins
3 A Modelagem Univariada por Box & Jenkins 3.1 Preliminares da modelagem por Box & Jenkins Serão a seguir apresentados alguns conceitos imprescindíveis para a compreensão da técnica Box & Jenkins (BJ)
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia maisCointegração fracionária em séries financeiras. Victor Sakimoto Shie DISSERTAÇÃO APRESENTADA INSTITUTO DE MATEMÁTICA E ESTATÍSTICA
Cointegração fracionária em séries financeiras Victor Sakimoto Shie DISSERTAÇÃO APRESENTADA AO INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE SÃO PAULO PARA OBTENÇÃO DO TÍTULO DE MESTRE EM CIÊNCIAS
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
Leia mais= p(x 1 )p(x 2 x 1 )p(x n,..., x 3 x 2, x 1 ). = p(x 1 ) t=2. Em particular para um modelo ARMA(p, q), denotando o vetor de parâmetros. t=p+1.
Capítulo 4 Estimação No capítulo anterior foram estudados modelos probabilísticos que podem ser utilizados para descrever dados de séries temporais. Neste capítulo será discutido o problema de ajustar
Leia maisTestes HEGY de raízes unitárias sazonais: efeitos de observações atípicas, erros de medida e quebras estruturais. Karen Elisa do Vale Nogueira Penna
Testes HEGY de raízes unitárias sazonais: efeitos de observações atípicas, erros de medida e quebras estruturais Karen Elisa do Vale Nogueira Penna Dissertação apresentada ao Instituto de Matemática e
Leia maisLane Alencar
Lane Alencar www.ime.usp.br/~lane ?AirPassengers ts.plot(airpassengers) Fonte: IPEA www.ipeadata.gov.br Media de 2002=100 Fonte: Shumway e Stoffer (2006) Podemos decompor o processo Z = {Z(t), t T} em:
Leia maisEixo Temático: Estratégia e Internacionalização de Empresas
Eixo Temático: Estratégia e Internacionalização de Empresas PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL: UMA ABORDAGEM COM MODELOS ARIMA RESUMO PREDICTING THE COLLECTION OF ICMS OF RIO
Leia maisAbordagem clássica e bayesiana para os modelos de séries temporais da família GARMA com aplicações para dados contínuos
Universidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Estatística Abordagem clássica e bayesiana para os modelos de séries temporais da família GARMA com aplicações
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisUNIVERSIDADE ABERTA ANÁLISE E PREVISÃO DE SÉRIES TEMPORAIS COM MODELOS ARIMA E ANÁLISE ESPECTRAL SINGULAR. Jorge Manuel Nunes Xavier
UNIVERSIDADE ABERTA ANÁLISE E PREVISÃO DE SÉRIES TEMPORAIS COM MODELOS ARIMA E ANÁLISE ESPECTRAL SINGULAR Jorge Manuel Nunes Xavier Mestrado em Bioestatística e Biometria Dissertação orientada Profª Doutora
Leia maisUtilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
Leia maisPREVISÃO DE VENDAS COM MODELO ARIMA BOX E JENKINS APLICAÇÃO COM GRETL
Estatística & Gestão de Informação Métodos de Previsão 1º Semestre - 4º Ano PREVISÃO DE VENDAS COM MODELO ARIMA BOX E JENKINS APLICAÇÃO COM GRETL Autores: Emanuel De Jesus R. C.Borges (emanuelramos31@hotmail.com);
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisModelos de Séries Temporais Aplicados a Dados de Precipitação da Região do Cariri Paraibano
Universidade Estadual da Paraíba Centro de Ciências e Tecnologia Departamento de Estatística Fábio Sandro dos Santos Modelos de Séries Temporais Aplicados a Dados de Precipitação da Região do Cariri Paraibano
Leia maisUma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro
Uma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro 1 Introdução Everton Batista da Rocha 1 2 Marcelo Lopes Moraes 3 Marcos Aurelio Rodrigues 3 O real
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisAntes de resolvermos a)-c), vamos relembrar a diferença entre esperança (variância) conditional e esperança (variância) incondicional.
