monica@mbarros.com
monica@mbarros.com 1
Mó M ó dulo de Regressão e Sé dulo de Regressão e S é ries ries Temporais
Temporais
Parte Parte 33
Mônica Barros,
Mônica Barros, D.Sc.D.Sc.
Julho de 2007 Julho de 2007
monica@mbarros.com
monica@mbarros.com 2
Mônica Barros
Doutora em Séries Temporais – PUC-Rio
Mestre em Estatística – University of Texas at Austin, EUA
Bacharel em Matemática – University of Washington, Seattle, EUA
Professora da PUC-Rio (Depto. De Eng.
Elétrica)
E-mails: monica@ele.puc-rio.br, monica@mbarros.com
Home page: http://www.mbarros.com
Programa do Curso Programa do Curso
Modelagem ARIMA de Box & Jenkins sazonal e não sazonal
Função de autocorrelação e autocorrelação parcial
Modelo
Identificação de (p, q, d, P, Q, D)
Estimação
Estatísticas de ajuste e análise dos resíduos
Exercícios
MODELO
BOX & JENKINS UNIVARIADO
(Não Sazonal e Sazonal)
monica@mbarros.com
monica@mbarros.com 5
PROCESSO ESTOC
PROCESSO ESTOCÁÁSTICOSTICO
Toda variável aleatória que evolui no tempo, i.e., guarda uma estrutura de dependência no tempo é um processo estocástico.
SÉRIE TEMPORAL
É uma realização particular de um processo estocástico.
Exemplo: Inflação, Retornos Financeiros, Demanda, etc...
monica@mbarros.com
monica@mbarros.com 6
( )t
Z =E Z
μ
MÉDIA de um processo (série)
Teórico
Estimador
VARIÂNCIA de um processo (série) Teórico
Estimador T
Z m
T
t t Z
∑=
= 1
( )
1
1
2 2
−
−
=∑
=
T m Z S
T
t
Z t Z
( )
{ 2}
2
Z t
Z =E Z −μ
σ
monica@mbarros.com
monica@mbarros.com 7
BOX & JENKINS BOX & JENKINS
AUTOCOVARIÂNCIA de um processo (série) Teórico
Estimador
Onde k = 1 , 2 . . . é o “lag” ou defasagem
( )( )
{ t Z t k Z }
k E Z μ Z μ
γ = − + −
( )( t k Z)
k T
t
Z t
k Z m Z m
c T − −
= − − +
∑=
1 1
1
monica@mbarros.com
monica@mbarros.com 8
BOX & JENKINS BOX & JENKINS
AUTOCORRELAÇÃO de um processo (série) É a medida padronizada da dependência linear de lag k, (é a autocovariância padronizada)
Teórico
Lembrar que:
( )
( )t ( t k)
k t t k
k
Z VAR Z
VAR
Z Z COV
+
= +
= ,
γ0
ρ γ
( )= ( )= =constante
= 2
0 COV Zt,Zt VAR Zt σZ
γ
monica@mbarros.com
monica@mbarros.com 9
Então: para todos os lags 1, 2, 3,...
Estimador rk(autocorrelação estimada de lag k)
O gráfico de r(k) versus k é chamado correlograma
correlograma do processo (ou da série Zt) . 1
1≤ ≤+
− ρk
( )( )
( )
∑
∑
=
−
= +
−
−
−
=
= T
t
Z t k
T
t
Z k t Z t k
k
m Z
m Z m Z c
r c
1
2 1
0
monica@mbarros.com
monica@mbarros.com 10
PROCESSO ESTACIONÁRIO (de 2ª ordem)
Um processo estocástico é dito estácionário de 2ª ordem se:
(i) para qualquer t
(ii) (constante) para qualquer t (iii) Cov [Zt, Zt+k ] = função apenas do lag k para
qualquer instante t
i.e , o processo tem média e variância constantes e a autocovariância só depende do lag k
[ ]
E Zt = μ z
[ ]
E Zt −μz 2 =σ2z
BOX & JENKINS BOX & JENKINS
Exemplos
Zt
Não Estacionário na Variância t
Estacionário Não Estacionário na Média
Não Estacionário na Média E na Variância
BOX & JENKINS BOX & JENKINS
PROCESSO RUÍDO BRANCO
Um processo estocástico é chamado de ruruíído brancodo branco e denotado por atse, além de estacionário de 2ª ordem, ele não apresenta qualquer dependência serial, ou seja,
Ou seja, um ruído branco é uma seqüência de observações com média e variância constantes e autocorrelações nulas em todos os lags.
