1
UNIVERSIDADE PÚNGUÈ
Faculdade de Ciências Exactas e Tecnológicas
Modelo SARIMA
Alberto Horácio Charles Júnior
Chimoio,
Outubro de 2023
2
Alberto Horácio Charles Júnior
Modelo SARIMA
Licenciatura em Ensino de Matemática com Habilitação em Estatistíca
Trabalho científico de carácter
avaliativo da cadeira de
Econometria Aplicada submetido ao
Departamento de Ciências Exactas e
Tecnológicas para Curso de
Licenciatura em Ensino de
Matemática com habilitação em
Estatistíca.
Chimoio,
Outubro de 2023
3
Índice
1.0 Introdução....................................................................................................................4
2.0 Modelo SARIMA........................................................................................................5
2.1 Método de Box & Jenkins.......................................................................................7
2.2 Identificação de um modelo SARIMA....................................................................7
2.3 Estimação.................................................................................................................8
2.4 Verificação...............................................................................................................8
Conclusão..........................................................................................................................9
Referencias Bibliográficas...............................................................................................10
4
1.0 Introdução
Ao longo dos anos diversas ferramentas para modelagem e previsão de
séries temporais têm sido desenvolvidas, mas, no entanto, a maioria destes
métodos baseia-se em hipóteses fundamentais que são: a série adapta-se a um
modelo linear; estacionariedade ou redução (através de diferenciação) para a
estacionariedade; homocedasticidade .
1.1.0 Objectivos
1.1.1 Objectivos Geral
Identificar um modelo sarima;
1.1.2 Objectivos específicos
Apresentar a estimação de um modelo sarima;
Descrever a verificação de um modelo sarima;
5
2.0 Modelo SARIMA
Modelos SARIMA são modelos da classe de modelos univariados de séries temporais.O
acrónimo SARIMA significa modelos AutoRegressivos Integrados de Médias Móveis
com Sazonalidade. São modelos bastante úteis para gerar previsão de séries temporais
quando, em geral, não estão disponíveis variáveis preditoras.
Os modelos e SARIMA são uma classe de modelos de Séries Temporais, que são
geralmente usados para a análise de previsão.
Um dos modelos mais utilizados que consideram a sazonalidade de uma determinada
serie temporal, e o chamado modelo ARIMA sazonal, ou SARIMA (MORETTIN &
TOLOI, 2004). Estes modelos são importantes, pois levam em consideração a
sazonalidade estocástica dos dados.
O aspecto mais interessante desse tipo de abordagem é justamente colocar a parte saz
Assim como o componente cíclico, a sazonalidade também está relacionada aos
movimentos para cima e para baixo em torno de um valor médio, contudo, ela difere
basicamente em dois aspectos do primeiro: a sazonalidade possui um comprimento
constante de 12 meses, repetindo-se nesta base periódica regular e as variações sazonais
podem ser observadas tendo-se por base períodos menores de tempo (médio e curto
prazo), assim sendo, os dados a serem analisados não deverão estar distribuídos em
observações anuais, mas sim mensais ou trimestrais, para que seja possível a
modelagem da sazonalidade.
onal da série dentro do modelo.
Um modelo SARIMA é definido por meio dos parâmetros p, d, q, que
corresponde à série como um todo e aos parâmetros P, D, Q que corresponde à parte
sazonal da série temporal em análise. Define-se também qual é a frequência (F) em
que ocorre asazonalidade na série. Uma notação comum para um modelo SARIMA é,
portanto, SARIMA(p, d, q) (P, D, Q)F.
Quando o período s=12, o modelo denominado SARIMA de ordem (p,d,q) ×
(P,D,Q)12, é dado por:
6
φ(X)Φ(X 12)∆ d∆ D 12 Zt = θ(X)Θ(X)at
Em que:
φ(X) é o operador autor regressivo (AR) de ordem p
θ(X) é o operador médias móveis (MA) de ordem q
Φ(X) é o operador AR-sazonal de ordem P,
Θ(X) é o operador MA-sazonal de ordem Q,
∆ d é o operador diferença,
∆ D 12 e o operador diferença sazonal e
at e o componente aleatório.
Os modelos ARIMA sazonal (SARIMA), de ordem (p, d, q) x (P, D, Q) são
constituídos por uma parte não-sazonal (p, d, q) e outra sazonal (P, D, Q). Esses
modelos são os mais requisitados para descrição de séries temporais sazonais,
demonstrando sucesso em suas aplicações nos últimos 30 anos (CHEN; WANG,
2007).
