Limpeza prévia dos dados para a função de correlação cruzada

A função de correlação cruzada (CCF) ajuda a determinar quais lags da série temporal X preveem o valor da série temporal Y. No entanto, se uma das séries contiver autocorrelação, ou as duas séries compartilharem tendências comuns, é difícil identificar relações significativas entre a duas séries temporais. A limpeza prévia resolve este problema através da remoção da autocorrelação e das tendências.

Esta função de correlação cruzada mostra grandes correlações nos lags 2 e 3 com as correlações em ambos os lados decrescendo lentamente para 0. Este padrão indica que pode ser necessário limpar previamente os dados para ajudara compreender a relação entre as duas séries temporais.

Existem diferentes métodos para dados limpeza prévia. Conclua as etapas de limpeza prévia dos dados a seguir usando uma variedade do método de pé de igualdade.
  1. Para uma de suas variáveis, execute uma das seguintes análises de suavização.

    Para determinar a análise adequada, acesse Quais análises de séries temporais devo usar?

  2. Armazene os resíduos a partir da análise de suavização selecionada.
  3. Acesse Estat > Séries Temporais > ARIMA, e insira a coluna de resíduos armazenados em Séries.
  4. Sob Não sazonal, em Auto-regressivo insira 5.
  5. Desmarque Incluir termo constante no modelo.
  6. Selecione Armazenar e selecione Resíduos.
  7. Clique em OK em cada caixa de diálogo.
  8. Repita os as etapas de 1-7 para a sua outra variável.
  9. Certifique-se de que ambas as séries temporais tenham sido reduzidas a ruído branco. Seus dados foram reduzidos a ruído branco quando não houve tendências, padrões ou autocorrelação. Para verificar isso, você pode usar um gráfico de série temporal e autocorrelação.
  10. Realize uma análise de correlação cruzada usando as duas colunas de resíduos armazenados a partir das análises ARIMA.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política