Econometria III
ANE059
A P O S T I L A
MODELOS DE DECOMPOSIÇÃO
Prof. Rogério Silva de Mattos
Departamento de Economia Faculdade de Economia Universidade Federal de Juiz de Fora
Rogério.mattos@ufjf.edu.br
EXEMPLOS DE SÉRIES TEMPORAIS -10 -5 0 5 10 15 20 95 96 97 98 99 00 01 02 TXI
INFLAÇÃO BRASILEIRA (IGP-DI)
0 2000 4000 6000 8000 10000 70 72 74 76 78 80 82 84 86 XKOREA EXPORTAÇÕES COREANAS 10000 12000 14000 16000 18000 20000 22000 24000 26000 53 54 55 56 57 58 59 60 61 62 63 64 RETAIL
CONCEITOS
Série Temporal: Conjunto de observações para uma variável aleatória Y
organizadas ou indexadas pelo tempo. As observações apresentam uma dependência serial (não podem ser re–ordenadas ou embaralhadas)
Amostra Aletória: Conjunto de observações independentes para uma
variável aleatória Y. Não apresentam dependência serial (logo, podem ser re– ordenadas e embaralhadas)
Modelo de Série Temporal: Aproximação matemática do comportamento
apresentado por uma de uma série temporal
USOS DE MODELOS DE ST
Descrição: identificação dos padrões de evolução intrínsecos apresentados
pela série temporal
Previsão: cômputo dos valores futuros esperados para uma série temporal Aplicações: Análise de conjuntura econômica; previsão de demanda de
linhas de produtos (marketing e planejamento de produção); previsões climáticas; previsões demográficas; previsões de casamentos; etc.
HISTÓRICO
Antes de 1955: Modelos clássicos de decomposição
1957–1962: Modelos de Alisamento Exponencial (Holt–Winters e Brown) Décadas de 60/70: Modelos de Box–Jenkins (ARIMA)
Década de 80: Modelos estruturais clássicos e bayesianos (Filtro de
Kalman)
SÉRIES TEMPORAIS versus ECONOMETRIA
ST Econometria
Ênfase em métodos univariados
Métodos multivariados
(regressão múltipla e sistemas de equações)
Informação do modelo está nos dados
Teoria econômica guia e influi na construção dos modelos Previsões incondicionais
(Extrapolação)
Previsões condicionais a cenários para as variáveis explicativas
ROTEIRO DO CURSO
Modelos de Decomposição Clássicos Ajuste Sazonal
Modelos de Alisamento Exponencial Modelos de Decomposição com Regressão Modelos Autorregressivos
MODELOS DE DECOMPOSIÇÃO t t t t t T C S e Y Yt = série temporal Tt = tendência Ct = ciclo St = sazonalidade et = irregularidades
Representação sem Ciclo: Yt Tt St et
FORMULAÇÕES
Modelo Aditivo: Yt Tt St et
Modelo Multiplicativo: Yt TtSt et Modelo Misto: Yt Tt St et
ESTIMAÇÃO DAS COMPONENTES
Seja: Yt Tˆt(Y)Sˆt(Y)eˆt(Y)
onde Y{Y1,...,YN} é um conjunto de observações da série Yt. Tendência Tˆ : Médias Móveis T
MÉDIAS MÓVEIS
Objetivo: Suavizar Oscilações Erráticas e Sazonais
Não–Centrada: P Y Y Y Tˆt t t1... tp Previsão Centrada: 1 ... ... ˆ /2 1 1 /2 P Y Y Y Y Y T t P t t t t P t Descrição
Quanto maior P, maior o suavizamento ou alisamento.
Exemplos para P = 2 e P = 3
Vendas do Comércio Varejista Americano
10000 14000 18000 22000 26000 53.01 53.12 54.11 55.10 56.09 57.08 58.07 59.06 60.05 61.04 62.03 63.02 64.01 MM(3) MM(2) RETAIL
MÉDIAS MÓVEIS SAZONAIS
Objetivo: modelar tendência
P = ciclo sazonal ou no. de períodos sazonais
(mensal, bimestral, trimestral, etc.)