ρk para k para k
= =
>
⎧⎨
⎩
1 0
0 0
, ,
monica@mbarros.com
monica@mbarros.com 13
Objetivo de AnObjetivo de Anáálise de Slise de Séérie Temporalrie Temporal
Dada uma série temporal Ztque não é “branca”, isto é, que exibe uma estrutura de dependência serial,achar o melhor modelomatemático que descreva esta dependência serial e a transforme num ruído branco.
Se uma série já é ruído branco, então não existe modelo univariado para ela!
O operador B, conhecido como Operador de Atraso ou “Backward Shift Operator“ é bastante usado por na descrição dos modelos e é definido como:
BkZt = Zt-k
monica@mbarros.com
monica@mbarros.com 14
Exemplos
1)
2)
Zt =α1Zt−2 +α2Zt−4+β1at−1+β2at
at Zt B3 3 Zt
B2 2 BZ t
Zt = α1 + α + α +
at Zt 3) 3B B2 B 2 ( 1
Zt = α +α +α +
Zt =α1B Z2 t+α2B Z4 t+β1Bat+β2at Zt =(α1B2+α2B4)Zt+(β1B+β2)at
Zt = α1Zt−1 + α2Zt−2 + α3Zt−3 + at
monica@mbarros.com
monica@mbarros.com 15
BOX & JENKINS BOX & JENKINS
FunFunçção de autocorrelaão de autocorrelaçção parcial de lag ão parcial de lag kk
É uma medida de dependência linear ou correlação linear entre Zt e Zt+k
eliminando a dependência dos termos intermediários Zt+1 , Zt+2 . . . Zt+k-1 i.e.:
(
, + | +1, , + −1)
= t t k t t k
kk CorrZ Z Z KZ
φ
monica@mbarros.com
monica@mbarros.com 16
BOX & JENKINS BOX & JENKINS
MODELO ARIMA de Box e Jenkins
Seja Zt uma série estacionária de 2ª
ordem . A modelagem BJ propõe modelos lineares para Zt, conhecidos como
ARIMA(p, d, q).
monica@mbarros.com
monica@mbarros.com 17
Casos Particulares do ARIMA(p, d, q)
AR(p) = modelo autoregressivo de ordem p
MA(q) = modelo médias móveis de ordem q
monica@mbarros.com
monica@mbarros.com 18
( )
AR(1) : Z =t φ1Zt -1+at, 1−φ1B Zt =at
( )
AR(2) : Z =t φ1Zt -1+φ2Zt -2+at, 1−φ1B−φ2B2 Zt =at
( )
AR(p) : Z =t φ1Zt -1+φ2Zt -2+ +K φpZt -p+ t 1−φ1 −φ2 2− −K φp Zt=
p
a , B B B at
MODELOS AR(p)
Modelo Autoregressivo de ordem p
BOX & JENKINS BOX & JENKINS
Problema
Se a ordem “p” do modelo cresce, teremos muitos parâmetros φi; i = 1, . . . , p para estimar, o que requer séries de tamanhos elevados, nem sempre disponíveis .
Solução encontrada
Reduzir a ordem “p” da parte AR através da inclusão no modelo de defasagens no ruído branco (além das defasagens da própria série temporal). Isso eqüivale a adicionar uma
estrutura MA ao modelo (média móvel = “Moving Average”)
BOX & JENKINS BOX & JENKINS
Modelos MA(q) = Médias Móveis de ordem q
( )
MA(q) : Z = at t−θ1at -1−θ2at -2− −K θqat -q Zt= 1−θ1 −θ2 2− −K θq q
B B B at
,
( )
MA(1) : Z = at t −θ1at-1, Zt = 1−θ1B at
( )
MA(2) : Z = at t −θ1at -1−θ2at -2, Zt = 1−θ1B−θ2B2 at
monica@mbarros.com
monica@mbarros.com 21
Exemplo (modelo MA(1))
Exemplo (modelo AR com infinitos lags)
( )
t t
t t
t t
a Z
Z Z
a Z B
B
= + +
+
= +
+ +
−
− ...
, 1
2 2 1 1
2 2 1
θ θ
θ
θ K
( )
t
t Z
a B
at t B
t Z t a t a Z
⎟⎟⎠
⎜⎜ ⎞
⎝
⎛
= −
⇒
−
− =
−
=
1 1
1
1 1 1,
1 θ
θ θ istoé:
monica@mbarros.com
monica@mbarros.com 22
Como no caso do AR (p) , para ordens MA altas é melhor trabalhar com o AR invertido que terá, certamente, menos parâmetros a serem estimados.
Princípio da Parcimônia!
AR( )∞ ≡ MA q( ) MA( )∞ ≡ AR p( )
monica@mbarros.com
monica@mbarros.com 23
( ) ( ) t
t a B B a
a 1 1 1
1 θ 1 φ 1 θ
φ t-1= − t-1 − t= −
t- Z Z
Z : ARMA(1,1)
BOX & JENKINS BOX & JENKINS
Modelos ARMA (p, q)
(
1−φ1B−φ2B2− −K φpBp)
Zt = −(
1 θ1B−θ2B2− −K θqBq)
at(
1−φ1B−φ2B2)
Zt = −(
1 θ1B−θ2B a2)
tARMA(2,2) : Z -t φ1Zt -1-φ2Zt -2 = at −θ1at -1−θ2at -2
ARMA(p, q) : Z -t φ1Zt-1-K−-φpZt-p =at −θ1at-1− −K -θqat-q
monica@mbarros.com
monica@mbarros.com 24
BOX & JENKINS BOX & JENKINS
Fundamento teórico dos modelos BJ
Passagem de um ruído branco por um filtro linear de memória infinita gera um
processo estacionário de 2a ordem. (Teoria geral de sistemas lineares)
ψ ( ) B
Z =t at −ψ1at−1−ψ2at−2 −ψ3at−3−K
( )
Z =t 1−ψ1B−ψ2B2−ψ3B3−Kat
( )
Z =t ψ B at
at Zt
monica@mbarros.com
monica@mbarros.com 25
Fundamento Teórico
Como contém infinitos parâmetros, então BJ sugerem escrevê-lo como a razão de dois polinômios:
ou seja
Logo, a modelagem BJ consiste em achar a estrutura ARMA (i.e., as defasagens p e q) mais adequada para a série Zt.
( )
ψ θ
B φ B
= ( )B ( ) ( )
ψB
( )( ) t ( ) t ( ) t
t a BZ B a
B
Z B φ θ
φ
θ ⇒ =
=
monica@mbarros.com
monica@mbarros.com 26
Processos Não-Estacionários Homogêneos
Yté não Estacionário na Média
Seja Zt= Yt- Yt-1 Zt= Yt- BYt Zt= (1-B)Yt
Zt= ∇Yt(série estacionária)
Xté não Estacionário na Média Yt= ∇Xt=Xt - Xt-1
Yt: Não Estacionário na Média Zt= ∇Yt= ∇ ∇Xt
Zt= ∇2Xt(série estacionária)
BOX & JENKINS BOX & JENKINS
Generalização
Um processo estocástico é não
estacionário homogêneo se ele se torna estacionário após a aplicação de “d”
diferenças
Se Yt é não estacionário homogêneo então:
t d
t Y
Z =∇ é estacionário!
BOX & JENKINS BOX & JENKINS
Modelo ARIMA (p,d,q)
φ( )B ∇dZt = θ( )B at
φ( )B = −1 φ1B−φ2B2− −K φpBp θ( )B = −1 θ1B−θ2B2− −K θqBq
∇ = −d (1 B)d
monica@mbarros.com
monica@mbarros.com 29
Exemplos
i) ARIMA (1,1,1)
ii) ARIMA (0,2,2)
Zt- (φ1+1)Zt−1 +φ1Zt−2= at−θ1at−1
[1- (φ1+1)B +φ1B2] Zt= (1 -θ1B a) t
(1 -φ1B) (1 -B Z) t = (1 -θ1B a) t
Zt =(φ1 +1)Zt-1 -φ1Zt-2 + at -θ1at-1
( )
( ) ( )
2 2 1 1 2
1
2 2 1 1 2
1
2 2 1 2
2 2 1 2
2 2
1 2
1 1
−
−
−
−
−
−
−
−
−
− +
−
=
−
−
= +
−
−
−
= +
−
−
−
=
∇
t t t t t t
t t t t t t
t t
t t
a a a Z Z Z
a a a Z Z Z
a B B Z
B B
a B B Z
θ θ
θ θ
θ θ θ θ
monica@mbarros.com
monica@mbarros.com 30
II) MODELO BJ
Fluxograma Operacional
==> ∇d ==> θ(B) , φ(B) ==> at Zt
Yt
Série estacionária após d diferenças
Série original (não estacionária)
monica@mbarros.com
monica@mbarros.com 31
BOX & JENKINS BOX & JENKINS
Fluxo Operacional BJ
Operador diferença
Ordem AR(p) e MA(q)
Estimação
Ruído é branco
Previsão Não
Identificação
Estimação
Testes
Sim
Yt
~
Zt
~
$ $
φ θ
ie j
at
~
monica@mbarros.com
monica@mbarros.com 32
BOX & JENKINS BOX & JENKINS
APLICAÇÃO DO MÉTODO
Identificação
Valores de p,d,q para Yt.
