Mestrado em Análise de Dados e Sistemas de Apoio à Decisão. Disciplina: Extracção e conhecimento de dados I. Trabalho nº4: Séries Temporais
|
|
- Valdomiro Galvão
- 4 Há anos
- Visualizações:
Transcrição
1 Mestrado em Análise de Dados e Sistemas de Apoio à Decisão Disciplina: Extracção e conhecimento de dados I Trabalho nº4: Séries Temporais Data: 6 de Fevereiro de 005 Aluno: Elisabeth Silva Fernandes Nº
2 Índice Introdução e objectivo do trabalho..3 Análise preliminar dos dados..4 Modelos para séries não estacionárias..1 Modelo nãolineares...14 Redes Neuronais.19 Projection pursuit regression.1 Modelo de Kernel Conclusão... 5
3 Introdução e objectivo do trabalho No âmbito da disciplina de Extracção e Conhecimento de Dados foi proposta a realização de um trabalho cujo objectivo é o de tratar uma série temporal de um activo financeiro, utilizando métodos fornecidos nas aulas, e prever os valores de fecho do índice S&P 500, nos dias 7, 8 de Fevereiro e 1, e 3 de Março. 3
4 Análise preliminar dos dados No gráfico seguinte é apresentada a evolução da séries temporal do valor do fecho do S&P 500 desde 3 de Janeiro de Pode observar-se mudanças repentinas do valor de fecho deste índice, pode ainda constatar-se que a variância evolui ao longo do tempo (volatilidade) e que existe irreversibilidade no tempo. dados Index Figura 1 Uma vez que esta série exibe comportamentos incompatíveis com a formulação de um processo linear apresento na secção seguinte modelos não-lineares. 4
5 Um primeiro problema que se coloca é a escolha dos dados a usar para obtenção dos modelos. O que a literatura indica é que deve usar-se um conjunto de dados que tenham um comportamento parecido com a totalidade da série, logo decidi utilizar aproximadamente os últimos 1000 registos (que corresponde, aproximadamente, à zona dentro do círculo azul). Parece-me que estes dados têm um comportamento parecido com o da série completa. Os valores de fecho deste índice que vão ser considerados são de 6 de Março de 00 até 3 de Fevereiro de 006. data<-read.table('c:/documents and Settings/Utilizador/Ambiente de trabalho/trabalho4-series/treino.txt',header=true) É possível observar o comportamento desta série na figura seguinte: fecho Index Figura Mais uma vez se verificam alterações repentinas nos valores, volatilidade e irreversibilidade no tempo. Verifica-se ainda alguma tendência. Algumas estatísticas descritivas dos valores de fecho deste índice: 5
6 Min. 1st Qu. Median Mean 3rd Qu. Max O método das diferenças é uma operação simples que transforma uma série nãoestacionária numa série estacionária. > h.returns<-function(x,h=1){ diff(x,lag=h)/x[1:(length(x)-h)] } > h.returns(data[, Close ]) > plot(h.returns(data[, Close ],h=1)) h.returns(dados, h = 1) Index Figura 3- Série estacionário A figura 4 revela uma distribuição simétrica dos valores, com clara presença de eventos raros o que é de esperar visto que estamos a tratar uma série económica. 6
7 Figura 4 Uma outra análise que pode ser feita é comparar o histograma da nova série com a curva gaussiana. hist(h.returns(data[, Close ],h=1),prob=t) lines(density(h.returns(data[, Close ],h=1))) Histogram of h.returns(dados, h = 1) Density h.returns(dados, h = 1) Figura 5 Se estimarmos os parâmetros da normal e se sobrepuser a curva ao gráfico anterior, fazendo: 7
8 x<-seq(-0.06,0.06,length=100) y<dnorm(x,mean(h.returns(data[, Close ],h=1)),sd(h.returns(data[, Clo se ],h=1))) lines(x,y,col="red") Obtenho o seguinte gráfico: Histogram of h.returns(dados, h = 1) Density h.returns(dados, h = 1) Verifica-se que o histograma se aproxima muito da distribuição normal. A função de Autocorrelação fornece-nos uma forma de ver o quanto os valores da série temporal estão correlacionados com os valores anteriores. > FECHO<-h.returns(data[, Close ],h=1) > acf(fecho) 8
9 Series FECHO ACF Lag Figura 6: h=1 Pela análise deste gráfico podemos concluir que existe alguns valores com correlação significativa. Series FECHO ACF Lag Figura 7: h=5 Autocorrelações parciais pacf(fecho) 9
