Trabalho de Econometria de Séries Temporais
Por: Renato Quintão • 14/10/2022 • Artigo • 1.276 Palavras (6 Páginas) • 131 Visualizações
Vendas industriais reais – indústria de transformação – Fiesp
Importante indicador para a análise da evolução de curto prazo da indústria brasileira;
Visualizar efeito das políticas econômicas;
Subsidiar a construção dessas políticas;
Período analisado: 1º trimestre de 1990 ao 3º trimestre de 2004;
59 observações - Q1/1990 a Q3/2004
Examinar existência de tendência e/ou sazonalidade nos dados
FAC e FACP do log do faturamento
FAC da 1ª diferença do log do faturamento
Examinar a existência de tendência e/ou sazonalidade nos dados
Examinar a existência de tendência e/ou sazonalidade nos dados
Diferenciação sazonal e teste de raiz unitária
FAC e FACP da diferença sazonal da 1ª diferença do log do faturamento
Estimação e escolha do modelo adequado
Testes de autocorrelação e heterocedasticidade dos resíduos
Teste de normalidade dos resíduos
Gráfico do valores estimados para a série temporal e seus verdadeiros valores
Previsão do valor médio condicional esperado e respectivo desvio
[pic 1]
[pic 2]
[pic 3]
[pic 4]
[pic 5]
[pic 6]
[pic 7]
[pic 8]
[pic 9]
[pic 10]
[pic 11]
[pic 12]
[pic 13]
Point Forecast Lo 95 Hi 95
2004 Q4 229.6960 210.1575 249.2346
2005 Q1 248.9831 221.3514 276.6148
2005 Q2 246.4621 212.6203 280.3039
2005 Q3 257.4992 218.4220 296.5763
[pic 14]
source("/cloud/project/install_and_load_packages.R")
#### Coleta de dados das vendas industriais reais
Quandl.api_key('ZfwmZ2yyVycjbNy7fELb')
faturamento <- Quandl("BCB/1339",start_date = "1989-01-01",transform='normalize', type = "ts", collapse="quarterly")
dygraphs::dygraph(faturamento, main = "Faturamento real da indústria de transformação (ao trimestre)") %>% dyRangeSelector()
#########################################
###### MODELO PARA O NÍVEL DA SÉRIE #####
#########################################
#####
## 1: Visualização e análise dos dados
# Série temporal do faturamento real da indústria de transformação
plot(faturamento, xlab = "Ano", ylab = "Faturamento", main = "Série temporal do faturamento da indústria")
monthplot(faturamento, xlab = "Trimestre", ylab = "Faturamento", main ="Subséries trimestrais do faturamento da indústria")
# Examinar a existência de tendência e/ou sazonalidade nos dados
decomp <- stats::stl(faturamento, "periodic")
colnames(decomp$time.series) = c("sazonalidade","tendência","restante")
plot(decomp, main="Decomposição faturamento")
#####
## 2: Transformar os dados para estabilizar a variância
#####
log_faturamento <- (log(faturamento))
#####
## 3: Testar se os dados são estacionários.
#####
# - H0: raiz unitária (passeio aleatório)
# - H1: sem raiz unitária (não é um passeio aleatório)
unitRootct_log_faturamento <- fUnitRoots::adfTest(log_faturamento, lags = 4, type = c("ct"))
print(unitRootct_log_faturamento)
## Não rejeita H0 -> série não estacionária
# Diferenciação
log_faturamento_diff <- timeSeries::diff(timeSeries::diff(log_faturamento, lag = 1, differences = 1), lag = 4, differences = 1)
# Série temporal do log_faturamento_diff"
plot(log_faturamento_diff, xlab = "Ano", ylab = "log_faturamento_diff", main = "Série diferenciada do faturamento da indústria")
monthplot(log_faturamento_diff, xlab = "Ano", ylab = "log_faturamento_diff", main ="Subséries trimestrais do log_faturamento_diff")
# Examinar a existência de tendência e/ou sazonalidade nos dados
decomp <- stats::stl(log_faturamento_diff, "periodic")
colnames(decomp$time.series) = c("sazonalidade","tendência","restante")
plot(decomp, main="Decomposição log_faturamento_diff")
# Testar se os dados são estacionários
# - H0: raiz unitária (passeio aleatório)
# - H1: sem raiz unitária (não é um passeio aleatório)
unitRootct_log_faturamento_diff <- fUnitRoots::adfTest(log_faturamento_diff, lags = 4, type = c("nc"))
print(unitRootct_log_faturamento_diff)
## Rrejeita H0 -> série estacionária
#####
## 4: Analisar FACs e FACPs e determinar as ordens máximas P e Q para os componentes AR e MA
#####
acf_log_faturamento_diff <- stats::acf(log_faturamento_diff, plot = FALSE, na.action = na.pass, lag.max = 12)
pacf_log_faturamento_diff <- stats::pacf(log_faturamento_diff, plot = FALSE, na.action = na.pass, lag.max = 12)
# Gráfico da FAC e FACP.
plot(acf_log_faturamento_diff, main = "", ylab = "", xlab = "Defasagem")
title("Função de Autocorrelação (FAC)", adj = 0.5, line = 1)
plot(pacf_log_faturamento_diff, main = "", ylab = "", xlab = "Defasagem")
title("Função de Autocorrelação Parcial (FACP)", adj = 0.5, line = 1)
#####
## 5: Estimar todas as combinações para p, d e q. Aqui, d será fixo e igual ao número de vezes necessárias para tornar a série original estacionáira.d=1
#####
# Todas as combinações possíveis de p=0 até p=max e q=0 até q=max para a parte não sazonal e P=0 até P=max e Q=0 até Q=max para a parte sazonal
...