013 - Santana, Filizola e Freitas - REPESCA

Santana, I.F. et al. Rev. Bras. Eng.
Pesca 5(1): 43-55, 2010 Artigo ____________________________________________________________________________________________________________________________
RECUPERAO DE VALORES PERDIDOS DE DADOS DE DESEMBARQUE: UMA APLICAO COM DADOS DE DESEMBARQUE DE Semaprochilodus sp. EM SANTARM, ESTADO DO PAR, BRASIL* Isabela Feitosa SANTANA1*, Naziano Pantoja FILIZOLA-JUNIOR2, Carlos Edwar de Carvalho FREITAS1
1
Faculdade de Cincias Agrrias - Universidade Federal do Amazonas

2
Universidade Estadual do Amazonas
*e-mail: bela_fs@yahoo.com.br, cefreitas@ufam.edu.br Recebido em: 15 de Novembro de 2009 Resumo - Um dos maiores problemas com o uso de sries histricas a existncia de valores perdidos, pois as lacunas existentes tornam impossveis os tratamentos estatsticos de sries temporais. Neste artigo, empregamos a tcnica proposta por Box & Jenkins para estimar os valores perdidos dos desembarques de jaraquis (Semaprochilodus sp.) em Santarm, Estado do Par. Foram utilizados trs modelos diferentes para encontras os seguintes missing value: meses de maro de 1996, fevereiro de 1998, fevereiro e maro de 2001. A total aleatoriedade e autocorrelao no significante dos resduos comprovaram que os modelos usados representam adequadamente os dados. O ajuste pode melhorar com o emprego de modelagens multivariadas devido dependncia das sries pesqueiras a outras sries como o nvel hidrolgico. Palavra-chave: Charadidae, Jaraqui, Controle de desembarque, missing value Abstract - In this article, we give over the technique proposed by Box & Jenkins to estimate the missing values of landings jaraqui (Semaprochilodus sp.) Santarm, Par State were used three different models to find the following missing value: months of March 1996, February 1998, February and March 2001. The total randomness and no significant autocorrelation residual proved that the models used represent adequately the data. The adjustment may improve with the use of multivariate modeling due to the dependence on fishing historical series to other series such as the hydrological level. Keywords: Charadidae, Jaraqui, control of fishing, missing value.
*Trabalho realizado com aporte financeiro do CNPq
43 ___________________________________________________________________________________
ISSNe 2175-3008 Indexada na base de dados www.sumarios.org
Santana, I.F. et al. Rev. Bras. Eng. Pesca 5(1): 43-55, 2010 Artigo ____________________________________________________________________________________________________________________________
INTRODUO Em diversas reas da Economia, Biologia, Sociologia ou Meio Ambiente no incomum encontrar sries histricas incompletas ou dados mal especificados. Durante a aquisio dos dados podem ocorrer problemas, como: valores inconsistentes, dados irregularmente espaados, processos de arquivamento diferentes, mudanas no sistema de medies ou simplesmente valores no registrados. Anlises de dados de desembarque pesqueiro constituem uma importante ferramenta no monitoramento da dinmica de explorao dos estoques pesqueiros. E, conseqentemente, constituem a base para a definio de estratgias de manejo. Embora uma anlise de tendncias constitua-se em um procedimento relativamente simples, esta se torna bastante comprometida quando h ausncia de dados. Infelizmente, em dados com missing value (dados indisponveis), tratamentos estatsticos de processos temporais como anlise espectral e mtodos preditivos so impossveis. As duas espcies de jaraquis Semaprochilodus insignis e S. taenirus esto entre as mais importantes nos desembarques de pescado em toda a bacia Amaznica. Em Santarm, estado do Par, foram desembarcadas 146,23, 121,64 e 131,62 toneladas destas duas espcies, agrupadas como Semaprochilodus sp., durante os anos de 2001, 2002 e 2003, respectivamente (Ruffino, 2002; 2005; 