10 Series fecho Partial ACF Lag Filtro Linear Médias móveis O termo média móvel é utilizado porque à medida que a próxima observação se torna disponível, a média das observações é recalculada, incluindo essa observação no conjunto de observações e desprezando a observação mais antiga. plot(data[, Close ]) fecho.1<-filter(data[, Close ],filter=rep(1/30,30)) lines(fecho.1,col="red") fecho.<-filter(data[, Close ],filter=rep(1/90,90)) lines(fecho.,col="blue") 10
11 fe ch o Ind e x Figura 8 fecho Index Figura 9 O filtro que melhor se ajusta aos dados é o filtro 1. 11
12 Modelos para séries não estacionárias Nesta secção apresento um modelo obtido para esta série temporal usando modelos ARIMA(p,d,q). Uma vez que este tipo de séries não é estacionária faz-se a transformação log à série e esta passa a ser estacionária. Após esta tranformação já se pode utilizar um modelo ARIMA(p,d,q). data<-read.table('c:/documents and Settings/Utilizador/Ambiente de trabalho/trabalho4-series/treino.txt',header=true) > SPteste<-data[999:100,5] O modelo que obtive é um ARIMA(1,0,) e os passos segui para calcular o erro quadrático médio das previsões da semana de de Fevereiro até 4 de Fevereiro foram os seguintes: ARIMA<-arima0(log(data[,5]), order = c(1,0,)) tsdiag(arima, gof.lag=0) Pelo teste de Ljung-Box-Pierce posso afirmar que este modelo se adequa à série em estudo. 1
13 Standardized Residuals Time ACF of Residuals ACF Lag p values for Ljung-Box statistic p value lag predict(arima0(log(sptreino[,5]), order = c(1,0,)), n.ahead = 5) A previsão para a semana de teste é a seguinte: pred<-exp(c( , , , )) > pred [1] sum((pred-spteste[,5])^)/4 [1]
14 Modelo não-lineares Modelo ARCH- Autocoregressive Conditionally heteroscedastic O primeiro modelo que fornece uma forma de modelar a volatilidade é o modelo ARCH proposto por Engle em 198. Este modelo assume que a variância dependo dos quadrados dos erros passados, o modelo é da forma: yt = σ ε t t σ t = α 0 + α1 yt 1 onde ε t é ruído branco e α > 1 0. O modelo mais simples é o ARCH(1) que é um ruido branco com variância condicional não constante, e essa variância condicional depende do valor anterior. Neste caso, o modelo pode ser reescrito como um AR(1) estacionário para erros não normais que têm média zero e variância não constante. y t com 14
15 Se o processo ARCH(1) for estacionário pode mostrar-se que o coeficiente de curtose é dado por 3 1 ε k = 1 3α ( ) que é sempre maior do que 3 ( a curtode da distribuição normal). Os processos ARCH(1) têm caudas mais pesadas do que a distribuição normal e são portanto adequados para modelar séries temporais com esta característica. O modelo ARCH(m) é dado por: σ t = α + α y α 0 1 t m yt m Identificação A variância condicional dos erros comporta-se como um processo autorregressivo, logo deve esperar-se que os resíduos de um modelo ARMA ajustado a uma série temporal observada também sigam este padrão característico. Se o modelo ajustado for adequado então a FAC e a FACP dos resíduos devem indicar um processo puramente aleatório, no entanto se a FAC dos quadrados dos resíduos tiver um decaimento característico de uma autorregressão isto é uma indicação de que o modelo ARCH pode ser apropriado. A ordem m do modelo pode ser identificada através da FACP dos quadrados dos resíduos. Modelos GARCH Uma generalização dos modelos ARCH consiste em assumir que a variância condicional se comporta como um processo ARMA, isto é, depende também dos seus valores passados. O modelo GARCH(m,r) é da forma: yt = σ ε t t σ t = α 0 + m r α j yt j + j= 1 j= 1 β σ j t j 15
16 Aplicação na série temporal de fecho do S&P500 O conjunto de dados utilizado para obter este modelo são os valores de 6 de Março de 00 até 17 de Fevereiro de 006. > data<-read.table('c:/documents and Settings/Utilizador/Ambiente de trabalho/trabalho4-series/treino.txt',header=true) > SPtreino1<- data[1:998,5] > SPteste<-data[999:100,5] Pelas consultas feitas em bibliografia da área conclui que um modelo que se adequa a esta série temporal é o seguinte: GARCH(1,1) G<-garch(x=diff(SPtreino1),c(1,1)) plot(g) σ t = α 0 + α1 yt 1 + β1σ t 1 O modelo obtido foi o seguinte: 16
