Capítulo 38 Modelagem temporal

38.1 Modelos temporais

38.1.1 O que são modelos temporais?

• Modelos temporais são estruturas matemáticas que descrevem a evolução de um fenômeno ao longo do tempo, incorporando dependência entre observações sucessivas.^REF?

38.1.2 Por que modelos temporais são importantes?

• Muitos fenômenos reais apresentam dependência temporal, como autocorrelação e tendência, que não podem ser capturados por modelos independentes.^REF?

• Ignorar a estrutura temporal pode levar a inferências incorretas e previsões imprecisas.^REF?

38.2 Estrutura temporal dos dados

38.2.1 O que é dependência temporal?

• Dependência temporal ocorre quando o valor de uma observação depende de valores anteriores da série.^REF?

• Essa dependência pode ser linear (autocorrelação) ou não linear (dinâmicas complexas).³⁵²

38.2.2 O que é autocorrelação?

• Autocorrelação é a correlação entre valores da série em diferentes instantes de tempo.^REF? Ela é uma das principais características exploradas em modelos temporais lineares.³⁵²

38.3 Modelos lineares e não lineares

38.3.1 O que são modelos temporais lineares?

• Modelos lineares assumem que a dinâmica da série pode ser descrita por combinações lineares de valores passados e ruído aleatório.³⁵²

38.3.2 O que são modelos temporais não lineares?

• Modelos não lineares capturam relações mais complexas, nas quais a resposta não é proporcional às entradas.^REF?

• Esses modelos são necessários para descrever fenômenos como caos determinístico e sistemas dinâmicos complexos.³⁵²

38.3.3 Por que distinguir linearidade de não linearidade é difícil?

• Séries temporais reais frequentemente combinam múltiplas fontes de variação: ruído, dependência linear e dinâmica não linear.³⁵²

• Métodos tradicionais podem interpretar incorretamente ruído como comportamento caótico.³⁵²

38.4 Testes de não linearidade

38.4.1 Como testar não linearidade em séries temporais?

• Uma abordagem é formular uma hipótese nula de que a série é gerada por um processo linear e testar essa hipótese estatisticamente.³⁵²

38.4.2 O que é o método de dados substitutos?

• O método de dados substitutos consiste em gerar séries simuladas que preservam propriedades básicas da série original, mas seguem um modelo linear.³⁵²

• A série original é comparada com essas simulações para verificar diferenças significativas.³⁵²

38.4.3 Como funciona o método de dados substitutos?

• Define-se uma hipótese nula (ex.: processo linear); Geram-se múltiplas séries substitutas compatíveis com essa hipótese; Calcula-se uma estatística para a série original e para as substitutas; Diferenças significativas indicam rejeição da hipótese nula.³⁵²

38.4.4 O que é significância nesse contexto?

• A significância mede o quão distante a estatística da série original está da distribuição obtida com os dados substitutos.³⁵²

• Valores altos indicam evidência de estrutura não linear.³⁵²

38.5 Hipóteses em modelos temporais

38.5.1 O que é uma hipótese nula em séries temporais?

• É uma suposição sobre o processo gerador dos dados que se deseja testar, geralmente assumindo linearidade.³⁵²

38.5.2 Quais hipóteses nulas podem ser usadas?

• Ruído independente (IID).³⁵²

• Processos lineares com autocorrelação.³⁵²

• Transformações não lineares de processos lineares.³⁵²

38.6 Estatísticas em séries temporais

38.6.1 O que são estatísticas discriminantes?

• São medidas usadas para diferenciar a série original das séries substitutas.³⁵²

38.6.2 Quais estatísticas podem ser usadas?

• Dimensão de correlação.³⁵²

• Erro de previsão.³⁵²

• Medidas de dependência temporal.³⁵²

38.7 Limitações dos modelos temporais

38.7.1 Quais são as limitações dos modelos temporais?

• Dados podem ser curtos ou ruidosos, dificultando inferência confiável.³⁵²

• Modelos incorretos podem levar a interpretações equivocadas (ex.: falso caos).³⁵²

• A escolha da estrutura do modelo depende de suposições que nem sempre são verificáveis.³⁵²

38.8 Validação de modelos temporais

38.8.1 Como validar modelos temporais?

• Comparando previsões com dados observados.³⁵²

• Testando hipóteses sobre a estrutura da série (ex.: linearidade).³⁵²

• Utilizando simulações e métodos de reamostragem, como dados substitutos.³⁵²

O pacote UComp³⁵³ fornece a função UCsetup para preparar modelos temporais gerais univariados.

Citar como:
Ferreira, Arthur de Sá. Ciência com R: Perguntas e respostas para pesquisadores e analistas de dados. Rio de Janeiro: 1a edição,

Referências

352.

Theiler J, Eubank S, Longtin A, Galdrikian B, Doyne Farmer J. Testing for nonlinearity in time series: the method of surrogate data. Physica D: Nonlinear Phenomena. 1992;58(1-4):77–94. doi:10.1016/0167-2789(92)90102-s

353.

Diego J. Pedregal. UComp: Automatic Univariate Time Series Modelling of many Kinds.; 2025. doi:10.32614/CRAN.package.UComp