Análise prática de séries temporais

Capítulo 6. Modelos estatísticos para séries temporais

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Neste capítulo, estudamos alguns modelos estatísticos lineares para séries temporais. Estes modelos estão relacionados com a regressão linear, mas têm em conta as correlações que surgem entre pontos de dados da mesma série temporal, ao contrário dos métodos padrão aplicados a dados transversais, em que se assume que cada ponto de dados é independente dos outros na amostra.

Os modelos específicos que iremos discutir são:

• Modelos autoregressivos (AR), modelos de média móvel (MA) e modelos de média móvel integrada autoregressiva (ARIMA)

• Autoregressão vetorial (VAR)

• Modelos hierárquicos.

Estes modelos têm sido tradicionalmente os cavalos de batalha da previsão de séries temporais e continuam a ser aplicados numa vasta gama de situações, desde a pesquisa académica à modelação industrial.

Por que não utilizar uma regressão linear?

Como analista de dados, provavelmente já estás familiarizado com as regressões lineares. Se não estiveres, elas podem ser definidas da seguinte forma: uma regressão linear assume que os dados são independentes e identicamente distribuídos (iid). Como já discutimos em pormenor em capítulos anteriores, este não é o caso dos dados de séries temporais. Nos dados de séries temporais, os pontos próximos no tempo tendem a estar fortemente correlacionados uns com os outros. De facto, quando ...