Para a galera da 112! – A série do IPCA

Ola, pessoal!

Este é o meu primeiro post aqui no Gustibus. Desvinculei-me formalmente do NEPOM na semana passada e a partir de agora vou postar somente nesta plataforma. Graças ao NEPOM, hoje faço parte de uma grande instituição financeira. Minha eterna gratidão a toda equipe. Infelizmente o tempo vai ficar curto e integrar o NEPOM como um membro tornou-se impraticável.

Aliás, tem o meu texto de despedida, uma breve análise que o professor Ari me pediu na última reunião. Ficará para depois da minha semana de provas.

Esse post é o resultado da ultima aula de Econometria II do IBMEC MG, matéria ministrada pelo professor Claudio Shikida.

Para o leitor que não é aluno da matéria, na ultima aula trabalhamos com a série do IPCA. Analisamos os correlogramas, propomos alguns modelos e fizemos algumas previsões.

Para quem não levou o computador ou não anotou os scripts, creio que esse post pode ser bem interessante. Vale lembrar que a P1 está chegando e saber lidar com o R será muito importante. Aqui terá SOMENTE os scripts. A parte de gerar as saídas e correlogramas fica por sua conta!

#Bom pessoal, a primeira coisa que precisamos fazer é importar os dados.. 
#Como estou usando o RStudio e creio que você já sabe fazer isso, vou pular essa parte 
#Já com a base de dados dentro do programa, vamos avisar o R que 
#A série "esta no tempo"
ipca<-ts(ipca99$IPCA, start=c(1999,1), freq=12)
#Ok, agora vamos fazer um gráfico da série 
plot(ipca)
#eu nao gosto de trabalhar com essa série cheia por conta do pico entre 2000 e 2005
#vamos tirar o “efeito metalúrgico” da série..
#Vou pegar a serie a partir de 2005
ipca1<-window(ipca, start=c(2005,1),freq=12)
plot(ipca1)
#Bem melhor..
#Agora vamos fazer um teste ADF para vermos se a série é estacionária
#E se já da para começar a usar ARIMA com ela 
library(urca)
testeADFipca<-ur.df(ipca1, type=c("drift"), lags=12, selectlags=c("BIC"))
summary(testeADFipca)
#o h0 de ADF nos diz que a série possui raíz unitária. O teste rejeita a hipótese nula
#tem um drift também, mas não tem muita importância aqui para nós
#podemos começar a trabalhar com ela!
#antes de propor um modelo para a previsao do IPCA, vamos olhar para o padrão de autocorrelação da série
library(forecast)
tsdisplay(ipca1)
#Agora é hora de deixar a imaginação falar mais alto
#Duas coisas são importantes conhecer para começar a modelar, o padrão AR, o I e o MA
#Como a série é estacionária, o I nós sabemos que é zero 
#O AR e o MA são mais complicados, levando em conta o padrão sazonal da série.
#Vamos tirar a sazonalidade e olhar para a série de novo 
ipcadec<-decompose(ipca1)
ipcalimpo<-ipca1-ipcadec$seasonal 
tsdisplay(ipcalimpo)
#Agora sem sazonalidade, eu me arrisco a dizer que se parece um pouco com um processo AR(1)
#Mas a previsao de IPCA sem sazonalidade não me diz nada, então..
#Enfim, o desafio agora é modelar.. E não, não é trivial. 
#deixei a minha base de dados com uma coluna incompleta
#para testar meus modelos... Vou propor um modelo ARIMA (1,0,0)x(1,0,0) e testar
#fazendo uma previsao para abril de 2013
#Chamando a minha coluna incompleta
ipcatest<-ts(ipca99$IPCAteste, start=c(1999,1), freq=12)
ipcateste<-window(ipcatest,start=c(2005,1), freq=12)
arimateste<-arima(ipcateste, order=c(1,0,0),seasonal=list(order=c(1,0,0), freq=12))
resiteste<-residuals(arimateste)
tsdisplay(resiteste)
previsaoteste<-forecast(arimateste,h=1)
previsaoteste

Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Apr 2013 0.4545263 0.1911108 0.7179418 0.0516671 0.8573855

#errou.. o realizado foi de 0.55.. Modelos erram e acertam, faz parte e a vida segue
#Por isso que economistas que propoe modelos que acertam muito ganham o Nobel
#Não é fácil

Agora você já sabe como fazer previsão com um ARIMA! Ontem eu fiquei quebrando a cabeça com alguns modelos e acho que econtrei um com um bom ajuste. Segue a minha previsão!

#Este é o meu modelo.. Claro que não vou contar qual é.. RÁ!
arimathomaz<-arima(.)
resthomaz<-residuals(arimathomaz)
tsdisplay(resthomaz)
previsaothomaz<-forecast(arimathomaz,h=1)
previsaothomaz

Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Mar 2014 0.617406 0.4011491 0.8336628 0.2866696 0.9481423

Ao longo do semestre pretendo fazer posts mais completos, com os gráficos e as saídas. O problema é que isso demanda tempo e as minhas provas estão chegando, então…

Daqui pra frente, teremos muito o que conversar à respeito de Econometria e R aqui no Gustibus.

Então, até mais!