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 SARIMA

ARIMA sazonal, que acrescenta termos sazonais autorregressivos, de diferenciação e de média móvel para séries com calendário forte.

Visão geralGráficoMatemáticaReferências

SARIMA: que pergunta macro este modelo ajuda a responder?

Contexto

ARIMA sazonal, que acrescenta termos sazonais autorregressivos, de diferenciação e de média móvel para séries com calendário forte.

SARIMA 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 com período sazonal s conhecido.

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.

Séries com padrões sazonais claros quando um ARIMA não sazonal deixa resíduos sazonais relevantes.

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 as duas diferenciações)

Após ddd diferenças comuns e DDD sazonais, a série de trabalho wt=(1−L)d(1−Ls)Dytw_t = (1-L)^d (1-L^s)^D y_twt​=(1−L)d(1−Ls)Dyt​ tem média, variância e estrutura de autocovariância invariantes no tempo.

Se falhar:Se a série duplamente diferenciada continua não estacionária, os coeficientes ARMA sazonais são inconsistentes. Aumente D de 0 para 1 ou investigue um padrão sazonal em mudança, que exige uma abordagem com parâmetros variando no tempo.

Mantida

Estrutura sazonal multiplicativa

O polinômio de defasagens do processo verdadeiro se fatora em um componente não sazonal e um sazonal: o filtro AR completo é ϕ(L)Φ(Ls)\phi(L) \Phi(L^s)ϕ(L)Φ(Ls), e não um polinômio arbitrário de ordem p+Psp + P sp+Ps com coeficientes livres em cada defasagem.

Se falhar:Se a estrutura sazonal verdadeira é aditiva em vez de multiplicativa, os termos cruzados impostos pela forma de produto estão errados. O modelo ainda converge para a melhor aproximação multiplicativa, mas pode exigir ordens (p,P)(p, P)(p,P) maiores do que o processo aditivo verdadeiro precisaria.

Testável

Padrão sazonal estável

Os coeficientes AR e de média móvel sazonais são constantes ao longo da janela de estimação. A forma e a amplitude do ciclo sazonal não mudam com o tempo.

Se falhar:Se o padrão sazonal evolui (por exemplo, a participação do varejo de Natal crescendo ao longo de décadas), um SARIMA de coeficientes fixos representa mal o componente sazonal. Considere decomposição STL com sazonalidade variando no tempo, ou ETS com sazonalidade multiplicativa e amortecimento.

Testável

Linearidade

A média condicional de wtw_twt​ é função linear dos próprios valores defasados e das inovações passadas, tanto em defasagens sazonais quanto não sazonais.

Se falhar:Padrões sazonais não lineares (por exemplo, picos e vales sazonais assimétricos) não são captados. O modelo produz a melhor aproximação linear, que pode ter alta autocorrelação residual nas defasagens sazonais.

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 da inovação não varia com a estação nem com o nível da série.

Se falhar:Muitas séries sazonais têm variância proporcional ao nível (sazonalidade heterocedástica). Os intervalos de previsão ficam mal calibrados. Uma transformação logarítmica ou um ETS multiplicativo podem ser apropriados.

Testável

Período sazonal correto

O período sazonal s está corretamente especificado. O componente periódico dominante da série corresponde ao valor declarado de s.

Se falhar:Um sss mal especificado (por exemplo, usar s=12s=12s=12 numa série cujo ciclo dominante é semestral, s=6s=6s=6) cria erros sistemáticos de previsão na frequência trocada. Análise espectral ou inspeção do periodograma detectam o período dominante verdadeiro.

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

  • Airline model ARIMA(0,1,1)(0,1,1)s\text{ARIMA}(0,1,1)(0,1,1)_sARIMA(0,1,1)(0,1,1)s​ - the most widely deployed SARIMA specification in seasonal adjustment
  • RegSARIMA - SARIMA with regression effects for trading-day variation, Easter, outliers (the regARIMA component of X-13)
  • Periodic ARIMA (PAR) - allows AR and MA coefficients to vary by season within the year
  • SARIMA-GARCH - pairs seasonal conditional mean with GARCH conditional variance for financial series
  • TBATS - exponential smoothing with Box-Cox, ARMA errors, trend, and multiple seasonal periods (generalizes SARIMA to multiple s)

Questões em aberto

  • Whether seasonal differencing (D=1)(D=1)(D=1) or seasonal dummies in a regARIMA framework produces more robust seasonal adjustment is debated. Seasonal differencing assumes a unit root at the seasonal frequency; if the true DGP has deterministic seasonality, this introduces an unnecessary MA unit root.
  • The choice between model-based SEATS and filter-based X-11 seasonal adjustment remains contested. Both use SARIMA, but SEATS derives its filters from the fitted model while X-11 applies fixed moving averages. SEATS is theoretically optimal under correct specification; X-11 is more robust to misspecification.
  • Handling of calendar effects (trading days, moving holidays like Easter and Chinese New Year) in SARIMA is ad hoc - regARIMA treats them as external regressors, but the choice of regressor form affects the seasonal component and is hard to validate.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo teórico

IS-LM Model

modelo teórico bem conectado a dois passos daqui

Novo ângulo: modelo teórico →
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC