Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo ARIMA

Média móvel integrada autorregressiva, o previsor univariado de referência para séries macro estacionárias ou diferenciadas.

Visão geralGráficoMatemáticaReferências

ARIMA: que pergunta macro este modelo ajuda a responder?

Contexto

Média móvel integrada autorregressiva, o previsor univariado de referência para séries macro estacionárias ou diferenciadas.

ARIMA fica em Séries temporais univariadas. Use esta classe quando você precisa de um benchmark para uma série macro e quer que a leitura venha da própria série, não de um sistema mais amplo.

A página deve ser lida como uma referência de método: primeiro o objeto empírico, depois o conjunto de informação, os diagnósticos e os limites da inferência.

Conexões para explorar

Matemática ↗A estrutura e suas condições, passo a passo.Fontes ↗Fontes acadêmicas e orientação de uso.

Como as partes se conectam

yty_tyt​

Série observada

A série temporal bruta na data t, medida em frequência fixa (mensal, trimestral, anual).

Comece pela série-alvo, frequência, janela da amostra e calendário de revisão. Um modelo empírico perde valor quando a pergunta ignora a safra dos dados.

Um benchmark limpo para uma única série macro quando você quer uma leitura transparente conduzida pelo próprio passado da série.

A leitura útil compara o resultado com um benchmark simples, registra onde o erro de previsão aparece e separa sinal estatístico de interpretação causal.

Os componentes e as hipóteses formais abaixo são os do próprio modelo, com a terminologia em português. A notação matemática e os títulos bibliográficos ficam no original, que é como a literatura os identifica.

Premissas

Testável

Estacionariedade em covariância (após diferenciação)

Após ddd aplicações do operador de diferença, a série resultante wt=(1−L)dytw_t = (1-L)^d y_twt​=(1−L)dyt​ tem média, variância e função de autocovariância invariantes no tempo: E[wt]=μ,Var⁡(wt)=γ0,Cov⁡(wt,wt−k)=γkE[w_t] = \mu, \operatorname{Var}(w_t) = \gamma_0, \operatorname{Cov}(w_t, w_{t-k}) = \gamma_kE[wt​]=μ,Var(wt​)=γ0​,Cov(wt​,wt−k​)=γk​ para todo ttt.

Se falhar:Se a série diferenciada continua não estacionária, as estimativas dos coeficientes AR são inconsistentes e os intervalos de previsão têm cobertura incorreta. Aplique mais uma diferença ou considere um modelo de integração fracionária.

Testável

Linearidade

A média condicional de wtw_twt​ é função linear dos próprios valores passados e das inovações passadas. Nenhuma dependência com limiar, mudança de regime ou não linearidade entra na média condicional.

Se falhar:Se o processo gerador verdadeiro é não linear (por exemplo SETAR ou markoviano), o ARIMA capta apenas a projeção linear e pode perder para alternativas não lineares em horizontes médios.

Testável

Inovações homocedásticas

Var⁡(εt∣Ft−1)=σ2\operatorname{Var}(\varepsilon_t | \mathcal{F}_{t-1}) = \sigma^2Var(εt​∣Ft−1​)=σ2 para todo ttt. A variância condicional não depende de valores nem de choques passados.

Se falhar:Se as inovações exibem efeitos ARCH/GARCH, a previsão pontual continua consistente, mas os intervalos ficam mal calibrados: estreitos demais em períodos voláteis e largos demais em períodos calmos.

Testável

Ausência de quebras estruturais

Os coeficientes AR e MA e a variância da inovação são constantes ao longo da janela de estimação. O processo gerador não muda de regime.

Se falhar:Uma quebra estrutural dentro da amostra enviesa as estimativas na direção de uma média ponderada dos regimes anterior e posterior, degradando tanto o ajuste dentro da amostra quanto a precisão fora dela.

Testável

Ordem de integração correta

A ordem ddd está corretamente especificada: a série bruta é I(d)I(d)I(d) e a diferenciada é I(0)I(0)I(0). Diferenciar demais introduz uma raiz unitária de média móvel; diferenciar de menos deixa uma raiz unitária na representação ARMA.

Se falhar:Diferenciar demais (d grande demais) infla a variância da previsão e introduz autocorrelação negativa artificial. Diferenciar de menos (d pequeno demais) deixa uma tendência espúria na trajetória prevista.

Testável

Inovações gaussianas (para máxima verossimilhança exata)

εt∼N(0,σ2)\varepsilon_t \sim N(0, \sigma^2)εt​∼N(0,σ2). Necessária para inferência por máxima verossimilhança exata; relaxada na quase-verossimilhança, em que só os dois primeiros momentos importam.

Se falhar:Inovações não gaussianas não afetam a consistência do estimador de quase-verossimilhança, mas invalidam testes de razão de verossimilhança em amostra pequena e intervalos de confiança exatos. Pode ser preciso recorrer a erros padrão robustos ou a inferência por bootstrap.

Aplicações

Use esta página para escolher o modelo antes de olhar o resultado: o alvo, a frequência, a janela e o benchmark definem o que a saída pode dizer.

Em monitoramento macro, a comparação com alternativas importa tanto quanto o modelo escolhido. Erro fora da amostra, estabilidade e revisão dos dados devem ficar visíveis.

Troque ou complemente o modelo quando a pergunta exigir identificação causal, contrafactual estrutural, distribuição entre agentes ou uma mudança de regime que a amostra histórica não contém.

Extensões e questões em aberto

Variantes

  • SARIMA - multiplicative seasonal extension with seasonal AR, differencing, and MA terms
  • ARIMAX / Transfer function - ARIMA with exogenous regressors in the conditional mean
  • Fractional ARIMA (ARFIMA) - replaces integer differencing with fractional d for long memory
  • Threshold ARIMA (TAR) - piecewise linear ARMA with regime-dependent coefficients
  • ARIMA-GARCH - ARIMA conditional mean paired with GARCH conditional variance

Questões em aberto

  • Whether AIC or BIC is preferable for macro forecast applications remains debated: AIC tends to select larger models that fit the in-sample data better but may overfit, while BIC is consistent for model selection but may underfit in finite samples.
  • The treatment of structural breaks in automated ARIMA pipelines is ad hoc - most implementations estimate over a fixed rolling window or the full sample, with no formal break detection. Adaptive ARIMA with online break detection is an active research area.
  • The interaction between seasonal adjustment (X-13ARIMA-SEATS) and subsequent ARIMA forecasting on the adjusted series is not always handled coherently - the two-step process can distort forecast intervals.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo empírico

ARDL / Bounds Testing

uma leitura contrastante de ARIMA

Contraste →
Modelo empírico

Bridge Equations

uma leitura contrastante de ARIMA

Contraste →

Continue aprendendo

Conceitos

  • Real e nominal→
  • Ciclos econômicos→
  • Preços e inflação→

Política

  • Política monetária→
  • Política fiscal→

Modelos

  • SARIMA→
  • ETS→
  • VAR→
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC