Introdução à Análise de Séries Temporais

A análise de séries temporais é usada para estudar pontos de dados coletados ao longo do tempo, identificando tendências, sazonalidade e padrões.

Carregamento de Dados de Séries Temporais

Use a função ts() para criar um objeto de série temporal em R.

data <- ts(c(100, 120, 130, 150, 170, 180), start=c(2020,1), frequency=12)
plot(data, main='Time Series Data')

Decomposição de Séries Temporais

A função decompose() divide as séries temporais em componentes de tendência, sazonais e aleatórios.

decomposed <- decompose(data)
plot(decomposed)

Identificação de Tendências

As médias móveis suavizam as flutuações para revelar tendências de longo prazo.

library(zoo)
trend <- rollmean(data, k=3, fill=NA)
plot(data, type='l')
lines(trend, col='red', lwd=2)

Detecção de Sazonalidade

A sazonalidade corresponde a padrões que se repetem em intervalos fixos.

plot(decomposed$seasonal, main='Seasonal Component')

Autocorrelação em Séries Temporais

A função acf() mede as correlações entre valores passados e presentes.

acf(data, main='Autocorrelation Plot')

Previsão com ARIMA

ARIMA (Média Móvel Integrada AutoRegressive) é um modelo popular de previsão de séries temporais.

library(forecast)
model <- auto.arima(data)
forecasted <- forecast(model, h=5)
plot(forecasted)

Avaliação da Precisão das Previsões

Use o Erro Absoluto Médio (MAE) e a Raiz do Erro Quadrático Médio (RMSE) para medir a precisão das previsões.

accuracy(forecasted)

Resumo

Nesta lição, você aprendeu:

• Como criar e analisar dados de séries temporais.
• Como detectar tendências, sazonalidade e autocorrelação.
• Como fazer previsões usando ARIMA e avaliar as previsões.