Baixar para ler offline
Carregado porAdriano Figueiredo
Topicos de econometria de séries temporais 2020_1
Este documento resume um curso de pós-graduação em econometria avançada. Apresenta informações sobre o professor, dias e horários da aula, métodos de avaliação incluindo simulação e acurácia, e sugestões de leitura adicional.
Topicos de econometria de séries temporais 2020_1
- 1. 2501.000145-5 TÓPICOS ESPECIAISEM ECONOMETRIA C.H.: 68 horas – Turma 2020.1 – sala 2 bloco X Terça-feira 13h15m a 15h15m e Quinta-feira - 15h25m a 17h25m Prof. Dr. Adriano Marcos Rodrigues Figueiredo (UFMS – ESAN – Economia) E-mail: adriano.figueiredo@ufms.br ou amrofi@gmail.com 5 **As ideias e opiniões aqui expostas são de responsabilidade do autor e não representam a opinião da instituição a que pertence. Esta obra está licenciada com uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional. This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
- 2. Avaliação da simulação •HYNDMAN e ATHANASOPOULOS (2018) https://www.otexts.org/fpp2/accuracy.html • FERREIRA, Pedro Costa (org.). Análise de Séries Temporais em R: curso introdutório. São Paulo: FGV/IBRE/Elsevier, 2017. • FERREIRA, Pedro Costa. Business forecasting: trabalhando com dados reais para resolver problemas reais. São Paulo: FGV, 2018. Disponível em: https://rpubs.com/modelthinkingbr/comentarios_iniciais • Sugestão de leitura: Pindyck (2004) - Econometria, cap. 13 Prof. Adriano Marcos Rodrigues Figueiredo 2
- 3. Avaliação • Vários métodos:MQO, MQ2E, MQ3E, e vários de séries temporais (ses, hw, ets, arima, x13, híbridos, etc...) • Dadas as especificidades de cada um, qual a melhor simulação? • Acurácia • Propriedades dos resíduos ou do modelo • Critérios de Informação 3Prof. Adriano Marcos Rodrigues Figueiredo
- 4. !! Cuidado Erro deprevisão é a diferença entre o valor observado e o valor previsto no conjunto de teste. Resíduos são os erros do conjunto de treino, normalmente 1-passo-a-frente (o erro de previsão pode ser múltiplos passos-a-frente) 4Prof. Adriano Marcos Rodrigues Figueiredo
- 5. Treino x Testex Forecast • https://www.otexts.org/fpp2/accuracy.html • Acurácia • Training set (80%) x test (20%) – Deseja-se que o tamanho da amostra test seja maior ou igual a h (horizonte de previsão desejado) • Forecast 5Prof. Adriano Marcos Rodrigues Figueiredo
- 6. Possibilidades – Acurácia Pindyck(2004) • Raiz do Erro de Simulação Quadrático Médio (RMSE) • Raiz do Erro Quadrático Médio Percentual (RMPSE) • Erro de simulação Médio (ME) • Erro percentual Médio (MPE) • Erro absoluto médio (MAE) • Erro absoluto percentual médio (MAPE) • Coeficiente de desigualdade de Theil (U): – Componentes de U para a média, variância e correlação Prof. Adriano Marcos Rodrigues Figueiredo 6
- 7. {forecast} accuracy • ME:Mean Error • RMSE: Root Mean Squared Error • MAE: Mean Absolute Error • MPE: Mean Percentage Error • MAPE: Mean Absolute Percentage Error • MASE: Mean Absolute Scaled Error • ACF1: Autocorrelation of errors at lag 1 • sMAPE – MAPE simétrico (Symmetric Mean Absolute Percentage Error) - utilizado na competição M3 (não recomendado em Hyndman & Koehler, 2006) – usar pacote Metrics 7Prof. Adriano Marcos Rodrigues Figueiredo https://robjhyndman.com/hyndsight/smape/
- 8. Hyndman e Athanosopoulos 8Prof.Adriano Marcos Rodrigues Figueiredo Para séries temporais sazonais, utiliza-se um erro escalonado pelas previsões simples sazonais e calcula-se o erro escalonado absoluto médio:
- 9. Eviews/R/Stata – funçõesprontas Prof. Adriano Marcos Rodrigues Figueiredo 9
