Aplicando AutoARIMA em Python

Uma das metodologias mais conhecidas em séries temporais é a Box-Jenkins, que são um conjunto de procedimentos que são realizados em uma certa sequência até encontramos o melhor modelo ARIMA (autorregressivo integrado com médias móveis). Entretanto, ao invés de realizarmos as etapas dessa metodologia, podemos escolher o modelo de forma automática e para isso existe a função auto.arima que é muito usada no software estatístico R.

O objetivo desse pequeno projeto é usar o autoarima do pacote pmdarima (que não é um pacote muito conhecido do python) para previsão de séries temporais. Uma das vantagens do autoARIMA é que não é necessário interpretar as funções de autocorrelação e autocorrelação parcial para escolher o parâmetros p, P, d, D, q e Q. Podemos definí-los e o autoarima irá fazer as combinações desses parâmetros e gerará os AIC's de cada modelo e escolheremos, então, o modelo de menor AIC (que é o modelo mais simples que minimizaria os resíduos).

Etapas

1. Importação das bibliotecas;

2. Importação da base de dados (os dados encontram-se anexados nessa pasta);

3. Aplicação do autoARIMA;

4. Separação dos dados de treino e teste;

5. Sumário dos modelos;

6. Análise dos resíduos;

7. Teste de normalidade dos resíduos;

8. Conclusão e geração de previsões para um futuro desconhecido.

Resultados

Encontramos um modelo SARIMA(1,1,1)x(2,1,2,12) cujo o RMSE (raiz quadrada dos erros médios) foi de 3.973.