i) d através dos gráficos de ∇dYt.
ii) p e q através das ACF e PACF
(correlograma e correlograma parcial de ∇dYt).
monica@mbarros.com
monica@mbarros.com 33
APLICAÇÃO DO MÉTODO
No gráfico a seguir está uma série não estacionária, para a qual são necessárias duas diferenças até encontrar uma série estacionária.
500 1000 1500 2000 2500 3000
0 5 10 15 20 25
Gráfico da Série original
monica@mbarros.com
monica@mbarros.com 34
APLICAÇÃO DO MÉTODO
A autocorrelação (ACF) da série original decresce MUITO lentamente, como mostrado a seguir.
BOX & JENKINS BOX & JENKINS
APLICAÇÃO DO MÉTODO
O gráfico da 1a. diferença da série é:
0 5 10 15
0 5 10 15 20 25
BOX & JENKINS BOX & JENKINS
APLICAÇÃO DO MÉTODO
A ACF da série diferenciada é:
monica@mbarros.com
monica@mbarros.com 37
APLICAÇÃO DO MÉTODO
A série duplamente diferenciada é:
-2 -1 0 1 2 3
0 5 10 15 20 25
monica@mbarros.com
monica@mbarros.com 38
APLICAÇÃO DO MÉTODO
E sua função de Autocorrelação:
Logo, foram necessárias duas diferenças para tornar a série original estacionária.
monica@mbarros.com
monica@mbarros.com 39
BOX & JENKINS BOX & JENKINS
APLICAÇÃO DO MÉTODO
Estimação
φi’s e θj’s são estimados minimizando a soma dos quadrados dos resíduos (ou erro de previsão), i.e.
t
φi’s e θj’s tais que Σ at2 seja mínima
t=1
Obs: Os erros padrões estimados permitem testar as hipóteses nulas
Ho: φi= 0 e Ho:θj= 0
monica@mbarros.com
monica@mbarros.com 40
BOX & JENKINS BOX & JENKINS
APLICAÇÃO DO MÉTODO
Testes de sobrefixaTestes de sobrefixaççãoão – ajuste modelos
“maiores” (mais elaborados) – substitua p por p + 1 e q por q + 1 e verifique se os parâmetros são significantes
Testes nos ResíTestes nos Resíduosduos
Devem ser ruído branco, com média nula e variância pequena
NÃO DEVE EXISTIR AUTOCORRELAÇÃO NOS RESÍDUOS!!!!
monica@mbarros.com
monica@mbarros.com 41
APLICAÇÃO DO MÉTODO
Teste de Ljung e Box (ou Portmanteau)
Estatística de teste é calculada a partir das ACFs estimadas dos resíduos. A estatística de Ljung e Box mede a magnitude da ACF dos resíduos para diversos lags, ou seja, estende a estatística de Durbin-Watson (só lag 1).
Q n n r i
n k
a i
k
= +
= -
Σ
( ) ( )
( )
2
2
1
Sob a hipótese de um ruído branco, Q é uma variável com densidade Qui-quadrado com M graus de liberdade.
Onde
M = k-(p+q) n = T-d
monica@mbarros.com
monica@mbarros.com 42
MODELOS PARA SÉRIES SAZONAIS (SARIMA)
BJ propõem uma estrutura similar ao modelo ARIMA(p,d,q) para as séries sazonais,
considerando o intervalo de "S" (S; período sazonal, e.g. S = 12, S = 4, etc.) ao invés do intervalo unitário dos modelos simples.
Modelo MA(Q) Puramente Sazonal
MA(Q)sazonal ≡MA(QS) simples com parâmetros não-nulos somente nos lags S, 2S,...,QS.
BOX & JENKINS BOX & JENKINS BOX & JENKINS
Correlograma do MA(Q)
Ou seja: não existe qualquer tipo de
dependência dentro de um período sazonal;
só existem dependências entre períodos sazonais.
....
S 2S 3S QS
ρk
k
BOX & JENKINS BOX & JENKINS BOX & JENKINS
12 24 ρ
k
K
Exemplo: S = 12; MA(2) Sazonal Exemplo: S = 12; MA(2) Sazonal
Pelo visto anteriormente para o modelo simples, a PACF do Pelo visto anteriormente para o modelo simples, a PACF do MA(Q) sazonal
MA(Q) sazonal éécomposta de exponenciais e/ou sencomposta de exponenciais e/ou senóóides ides amortecidas nos lags S, 2S, 3S,
amortecidas nos lags S, 2S, 3S, ........
wt= at-Θ1at-12 -Θ2at-24
monica@mbarros.com
monica@mbarros.com 45
Modelo AR(P) Puramente Sazonal Modelo AR(P) Puramente Sazonal
DaDaíí::AR(P)AR(P)Sazonal = AR(PS)Sazonal = AR(PS)Simples com parâmetroSimples com parâmetro não
não--nulos somente nos lag's S, 2S, ..., PSnulos somente nos lag's S, 2S, ..., PS
Por analogia (e dualidade) as fun
Por analogia (e dualidade) as funçções ACF e PACF do AR(P) Sazonalões ACF e PACF do AR(P) Sazonalsão:são:
w w
t t s t s p t ps
t
s s
p ps
t
w w w
ou B B B a
= + + +
= + + + +
− − −
Φ Φ Φ
Φ Φ Φ
1 2 2
1 2
1 2
...
: ( ... )
S 2S PS (P+1)S
ρ k
.... K
....
monica@mbarros.com
monica@mbarros.com 46
S 2S PS
φ kk
.... K
Modelo ARMA(P,Q) puramente Sazonal.
Modelo ARMA(P,Q) puramente Sazonal.
w w w w a a a
ou w
t t s t s P t Ps t t s Q t Qs
s s
P ps
t
s s Qs
=Φ − +Φ − + +Φ − + −Θ − − −Θ −
Φ Φ Φ Θ Θ Θ
1 2 2 1
2
... ...
: (1- 1B - 2B2 - B ) = (1- 1B - 2B -...- QB )at
monica@mbarros.com
monica@mbarros.com 47
TambTambéém conhecido como ARIMA multiplicativom conhecido como ARIMA multiplicativo
Z t
(S)ARIMA (p, d, q) x (P, D, Q)
S
Onde ∇SD= (1-BS)D
a
t b
t
θ(B)/φ(B)∇d Θ(B s )/Φ(B s).∇s D
⇓ ⇓
φ(B)∇dbt= θ(B)at Φ(Bs).∇sDZt= Θ(Bs)bt
⇓ ⇓
...
Φ(BS). (φ B).∇ ∇sD dZt =Θ(Bs). (θ B a). t
grau PS + p + SD + d grau QS + q
14 4424 4 43 14424 43
BOX & JENKINS
BOX & JENKINS ––Modelos SARIMAModelos SARIMA
monica@mbarros.com
monica@mbarros.com 48
Exemplo: Modelo AirlineExemplo: Modelo Airline
ÉÉo modelo sazonal multiplicativo que representa so modelo sazonal multiplicativo que representa sééries sazonais que ries sazonais que exibem uma tendência e sobreposta a esta, uma componente sazonal exibem uma tendência e sobreposta a esta, uma componente sazonal multiplicativa, t
multiplicativa, tíípica de dados de negpica de dados de negóócios e, particular, de vendas de cios e, particular, de vendas de passagens a
passagens aééreas. O modelo reas. O modelo éé::
SARIMA (0, 1, 1) x (0, 1, 1) SARIMA (0, 1, 1) x (0, 1, 1)1212
É
Éfacil mostrar que o correlograma do modelo airline apresenta vafacil mostrar que o correlograma do modelo airline apresenta valores lores não nulos nos lag's 1, 11, 12 e 13, como abaixo:
não nulos nos lag's 1, 11, 12 e 13, como abaixo:
BOX & JENKINS BOX & JENKINS BOX & JENKINS
ρk
1 11 12 13 K
monica@mbarros.com
monica@mbarros.com 49
Modelo Airline (SARIMA(0,1,1)x(0,1,1)S)
Exemplo: Exemplo:
Modelo Airline para dados trimestrais (s = 4)Modelo Airline para dados trimestrais (s = 4)
De uma maneira geral, se o períDe uma maneira geral, se o período sazonal odo sazonal ééS, o modelo torna-S, o modelo torna-se:se:
(
1−B) (1−B4)
Zt = (
1−θB) (1−ΘB4)
at
)
at( ) ( ) ( ) ( )
tS t
S Z B B a
B
B − = − −Θ
− 1 1 1
1 θ
monica@mbarros.com
monica@mbarros.com 50
Define-se variável de intervenção, como a série temporal, denotada por Xit, composta de
valores "0“ e "1", onde "0" representa a ausência de um fenômeno.
