Modelos SARIMA

Modelos SARIMA são modelos da classe de modelos univariados de séries temporais. O acrônimo SARIMA significa modelos AutoRegressivos Integrados de Médias Móveis com Sazonalidade. São modelos bastante úteis para gerar previsão de séries temporais quando, em geral, não estão disponíveis variáveis preditoras. O aspecto mais interessante desse tipo de abordagem é justamente colocar a parte sazonal da série dentro do modelo.

Um processo autorregressivo de ordem $p$ pode ser representado como

(1) $\begin{equation*} y_{t} = \beta_{0} + \beta_{1}y_{t-1} + \beta_{2}y_{t-2} + ... + \beta_{p}y_{t-p} + \varepsilon_{t} \end{equation*}$

Ou, alternativamente, utilizando o operador defasagem $L^{k}y_{t} = y_{t-k}$ como

(2) $\begin{equation*} (1-\beta_{1}L - \beta_{2}L^2 - ... \beta_{p}L^p)y_{t} = \beta_{0} + \varepsilon_{t} \end{equation*}$

Ou ainda em notação polinomial

(3) $\begin{equation*} \beta_{p}(L)y_{t} = c + \varepsilon_{t} \end{equation*}$

Onde $c=\beta_{0}$ . Abaixo simulamos alguns processos autorregressivos de ordem 1 no R, com diferentes valores para $\beta_{1}$ .

Considerando, assim, um processo AR(1), como

(4) $\begin{equation*} y_{t} = c + \beta_{1}y_{t-1} + \varepsilon_{t} \end{equation*}$

teremos um \emph{ruído branco} quando $\beta_{1} = 0$ , um \emph{passeio aleatório} quando $\beta_{1} = 1$ e $c=0$ ou, quando $c \neq 0$ , um \emph{passeio aleatório com drift}. Analogamente, podemos representar um processo de média móvel MA(q) como

(5) $\begin{equation*} y_{t} = \mu + \varepsilon_{t} + \theta_{1}\varepsilon_{t-1} + ... + \theta_{q}\varepsilon_{t-q} \end{equation*}$

Ou, alternativamente, utilizando o operador defasagem, como

(6) $\begin{equation*} y_{t} = \mu + (1 + \theta_{1}L + \theta_{2}L^2 + ... \theta_{q}L^q)\varepsilon_{t} \end{equation*}$

Ou ainda em notação polinomial

(7) $\begin{equation*} y_{t} = \mu + \theta_{q}(L)\varepsilon_{t} \end{equation*}$

Utilizando o mesmo código acima, a propósito, podemos gerar alguns processos MA(1), modificando apenas o valor de $\theta_{1}$ . Ademais, como vimos, podemos combinar as equações 1 e 5, construindo assim um processo $ARMA(p,q)$ , que pode ser representado como

(8) $\begin{equation*} y_{t} = c + \beta_{1}y_{t-1} + \beta_{2}y_{t-2} + ... + \beta_{p}y_{t-p} + \varepsilon_{t} + \theta_{1}\varepsilon_{t-1} + ... + \theta_{q}\varepsilon_{t-q} \end{equation*}$

Onde, novamente, $c=\beta_{0}$ . Alternativamente, utilizando o operador defasagem

(9) $\begin{equation*} (1-\beta_{1}L - \beta_{2}L^2 - ... \beta_{p}L^p)y_{t} = c + (1 + \theta_{1}L + \theta_{2}L^2 + ... \theta_{q}L^q)\varepsilon_{t} \end{equation*}$

Ou ainda, em notação polinomial

(10) $\begin{equation*} \beta_{p}(L)y_{t} = c + \theta_{q}(L)\varepsilon_{t} \end{equation*}$

Podemos, enfim, generalizar nossa análise para um modelo $ARIMA(p,d,q)$ , onde $d$ será a ordem de integração do processo. Ele pode ser representado em termos de notação polinomial como

(11) $\begin{equation*} \beta_{p}(L)(1 - L)^{d} y_{t} = c + \theta_{q}(L)\varepsilon_{t} \end{equation*}$

A equação 11 faz referência aos modelos ARIMA não sazonais. Os modelos ARIMA também são capazes de modelar uma ampla gama de dados sazonais. Um modelo ARIMA sazonal é formado pela inclusão de termos sazonais adicionais, na forma $ARIMA (p,d,q) (P,D,Q)_m$ , onde o segundo componente faz referência à parte sazonal e $m$ significa o número de períodos por estação. Em termos formais,

(12) $\begin{equation*} \phi_{P}(L^s) \beta_{p}(L) (1 - L^s)^D (1 - L)^{d} y_{t} = c + \theta_{q}(L) \Theta_{Q} (L^s) \varepsilon_{t} \end{equation*}$

_______________________________

(*) Para aprender mais, conheça nosso Curso de Análise de Séries Temporais.

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Análise de Dados com REPL Tool e LLM usando LangGraph

Frameworks para criar AI Agents

Construindo RAG para Análise do COPOM com SmolAgents

Como criar um Agente de IA?

Como criar um Supervisor de Agentes com LangGraph

Como Criar um Agente SQL com LangGraph para Análise de Dados Financeiros de Empresas Brasileiras

Outros artigos relacionados

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Frameworks para criar AI Agents

Neste post, vamos dar o primeiro passo rumo à construção de Agentes de IA mais sofisticados, capazes de tomar decisões, interagir com ferramentas externas e lidar com tarefas complexas. Para isso, precisamos entender o papel dos frameworks agenticos (ou agentic frameworks) e como eles podem facilitar esse processo. Aqui introduzimos dois frameworks populares de desenvolvimento de Agentes de IA.

Construindo RAG para Análise do COPOM com SmolAgents

Este exercício demonstra, passo a passo, como aplicar o conceito de Retrieval-Augmented Generation (RAG) com agentes inteligentes na análise de documentos econômicos. Utilizando a biblioteca SmolAgents, desenvolvemos um agente capaz de interpretar e responder a perguntas sobre as atas do COPOM com base em buscas semânticas.

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!