A estacionariedade é o principal conceito necessário de compreender para estimar uma série temporal. Mas como entender o que é esse conceito? Mostramos no post de hoje o que é estacionariedade e como entender esse conceito avaliando séries econômicas no Python usando testes estatísticos.
Série Temporal
Uma série temporal é uma sequência de observações ordenadas em função do tempo, ou seja, é uma sequência de observações 
, coletadas ao longo do tempo 
. Cada observação 
representa a medida da variável aleatória em um determinado ponto no tempo 
.
Estacionariedade
Estacionariedade de uma série temporal é uma propriedade importante que descreve como seus valores estatísticos se comportam ao longo do tempo. Uma série temporal é considerada estacionária se suas propriedades estatísticas (como a média, a variância, a autocovariância) não mudam ao longo do tempo.
A estacionariedade fraca de uma série temporal é quando a média e a variância da série são constantes ao longo do tempo, mas a autocovariância (covariância entre observações em diferentes pontos no tempo) pode depender da distância entre as observações e do tempo específico em que elas ocorrem.
Um processo estocástico é dito fraca ou fracamente estacionário se suas propriedades estatísticas básicas são invariantes ao longo do tempo. Formalmente, um processo estocástico 
é considerado fracamente estacionário se:
- A média
![\mu_t = E[X_t]](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%2083%2018'%3E%3C/svg%3E "Rendered by QuickLaTeX.com")
é constante para todos os tempos 
. - A autocovariância
depende apenas da diferença temporal 
, ou seja, 
para todo , 
e 
.
![\mu_t = E[X_t]](https://analisemacro.com.br/wp-content/ql-cache/quicklatex.com-b41d6ad8cbc80f94203c911ebdbe8224_l3.png "Rendered by QuickLaTeX.com")
é constante para todos os tempos 
depende apenas da diferença temporal 
, ou seja, 
para todo 
e 
.Já a estacionariedade forte de uma série temporal é quando todas as propriedades estatísticas, incluindo a média, a variância e a autocovariância, são constantes ao longo do tempo. Esse é um tipo mais rigoroso de estacionariedade e é geralmente necessário para aplicar muitas técnicas estatísticas e de modelagem em séries temporais.
Em outras palavras, se a média e a variância dos dados permanecerem constantes ao longo do tempo e a autocovariância (covariância entre observações em diferentes pontos no tempo) depender apenas da distância entre as observações e não do tempo específico em que elas ocorrem, a série temporal é considerada estacionária.
A estacionariedade é importante porque muitos modelos estatísticos e técnicas de análise de séries temporais dependem dessa propriedade para serem aplicados com eficácia. Além disso, a detecção de mudanças na estacionariedade de uma série temporal pode ser útil na identificação de pontos de mudança significativa no processo que está sendo monitorado.
Para obter o código da coleta, tratamento, visualização e dos testes estatísticos abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.
Série Temporais Econômicas
Uma série temporal estacionária é aquela cujas propriedades estatísticas (média, variância, etc.) não dependem do tempo em que a série é observada. Sendo assim, séries com tendências ou com sazonalidade não são estacionárias - a tendência e a sazonalidade afetarão o valor da série temporal em momentos diferentes. Já uma série de ruído branco (white noite) é estacionária - não importa a janela amostral observada, deve parecer sempre o mesmo padrão em qualquer momento.
Vejamos algumas séries temporais. Temos abaixo as séries mensais: Ibovespa, retornos da Ibovespa, IPCA, Desocupação, Câmbio e Selic, respectivamente.
Os gráficos mostram de forma bem clara fortes tendências nas séries da taxa de câmbio, taxa de desocupação e taxa SELIC, enquanto que a série da inflação medida pelo IPCA possui aspecto parecido com um ruído branco, Já a série do Ibovespa aparenta ser um random walk, enquanto os retornos da Ibovespa aparentam ser um ruído branco.
Entretanto, como avaliar as séries de forma a ter evidencia de que fato elas são estacionárias? Podemos fazer isso por meio de testes estatísticos criados com esse propósito.
Raiz Unitária
A raiz unitária é uma propriedade de séries temporais que indica a presença de uma raiz da equação característica igual a 1, o que pode levar a um comportamento não estacionário da série temporal. Em termos mais simples, a presença de uma raiz unitária sugere que a série temporal não é estacionária ou que sua média e variância mudam com o tempo. É possível avaliar se há a presença de raiz unitária em uma série pode meio de dois teste.
Augmented Dickey Fuller (“ADF”)
O Teste ADF é usado para determinar a presença de raiz unitária nas séries, e portanto, verificar se a série é estacionária ou não.
No teste, a hipótese nula e a hipótese alternativa são:
- Hipótese Nula: a série contém raiz unitária
- Hipótese Alternativa: a série não contém raiz unitária
Se não rejeitarmos a hipótese nula, o teste evidencia que a série não é estacionária.
O Teste ADF no Python, usando a biblioteca statsmodels, provê os seguintes resultados: - estatística de teste, p-valor e valor crítico em 1%, 5% e 10% de intervalos de confiança. Abaixo, vejamos a aplicação na série do IPCA.
Acima, vemos que o teste rejeita H0, portanto, a série é dita estacionária.
Kwiatkowski-Phillips-Schmidt-Shin (“KPSS”)
O KPSS é outro teste para checar se a série é estacionária. As hipóteses do KPSS são o oposto do ADF, isto é:
- Hipótese Nula: a série não contém raiz unitária
- Hipótese Alternativa: a série contém raiz unitária
Se não rejeitarmos a hipótese alternativa, o teste evidencia que a série não é estacionária.
O Teste KPSS no Python, usando a biblioteca statsmodels, provê os seguintes resultados: - estatística de teste, p-valor e valor crítico em 1%, 5% e 10% de intervalos de confiança. Abaixo, vejamos a aplicação na série do IPCA.
O Teste não rejeita H0, portanto, a série é dita estacionária.
É sempre sugerido aplicar ambos os testes nas séries, de forma que se possa confirmar com total certeza de que as séries são realmente estacionárias. Há ainda os possíveis resultados dos testes:
- Caso 1: Ambos os testes concluem que a série não é estacionária - A série não é estacionária
- Caso 2: Ambos os teste concluem que a série é estacionária - A série é estacionária
- Caso 3: KPSS indica estacionariedade, e ADF indica não estacionariedade. A série possui tendência estacionária, portanto, é necessário remover a tendencia para que a série seja estritamente estacionaria. Verifica-se se a nova série é estacionária.
- Caso 4: KPSS indica não estacionariedade e ADF indica estacionariedade. A série é estacionária na diferença, ou seja, é necessário diferenciar a série para que ela seja estacionária. Verifica-se se a nova série é estacionaria.
________________________________________________
Quer se aprofundar no assunto?
Alunos da trilha de Especialista em Ciência de Dados para Economia e Finanças podem aprender a como construir projetos que envolvem dados reais usando o R e o Python como ferramentas.
