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.
- 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?
- Armazene os resíduos a partir da análise de suavização selecionada.
- Acesse , e insira a coluna de resíduos armazenados em Séries.
- Sob Não sazonal, em Auto-regressivo insira 5.
- Desmarque Incluir termo constante no modelo.
- Selecione Armazenar e selecione Resíduos.
- Clique em OK em cada caixa de diálogo.
- Repita os as etapas de 1-7 para a sua outra variável.
- 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.
- Realize uma análise de correlação cruzada usando as duas colunas de resíduos armazenados a partir das análises ARIMA.