Econometria Avançada - 015-1 SOLUÇÃO Terceira lista de exercícios Problema 1. Seja r t os retornos (ou log-retornos) diários de um ativo financeiros (por exemplo, S&P500 ou Petrobrás ON) tal que r t =
Leia mais3 Metodologia 3.1. Tipo de pesquisa
3 Metodologia 3.1. Tipo de pesquisa Este trabalho pode ser classificado como uma pesquisa descritiva, quantitativa, bibliográfica, experimental, exploratória e explicativa. Este estudo é descritivo, pois
Leia mais2. Séries Temporais Definição
23 2. Séries Temporais 2.1. Definição Um processo estocástico é uma função aleatória que evolui no tempo (e/ou no espaço), definida sob um espaço de probabilidades. Mais precisamente, um processo estocástico
Leia maisModelos de previsão utilizando séries Temporais
Universidade Estadual da Paraíba Centro de Ciências e Tecnologia Departamento de Estatística Erasnilson Vieira Camilo Modelos de previsão utilizando séries Temporais Campina Grande Dezembro de 2012 Erasnilson
Leia maisAnálise de Séries Temporais Financeiras
Universidade Federal do Rio de Janeiro Análise de Séries Temporais Financeiras Ricardo Cunha Pedroso 2015 Análise de Séries Temporais Financeiras Ricardo Cunha Pedroso Projeto Final de Conclusão de Curso
Leia maisEconometria. Séries Temporais Lista de Exercícios
Econometria Séries Temporais Lista de Exercícios 1. Estimação da Autocovariância e da Autocorrelação Tome a série de dados da planilha estimacao.xlsx e estime o que se pede sobre a série de tempo dada.
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisTestes de Raiz Unitária para Dados em Painel
Aula 7 Bibliografia: Stata, 2017. help xtunitroot. From Stata/SE 13 (accessed on Oct. 23, 2018). Pesaran, M.H. (2015). Time series and panel data econometrics. Oxford: Oxford University Press. Rafael S.
Leia maisTÁBATA SATURNINA TRINDADE DE MORAIS ESTUDO TEMPORAL DO NÍVEL MÉDIO DO MAR EM DIFERENTES OCEANOS
TÁBATA SATURNINA TRINDADE DE MORAIS ESTUDO TEMPORAL DO NÍVEL MÉDIO DO MAR EM DIFERENTES OCEANOS LAVRAS - MG 2012 TÁBATA SATURNINA TRINDADE DE MORAIS ESTUDO TEMPORAL DO NÍVEL MÉDIO DO MAR EM DIFERENTES
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisUTILIZAÇÃO DE MODELOS ARIMA PARA PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL
UTILIZAÇÃO DE MODELOS ARIMA PARA PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL Deise Scheffer Universidade Federal de Santa Maria scheffer.deise@gmail.com Adriano Mendonça Souza Universidade
Leia mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisUso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN
Uso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN Ben Dêivide de Oliveira Batista 1 2 Tales Jesus Fernandes 2 Thelma Sáfadi 2 Wesley de Oliveira Santos 3 1 Introdução
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS RICARDO S. EHLERS Laboratório de Estatística e Geoinformação Universidade Federal do Paraná Primeira publicação 2003 Segunda edição publicada em 2004 Terceira edição publicada
Leia maisMODELOS DE SÉRIES TEMPORAIS E REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE VAZÃO ANDRÉ LUIZ FRANÇA BATISTA
MODELOS DE SÉRIES TEMPORAIS E REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE VAZÃO ANDRÉ LUIZ FRANÇA BATISTA 2009 ANDRÉ LUIZ FRANÇA BATISTA MODELOS DE SÉRIES TEMPORAIS E REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisAnálise de séries temporais. Prof. Thaís C O Fonseca DME - UFRJ
Análise de séries temporais Prof. Thaís C O Fonseca DME - UFRJ Conteúdo do curso Parte 1: Problemas e objetivos, conceitos básicos, processos estocásticos, estacionariedade, autocorrelação e correlação
Leia maisAnálise de previsão da inflação no período pós-plano Real
Análise de previsão da inflação no período pós-plano Real Marina Rodrigues Maestre 1 Jayane Pereira de Oliveira 2 Raquel Castellucci Caruso Sachs 3 Vitor Augusto Ozaki 4 1 Introdução Durante a década de
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia maisAula 4. Wilson Correa. August 5, 2015
Aula 4 Raíz Unitária e Cointegração Wilson Correa August 5, 2015 Introdução e Implicações Não estacionariedade possui possivelmente diversas origens em economia como resultado do progresso tecnológico
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências
Leia mais2 Modelos em Espaço de Estado Lineares: Formulação Geral
2 Modelos em Espaço de Estado Lineares: Formulação Geral 2.1 Definição Geral de um Modelo Linear Apresenta-se uma definição de modelos em EE lineares que seja a mais geral e flexível possível, e que segue
