Quais tipos de dados podem ter em uma série temporal? Cite e explique.
Passo 1
O que você pediu: listar e explicar os tipos de dados que uma série temporal pode conter. Vou identificar as categorias relevantes, explicar cada uma com exemplos simples e dizer que modelos/técnicas costumam ser usados (pra você conseguir aplicar isso numa prova). Não vou assumir que você já sabe nada — vou explicar cada conceito devagar e com exemplos.
Passo 2
Primeira distinção: tempo contínuo versus tempo discreto.
- Tempo contínuo: os eventos/medidas podem ocorrer em qualquer instante do tempo real. Exemplo: a intensidade de corrente elétrica medida continuamente. Em modelagem usa-se processos em tempo contínuo (por ex. processos de Itô ou equações diferenciais estocásticas).
- Tempo discreto: as observações existem em instantes separados
(pontos indexados). Exemplo: preço diário de uma ação, temperatura registrada todo dia às 9h. A grande maioria dos cursos e provas trabalha com séries em tempo discreto.
Passo 3
Segunda distinção: amostragem regular versus irregular (dentro de tempo discreto).
- Amostragem regular: observações em intervalos fixos (diário, mensal, trimestral). Essa regularidade permite aplicar ARIMA, decomposições sazonais, Fourier, etc.
- Amostragem irregular: tempos entre observações variam (ex.: ocorrências de terremotos, logs de servidor). Requer técnicas especiais (interpolação, modelos de ponto ou métodos que lidam com tempos de chegada).
Passo 4
Tipo de variável/escala de medição (essa é essencial na prova — muda o modelo).
- Variável contínua (quantitativa contínua): valores reais
. Ex.: temperatura, taxa de câmbio. Modelos típicos: ARMA/ARIMA, modelos GARCH para volatilidade. - Fórmula de exemplo (AR(1)):
é coeficiente de autocorrelação e ruído (explicar: geralmente média zero e varia aleatoriamente). - Fórmula de exemplo (AR(1)):
- Variável de contagem (quantitativa discreta não-negativa):
. Ex.: número de chegadas por hora em uma fila. Modelos: Poisson autoregressivo, modelos binomiais, INGARCH. Exemplo de estrutura (modelo log-linear): Explique termos: é a média condicional; parâmetros. - Variável binária (0/1): presença/ausência, evento ocorrido ou não. Ex.: falha de máquina em dia
. Modelos: modelos de séries temporais binárias, regressão logística dinâmica. Exemplo: Aqui é a informação até . - Variável categórica/nominal ou ordinal: estados discretos sem (nominal) ou com ordem (ordinal). Ex.: regime econômico {recessão, expansão}. Modelos: cadeias de Markov ocultas, modelos de classificação sequencial.
Passo 5
Univariada versus multivariada versus painel (diferença prática).
- Série univariada: uma única variável observada ao longo do tempo,
. Ex.: consumo de energia mensal. - Série multivariada (vetorial): várias variáveis observadas simultaneamente,
. Ex.: inflação, desemprego e PIB mensais. Modelos: VAR (vector autoregression), modelos de cointegração. A vantagem é modelar dependências cruzadas. - Painel / dados longitudinais (panel): observações de muitas unidades ao longo do tempo; cada unidade tem sua própria série (ex.: vendas por loja ao longo de meses). É combinação de dimensão cross-section e temporal; modelos: efeitos fixos/aleatórios com dependência temporal, modelos dinâmicos em painel.
Passo 6
Eventos / processos pontuais (point processes)
- Em vez de medir um valor em cada tempo, registra-se a hora de ocorrência de eventos (ex.: chegadas de clientes, terremotos). Modelos: processo de Poisson (homogêneo ou não-homogêneo), processo de Hawkes (autoreforçante). Importante: a informação é o conjunto de tempos
, não um vetor para cada .
Passo 7
Frequência e granularidade — baixa, alta e mixed-frequency
- Baixa frequência: ex.: trimestral, anual — séries mais lentas; modelos mais simples e menos ruído de curto prazo.
- Alta frequência: ex.: ticks financeiros (milissegundos) — ruído microestrutural, necessidade de técnicas robustas e filtragem.
- Mixed-frequency: algumas variáveis são diárias, outras mensais; métodos como MIDAS ou modelos de estado permitem combinar.
Passo 8
Propriedades temporais que afetam o tipo de dado/modelagem
- Estacionaridade versus não-estacionaridade: muitas séries têm tendência ou raiz unitária (
) — aí usamos diferenças para estacionarizar: - Sazonalidade: padrão periódico (diário, semanal, anual) e exige remoção ou modelagem explícita (componentes sazonais).
- Heterocedasticidade temporal (variância que muda no tempo): ex.: volatilidade em finanças; modelos GARCH tratam isso.
Passo 9
Como escolher tratamento/modelo na prova — dicas práticas
- Identifique a escala da variável: é contínua, contagem, binária ou categórica? Isso determina família de modelos (ARIMA/GARCH vs Poisson vs Logit).
- Verifique a frequência e se os dados são regularmente amostrados.
- Se multivariado, pense em VAR/cointegração; se painel, considerar efeitos fixos e dependência temporal.
- Para eventos pontuais, formule como processo pontual e use razões de verossimilhança próprias.
- Se houver tendência ou sazonalidade, aplique diferenciação e/ou decomposição antes de modelar dependências.
Passo 10
Exemplos curtos e concretos (pra fixar)
- Temperatura diária: série discreta no tempo, variável contínua, univariada (modelo: ARIMA).
- Número de acidentes por dia: série discreta no tempo, variável de contagem (modelo: INGARCH/Poisson autoregressivo).
- Indicador diário de falha (
): série discreta no tempo, binária (modelo: regressão logística dinâmica). - Horários de chegadas de clientes: processo pontual (modelo: Poisson ou Hawkes).
- Várias variáveis macroeconômicas mensais juntas: multivariada, modelos VAR/cointegração.
Resposta
Tempo contínuo; Tempo discreto (amostragem regular ou irregular).
Variável contínua (valor real); Variável de contagem (inteira não-negativa); Variável binária; Variável categórica/ordinal.
Univariada; Multivariada (vetorial); Painel/longitudinal.
Processos pontuais (eventos/point processes).
Baixa frequência; Alta frequência; Mixed-frequency.
Séries estacionárias; Séries não-estacionárias (tendência, sazonalidade); séries com heterocedasticidade.
Variável contínua (valor real); Variável de contagem (inteira não-negativa); Variável binária; Variável categórica/ordinal.
Univariada; Multivariada (vetorial); Painel/longitudinal.
Processos pontuais (eventos/point processes).
Baixa frequência; Alta frequência; Mixed-frequency.
Séries estacionárias; Séries não-estacionárias (tendência, sazonalidade); séries com heterocedasticidade.