S eries Temporais

Trabalho 1

Tend encia e Sazonalidade de S eries

Professor respons avel: Marinho

Alunos: L via Chierice n USP 7151631 S ergio Carvalho n USP 6427466

CARLOS - SP SAO 4 de novembro de 2013

Sum ario
1 Conceito de processo estoc astico 1.1 S erie Temporal . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Estacionariedade Forte . . . . . . . . . . . . . . . . . . . . . . 1.3 Estacionariedade Fraca . . . . . . . . . . . . . . . . . . . . . . 2 Dados da S erie Temporal 3 Representa c ao Linear para S eries 3.1 Tend encia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Suaviza c oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 M edias M oveis 5 Fun c ao de Autocorrela c ao 2 2 2 2 2 3 3 3 3 5

6 Ajuste de um polin omio para Tend encia usando M etodo de M nimos Quadrados 7 7 Sazonalidade 7.1 Gr aco da Sazonalidade . . . . . . . . . . . . . . . . . . . . . 7.2 Componente Estoc astica Zt . . . . . . . . . . . . . . . . . . . 8 Conclus ao A C odigo do trabalho em R 9 10 10 11 12

Conceito de processo estoc astico

Seja xt ( ) um processo estoc astico se {xt ( ), , t T } ; T R tal que t = t , xt ( ) e uma simples vari avel aleat oria.

1.1

S erie Temporal

Deni c ao: Uma s erie temporal pode ser interpretada como sendo una u nica realiza c ao de um processo estoc astico.

1.2

Estacionariedade Forte

Deni c ao: Um processo estoc astico, {xt ( ), , t T } , e fortemente estacion ario se: Fxt1 ,xt2 ,...,xtn (x1 , x2 , ..., xn ) = Fxt1+ ,xt2+ ,...,xtn+ (x1 , x2 , ..., xn ) t1 , t2 , ..., tn T, n N, T R

1.3

Estacionariedade Fraca

Deni c ao: Um processo estoc astico, {xt ( ), , t T }, e fracamente estacion ario se. a) E {xi ( )} = b) V ar {xi ( )} = 2 c) Cov {xi ( ), xi+ ( )} = ( )

Dados da S erie Temporal

Na Figura 1 temos a s erie com os totais mensais de passageiros de linhas a ereas internacionais nos EUA, entre 1949 e 1960 (Box, Jenkins and Reinsel, 1976). Figura 1: AirPassengers

Representa c ao Linear para S eries

Representaremos a s erie pela seguinte decomposi c ao: Xt = Tt + St + Zt onde: Tt : Tend encia St : Sazonalidade Zt : Componente estoc astico (aloat oria) Neste caso dizemos que a s erie segue um modelo linear estacion ario.

3.1

Tend encia

Para detectar tend encias em s eries usaremos as t ecnicas de Suaviza c ao por M edias M oveis e Ajuste de polin omio pelo M etodo de M nimos Quadrados.

3.2

Suaviza co es

Algumas vezes e necess ario transformar os dados originais de modo a transformar a s erie em estacion aria.

M edias M oveis

Sejam {x1 , x2 , ..., xn } observa c oes de uma s erie temporal Xt , t = 0, 1, 2, ..., n. O m etodo de m edias m oveis consiste em susbstituir xt por xt dado por: xt,k = x(t k ) + + x(t) + + x(t + k ) = 2k + 1
k j =k

xt+j

2k + 1

Figura 2: Suaviza c ao por M edias M oveis

Na gura 3 temos a componente estoc astica Zt , obtida por zt = xt xt,k=1 . Nota -se que h a valores em torno de zero. , Figura 3: Componente Estoc astica Zt

Na gura 4 temos a sazonalidade St da s erie, obtida por st = xt xt,k=5 . Figura 4: Sazonalidade por M edias M oveis

Na Figura 5 temos a tend encia Tt da s erie obtida por tt = xt (st + zt ) erie original Xt ou diretamente pela suaviza c ao xt,k=5 com janela = 11 da s

Figura 5: Tend encia por M edias M oveis

A Figura 6 mostra s eries livres de tend encias obtidas ap os suaviza c oes com janelas de 3, 5 e 7 respectivamente. Figura 6: S erie sem tend encia

Fun c ao de Autocorrela c ao

Pretendemos estima a fun c ao de autocorrela c ao para um processo estacion ario fraco, ent ao seja {z1 , z2 , ..., zn } uma s erie temporal, de modo que podemos estimar E {xt ( )} = V ar {xt ( )} = 2 1 n 2 = 1 por z n por z =
n t=1 zt n t=1 (zt

z )2

Cov {xi ( ), xj ( )} = ( ) ( ) = Cov {xt ( ), xt+ ( )} V ar(xt ( ))V ar(xt+ ( ))

n 4

por c(k ) = por r(k ) =

nk zt zt+k z 2 t=1 nk

c(k ) c(0)

para k = 1, , k <<

onde ( ) e a Fun c ao de autocorrela c ao.

A Figura 7 mostra a correla c ao para componente estoc astica Zt . Observa - se que h a muitos valores dentro do intervalo de conan ca, este fato refor ca a hip otese de estacionariedade fraca para Zt . Figura 7: Correlograma: M edias M oveis com janela = 3

A Figura 8 representa a correla c ao para componente sazonal St . Observa - se que h a sazonalidade acentuada a cada 12 meses.

Figura 8: Correlograma: M edias M oveis com janela = 11

Ajuste de um polin omio para Tend encia usando M etodo de M nimos Quadrados

Seja Tt , t = 0, 1, 2, (t T N) de uma s erie temporal. A s erie Tt pode ser somente uma componente do seu processo Xt : Xt = Tt + St + Zt onde Tt representa uma tend encia da s erie. No geral, a tend encia pode ser representada por alguma fun c ao de t. Seja T1 , T2 , , Tn observa c oes de tend encia Tt , temos que: Tt = 0 + 1 t + 2 t2 + + p tp + t
2 nimo. Queremos encontrar (0 , 1 , , p ) tal que n t=1 t seja m Dene-se uma fun c ao dos par ametros (0 , 1 , , p ) = : n

S (X ) =
i=1

(Tt M )

Onde, 0 1 = . , . . p 1 1 1 . . . .. M = . . . . . . . 1 n n2 1 . . . , 1 . T = . . n

np

Logo, solu c ao de m nimos quadrados para e: = (M M )1 M T A Figura 9 mostra o gr aco de dispers ao os valores da s erie com a curva de tend encia Tt ajustada pelo M etodos dos M nimos Quadrados (MMQ). Figura 9: Tend encia Tt da s erie Xt

Com testes de hip otese podemos vericar se o ajuste para um polin omio de grau 2 e v alido. Para isso, aplicamos testes de hip otese para cada coeciente com a nalidade de vericar a signica c ao deles. Portanto, considerando um n vel de signica ca o de 5%, seguem abaixo os resultados: Tabela 1: Testes de hip otese do tipo H0 : i = 0, com i = 0, 1, 2 utilizando a distribui c ao t de Student com v = 131 graus de liberdade. Tabela 1: Tabela dos Resultados do Ajuste de MMQ Par ametro 0 = 118, 0923 1 = 1, 795 2 = 0, 0064 Estat stica de teste 53,0065 23,5602 11,819 P-valor 0,00 0,00 0,00

Para as hip oteses com i = 0, 1, 2: H0 : i = 0 H1 : i = 0 Temos que rejeitamos a hip otese nula para os tr es par ametros. Logo, o modelo ajustado nos aparece adequado com um R2 = 0, 9935 onde cerca de 99% da variabilidade do modelo e explicada pela variabilidade da regress ao. 8

Sazonalidade

Seja St as observa c oes sazonais do processo Xt : St = X t Tt Ou quando o processo original tem somente sazonalidade, ent ao St = X t . Se o processo Xt tem somente sazonalidade (Tt 0) o ciclo e de tamanho s. As observa c oes podem ser tabeladas como: X1,1 X2,1 Xs,1 . . . .. . . . . . . . X1,k X2,k Xs,k Tal que, Xi,j e a i- esima observa c ao do j- esimo ciclo. Uma suaviza c ao para determinar o ciclo Si e obtida por: Si = 1 k
k

Xi,j ; i = 1, , s
j =1

7.1

Gr aco da Sazonalidade

A Figura 10 mostra o gr aco de sazonalidade obtido a partir a s erie original Figura 10: Ciclos

7.2

Componente Estoc astica Zt

Temos que com a ajuste da componentes tend encia Tt e o sazonalidade St da s erie Xt podemos agora encontrar a componente estoc astica Zt que e dada por: Zt = Xt (Tt + St ) A Figura 11 mostra o correlograma da componente estoc astica Zt obtida atrav es do ajuste de tend encia por M nimos Quadrados. Figura 11: Componente Estoc astica Zt

10

Conclus ao

Atrav es da s erie decomposta em componentes como a tend encia e a sazonalidade podemos perceber que esta segue um comportamento a longo prazo de crescimento e que neste caso e uma tend encia do tipo quadr atica, ou seja, o n umero total de passageiros cresce a cada ano por em com um padr ao. Quanto a sazonalidade, a mesma indica a repeti c ao de um padr ao a cada ano, ou seja, o n umero total de passageiros nos EUA e maior no per odo de ver ao (geralmente s ao f erias nos meses de Junho, Julho e Agosto)

11

Ap endice

C odigo do trabalho em R

# ---------------- TRABALHO DE S ERIES TEMPORAIS ----------------- # require(graphics)

# Estima cao da Fun c~ ao de Autocorrela c~ ao correlograma<-function(z) { z<-z[!is.na(z)] n<-length(z) k<-n/4 g<-c() ck<-c() for(j in 0:k){ for(i in 1:(n-k) ) { ck[j+1]<- sum(g)/(n) }

g[i]<-(z[i+j]-mean(z) )*( z[i]-mean(z)) }

r<-ck/ck[1] ; IC<-1.96/sqrt(n) plot(r, type=h, ylab=ACF, xlab=K) abline(h=IC, col= "blue" ,lty=3) abline(h=0, col= "black" ,lty=1) abline(h=-IC,col= "blue" ,lty=3) } # Determina c~ ao de tend^ encia e sazonalidade smooth<-function(k,x){ x<-as.vector(x) ; n<-length(x) x_bar<-matrix(0, nrow= n , ncol = length(k) ) h<-550 plot(x, main = "S erie AirPassengers",xlab=" " ,ylab="n de passageiros ", type="l")

12

text(10,600, c("S erie Original"), bty="n", cex=0.95) legend(24,635,lty=(1),col = "black", c(" "),bty="n", cex=0.95) for(r in 1:length(k) ){ j<- -k[r]:k[r] for(t in 1:n){ if(t>k[r]){x_bar[t,r]<- (sum(x[t+j]) / (2*k[r]+1)) } } # (r+1) trocar por blue lines(x_bar[,r], col = "1" ,lty= (r+1)) text(12,h , c("Janela = "), bty="n", cex=0.95) text(21,h , c(2*k[r]+1), bty="n", cex=0.95) legend(24,h+40,lty=(r+1) ,col = (r+1), c(" "),bty="n", cex=0.95) h<-(h-50) } return(x_bar) } # Ajuste de um polin^ omio C odigo Antigo para MMQ MMQ<- function(y, degree){ y<-y[(!is.na(y) & !y==0)] n <- length(y) ; x <- 1:n X <- matrix(NA,n,degree +1 ) for (i in 1:(degree+1)) X[, i] = x^(i-1) IXLX <- solve(t(X) %*% X) # inversa de X X XLY <- t(X) %*% y # X Y beta <- IXLX %*% XLY # par^ametros # obtenc~ao das somas de quadrados sqb0b1b2 <- t(beta) %*% XLY glm1 <- ncol(X) ; sqtotal <- sum(y*y) sqresm1 <- sqtotal - sqb0b1b2 glr1 <- n - glm1 # somas de quadrados do tipo II sqb1 <- beta[2]^2/IXLX[2,2] sqb2 <- beta[3]^2/IXLX[3,3] # teste t: H0: bi= 0 tcb<-c() ; prtcb<-c() 13

for(i in 1:(degree+1) ){ tcb[i] <- (beta[i]-0)/(sqresm1/glr1*IXLX[i,i])^0.5 prtcb[i] <- 2*(1-pt(abs(tcb[1]),glr1)) } # Desempenho do modelo R^2 sqtotc <- sqtotal - sum(y)^2/n R2 <- 1-sqresm1/sqtotc # Resultado cat("R2 = ",R2, "\n \n ") cat(" Estimativa t_test P(t>|t_obs|) print(cbind(beta, tcb , prtcb) )

