Vamos nos familiarizar com alguns dos modelos mais comuns para previsão de séries temporais:

- **Média móvel simples**. Este modelo é frequentemente utilizado para conjuntos de dados que não apresentam sazonalidade ou tendências pronunciadas (esse tipo de dado é chamado de dado estacionário). Neste modelo, criamos previsões com base no valor médio dos pontos de dados anteriores.

- **Modelo autoregressivo**. O modelo é baseado no princípio da regressão linear com a adição de uma variável dependente, uma função linear de valores passados da variável dependente. Este modelo só pode ser usado para dados estacionários;

- **Modelo de média móvel** - este modelo também funciona como a regressão linear, mas em vez de usar valores anteriores como preditores, o modelo faz previsões usando uma combinação linear de amostras geradas a partir do processo de ruído branco. É importante admitir que *Média móvel* e *Média móvel simples* são dois modelos diferentes. Este modelo também só pode ser usado para dados estacionários;

- **Modelo integrado de média móvel autoregressiva**. Como o nome indica, este modelo combina os dois anteriores com uma etapa adicional de diferenciação. Que vantagem isso pode trazer? Por exemplo, a capacidade de representar uma série temporal com propriedades não estacionárias;

- **Modelo vetorial autoregressivo**. A principal característica deste modelo é a capacidade de prever séries temporais multivariadas.

Cobrimos brevemente 5 tipos de modelos que usaremos no futuro. Nas seções seguintes, examinaremos de perto o "mecanismo" matemático e a implementação em Python de alguns desses modelos.
>Nota
>
>No momento, o conceito de estacionaridade pode parecer desconhecido e incompreensível, mas não se preocupe, ele será discutido em mais detalhe mais tarde.

Com base em quais critérios você deve selecionar um modelo estatístico para séries temporais?

O que pode ser feito com milhares de registros de compras em lojas online? Como podemos analisar esses dados e prever seu crescimento? Neste curso, você vai aprender quais parâmetros podemos analisar em séries temporais e como criar modelos preditivos. Vamos começar!

Comece pela introdução às séries temporais para avançar em tópicos mais aprofundados. Descubra o que são, com que frequência ocorrem em negócios reais, como analisá-las e fazer previsões.

Qual é a diferença entre tendência e sazonalidade? Os dados com os quais estou trabalhando são estacionários ou não? Nesta seção, você aprenderá como analisar características de séries temporais usando Python!

Aprenda mais sobre séries temporais através... de sua visualização! Explore seus dados com gráficos 2D e 3D.

Qual será o nosso primeiro passo? Vamos começar com modelos estacionários! Crie seu primeiro modelo preditivo que irá prever séries temporais.

A maior parte dos dados com os quais você trabalha é não estacionária. Aprenda como processar tais dados e quais modelos utilizar para prever os mesmos.

Vamos mergulhar em uma variedade de tarefas interessantes que você pode encontrar ao trabalhar com séries temporais! Descubra quão grandes são esses desafios e quais modelos podemos usar para resolvê-los.

Tipos de Modelo