[pt] A metodologia Box & Jenkins tem sido mais utilizada para
fazer
previsões do que outros métodos até então. Alguns
analistas têm relutado,
entretanto, em usar esta metodologia, em parte porque a
identificação da
estrutura adequada é uma tarefa complexa. O reconhecimento
tanto dos padrões
de comportamento das funções de autocorrelação quanto da
autocorrelação
parcial (teórica/estimada) dependem da série temporal
através da qual é possível
extraí-las. Uma vez obtidos os resultados, pode-se inferir
qual o tipo de
estrutura Box & Jenkins adequada para a série. A proposta
do trabalho é
desenvolver três novas metodologias de identificação
automática das estruturas
Box & Jenkins ARMA simples e/ou sazonais, identificar os
filtros sazonal e
linear da série de uma forma menos complexa. A primeira
metodologia utiliza
árvores de decisão, a segunda, redes neurais e a terceira,
K-Nearest Neighbor
(KNN). A estas metodologias serão utilizadas as estruturas
Box & Jenkins
sazonais de períodos 3, 4, 6 e 12 e não sazonais. Os
resultados são aplicados a
séries simuladas, bem como a séries reais. Como
comparação, utilizou-se o
método automático de identificação proposto no software
FPW-XE. / [en] The Box & Jenkins is the most popular forecasting
technique. However,
some researchers have not embraced it because the
identification of its structure is
highly complex. The process of proper characterizing the
properties of both
autocorrelation functions and partial correlation
(theoretical or estimated) depends
on the time series from which they are being obtained.
Given the results in
question, it is possible to infer the proper Box & Jenkins
structure for the time
series being studied. For the reasons above, the goal of
this dissertation is to
develop three new methodologies to identifying, in an
automatic fashion, the Box
& Jenkins structure of an ARMA series. The methodologies
identify, in a simpler
manner, both the seasonal and linear filters of the
series. The first methodology
applies the decision tree. The second applies the neural
networks. The third
applies the K-Nearest Neighbor (KNN). In each of them the
Box & Jenkins
seasonal structures of 3, 4, 6 and 12 periods were used,
as well as the nonseasonal
structure. The results are applied to simulated and actual
series. For
comparison purposes, the automatic identification
procedure of the software
FPW-XE is also used.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:7587 |
Date | 19 December 2005 |
Creators | LUIZA MARIA OLIVEIRA DA SILVA |
Contributors | REINALDO CASTRO SOUZA, REINALDO CASTRO SOUZA |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.1419 seconds