- 10. Comentários • Raiz doErro de Simulação Quadrático Médio (RMSE) – EQM: Sensível aos outliers (observações atípicas) – EQM: Depende das escalas – ponderar pelas variâncias – A raiz tem menos problemas que o EQM: ideia do desvio-padrão – Tende a preferir modelos que dão menos “erros grandes ocasionais” embora com menos ajustamento geral • Erro absoluto médio (MAE) – Ideia de desvio-padrão – Menos sensível aos grandes desvios – Tende a preferir modelos que dão alguns erros grandes ocasionais mas com melhor ajustamento geral Prof. Adriano Marcos Rodrigues Figueiredo 10
- 11. Comentários • Erro absolutopercentual médio (MAPE) – Problema ao dividir por zero ou valores próximos de zero – Resolve parte do problema da escala do MSE e MAE • Theil – Compara numerador e denominador • Para a boa previsão, o numerador será pequeno comparado ao denominador • Criticado na literatura! • Decomposição: a maior parte deveria estar concentrado na covariance proportions Prof. Adriano Marcos Rodrigues Figueiredo 11
- 12. R::: já saemna maioria dos ‘forecasts’ • https://www.otexts.org/fpp2/accuracy.html • Acurácia (RMSE, MAE, MAPE, outros) e AICc • Training set x test => Forecast • Cuidados com quebras e choques 12Prof. Adriano Marcos Rodrigues Figueiredo
- 13. Algumas observações • Asvezes a literatura chama da amostra teste como “fora da amostra” (neste caso, se referindo ao conjunto de treino – training – como a “amostra”) • A função window será útil no R para separar as amostras • A sintaxe é: window(dados, start=ANO) Ou usar a função subset 13Prof. Adriano Marcos Rodrigues Figueiredo
- 14. 14 Alternativa manual de fazer acurácia Prof. AdrianoMarcos Rodrigues Figueiredo
- 15. Prof. Adriano MarcosRodrigues Figueiredo 15 Alternativa manual de fazer acurácia
- 16. Ferreira, Pedro Costa.Business forecasting: trabalhando com dados reais para resolver problemas reais. São Paulo: FGV, 2018. Disponível em: https://rpubs.com/modelthinkingbr/comentarios_iniciais 16Prof. Adriano Marcos Rodrigues Figueiredo
- 17. Pacote `forecast` • Olhaa acurácia considerando o forecast da série treino contra a amostra teste Prof. Adriano Marcos Rodrigues Figueiredo 17
- 18. Acurácia • Em geraljá consta da saída do forecast • Census X13 Arima-Seats – precisa calcular – RMetrics – Ou fazer as próprias Funções 18Prof. Adriano Marcos Rodrigues Figueiredo
- 19. <suavizacao exponencial.Rproj> exemplo consumoMorettin 19Prof. Adriano Marcos Rodrigues Figueiredo
- 20. Acurácia exemplo consumo Morettin– sem divisão do dataset 20 Error measures: Cons.ses AICc 1333.132 ME RMSE MAE MPE MAPE MASE ACF1 Training set -0.48717 19.84463 13.85645 -2.30761 11.10858 0.776381 0.056343 cons.holttrend.EXP AICc 1313.477 ME RMSE MAE MPE MAPE MASE ACF1 Training set 0.46574 19.83293 13.93578 -1.5169 11.10259 0.780826 0.054319 cons.holttrend.DAMPm AICc 1314.665 ME RMSE MAE MPE MAPE MASE ACF1 Training set -1.53043 19.74074 13.63352 -3.12121 10.98567 0.76389 0.062053 conshw2 AICc 1165.698 ME RMSE MAE MPE MAPE MASE ACF1 Training set 0.091076 8.746246 6.795998 -0.00541 5.6058 0.380782 0.126863 Prof. Adriano Marcos Rodrigues Figueiredo
- 21. Exercício varejo MS •FIGUEIREDO, Adriano Marcos Rodrigues. Séries Temporais: suavização exponencial e acurácia. Campo Grande-MS,Brasil: RStudio/Rpubs, 2019. Disponível em http://rpubs.com/amrofi/smoothing_varejoms. 21Prof. Adriano Marcos Rodrigues Figueiredo
- 22. Exemplo Ver aplicação deHolt-Winters e acurácia em: • FIGUEIREDO, Adriano Marcos Rodrigues. Séries Temporais: previsão de ações com ETS. Campo Grande-MS,Brasil: RStudio/Rpubs, 2019. Disponível em http://rpubs.com/amrofi/stocks_ETS. Prof. Adriano Marcos Rodrigues Figueiredo 22