17 Coefficient(s): a0 a1 b Aplicando o Garch à série directamente obtenho o seguinte modelo: Coefficient(s): a0 a1 b e e e-03 Valores previstos do dia 1 de Fevereiro até 4 de Fevereiro mse<-(sum((prev-spteste[,5])^)/4) MSE= Figura 10 Gráfico da série suavizada e dos resíduos. Figura 11- Histograma da série e dos resíduos. 17
18 Figura 1 Gráfico dos quartis. Figura 13 FAC da série e dos resíduos Pelos gráficos anteriores é possível verificar que este método modela razoavelmente a série em estudo, uma vez que não é rejeitada a normalidade dos resíduos e a FAC dos resíduos a partir do primeiro lag tem todos os valores dentro das bandas de confiança. Efectuei outras experiências mas pareceu-me ser este o melhor modelo de entre este tipo de modelos. De seguida apresento um dos modelos que também me pareceu razoável: ARCH() A<-garch(diff(SPtreino1), order = c(0,)) Como é possível observar nos gráficos seguintes os Q-Qplot aproximam-se de uma recta e o histograma dos resíduos parece aproximar-se de uma Normal, logo este modelo ajusta-se razoavelmente bem aos dados. 18
19 Figura 14 Figura 16 Figura 15 Figura 17 Previsões para os dias 1 de Fevereiro até 4 de Fevereiro: MSE= O modelo que tem maior MSE é o Garch(1,1), logo de entre estes escolheria o Arch() para prever valores futuros. Redes Neuronais 19
20 Uma vez que as séries económicas são (geralmente) não lineares e como as redes neuronais lidam facilmente com este tipo de casos, a aplicação de Redes Neuronais para prever valores futuros deste tipo de séries tem sido muito usada. O conjunto de dados utilizado para obter a rede neuronal, SPtreino, são os valores de 6 de Março de 00 até 17 de Fevereiro de 006. Os valores utilizados para teste, SPteste, são os valores de 0 de Fevereiro até 4 de Fevereiro. SPtreino<-data[1:998,] SPteste<-data[999:100,] O objectivo neste método é obter o melhor modelo de Rede Neuronal, para tal utilizamos as primeiras 50 observações para obter as diferentes variantes do modelo, e as restantes são usadas para decidir qual é o melhor modelo. Finalmente, este melhor modelo será novamente obtido mas com todos os dados (SPtreino). train<-data[1:50,] sel<-data[51:500,] test<-data[751:100,] train.best<-data library(nnet) alt<-expand.grid(size=c(10,0),decay=c(0.01,0.001),theil=0) prevs.ant<-c(train[nrow(train),"close"],sel[1:(nrow(sel)-1),"close"]) for(a in 1:nrow(alt)){ nn<nnet(close~.,train[,-1],size=alt[a,"size"],decay=alt[a,"dec ay"],maxit=1000,linout=t) prevs<-predict(nn,sel) alt[a,"theil"]<-sqrt(sum(((sel[,"close"]- prevs)/prevs.ant)^)/sum(((sel[,"close"]-prevs.ant)/prevs.ant)^)) } best<-which.min(alt[,"theil"]) 0
21 A melhor rede neuronal é a que tiver menor valor da estatística de Theil. nn<nnet(close~.,data=train.best[,-1],size=alt[best,"size"],decay=alt [best,"decay"],maxit=1000,linout=t) prevs<-predict(nn,test) Previsões para os valores da semana de 1 de Fevereiro até 4 de Fevereiro MSE=
22 Projection pursuit regression O projection Pursuit é um tipo de modelo aditivo com a forma: F a r( x) = f i α j, i X i= 1 j= 1 Isto é, trata-se da soma de funções de combinações lineares dos atributos. Os passos seguidos para a obtenção deste modelo são os seguintes: i library(modreg) pp<-ppr(v5~.,data=sptreino[,-1],nterms=5) pp.preds<-predict(pp,spteste) As previsões obtidas para a semana de teste são: pp.preds mse<-sum((spteste[,5]-pp.preds)^)/4 > mse [1]
23 Modelo de Kernel Um outro modelo que decide experimentar é o modelo de Regressão de Kernel, este modelo faz uma média pesada à volta da vizinhança de cada caso de teste. Uma função implementada no R para este método é kernapply(), que usei, para ver o que se obtêm apresento os seguintes gráficos e experiências. k1 <- kernel("daniell", 15) x1 <- kernapply(data[,5], k1) plot(data[,5]) lines(x1, col = "red") data[, 5] Index Figura 18 Usando o seguinte valor kd para o parâmetro da dimensão de kernel, o modelo obtido ajusta-se melhor à série em estudo. kd <- kernel("daniell", c(3,3)) x1 <- kernapply(data[,5], kd) 3
