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.
Média móvel integrada autorregressiva, o previsor univariado de referência para séries macro estacionárias ou diferenciadas.
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.
Como as partes se conectam
yt
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 d aplicações do operador de diferença, a série resultante wt=(1−L)dyt tem média, variância e função de autocovariância invariantes no tempo: E[wt]=μ,Var(wt)=γ0,Cov(wt,wt−k)=γk para todo t.
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 wt 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 para todo t. 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 d está corretamente especificada: a série bruta é I(d) e a diferenciada é 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.
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.