Exemplo (série com sazonalidade mensal; P = 12):
Centrada: 13 ... ... ˆ t6 t1 t t1 t6 t Y Y Y Y Y T
Obs: Perde–se as 6 primeiras e as 6 últimas observações da série;
10000 15000 20000 25000 30000 53 54 55 56 57 58 59 60 61 62 63 64 65 RETAIL MMM
Vendas do Comércio Varejista Americano
No Eviews
Comando @MOVAV(X,r) = (X + X(-1)+...+X(-r+1))/r
Exemplos
Na janela de equação da opção Genr, digitar:
M2 = @MOVAV(X,3) = = (X + X(-1)+X(-2))/3; Média Móvel Simples de Tamanho 3 MMS = @MOVAV(X(+6),13) = (X(+6)+...+X+…+X(-6))/13; Média Móvel Sazonal Mensal
FATORES SAZONAIS
Estimação da Sazonalidade ou Componente Sazonal
ˆt ( t t)
t T S e
Y i = 1,...,I são anos
ˆij ( ij ij) ij T S e
Y j = 1,...,P são períodos sazonais
I T Y T Y T Y S j j j j j Ij Ij ) ˆ ( ... ) ˆ ( ) ˆ ( ˆ 1 1 1 1 ILUSTRAÇÃO PARA P = 12
Anos Jan(1) Fev(2) Mar(3) . . . Dez(12)
1 ( ˆ ) 11 11 T Y (Y12Tˆ12) . . . . . . (Y1,12Tˆ1,12) 2 ( ˆ ) 21 21 T Y (Y22 Tˆ22) : : : : : I ( ˆ ) 1 1 I I T Y (YI2 TˆI2) . . . . . . (YI1TˆI1) Médias 1 * ˆS ˆS*2 ˆS *12 -5000 0 5000 10000 15000 20000 25000 30000 53 54 55 56 57 58 59 60 61 62 63 64 RETAIL MM SEASFAC
AJUSTE SAZONAL
Conceito: Construir uma nova série YAt a partir da série original Yt , onde os
efeitos da sazonalidade são eliminados.
Modelo Aditivo Estimado: Yt Tˆt Sˆt eˆt
Modelo Multiplicativo Estimado: Yt TˆtSˆt eˆt
Série Ajustada: Modelo Aditivo: YAt Yt Sˆt Tˆt eˆt Modelo Multiplicativo: t t t t t T e S Y YA ˆ ˆ ˆ 10000 12000 14000 16000 18000 20000 22000 24000 26000 53 54 55 56 57 58 59 60 61 62 63 64 RETAILSA
VENDAS DO COMÉRCIO VAREJISTA AMERICANO (Ajustada Sazonalmente)
Obs: Usou–se o ajuste para modelo aditivo.
No Eviews
Opção Quick\Series Statistics\Seasonal Adjustment
(Nas versões mais novas, clique na série e escolha Proc/Seasonal Adjusment) Entrar nome da série:
Escolher: Adjustment method
* Difference from moving average (para aditivo) * Ratio to moving averate (para multiplicativo)
MÉTODOS DE ALISAMENTO EXPONENCIAL Características: – Automáticos (intervenção do analista)
– Descrição – Previsão
Alisamento Exponencial Simples (Holt 1 parâmetro) Alisamento Exponencial Duplo (Holt 2 parâmetros) Método de Winters (ou Holt–Winters)
Usos: – previsão e planejamento de curto prazo
– itens de linhas de produção ou vendas diversificados
MODELO TÍPICO t t t T t T S e Y Yt = série temporal t = nível
Tt = tendência (crescimento do nível) St = sazonalidade
ALISAMENTO EXPONENCIAL SIMPLES (Holt 1 parâmetro)
Para séries localmente constantes (SEM tendência ou sazonalidade)
t t t e Y Método: 1 ˆ ) 1 ( ˆ t t t Y Y Y : – parâmetro de alisamento
– definido pelo usuário ou estimado
Propriedades de
1
0 Para ser alisamento 0
Informações recentes e antigas são relevantes 1
Só informações recentes são relevantes
Representação alternativa: ... ) 1 ( ) 1 ( ˆ 1 2 1 t t t t Y Y Y Y
Pesos , (1–), (1–)2, ... decaem exponencialmente
-2 -1 0 1 2 3 4 5 95 96 97 98 99 00 01 02 TXI TXISM
INFLAÇÃO BRASILEIRA (IGP-DI) (AES)
Parameters: Alpha 0.160
Sum of Squared Residuals 63.136
Root Mean Squared Error 0.847
End of Period Levels: Mean 0.814 Obs: Modelo Aditivo
ALISAMENTO EXPONENCIAL DUPLO (Holt 2 parâmetros)
Para séries COM tendência (SEM sazonalidade): Yt t Tt et
Método: 1 1 1 1 ˆ ) 1 ( ) ˆ ˆ ( ˆ ) ˆ ˆ )( 1 ( ˆ t t t t t t t t T Y Y T T Y Y Y
– parâmetro de alisamento do nível – parâmetro de alisamento da tendência Propriedades de ,
1 ,
0 Para ser alisamento
0 ,
Informações recentes e antigas são relevantes
1 ,
Só informações recentes são relevantes
5 6 7 8 9 10 70 72 74 76 78 80 82 84 86 LXKOREA LXKORESM
LOG EXPORTAÇÕES COREANAS (AED 2 Parâmetros)
Parameters: Alpha 0.56
Beta 0.09
Sum of Squared Residuals 1.217484 Root Mean Squared Error 0.140132 End of Period Levels: Mean 8.890744 Trend 0.026786 Obs: Modelo Aditivo
MÉTODO DE WINTERS (conhecido como Holt–Winters)
Para séries COM Tendência e Sazonalidade Sazonalidade Aditiva: Yt t Tt St et Sazonalidade Multiplicativa: Yt (t Tt)St et Sazonalidade Aditiva: P t t t t t t t t t t P t t t S Y Y S T Y Y T T Y S Y Y ˆ ) 1 ( ) ˆ ( ˆ ˆ ) 1 ( ) ˆ ˆ ( ˆ ) ˆ ˆ )( 1 ( ) ˆ ( ˆ 1 1 1 1 Previsão – passos à frente: : : 2 ,.., 1 ˆ ˆ ˆ ˆ ,.., 2 ,. 1 ˆ ˆ ˆ ˆ 2 P P S T Y Y P S T Y Y P T T T T P T T T T
MÉTODO DE HOLT–WINTERS (Continuação) Sazonalidade Multiplicativa P t t t t t t t t t t P t t t S Y Y S T Y Y T T Y S Y Y ˆ ) 1 ( ˆ ˆ ˆ ) 1 ( ) ˆ ˆ ( ˆ ) ˆ ˆ )( 1 ( ˆ ˆ 1 1 1 1 Previsão – passos à frente: : : 2 ,.., 1 ˆ ) ˆ ˆ ( ˆ ,.., 2 ,. 1 ˆ ) ˆ ˆ ( ˆ 2 P P S T Y Y P S T Y Y P t t t t P t t t t 10000 12000 14000 16000 18000 20000 22000 24000 26000 53 54 55 56 57 58 59 60 61 62 63 64 RETAIL RETAILSM
VENDAS DO COMÉRCIO VAREJISTA AMERICANO (Método de Winters)
Parameters: Alpha 0.360 Seasonals: 1962.08 88.322 Beta 0.000 1962.09 -360.502 Gamma 0.000 1962.10 399.574 Sum of Squared Residuals 22673141 1962.11 172.349 Root Mean Squared Error 422.527 1962.12 3460.125 End of Period Levels: Mean 20540.180 1963.01 -1660.008 Trend 51.124 1963.02 -2439.233 1963.03 -464.857 1963.04 -67.781 1963.05 454.395 1963.06 513.770 1963.07 -96.154
DECOMPOSIÇÃO COM REGRESSÃO Modelo Aditivo: Yt Tt St et Tendência: Tt 0 1t2t2...mtm Sazonalidade: outro j D D D D D S jt P P t 0 sazonal periodo 1 ... 1 1 3 3 2 2 1 1 Logo: Yt 01t2t2...mtm1D1...PDP1et
Obs: como D1t + ... + DPt = 1, há colinearidade perfeita com a constante 0,
por isso usa–se só P–1 dummies.
t D1 D2 D3 D4 1999.1 1 1 0 0 0 1999.2 2 0 1 0 0 1999.3 3 0 0 1 0 1999.4 4 0 0 0 1 2000.1 5 1 0 0 0 2000.2 6 0 1 0 0 2000.3 7 0 0 1 0 2000.4 8 0 0 0 1 FORMULAÇÕES ALTERNATIVAS
1. Sem Constante e P dummies: t P P
m m t t t t D D Y ... 1 1 ... 2 2 1
2. Sazonalidade com Restrição de Média Zero: 0
1
P p p t P P t P P t t D D D S 1 1 ... 1, (1... 1) , ou * 1, * 1 1 t ... P P t t D D S , onde outro 0 sazonal período se 1 sazonal período se 1 * P j DjT Logo: t P P t t m mt D D e t t Y 0 1 2 2 ... 1 1* ... *1, t D1* D2* D3* 1999.1 1 1 0 0 1999.2 2 0 1 0 1999.3 3 0 0 1 1999.4 4 -1 -1 -1 2000.1 5 1 0 0 2000.2 6 0 1 0 2000.3 7 0 0 1 2000.4 8 -1 -1 -1 5000 10000 15000 20000 25000 30000 53 54 55 56 57 58 59 60 61 62 63 RETAIL TEND
VENDAS DO COMÉRCIO VAREJISTA AMERICANO
5000 10000 15000 20000 25000 30000 53 54 55 56 57 58 59 60 61 62 63 64 RETAIL RETAILC RETAIL-2*SF RETAIL+2*SF VENDAS DO COMÉRCIO VAREJISTA AMERICANO
AJUSTAMENTO E DESEMPENHO PREDITIVO
Amostra (=Série Observada): Y1,...,YT Divisão da Amostra: Y1,...,YT* | YT*+1,...,YT*+H
Resíduo: eˆt Yt Yˆt
Erro de previsão: fˆT*l YT*l YˆT*l
Qualidade do Ajustamento
(Período de Estimação: Y1,...,YT*)
Desempenho Preditivo
(Dentro da Amostra: YT*+1,...,YT*+H)
Y Y y y e R T t t t t T t t