O modelo BJ com intervençãoé dado por:
onde wié o "efeito" da variável de intervenção Xitem Zt .
bié o lag de defasamento do efeito da variável Xitem Zt.
( )
B ∇dZt =θ( )
B at +wtBbiXitφ
BOX & JENKINS BOX & JENKINS BOX & JENKINS
Tipos de IntervenTipos de Intervenççãoão
1
PulsoSazonal X 3t(j+ks) ; j=1,...,S ; k=1,2...
X3t(j+ks)
j j+s j+2s j+3s ... t
BOX & JENKINS BOX & JENKINS
Exemplo – Série não sazonal
PIB a preços de 2006 (1947 a 2006)
5 10 15 20
X 1E+005
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
Legend PIB_R$_2006
monica@mbarros.com
monica@mbarros.com 53
A série é claramente não
estacionária, portanto a identificação das ordens p e q irá requerer a
diferenciação prévia da série.
Mas, qual “a cara” da ACF e PACF da série sem diferenciação?
monica@mbarros.com
monica@mbarros.com 54
ACF da série sem diferenciação
monica@mbarros.com
monica@mbarros.com 55
BOX & JENKINS BOX & JENKINS
PACF da série sem diferenciação
monica@mbarros.com
monica@mbarros.com 56
BOX & JENKINS BOX & JENKINS
ACF da série após a 1ª. Diferença
monica@mbarros.com
monica@mbarros.com 57
PACF da série após a 2ª. Diferença
monica@mbarros.com
monica@mbarros.com 58
Pelos gráficos anteriores...
ACF da série diferenciada sugere MA(1) ou MA(2).
PACF da série diferenciada sugere AR(1).
Opções:
ARIMA(1,1,2) ou
ARIMA(1,1,1)
BOX & JENKINS BOX & JENKINS
Ajuste de ARIMA(1,1,2)
Forecast Model for PIB_R$_2006 ARIMA(1,1,2)
Term Coefficient Std. Error t-Statistic Significance
--- a[1] 0.6697 0.1639 4.0854 0.9999
b[1] 0.1754 0.1842 0.9524 0.6550 <- b[2] -0.3098 0.1476 -2.0987 0.9596 Within-Sample Statistics
--- Sample size 60 Number of parameters 3
Mean 1.021e+006 Standard deviation 6.939e+005 R-square 0.9969 Adjusted R-square 0.9968 Durbin-Watson 2.052 Ljung-Box(18)=26.9 P=0.919 Forecast error 3.922e+004 BIC 4.235e+004
MAPE 0.02674 RMSE 3.823e+004 MAD 2.519e+004
BOX & JENKINS BOX & JENKINS
Ajuste de ARIMA(1,1,1)
Forecast Model for PIB_R$_2006 ARIMA(1,1,1)
Term Coefficient Std. Error t-Statistic Significance
--- a[1] 0.9996 0.0278 35.9010 1.0000
b[1] 0.7978 0.0965 8.2696 1.0000 Within-Sample Statistics
--- Sample size 60 Number of parameters 2
Mean 1.021e+006 Standard deviation 6.939e+005 R-square 0.997 Adjusted R-square 0.9969
Durbin-Watson 1.71 * Ljung-Box(18)=34.11 P=0.9878 Forecast error 3.852e+004 BIC 4.054e+004
MAPE 0.02642 RMSE 3.787e+004 MAD 2.607e+004
Todos os coefs.
significantes, mas alguns dos erros
“in sample”
ligeiramente maiores que no modelo anterior
Expert selection do FPW sugere este modelo