")

return(X %*% beta) }

# --------------------------------------------------------------------data(AirPassengers) d=AirPassengers x_t<-AirPassengers # ---------------- Suavia c~ ao por m edias m oveis ------------------------k<-c(1,3,5) # Janelas com 3,7,11 x_bar<-smooth(k,x_t) # Obtendo as componentes de X_t: x_t<-as.vector(x_t) comp<-matrix( 0,nrow=nrow(x_bar) , ncol=ncol(x_bar), byrow = F for(i in 1:ncol(x_bar) ) comp[,i]<- x_t-x_bar[,i]

# ---------------- Componente Estoc astica Z_t ------------------------# Z_t = X_t - (T_t + S_t) z_t<-comp[,1] ip<-z_t[2:143] ip<- ts(ip, frequency=12, start=c(1949,1)) plot(ip,type="l",ylim =c(-100,150),ylab="",main="Componente Estoc astica") #---------------- Componente Sazonal S_t --------------------------# S_t= X_t - (T_t + Z_t) l<-6:139 s_t<-comp[,3][l] - z_t[l] 14

ip<-s_t ip<-ts(ip, frequency=12, start=c(1949,1)) plot( ip , ylab=" ",type = l,ylim = c(-100,150), main = "Sazonalidade por m edias m oveis") # --------------- Componente de Tend^ encia T_t ---------------------# T_t = X_t - (S_t + Z_t) t_tmv<-x_t[l]-(s_t+z_t[l]) ip<-t_tmv ip<-ts(ip, frequency=12, start=c(1949,1)) plot(ip, type = l,ylim = c(-200,650),ylab = " " ,lty = 1, col = 4, main = "Tend^ encia por m edias m oveis") # Correlograma para janela = 3 correlograma(z_t) # Correlograma para janela = 11 correlograma(s_t) # Ajuste da Tend^ encia por MMQ t_t<-MMQ(t_tmv,2) plot(AirPassengers, ylab=" " ,ylim=c(0,700 ) , main = "Tend^ encia" , type = "p") t_t<-ts(t_t, frequency=12, start=c(1949,1)) t_tmv<-ts(t_tmv, frequency=12, start=c(1949,1)) lines(t_t,col="blue") lines(t_tmv,col="red", lty=1)

# sazonalidade aux=c(12,24,36,48,60,72,84,96,108,120,132) s_mes=c(mean(c(d[1],d[1+aux])),mean(c(d[2],d[2+aux])), mean(c(d[3],d[3+aux])),mean(c(d[4],d[4+aux])), mean(c(d[5],d[5+aux])),mean(c(d[6],d[6+aux])), mean(c(d[7],d[7+aux])),mean(c(d[8],d[8+aux])), mean(c(d[9],d[9+aux])),mean(c(d[10],d[10+aux])), mean(c(d[11],d[11+aux])),mean(c(d[12],d[12+aux]))) s_t=mean(s_mes) s=rep(s_mes,12) plot(s,type="l",ylab="",xlab="",main="Sazonalidade") m<-length(t_t) ini<-(144-m)/2 + 1 15

fim<-144-(ini-1) # Z_t = X_t - (S_t + T_t ) z_t1<-x_t[ ini:fim ] - (t_t+s[ ini:fim correlograma(z_t1)

])

# --------------------------------------------------------------------# Gravar: save.image ("timeseries.RData") save.image ("timeseries.Rhistory") #Limpar a area de trabalho da se c~ ao ativa: rm(list = ls(all = TRUE))

Refer encias
[1] Pedro A. Moretin, Cl elia M.C. Toloi, An alise de S eries Temporais [2] Ricardo Ehlers, An alise de S eries Temporais no R [3] Robert H. Shumaway, Daid S. Stoer - Time Series Analysis and Its Applicatins With R Examples [4] Material das aulas.

16