Considerações de dados para Autocorrelação

Para garantir que seus resultados sejam válidos, considere as seguintes diretrizes ao coletar dados, realizar a análise, e interpretar os resultados.

Registros de dados em ordem cronológica

Os dados da série temporal são coletados em intervalos regulares e registrados em ordem de tempo. Você deve registrar os dados na worksheet na mesma ordem em que você os coleta. Se os dados não estiverem em ordem cronológica, não será possível avaliar os padrões relacionados ao tempo nos dados. No entanto, ainda será possível usar Gráfico de dispersão para investigar a relação entre um par de variáveis contínuas.

Colete dados suficientes para avaliar as tendências ou padrões

Colete dados suficientes para que seja possível avaliar completamente as tendências ou padrões nos dados. O Minitab exibe correlações para apenas os primeiros n/4 lags. Dessa forma, se você tiver dados mensais, precisará de um tamanho amostral grande quando quiser determinar o modelo sazonal. Por exemplo, você precisa de pelo menos 144 observações para ver até 36 lags no gráficos de autocorrelação.

Colete dados em intervalos de tempo apropriados

Escolha o intervalo de tempo com base nos padrões que você deseja detectar. Por exemplo, para procurar padrões mês a mês em um processo, colete os dados todos os meses ao mesmo tempo. Se você coletar dados todas as semanas, o padrão mensal pode ser perdido no ruído dos dados semanais. Se você coletar dados todos os trimestres, o padrão mensal pode ser perdido quando ele for em média, a cada trimestre.

Se você estiver olhando apenas para tendências gerais ou mudanças nos dados ao longo do tempo, e não para os padrões associados a um intervalo de tempo específico, a duração do intervalo é menos importante.

Os dados devem ser estacionários

Uma série temporal estacionária tem funções de média, variância e autocorrelação que são essencialmente constantes ao longo do tempo. Os dados são não estacionários quando há um grande pico no lag 1 que diminui lentamente ao longo de vários lags. Se esse padrão for observado, você deve diferenciar os dados antes de tentar identificar um modelo. Para diferenciar os dados, use Diferenciação. Depois de diferenciar os dados, gere outro gráfico de autocorrelação.

O mesmo padrão pode ocorrer em lags sazonais. Isto é, uma grande correlação ocorre no primeiro lag sazonal e diminui ao longo de vários lags sazonais. Se esse padrão for observado, você deve diferenciar os dados usando um lag igual ao comprimento sazonal antes de tentar identificar um modelo.