2006). Apesar do banco de estatstica pesqueira de Santarm ser cuidadosamente gerenciado pelo Instituto Amaznico de Manejo dos Recursos Ambientais (IARA) os dados de desembarque de Semaprochilodus sp., em Santarm, entre jan/1992 e dez/2002 apresentam se incompletas. Ruffino (2002) comentou que a descontinuidades nos dados devido a ausncias, greves, falta de pagamento e reduo dos recursos financeiros dos projetos. Em dados com missing values (dados indisponveis), tratamentos estatsticos de processos temporais como anlise espectral e mtodos preditivos so impossveis. Por isso a necessidade de preenchimento dessas lacunas de dados. H uma vasta bibliografia a respeito de modelagens para preenchimento de sries temporais em geral, e um grande nmero de abordagens possivelmente baseadas nos mais diversos pressupostos, dentre os quais podemos citar desde mtodos mais simples, como a retirada de mdia e tcnicas de amortecimento exponencial, at modelos mais complexos, como os modelos de regresso linear, no linear e regresses dinmicas (Montgomery & Peck, 1982); modelos de Holt, Winters ou Brown (Granger & Newbold, 1986)
44 ___________________________________________________________________________________
Segundo Hilborn & Walters (1992), estas sries incompletas devem ser tratadas como sries temporais utilizando os modelos de Box e Jenkins que se baseiam na identificao de modelos a partir do comportamento da srie histrica, que se constitui em uma ferramenta rpida e eficiente para anlise de sries de dados pesqueiros (Stergiou & Christou, 1996; Stergiou, Christou & Petrakis, 1997) e mais comumente para fazer predies em curto prazo (Mendelssohn, 1981; Fogarty, 1988; Stergiou, 1989; Lloret, Lleonart & Sol, 2000). Recentemente a metodologia vem sendo empregada na estimativa de dados ausentes (missing values) de desembarque pesqueiro, est metodologia tambm conhecida com interpolao temporal. Como exemplo, Preciado, Punzn, Gallego, & Vila (2006) utiliza a metodologia de Box e Jenkins e modelos de funo de transferncia na srie histrica da CPUE mensal de Merluccius merluccius nos dados 1983 a 2000 para preencher o ano de 1998. Diante disso, a fim de completar a srie para permitir a aplicao de modelos preditivos, apresentamos os resultados de uma aplicao da tcnica proposta por Box & Jenkins (1976) para estimar os valores ausentes na srie de dados de desembarque. MATERIAL E MTODOS Os dados de desembarque de Semaprochilodus sp. foram coletados diariamente nos pontos de desembarque de pescado, durante o perodo de 11 anos (1992 a 2002), pelo Instituto Amaznico de Manejo dos Recursos Ambientais no municpio de Santarm. Os dados dirios foram somados a fim de obter o total dos desembarques mensal em cada ano. Os dados ausentes na srie de dados de desembarque de Semaprochilodus sp correspondem aos meses de maro de 1996, fevereiro de 1998, fevereiro e maro de 2001. A hiptese de normalidade foi testada com os testes de Jarque-Bera e com a finalidade de manter a hiptese de normalidade optamos por log-transformar os dados. A interpolao temporal foi realizada seguindo a tcnica de Box & Jenkins. Esses modelos podem ser expressos por modelos Auto-Regressivo (AR) e modelos de Mdias Mveis (MA) ou pela unio desses modelos: O modelo Modelos Auto-Regressivos de Mdias Mveis - ARMA (p,q) pode ser expresso como a mistura dos modelos Auto-Regressivo (AR) e modelos de Mdias Mveis (MA) conforme a equao:
~ ~ ~ Z t = 1 Z t 1 + L + p Z t p + t 1 t 1 L q t q
45 ___________________________________________________________________________________
Quando t = valor futuro z t se relaciona com = parmetros do processo auto-regressivo, ou o parmetro que descreve como z z t i para i = 1, 2,..., p. t se relaciona com o valor t i para i = 1, 2,..., q. 1 = o parmetro que descreve como z
z t 1 ,L, z t p = valor passado da srie
t 1 ,L, t q = erro dos perodos anteriores

p = ordem do processo auto-regressivo q = ordem do processo mdias mveis d = quantidade de diferenas necessrias para tornar a srie estacionaria.
t = rudo aleatrio
Quando a srie apresenta se no estacionria o modelo ARMA passa a ser o modelo no estacionrio ARIMA (Auto-Regressivo Integrado de Mdias Mveis) (p,d,q).
Wt = 1Wt 1 + L + pWt p + t 1 t 1 L q t q
Em que Wt = d Z t Se a srie exibir componentes sazonais podemos usar os modelos Sazonais Auto-Regressivos Integrado de Mdias Mveis - SARIMA com a seguinte equao geral:
(1 B K
1
B p 1 1 B S K p B PS (1 B ) 1 B S
d
)(
Z t = 1 1 B K q B q 1 1 B S K Q B QS
)(
quando:
(1 B K B ) a parte auto-regressiva no sazonal de ordem p; (1 B K B ) a parte auto-regressiva sazonal de ordem P e estao sazonal s;
p 1 p S PS 1 p
(1 B )d a parte de integrao no sazonal de ordem d;
(1 B ) a parte de integrao sazonal de ordem D e estao sazonal s; (1 B K B ) a parte no sazonal de mdias mveis de ordem q;
S D q
(1 B
1
K Q B QS a parte sazonal de mdias mveis de ordem Q e estao sazonal s.
46 ___________________________________________________________________________________
Esse modelo se aplica a sries no estacionrias que, aps D diferenas sazonais, transforma-se num processo sazonal estacionrio. A metodologia de estimativa ocorreu da seguinte maneira: para estimar o valor de maro de 1996, utilizamos os primeiros 50 valores no modelo ARIMA, ou seja, de janeiro de 1992 a fevereiro de 1996. Depois de realizada a estimativa do valor indisponvel, este foi adicionado srie para estimar o valor ausente do ms seguinte, no caso o ms de fevereiro de 1998. Em seguida este valor foi includo na srie e realizada a estimativa para os meses de fevereiro e maro de 2001. A construo dos modelos Box-Jenkins baseada em um ciclo iterativo, no qual a escolha do modelo feita com base nos prprios dados (Morretin & Toloi, 1987). Segundo Box & Jenkins (1976), so trs as etapas para construo do modelo (identificao, estimativa e verificao), as quais foram realizadas no software livre Gretl 1.7.8. A identificao do modelo a ser estimado foi realizada atravs da observao do comportamento dos correlogramas das funes de autocorrelaes (ACF) e das funes de autocorrelaes parciais (PACF). Alm da identificao dos modelos que condiziam com os correlogramas tambm foram includos alguns parmetros para gerar modelos hiper-parametrizados, nesta fase utilizamos o teste de Dickey-Fuller Ampliado para verificar a estacionariedade da srie, e caso no fosse, a srie foi aplicada com uma diferena regular ou sazonal caso exibisse componente sazonais. A etapa seguinte foi estimar os parmetros do componente auto-regressivo, os parmetros do componente de mdias mveis e o rudo t . Aps a identificao e estimao do modelo, avaliamos se este adequado para descrever o comportamento dos dados. Caso o modelo no seja adequado, o ciclo repetido, voltando-se fase de identificao. Esta etapa foi realizada com: Avaliao da ordem do modelo foi realizada atravs do critrio de informao Akaike (AIC). Avaliao por Meio da Anlise de Resduos atravs de quatro testes: Funo de autocorrelao dos resduos, teste de Ljung-Box Q-statistics e anlise da normalidade dos resduos atravs do teste de Jarque-Bera e varincia dos resduos. O modelo que apresentou distribuio normal dos resduos, autocorrelao no significativas dos resduos, menor valor na avaliao da ordem do modelo e varincia dos resduos, foi o modelo escolhido para realizar as predies.
47 ___________________________________________________________________________________
RESULTADOS De uma fora geral, todas as sries aqui utilizadas apresentaram distribuio normal no teste de Jarque-Bera aps a transformao logartmica. O teste de Dickey-Fuller Ampliado demonstrou que todas as sries apresentavam raiz unitria e por isso foi necessrio a primeira diferena regular e diferena sazonal para a ltima srie para tornar a sries estacionrias (Tabela 1). Tabela 1. Resultados dos testes de normalidade aps transformao para as trs sries usadas. Teste da raiz unitria utilizando Dickey-Fuller Ampliado aps a primeira diferena da srie histrica transformada. Missing value Mar/96 Fev/98 Fev e Mar/2001 Missing value Mar/96 Fev/98 Fev e Mar/2001 N 48 71 96 N 50 73 109 t-Statistic 1,29 2,85 2,93 p-value 0,523 0,240 0,231 p-value 0,000 0,000 0,000
