Uso de Modelos de Decomposicão em Componentes Não Observáveis para predição de séries temporais não estacionárias de commodities agrícolas.
A predição de séries temporais é frequentemente feita por Modelos Autoregressivos de Médias Móveis (ARMA, Autoregressive Moving Average em inglês) sendo a principal desvantagem desses modelos o requisito de que as séries temporais estudadas sejam estacionárias, o que frequentemente nao ocorre [1]. Para contornar esse problema, geralmente são feitos processos de diferenciacão de dados, que podem ser feitos diretamente no conjunto de dados ao se calcular a diferença do valor da variável no passo t com o valor do passo anterior t − 1 [4], ou configurando os modelos para diferenciar sucessivamente a série analisada até ela se tornar estacionária, como no caso dos Modelos Autorregressivos Integrados de Médias Móveis (ARIMA, Autoregressive Integrated Moving Average, em inglês) e suas variações [3]. Apesar da possibilidade de diferenciação, os resultados dos modelos ARIMA continuam sendo sensíveis a dados perturbados e que não se desenvolvem ao redor de uma média constante [3]. Diante disso, os Modelos de Decomposico em Componentes Não Observáveis (UCM, Unobserved Component Model, em Inglês) surgem como uma alternativa promissora a esses modelos por não assumirem estacionariedade dos dados, além disso, os modelos UCM podem ser compreendidos em componentes de tendência, ciclo e perturbação, o que os torna especialmente úteis para analisar séries que possuem ciclo, como é o caso das culturas agrícolas [1]. Diante disso, o objetivo desse estudo foi comparar o desempenho de Modelos de Decomposição em Componentes Não Observáveis com o desempenho de Modelos Autoregressivos de Médias Móveis para a predição.
| Main Authors: | , |
|---|---|
| Other Authors: | |
| Format: | Artigo em anais e proceedings biblioteca |
| Language: | Portugues pt_BR |
| Published: |
2023-12-01
|
| Subjects: | Modelos Autoregressivos de Médias Móveis, Estacionariedade, |
| Online Access: | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1159045 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | A predição de séries temporais é frequentemente feita por Modelos Autoregressivos de Médias Móveis (ARMA, Autoregressive Moving Average em inglês) sendo a principal desvantagem desses modelos o requisito de que as séries temporais estudadas sejam estacionárias, o que frequentemente nao ocorre [1]. Para contornar esse problema, geralmente são feitos processos de diferenciacão de dados, que podem ser feitos diretamente no conjunto de dados ao se calcular a diferença do valor da variável no passo t com o valor do passo anterior t − 1 [4], ou configurando os modelos para diferenciar sucessivamente a série analisada até ela se tornar estacionária, como no caso dos Modelos Autorregressivos Integrados de Médias Móveis (ARIMA, Autoregressive Integrated Moving Average, em inglês) e suas variações [3]. Apesar da possibilidade de diferenciação, os resultados dos modelos ARIMA continuam sendo sensíveis a dados perturbados e que não se desenvolvem ao redor de uma média constante [3]. Diante disso, os Modelos de Decomposico em Componentes Não Observáveis (UCM, Unobserved Component Model, em Inglês) surgem como uma alternativa promissora a esses modelos por não assumirem estacionariedade dos dados, além disso, os modelos UCM podem ser compreendidos em componentes de tendência, ciclo e perturbação, o que os torna especialmente úteis para analisar séries que possuem ciclo, como é o caso das culturas agrícolas [1]. Diante disso, o objetivo desse estudo foi comparar o desempenho de Modelos de Decomposição em Componentes Não Observáveis com o desempenho de Modelos Autoregressivos de Médias Móveis para a predição. |
|---|