Leia maisEstimação de Modelos ARMA e ARIMA
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
Leia maisIntrodução a Modelos VAR
Introdução a Modelos VAR Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 Um VAR é um modelo no qual K variáveis são especicadas como funções lineares de p de
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Profa. Airlane P. Alencar e Prof. Francisco Marcelo M. da Rocha 11 de Setembro de 2018 Alencar, A.P. e Rocha, F.M.M. (IME-USP e EPPEN - UNIFESP) Estatística I 11 de
Leia maisLane Alencar Lane Alencar 2016
Lane Alencar 2016 Podemos decompor o processo Z = {Z(t), t T} em: Z t = T t + S t + a t com T t : tendência S t : componente sazonal a t : erro aleatório com E(a t )=0 e Var(a t ) = s 2. Métodos para estimar
Leia maisModelos de Volatilidade Estatística. Danilo Kenji Ishizawa
Modelos de Volatilidade Estatística Danilo Kenji Ishizawa Universidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Programa de Pós-Graduação em Estatística Departamento de Estatística
Leia maisTESTES DE AJUSTAMENTO DE MODELOS EM PROCESSOS COM LONGA DEPENDÊNCIA
UNIVESIDADE FEDEAL DO IO GANDE DO SUL INSTITUTO DE MATEMÁTICA TESTES DE AJUSTAMENTO DE MODELOS EM POCESSOS COM LONGA DEPENDÊNCIA Leonardo Oliveira Chieppe Dissertação submetida ao Programa de Pós-Graduação
Leia maisAnálise comparativa entre os métodos auto-regressivo, integrado de médias móveis e rede neural artificial para previsão de séries temporais
UNIVERSIDADE FEDERAL DE ITAJUBÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO Análise comparativa entre os métodos auto-regressivo, integrado de médias móveis e rede neural artificial para previsão
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisFICHA DE DISCIPLINA/PROGRAMA
Programa de Pós-Graduação em Economia Mestrado/Doutorado Av. João Naves de Ávila, nº 2121 Campus Stª Mônica Bloco J. CEP 38.400-902 Uberlândia/MG. Telefax: (034) 3239-4315 E-Mail: ppge@ufu.br FICHA DE
Leia maisAula 22/10/2018 José Luiz Padilha 22 de outubro de 2018
Modelando a Variância Estimação Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018 A estimação dos parâmetros α 0 e α 1 em um modelo ARCH(1) é geralmente realizada por verossimilhança condicional.
Leia maisESTUDOS TEÓRICOS NA ESTIMAÇÃO EM PROCESSOS K-FACTOR GARMA VIA MODELO DE ESPAÇO DE ESTADOS UTILIZANDO FILTRO DE KALMAN. Vagner Augusto Betti
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA ESTUDOS TEÓRICOS NA ESTIMAÇÃO EM PROCESSOS K-FACTOR GARMA VIA MODELO DE ESPAÇO DE ESTADOS UTILIZANDO
Leia maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Leia maisPATRÍCIA SILVA NASCIMENTO
PATRÍCIA SILVA NASCIMENTO ANÁLISE DA DISTRIBUIÇÃO ESPACIAL E PREVISÃO DO ÍNDICE DE MORTALIDADE POR ARMA DE FOGO E ARMA BRANCA NA CIDADE DE JOÃO PESSOA JOÃO PESSOA 2006 UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO
Leia maisPrevisão de taxas de falhas utilizando o Método de Box & Jenkins. Forecast of failure rates using the Box & Jenkins Method
Previsão de taxas de falhas utilizando o Método de Box & Jenkins Débora Morales1 (UFPR) debora_mo2@hotmail.com Naiara Fernanda Johnsson 2 (UFPR) nai_johnsson@hotmail.com Resumo: O presente artigo propõe
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia mais(iv) Ausência de correlação serial nos erros, dados dois valores quaisquer de X, X i e X j (i j), a correlação entre ε i e ε j é zero,, /,
4 Metodologia O método de estimação por mínimos quadrados está fundamentado em algumas premissas, que são necessárias para realizar inferências estatísticas sobre a variável dependente Y. As principais
Leia maisPROCESSOS ESTOCÁSTICOS. O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial.
37 PROCESSOS ESTOCÁSTICOS O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial. Ex: i) O valor da temperatura média diária ou semanal numa cidade. O acontecimento
Leia maisCointegração: Uma relação de equilíbrio de longo prazo
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA Cointegração: Uma relação de equilíbrio de longo prazo Autor: Thaís Neves Pereira Orientador: Professor Dr.
Leia maisAnálise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS RICARDO S. EHLERS Primeira publicação 2003 Segunda edição publicada em 2004 Terceira edição publicada em 2005 Quarta edição publicada em 2007 Quinta edição publicada em 2009
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia mais