Quando {𝑍𝑡}apresenta um comportamento sazonal determinístico com período
12.
𝑍𝑡 = 𝜇𝑡 + 𝑁𝑡,
Sendo que 𝜇𝑡 é uma função determinística periódica, ( 𝜇𝑡 − 𝜇𝑡−12 = 0, ou (1 -𝐵12)𝜇𝑡=
0) e 𝑁𝑡 é um processo estacionário que pode ser modelado por um ARIMA (p,q).
Dessa maneira, 𝑁𝑡 satisfaz a Equação,
𝜙(𝐵)𝑁𝑡 = 𝜃(𝐵)𝑎𝑡,
Sendo 𝑎𝑡 é ruído branco e 𝜇𝑡 tem solução dada pela Equação.
7
Assim, para um modelo sazonal determinístico, aplicando a diferença sazonal
(1 - 𝐵12 à Equação (14), obteve-se a Equação 15.
(1 -𝐵12𝑍𝑡= (1 - 𝐵12𝜇𝑡 + (1 − 𝐵12)𝑁𝑡
E de acordo com (13), tem-se
(1 − 𝐵12)𝑍𝑡 = (1 − 𝐵12)𝑁𝑡.
Substituindo (15) em (16), obteve-se
𝜙(𝐵)(1 − 𝐵12)𝑍𝑡 = 𝜃(𝐵)(1 − 𝐵12)𝑎𝑡,
𝜙(𝐵)𝑊𝑡 = 𝜃(𝐵)(1 − 𝐵12)𝑎𝑡
Sendo 𝑊𝑡 = (1 − 𝐵12)𝑍𝑡.
2.1 Método de Box & Jenkins
Basicamente, a metodologia Box & Jenkins assume que qualquer série temporal
estacionária Yt pode ser modelada parcimoniosamente por uma classe de modelos
lineares. A aplicação do método a uma série qualquer é feita em quatro etapas
distintas, a saber:
2.2 Identificação de um modelo SARIMA
Consiste em descobrir qual dentre as várias versões dos modelos de Box Jenkins,
sejam eles sazonais ou não, descreve o comportamento da série. A identificação do
modelo a ser estimado ocorre pelo comportamento das ACFs e PACFs e seus
respectivos correlogramas. Outros detalhes referentes à obtenção dessas funções e a
quais comportamentos representam os modelos anteriormente abordados podem ser
encontrados em (MAKRIDAKIS et al., 1998).
8
2.3 Estimação
Consiste em estimar os parâmetros φ e Φ do componente auto regressivo, os
parâmetros q e Q do componente de médias móveis e a variância de εt.
2.4 Verificação
Consiste em avaliar se o modelo estimado é adequado para descrever o
comportamento dos dados. GUJARATI (2000).
Caso o modelo não seja adequado, o ciclo é repetido, voltando-se à fase de
identificação. Um procedimento muito utilizado é identificar não só um único modelo,
mas alguns modelos que serão então estimados e verificados. Quando se obtém um
modelo satisfatório, passa-se para a última etapa da metodologia de Box-Jenkins, que
trata da realização de previsões.
1.
9
3 Conclusão
Com este trabalho de pesquisa conclui que os processos encontrados na prática, além de
raramente serem estacionários, apresentam muitas vezes componentes sazonais. Assim
Box & Jenkins formularam seus modelos para séries temporais com componentes
sazonais dando origem aos modelos SARIMA.
Um modelo com esta estrutura é denominado SARIMA(p,d,q)x(P,D,Q).
Ressalta-se que o procedimento de obtenção deste modelo segue os mesmos
passos empregados para achar o modelo ARIMA não sazonal. Isto quer dizer
que, no SARIMA, faz-se também a observância do comportamento da FAC e da
FACP, entretanto, olha-se para as defasagens sazonais (para uma série mensal,
por exemplo, são as defasagens 12, 24, 36, etc).
10
4 Referencias Bibliográficas
GUJARATI, D. M. Econometria básica. 3. ed. São Paulo: Ed. Makron books, 2000.
MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. J. Forecasting: methods
and applications. 3a. Ed. New York: John Wiley & Sons, Inc., 1998.
