SÉRIES TEMPORAIS

Uma série temporal é uma sequência de observações registradas ao longo do tempo. Aprenda seus componentes, como decompô-la e por que os métodos estatísticos padrão não são diretamente aplicáveis.

A estacionariedade é a suposição-chave por trás da maioria dos modelos de séries temporais. Aprenda a detectar e corrigir a não estacionariedade usando testes formais e transformações.

A ACF e a PACF são as principais ferramentas para identificar a ordem dos componentes AR e MA nos modelos de séries temporais.

O teste de Dickey-Fuller é o método padrão para detectar uma raiz unitária: ele testa se uma série temporal precisa ser diferenciada para se tornar estacionária.

A decomposição STL divide uma série temporal em uma tendência, um padrão sazonal e um resíduo restante, facilitando entender o que realmente está impulsionando a série.

Explore o modelo Autorregressivo (AR), um conceito-chave na análise de séries temporais usado para modelar e prever dados regredindo a variável sobre seus próprios valores defasados.

Aprenda sobre o modelo de Média Móvel (MA), um conceito fundamental na análise de séries temporais usado para capturar o impacto de erros passados sobre os valores atuais.

Explore o modelo ARMA, que integra componentes autorregressivos e de média móvel para modelar e prever dados de séries temporais estacionárias.

O ARIMA estende o ARMA para séries não estacionárias diferenciando os dados d vezes antes de ajustar um modelo ARMA(p,q).

O SARIMA adiciona termos AR, diferenciação e MA sazonais ao ARIMA, tornando-se o modelo padrão para séries temporais com padrões sazonais repetitivos.

A suavização exponencial é uma família de métodos de previsão que atribuem pesos exponencialmente decrescentes às observações passadas, equilibrando a importância dos dados recentes com os históricos.

Explore o método Holt-Winters, uma técnica de suavização exponencial tripla que modela nível, tendência e sazonalidade para previsões sazonais precisas.

O ARIMAX estende o ARIMA incluindo variáveis externas (exógenas) como regressores, combinando a estrutura de autocorrelação do ARIMA com o poder explicativo da regressão.

O filtro de Kalman estima estados não observáveis a partir de medições ruidosas alternando entre etapas de previsão e atualização, sendo ótimo sob suposições gaussianas.

O GARCH modela a variância condicional variável no tempo (agrupamento de volatilidade) em retornos financeiros, estendendo o ARCH com uma parametrização mais parcimoniosa.

O EGARCH estende o GARCH para capturar a volatilidade assimétrica: choques negativos aumentam a variância mais do que choques positivos do mesmo tamanho, uma característica-chave dos mercados de ações.

O VAR (Vetores Autorregressivos) estende o AR para múltiplas séries temporais simultaneamente, capturando dinâmicas entre variáveis e permitindo a análise de funções impulso-resposta.

A causalidade de Granger testa se valores passados de uma série temporal melhoram a previsão de outra, além do que o próprio passado dessa série já fornece.

Duas séries não estacionárias ainda podem compartilhar uma relação estável de longo prazo. Testes de cointegração a detectam, e um VECM a modela diretamente.