t-Statistic Valor crtico (5%) -8,24 -9,44 -5,91 -1,95 -1,94 -1,94
Para a primeira srie histrica (entre janeiro de 1992 e fevereiro de 1996) a Funo de autocorrelao (ACF) que indica os termos para mdias mveis e o grfico de Funo de Autocorrelao Parcial (FACP) que indica os termos autoregressivos demonstrou que existe uma queda brusca aps a defasagem 2 e a ocorrncia de alta correlao nesta defasagem, nos dois grficos, juntamente com o termo I(1) (uma diferenciao), dessa forma podemos indicar dois tipos de modelos: (0,1,2) e (2,1,0) (figura 1). Os modelos identificados apresentaram nos resduos e autocorrelao residual insignificante (Figura 2), porm o modelo (0,1,2) apresentou os menores valores de AIC e varincia dos resduos (Figura 2) e foi o escolhido para estimativa do valor de maro de 1996 (273,8 kg). Este valor foi acrescentado srie pr-existente, que passou a ter N = 73 para estimar o valor de fevereiro de 1998. Mais uma vez o correlograma da srie indicou uma queda brusca aps a defasagem 2 e a ocorrncia de alta correlao nesta defasagem, nos dois grficos, juntamente com o termo I(1)
48 ___________________________________________________________________________________
(uma diferenciao regular), podemos ento, indicar dois tipos de modelos: IMA (0,1,2) e ARI (2,1,0) (Figura 1). O modelo (0,1,2) apresentou o menor AIC. J o correlograma dos resduos do modelo (2,1,0) demonstra uma correlao na defasagem 13 bastante significante o que indica que algum termo esta faltando no modelo (Figura 2). Por isso o desembarque em fevereiro de 1998 foi dados pelo modelo (0,1,2) sendo estimado o valor de 486,2 kg. Adicionamos o valor de fevereiro de 1998 srie para estimar os desembarques de fevereiro e maro de 2001. Os modelos identificados a partir do correlograma da srie com uma diferena sazonal foram: (1,0,0)(0,1,1) devido a alta correlao na defasagem 1 e defasagem 12 e o modelo (3,0,0)(0,1,1) devido a correlao significativa na defasagem 3 e 12 (Figura 1). Os dois modelos possuem distribuio normal dos resduos (Figura 2). O menor valor do critrio de seleo e varincia dos resduos foi para o modelo (3,0,0)(0,1,1). No modelo SARIMA (1,0,0)(0,1,1) os resduos apresentaram autocorrelao nas defasagens 7 e 8 indicando que so necessrios mais parmetros (Figura 2). No modelo (3,0,0)(0,1,1) o teste de LjungBox Q-statistics demonstrou baixa significncia das defasagens no correlograma dos resduos o que indica que este o melhor modelo. Com isso, foi possvel estimar os dados de fevereiro e maro de 2001 obtendo se como resultado 163,13 e 302,09 kg respectivamente. Dessa forma os valores preenchidos ficam como mostra a Figura 3. DISCUSSO Em geral, sries histricas de dados biolgicos apresentam lacunas, denominadas de missing values, que podem causar distores nas estimativas de parmetros estatsticos como mdia, varincia e covarincia. Tratamentos estatsticos de processos temporais como anlise espectral e mtodos preditivos so tambm impossveis. Assim um importante passo no tratamento de sries tentar prever estes valores antes da realizao de anlises. Os modelos construdos pela tcnica proposta por Box & Jenkins (1976) consistem em uma funo linear dos valores passados da srie e/ou seus erros anteriores. Sendo assim, compartilha os mesmos pressupostos de normalidade, linearidade e homocedasticidade dos modelos lineares. De forma geral, as quatro sries alcanaram a distribuio normal para o teste de Jarque-Bera aps a transformao com logaritmo neperiano.
49 ___________________________________________________________________________________
Figura 1. Correlogramas das sries sem diferena (esquerda) e aps a diferena (direita): (A) e (B) Jan/1992 a Fev/1996 (C) e (D) Jan/1992 a Jan/1998; (E) e (F) Jan/1992 a Jan/2001.