24 data[, 5] Index Figura 19 Uma outra função implementada no R é a função loess()no quadro seguinte apresento os passos efectuados: Usando 30% da amostra para largura da banda. > ll0<-loess(close~.,data=sptreino[,:5],degree=0,span=0.3) > preds.ll0<-predict(ll0,spteste[,:5]) > ll1<-loess(close ~.,data=sptreino[,:5],degree=1,span=0.3) > preds.ll1<-predict(ll1,spteste[,:5]) > ll<-loess(close ~.,data=sptreino[,:5],degree=,span=0.3) > preds.ll<-predict(ll,spteste[,:5]) preds.ll0 [1] > preds.ll1 [1] > preds.ll [1] col="red",ylim=range(c(preds.ll1,preds.ll),na.rm=t)) Cálculo do erro quadrático médio: > mes.ll0<-mean((preds.ll0-spteste[,5])^) > mes.ll1<-mean((preds.ll1-spteste[,5])^) > mes.ll<-mean((preds.ll-spteste[,5])^) > mes.ll0 [1]
25 > mes.ll1 [1] > mes.ll [1]
26 Conclusão Após experimentar os vários métodos, apresentados anteriormente, os dois modelos que melhor se ajustam à série do fecho do índice S&P500 são: - Rede neuronal para size=0 e decay=0.001 em que o MSE foi de.9. - Modelo de Kernel para um polinómio de grau 1 em que o MSE foi de.6. Previsão dos valores de fecho do índice S&P500 para os dias 7, 8 de Fevereiro, 1, e 3 de Março 7-Fev Fev Mar Mar Mar
27 Bibliografia [1]- Data Mining with R - Luis Torgo; []- Time Series Analysis and Its Applications - Robert H. Shumway- Springer; [3]- A Course in Time Series Analysis - Daniel Peña- Wiley-Interscience Publication; [4]- Non-linear Time Series - Howell Tong- Oxford Science Publications. 7
Modelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
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 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 17/10/2018 José Luiz Padilha 17 de outubro de 2018
Modelando a Variância Introdução Aula 17/10/2018 José Luiz Padilha 17 de outubro de 2018 Nos modelos vistos até aqui a variância dos erros foi assumida constante ao longo do tempo, e estávamos interessados
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 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 maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
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 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 mais4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
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 maisEconometria 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 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 maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
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 2019 1 / 26 Índice 1 Estacionariedade
Leia maisAula 7 Métodos Quantitativos Avançados
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Programa de Pós-Graduação em Controladoria e Contabilidade Aula 7 Métodos Quantitativos Avançados Autor:
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018
A função plot.gamlss() CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018 Considere os dados de circunferência abdominal discutido anteriormente. relacionamos a circunferência
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 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 da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisMonitoria Econometria Avançada Lista 2
Monitoria Econometria Avançada Lista 2 Professor: Hedibert Lopes Primeiramente, vamos plotar os gráficos das séries, rodando a primeira parte do programa macro-arima.r disponível no site do professor,
Leia maisMEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS
Universidade Federal do Paraná Departamento de Estatística MEDIÇÃO DA QUALIDADE DO VINHO BRANCO NORTE PORTUGUÊS CE225 - Modelos Lineares Generalizados Francielle Przibiciem de Mattos GRR20124686 Guilherme
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisAula 03/09/2018 José Luiz Padilha 03 de setembro de 2018
Aula 03/09/2018 José Luiz Padilha 03 de setembro de 2018 Construção de modelos ARIMA Há alguns passos básicos para ajustarmos modelos ARIMA aos dados de séries temporais. Estes passos envolvem: plotar
Leia maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 7
