Tipos de Modelo

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.