50 ___________________________________________________________________________________
Figura 2. Diagnstico dos modelos ARIMA ajustados srie histrica de Semaprochilodus sp. de: Jan/1992 a Fev/1996; Jan/1992 a Jan/1998; Jan/1992 a Fev/2002.AIC = Critrio de informao de Akaike; = qui-quadrado da normalidade dos resduos; p-value = probabilidade de normalidade dos
2
2 resduos; = varincia dos resduos da srie.
51 ___________________________________________________________________________________
Figura 3. (a) Srie de desembarque de Semaprochilodus sp. com transformao logartmica. (b) Srie de desembarque de Semaprochilodus sp. com os missing values preenchidos. A adio do termo de diferena sazonal indica que o desembarque de jaraquis em Santarm uma atividade com flutuaes sazonais, como relatado por diversos autores que analisaram os desembarques de pescado na Amaznia (Petrere, 1985; Merona & Bittencourt, 1988; Batista & Petrere, 2003; Cardoso & Freitas, 2008; Gonalves & Batista, 2008). Entretanto, este comportamento sazonal no encontrado nas primeiras sries de jaraquis de 50 e 73 dados, sendo identificado somente nas sries de 109 e 122 valores. Isso pode ter ocorrido devido ao tamanho da amostra inicial, uma vez que, segundo Potier & Drapeau (2000) o modelo de Box e Jenkins sofre limitaes em sries com menos do que 100 dados. De qualquer maneira, sries histricas com 50 meses ou mais so adequadas anlise de srie temporal (Pankratz, 1991).
52 ___________________________________________________________________________________
Preciado, Punzn, Gallego, & Vila (2006) utilizaram a tcnica de Box e Jenkins e modelos de funo de transferncia na srie histrica da captura por unidade de esforo (CPUE) mensal de Merluccius merluccius, com dados 1983 a 2000. O emprego da tcnica permitiu completar a srie alm de validar as estimaes efetuadas para os ltimos anos com o mesmo modelo (0,1,1)(0,1,1). Para este trabalho utilizamos apenas os modelos ARIMA para completar as sries de desembarque de Jaraquis e, nesse caso, apenas para alguns meses que no possuam dados, isso resultou na gerao de trs tipos diferentes de modelos resultantes da utilizao de trs sries diferentes ou partes da srie de desembarque de Jaraqui. O tratamento das sries temporais sazonais normalmente feito usando-se o componente sazonal como fator de ajustamento. Alguns dos mtodos de ajustamento sazonal, no entanto, no so adequados para fazer previso com modelos de sries temporais, pois, o ajustamento sazonal provoca a perda de informaes cruciais para o processo de previso com os modelos de sries temporais (Granger, 1989). Por serem missing value no havia dados reais para comparao, portanto utilizamos apenas as tcnicas de autocorrelao e distribuio de resduos, desenvolvendo tambm uma comparao de varincias estimadas dos resduos. Foi observado que todos os modelos das sries de Semaprochilodus sp. demonstraram total aleatoriedade dos resduos, alm de autocorrelao no significante dos resduos, comprovando que os modelos usados para estimao dos valores ausentes representam adequadamente os dados. Os modelos ARIMA parecem preencher bem missing value de dados pesqueiros como comprovado por Preciado et al. (2006) e no presente trabalho. Mas de acordo com Welcomme (1979) flutuaes na pesca comercial so dependentes do regime hidrolgico entre outras sries. Por isso, o ajuste pode melhorar com o emprego de modelagens multivariadas, includo dados de nvel hidrolgico ou pelo uso de sries temporais mais longas. AGRADECIMENTOS Os autores agradecem aos senhores Mauro L. Ruffino e Marcelo Raseira, do Provrzea, e ao senhor Claudemir Oliveira da Silva do Instituto Amaznico de Manejo dos Recursos Ambientais pela concesso dos dados.
53 ___________________________________________________________________________________
REFERNCIAS Batista, V. S. & Petrere, M. (2003). Characterization of the commercial fish production landed at Manaus, Amazonas State, Brazil. Acta Amazonica, 33:53-66. Box, G.E.P. & Jenkins, G.M., (1976). Time Series Analysis, Forecasting and Control. 1 ed. HoldenDay, San Francisco, CA. Cardoso, R.S. & Freitas, C. E. C. (2008). A pesca de pequena escala no rio Madeira pelos desembarques ocorridos em Manicor (Estado do Amazonas - Brasil). Acta Amazonica, 38:781-788. Gonalves, C. & Batista, V. S. (2008). Avaliao do desembarque pesqueiro efetuado em Manacapuru, Amaznia Central. Acta Amazonica, 38:135-144. Fogarty, M. J. (1988). Time Series Models of the Maine Lobster Fishery: the effect of temperature. Can. J. Fish. Aquat. Sci. 45: 1145-1153. Granger, C.W.J. & Newbold, P. (1986). Forecasting economic time series. Academic Press Ltd. USA. Granger, C. W. J. (1989). Forecasting in Business and Economics. 2nd Edition, Academic Press. Hilborn, R. & Walters C. J. (1992). Quantitative fisheries stock assessment: choice, dynamics and uncertainty. Chapman and Hall, New York. Lloret, J., Lleonart, J. & Sol, I. (2000). Time Series Modelling of Landings in Northwest Mediterranean Sea. ICES. Journal of Marine Sciencie 57: 171-184. Merona, B. & Bittencourt, M.M. (1988). A pesca na Amaznia atravs dos desembarques no mercado de Manaus: resultados preliminares. Memrias da Sociedade Cincias Naturais La Salle, (Supl.), 48:433-453. Mendelssohn, R. (1981). Using Box-Jenkins Models to Forecast Fishery Dynamics: Identification, Estimation and Checking. Fish. Bull. 78: 887-896. Montgomery, D. & Peck E.A.(1982). Introduction to linear regression analysis. John Wiley & Sons , USA. Morettin, P.A.; Toloi, C.M.C. (1985). Previso de sries temporais. 2a. ed. So Paulo: Atual Editora.
54 ___________________________________________________________________________________
Pankratz, A. (1983), Forecasting with Univariate Box-Jenkins Models: Concepts and Cases, New York: John Wiley & Sons, Inc. Petrere Jr., M. (1985). A pesca comercial no rio Solimes-Amazonas e seus afluentes: anlise dos informes do pescado desembarcado no Mercado Municipal de Manaus (1976-1978). Cincia e Cultura, 12, 1987-1999. Preciado, I., Punzn, A. Gallego, J. L. & Vila, Y. (2006). Using time series methods for completing fisheries historical series. Bol. Inst. Esp. Oceanogr. 22 (1-4).: 83-90. Potier, M. & Drapeau, L. (2000). Modelling and Forecasting the Catch of the Scads (Decapterus macrosoma, Decapterus russellii) in the Javanese Purse Seine Fishery Using ARIMA Time Series Models Asian Fisheries Science. Asian Fisheries Society.13: 75-85 Ruffino, M.L. (Eds.) (2002). Estatstica pesqueira do Amazonas e Par - 2001. Ibama ProVrzea. Ruffino, M.L. (Eds.) (2005). Estatstica Pesqueira do Amazonas e Par - 2002. Ibama ProVrzea. Ruffino, M.L. (Eds.) (2006). Estatstica Pesqueira do Amazonas e Par 2003. Ibama ProVrzea. Stergiou, K. I. (1989). Modelling and forecasting the fishery for pilchard (Sardina pilchardus) in Greek waters Using ARIMA Time-Series Models. J. Cons. Int. Explor. Mer. 46: 16-23. Stergiou, K. I. & Christou, E. D. (1996). Modelling and forecasting annual fisheries catches: comparison of regression, univariate and multivariate time series methods. Fish. Res. 25: 105-138.
55 ___________________________________________________________________________________

013 - Santana, Filizola e Freitas - REPESCA

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

013 - Santana, Filizola e Freitas - REPESCA

Uploaded by

Copyright:

Available Formats

Santana, I.F. et al. Rev. Bras. Eng.

Pesca 5(1): 43-55, 2010 Artigo ____________________________________________________________________________________________________________________________

Faculdade de Cincias Agrrias - Universidade Federal do Amazonas

Universidade Estadual do Amazonas

*Trabalho realizado com aporte financeiro do CNPq

t 1 ,L, t q = erro dos perodos anteriores

(1 B )d a parte de integrao no sazonal de ordem d;

K Q B QS a parte sazonal de mdias mveis de ordem Q e estao sazonal s.

You might also like