Pesquisei no RU-vid já imaginando que eu ia ter que me contentar em achar um vídeo bom em inglês e, pra minha surpresa, encontro essa preciosidade em português e muito bem explicado! Muito obrigado pelo vídeo! Ganhou um inscrito!
Simples, prático e objetivo. Me salvou aqui, @StatiR, obrigado. Só tirar uma dúvida: eu tenho um conjunto de dados com médias horárias no mês, diferente do seus dados em que há só um valor por mês. Então, nesse meu caso como eu transformaria em série temporal??
Olá, gostei muito do seu vídeo. Tenho algumas dúvidas que talvez possam ser muito iniciantes, seria possível me ajudar com elas? 1) existe um n mínimo par aplicação do ARIMA? 2) O teste de Mann-kendall pode ajudar nos resultados apresentados pela autocorrelação, indicando tendência significativa ou não significativa? 3) Quando considerar um dado estacionário? Por exemplo, dados com flutuações sazonais seguem podendo utilizar ARIMA? Ou seria melhor SARIMA? Parabéns pelo conteúdo.
Boa noite, excelente aula meus parabéns. Aprendi muito . Como eu escrevo um artigo sobre modelo preditivo Arima. Você tem artigo que possa me enviar . Eu nunca escrevi um artigo , mas eu já tenho trabalho nunca antes publicado , está na obscuridade na minha casa pq eu não sei escrever . Eu estudei muito o R, gosto demais de estatística e do Rstudio. Você pode me ajudar. O tema seria modelo preditivo Arima para precipitação total mensal da cidade de Tucuruí-Pa. Eu já tenho vários gráficos com previsão eu rodo meu script já tem um ano e brinco de fazer previsões. Mas eu gostaria de publicar o artigo
Olá, tem este artigo recente que utiliza o arima deste video e outros modelos. O legal é que pode citar este paper como exemplo que um estudo que utilizou o mesmo pacote e funcão: auto.arima ensinada no video. Vejo o artigo: dx.doi.org/10.18472/cvt.19n3.2019.1520
Voce n acha q esse acerto grande no treino n possa ser um overfitting? Pq se a gente testar em bases de dados q n seguem padroes certinhos como essa veremos q ele vai ser sair muito bem no treino, oque n faz muito sentido. Faz um tempo q venho tentando resolver este problema.
Oi! Uma dúvida. Se vc fosse fazer uma predição para, por exemplo, mais 16 meses além dos 144 meses de dados que vc possui, vc faria o mesmo procedimento (treina com 100, valida com 44, e usa o modelo "fitted" nos 100 dados para projetar do 144 ao 160)? Ou treinaria o modelo novamente com os mesmos parâmetros (p,q,d)(P,Q,D)S, porém usando todos os 144 dados para projetar os próximos 16? Tenho essa dúvida pois digamos que o comportamento dos seus dados mude no últimos 20 meses dos 144 meses (que vc usou para validação, no caso), aí nessa situação, vc não conseguiria captar essa mudança, já que não treinou o modelo com estes últimos dados. Não sei se fui clara, mas fiquei com esta dúvida. Obrigada pelo excelente vídeo!
Olá Carolina! Nesta situação que você comentou é interessante utilizar os novos dados e ajustar um novo modelo Arima, inclusive se o padrão no comportamento da série temporal mudar é recomendado testar novos valores para os parâmetros p,d,q, pode ser que faça mais sentido com a nova série. Um exemplo que vivenciei é no varejo, muita das vezes quando faço forecast das vendas de um produto e modelo está prevendo queda nas vendas, a equipe comercial entra com plano de ação pra recuperar as vendas, isso gera uma mudança no comportamento da série temporal levando a necessidade de estimar um novo modelo.
@@StatiR_br Certo! Então existem casos onde você não faria o teste do modelo, apenas treinaria com todos os dados e avaliaria o quão bom ele é somente pelo AIC? Fiquei com esta duvida pois estou realizando uma analise preditiva de alguns produtos para o varejo também, e tenho os dados mensais das vendas, e elas diminuiram bastante nos ultimos meses, logo não tenho dados suficientes para testar o modelo. Outra duvida, voce utilizaria algum outro tipo de modelo para realizar as predições, por exemplo algum modelo com gradiente boosting, ou os modelos ARIMA/SARIMA costumam dar bons resultados? Obrigada pela resposta!!!! :D
@@carolinegh601 É muito arriscado não validar o modelo em dados ainda não vistos, tente pesquisar sobre cross-validation para séries temporais, mas dependendo se sua amostra for tão pequena um modelo estatístico pode não se aplicar, uma média móvel já te ajuda pelo menos a acompanhar a tendência da série. Quanto aos outros algoritmos de aprendizado de máquina, podem ser uma boa, Random Forest, GBM e Rede Neural são utilizadas, mas estes dois ultimos algoritmos são mais complexos e normalmente precisam de um volume de dados maior para o treino. Com as bibliotecas nnetar e nnfor você consegue utilizar rede neural de forma bem fácil pra séries temporais. No meu tcc eu comparo previsões de séries temporais com Arima e Rede Neural, se quiser dar uma olhada, acho que vai te ajudar, segue o link: www.slideshare.net/slideshow/embed_code/key/NIZUZBKCfBgLzv
Olá Douglas. Um pressuposto do ARIMA é que a série temporal seja estacionária, isto é, ter média e variância constante e autocovariância depender apenas de dois instantes temporais.
@@douglasmatheus9123 modelos autoregressivos como o ARIMA trabalham melhor com series estacionarias. Para series Sazonais, procure usar algoritimos que trabalhem melhor com esse tipo de serie.
