Ajuste sazonal no Python com o X13-ARIMA-SEATS

Um padrão sazonal ocorre quando uma série de tempo é afetada por fatores sazonais, como a época do ano ou o dia da semana. A sazonalidade é sempre de um período fixo e conhecido. Por exemplo, as vendas mensais de panetone apresentam sazonalidade induzida pela época de Natal de cada ano. Nestes casos, cálculos e análises de dados exigem especial atenção.

Em dados econômicos, exemplos de séries temporais com padrão sazonal são abundantes: desde variáveis de inflação até a mercado de trabalho. Em muitos casos essa característica é bem forte e clara, mas em outros pode ser sutil. Por exemplo, a principal medida de inflação no Brasil, o IPCA do IBGE, apresenta picos nos meses de dezembro/janeiro de cada ano:

Para evitar problemas de sazonalidade em análises, podemos realizar o procedimento de ajuste sazonal. Para tal, começamos assumindo que, conforme Hyndman e Athanasopoulos (2021), a série temporal possa ser decomposta de uma das duas maneiras abaixo:

  • Aditiva: Yt = St + Tt + Rt
  • Multiplicativa: Yt = St × Tt × Rt

onde:
Yt é a série temporal observada;
St é o componente de sazonalidade;
Tt é o componente de tendência;
Rt é o componente de ruído (flutuações aleatórias).

Sendo assim, se removermos o componente sazonal, St, dos dados, a série temporal resultante será a série "sazonalmente ajustada" (vamos chamá-la de Yts.a.). Então, para uma decomposição aditiva, Yts.a. = Yt - St e, para uma decomposição multiplicativa, Yts.a. = Yt / St.

Existem vários métodos/programas de estimação/decomposição para chegar a série sazonalmente ajustada, a maioria deles são complicados ou demandam muito para um post introdutório, não havendo um consenso sobre o uso. Algumas instituições estatísticas, como o IBGE, usam os métodos X-11/SEATS e variações deles (X-12-ARIMA, X-13-ARIMA-SEATS, etc.), enquanto que também é comum a utilização do método STL de decomposição. Para uma introdução e mais informações sobre os métodos veja Hyndman e Athanasopoulos (2021).

Agora que você sabe a importância da sazonalidade em análises de séries temporais, que tal usar o Python para aplicar um ajuste sazonal?

Como fazer ajuste sazonal no Python com o X13-ARIMA-SEATS?

Para obter uma série temporal ajustada sazonalmente pelo X13-ARIMA-SEATS são necessários 4 passos no Python:

  1. Baixe e descompacte o X13-ARIMA-SEATS: acesse o site do Census Bureau/US, criador do X13, e localize os links do programa e documentação referente aplicável ao seu sistema operacional;
  2. No Python, instale e importe uma versão atual da biblioteca statsmodels (>=0.13.5): essa biblioteca pode ser usada, através de funções em tsa.x13, como interface de comunicação entre o Python e o programa X13;
  3. Defina o XPATH como variável de ambiente: para que o statsmodels saiba onde os arquivos do programa X13 foram descompactados, crie uma variável de ambiente "X13PATH" e aponte o caminho para a pasta;
  4. Realize o ajuste sazonal com a função x13_arima_analysis(): aponte no argumento endog a série temporal e no argumento freq a frequência da mesma para que o método do X13 seja aplicado.

Ao final, do objeto resultante da última etapa, você poderá obter a série ajustada sazonalmente acessando o elemento seasadj. Aproveite e plote a série original com a série ajustada sazonalmente para observar as diferenças. Você deve obter algo parecido com isso:

 

Saiba mais

Se você precisar de mais detalhes e códigos de exemplo, no Clube AM da Análise Macro mostramos todo o procedimento passo a passo aplicado a séries econômicas, além de haver diversos outros exercícios sobre ciência de dados para economia e finanças usando o R e o Python.

E se você precisa entender mais sobre análise de dados macroeconômicos, confira a trilha Macroeconomia Aplicada da Análise Macro.

Referências

Hyndman, R. J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3. Accessed on 2022-04-01.

 

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.