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 7 Armando Manuel 09/29/2017 10. ECONOMETRIA DAS SERIES TEMPORAIS a) Processos Estocásticos b) A Cointegração c) A Previsão 1. Modelo Box
Leia maisAJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo;
Leia maisIntrodução Regressão linear Regressão de dados independentes Regressão não linear. Regressão. Susana Barbosa
Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Regressão linear x : variável explanatória y : variável resposta Gráfico primeiro! Gráfico primeiro! Gráfico primeiro! Modelo linear x
Leia maisModelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
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 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 maisHomocedasticidade? Exemplo: consumo vs peso de automóveis
REGRESSÃO Análise de resíduos Homocedasticidade? Exemplo: consumo vs peso de automóveis 60 50 Consumo (mpg) 40 30 0 10 0 1500 000 500 3000 3500 4000 4500 Peso 0 Diagrama de resíduos 15 10 Resíduos 5 0-5
Leia maisVariável dependente Variável independente Coeficiente de regressão Relação causa-efeito
Unidade IV - Regressão Regressões Lineares Modelo de Regressão Linear Simples Terminologia Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito Regressão correlação Diferença
Leia maisVERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1
PREFÁCIO VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS xiii DO EXCEL... xv Capítulo 1 VARIÁVEIS E AMOSTRAS 1 VARIÁ VEIS 4 NÚMERO DE VARIÁVEIS 5 CLASSIFICAÇÃO DAS VARIÁVEIS 6 ESCALA DE MEDIÇÃO DAS VARIÁVEIS 7 POPULAÇÃO
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisAnálise de séries temporais financeiras
Séries Temporais Financeiras Aula -1 Análise de séries temporais financeiras Em princípio, não haveria diferenças entre a análise de séries temporais financeiras e aquelas ocorrendo em outras áreas, como
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 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 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 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 maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
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 maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
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 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 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 maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia mais4 Desenvolvimento dos Modelo
68 4 Desenvolvimento dos Modelo Neste capítulo são desenvolvidos três modelos para previsão da velocidade do vento, a saber: modelo estatístico que combina a metodologia do modelo Box&Jenkins com a regressão
Leia maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 8
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 8 Armando Manuel 09/29/2017 A PREVISÃO Armando Manuel 09/29/2017 11 1. A metodologia Box-Jenkins é um processo que se inicia com a analise
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 maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
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 maisPREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH
VI Simpósio de Pesquisa dos Cafés do Brasil PREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH Alan Figueiredo de Arêdes 1 ; Matheus Wemerson Gomes Pereira ; Erly Cardo
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 maisMais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Leia maisMódulo 16- Análise de Regressão
Módulo 6 Análise de Regressão Módulo 6- Análise de Regressão Situação Problema Um grupo de investidores estrangeiros deseja aumentar suas atividades no Brasil. Considerando a conjuntura econômica de moeda
Leia maisCapítulo 3. Curva de Correlação. não é necessariamente homoscedástica, iremos considerar o modelo
Capítulo 3 Curva de Correlação 3 Curva de Correlação Cruzada Contemporânea 3 Introdução Considere { ( X t Yt ) t Z} um processo estacionário estrito com X t a valores contínuos tal que Y t possuem segundos
