Script usado :
Fiz em knit word, e depois fiz os comentário por lá mesmo
---
title: "Séries Temporais"
author: "Aline Martins Soares"
date: "2024-11-03"
output:
word_document: default
html_document: default
---
```{r message=FALSE, warning=FALSE}
require(tidyverse)
require(readxl)
require(forecast) # Pacote para análise de séries temporais
require(TSA) # Pacote para análise de séries temporais
require(trend) # Teste de Tendencia
require(trend)
require(dplyr)
library(ggplot2)
setwd("C:/Users/PC/Documents/Séries temporais/1-TRABALHOFINAL")
source("funcoes.R")
```
```{r warning = FALSE}
dados1 = read_excel("[Link]")
attach(dados1)
names(dados1)
```
```{r}
# Plotar a série temporal
y1 = ts(valor, start = 1980, frequency = 1)
plot(y1)
y1 = [Link](y1)
y1
```
```{r warning = FALSE}
# Teste de estabilidade da variância com transformação de Box-Cox
lambda = [Link](y1, method = "ols", lambda = seq(-3, 3, 0.01), [Link] =
list(maxit = 10000, reltol = 1e-16))
lambda$mle
# Transformando a série
y2 = BoxCox(y1, lambda$mle)
y2 = [Link](y2)
plot(y2)
```
```{r}
# Teste de tendência
[Link](y2)
# Diferenciação da série para remover tendência
y3 = diff(y2)
[Link](y3)
```
```{r}
# Periodograma e teste de sazonalidade
P = periodograma(y3)
plot(P, type = "l")
[Link](P)
```
```{r}
# Funções de autocorrelação (ACF) e autocorrelação parcial (PACF)
par(mfrow = c(1, 2))
acf(y3, [Link] = 24)
pacf(y3, [Link] = 24)
```
```{r}
# Modelo ajustado ARIMA (1, 1, 1 )
m1 = Arima(y3, order = c(1, 1, 1), lambda = lambda$mle)
m1
[Link](m1)
# O parâmetro AR(1) deu significativo
# Os pontos devem estar fora do círculo unitário para garantir essas propriedades
plot_arima_roots(m1)
```
```{r}
# Extraindo os resíduos do modelo m1
residuos <- rstandard(m1)
# Análise de autocorrelação dos resíduos
acf(residuos, main = "ACF dos Resíduos do Modelo")
residuals = residuos
box_pierce_plot(residuos) # Teste de Box-Pierce para verificar a independência dos
resíduos
```
```{r}
# Previsão para os próximos 12 meses com o modelo m1
p = forecast(m1, 12, level = 95)
p
# Plotar as previsões do modelo ajustado (m1)
plot_pred(m1, h = 12)
```