Leia mais'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV
69 'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV O presente capítulo objetiva entender o comportamento das séries de retorno financeiras para as carteiras de investimento elaboradas no capítulo anterior. Tal análise
Leia maisInvestigação Operacional 2º Semestre 2002/2003 Problema Resolvido
º Semestre 00/003 Problema Resolvido Resolução do problema 3 Comecemos por traçar o gráfico da série cronológica 10 140 130 10 Yt 110 100 0 4 6 8 10 1 14 16 18 0 a) Caracterizar uma série é dizer se ela
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 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 maisEstimação e Modelagem de Volatilidade - Eduardo Ribeiro 1
Discutiremos agora diferentes métodos de estimação de volatilidade de ativos. Volatilidade pode ser entendido como o risco de um ativo (retorno incerto). Volatilidade é chave para precificar opções e calcular
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 maisUniversidade Presbiteriana Mackenzie Trabalho de Econometria
Universidade Presbiteriana Mackenzie Trabalho de Econometria Graciele Maria Salzbrunn Mori Itiro Priscila de Oliveira Dutra Introdução 100% inercial. Objetivo: Verificar se é possível afirmar que a inflação
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Séries Temporais Considere um processo onde o valor presente de uma série depende dos
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisModelos de Regressão para Dados de Contagem
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística Modelos de Regressão para Dados de Contagem CE225 - Modelos Lineares Generalizados Professor Cesar Taconelli Andrea A Alves, GRR: 20096668 NathanM
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia mais2 Análise dos dados intradiários
2 Análise dos dados intradiários 2.1 Estatísticas descritivas dos dados intradiários Nesta seção, realizaremos uma análise descritiva dos dados intradiários, os quais são compostos por volume de transação,
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
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 maisVariância pop. * conhecida Teste t Paramétrico Quantitativa Distribuição normal Wilcoxon (teste dos sinais, Wilcoxon p/ 1 amostra)
Testes de Tendência Central (média, mediana, proporção) Classificação Variável 1 Variável 2 Núm ero Gru pos Dependência Teste Z Paramétrico Quantitativa - 1 - Premissas Variância pop. * conhecida Teste
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisMODELO ARIMA COM O PACOTE FORECAST
MODELO ARIMA COM O PACOTE FORECAST 1. INTRODUÇÃO Neste documento iremos mostrar como trabalhar o modelo ARIMA utilizando um pacote do R, (forecast) que permite a escolha de um modelo de forma automática.
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
VOLATILIDADE E VALOR EM RISCO: MODELAGEM POR MÉDIAS MÓVEIS E POR EGARCH COM PARÂMETROS VARIÁVEIS Paulo Henrique Soto Costa UFF - EEIMVR - Departamento de Ciência dos Materiais Av. dos Trabalhadores 42
Leia maisModelos de Regressão Múltipla - Parte VII
1 Modelos de Regressão Múltipla - Parte VII Erica Castilho Rodrigues 26 de Janeiro de 2016 2 3 Vimos como ajustar um modelo não linear fazendo transformações das variáveis, como, por exemplo Y = exp{β
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisi j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisAnálise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008
Análise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008 Daniela Bandeira, Paulo Germano, Filipe Formiga e Jeremias Leão Universidade Federal do Piauí
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia mais6 Aplicação de modelos de série temporal para o CMO
Aplicação de modelos de série temporal para o CMO Antes de se iniciar qualquer tipo de análise, vai se ilustrar qual é o comportamento da série do custo marginal de operação através de um gráfico mostrado
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 maisRegressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Leia mais