Seleção de defasagens em testes de raiz unitária: uma revisão de literatura

Anderson Garcia Silveira; Viviane Leite Dias de Mattos; Luiz Ricardo Nakamura; Mariane Coelho Amaral; Andrea Cristina Konrath

doi:10.5585/exactaep.2022.22061

Autores

Anderson Garcia Silveira Universidade Federal do Rio Grande https://orcid.org/0000-0002-3954-6145
Viviane Leite Dias de Mattos Universidade Federal do Rio Grande https://orcid.org/0000-0002-3512-6290
Luiz Ricardo Nakamura Universidade Federal de Lavras - Departamento de Estatística / Lavras - MG https://orcid.org/0000-0002-7312-2717
Mariane Coelho Amaral Universidade Federal do Rio Grande https://orcid.org/0000-0002-6286-3077
Andrea Cristina Konrath Universidade Federal de Santa Catarina https://orcid.org/0000-0002-3742-5032

DOI:

https://doi.org/10.5585/exactaep.2022.22061

Palavras-chave:

Raiz unitária, Seleção de defasagens, Demanda por eletricidade, Estacionariedade.

Resumo

Dentre as maneiras mais usuais de modelar e realizar previsões de demanda através de séries temporais, como, por exemplo a série de demanda por eletricidade, está a análise econométrica. Neste tipo de análise, a presença de raiz unitária pode fazer com que as previsões se tornem imprecisas. Assim, é fundamental identificar a presença de raiz unitária nas séries a serem modeladas. Para isso, podem ser aplicados os testes de raiz unitária, como por exemplo o teste ADF. Uma das etapas de grande importância na aplicação deste teste é a seleção de defasagens a serem utilizadas. Este trabalho apresenta de maneira qualitativa e quantitativa que a pesquisa por este tema se encontra em fase de expansão e que não existe um consenso no que tange à definição do número de defasagens a serem aplicadas no teste. Assim, fica evidente que este é um assunto em que cabe aprofundamento de pesquisa.

Downloads

Não há dados estatísticos.

Biografia do Autor

Anderson Garcia Silveira, Universidade Federal do Rio Grande

Possui doutorado em andamento pelo Programa de Pós-Graduação em Modelagem Computacional pela Universidade Federal do Rio Grande. Possui mestrado pelo Programa de Pós-Graduação em Modelagem Computacional pela Universidade Federal do Rio Grande (2017). Possui graduação em Engenharia Elétrica pelo Instituto Federal Sul-Rio-Grandense (2014). Atualmente é Professor do IFRS - Câmpus Rio Grande.

Viviane Leite Dias de Mattos, Universidade Federal do Rio Grande

Possui graduação em Engenharia Civil pela Universidade Católica de Pelotas (1978), mestrado em Engenharia de Produção pela Universidade Federal de Santa Catarina (1997) e doutorado em Engenharia de Produção pela Universidade Federal de Santa Catarina (2004). Atualmente é professor adjunto da Universidade Federal do Rio Grande. Tem experiência na área de Engenharia de Produção, com ênfase em Garantia de Controle de Qualidade, atuando principalmente nos seguintes temas: séries temporais, qualidade, probabilidade e estatística, controle de processos e projeto de experimentos.

Luiz Ricardo Nakamura, Universidade Federal de Lavras - Departamento de Estatística / Lavras - MG

Possui graduação em Estatística pela Universidade Estadual Paulista "Júlio de Mesquita Filho" (2009), mestrado em Ciências (Estatística e Experimentação Agronômica) pela Universidade de São Paulo (2011) e doutorado em Ciências (Estatística e Experimentação Agronômica) pela Universidade de São Paulo (2016), com período sanduíche na London Metropolitan University. Pesquisador dos grupos GAMLSS (www.gamlss.com) e "Grupo de Análise e Modelagem Estatística - GAME". Tem experiência na área de Probabilidade e Estatística, com ênfase em Probabilidade e Estatística Aplicadas, atuando principalmente nos seguintes temas: modelagem estatística e aprendizagem estatística.

Mariane Coelho Amaral, Universidade Federal do Rio Grande

Engenheira eletricista. Mestre em Modelagem Computacional. Estudou Engenharia Elétrica no Instituto Federal de Educação, Ciência e Tecnologia Sul-rio-grandense campus Pelotas e na Universidade do Estado de New York e possui Pós-graduação em Saúde e Segurança do Trabalho. Tem como temas de interesse análises de séries temporais aplicadas ao consumo de energia elétrica, tópicos relacionados à saúde e segurança no trabalho e simulações computacionais com mineração de dados aplicadas ao consumo de energia.

Andrea Cristina Konrath, Universidade Federal de Santa Catarina

Possui graduação em Matemática Aplicada e Computacional pela Universidade de Santa Cruz do Sul (2000), mestrado em Engenharia de Produção pela Universidade Federal de Santa Catarina (2002) e doutorado em Engenharia Mecânica pela Universidade Federal de Santa Catarina (2008). Trabalhou como docente na área de Estatística na Universidade do Vale do Itajaí, (UNIVALI), no período de março de 2007 a janeiro de 2009, e no Instituto de Matemática, Estatística e Física da Universidade Federal do Rio Grande (FURG), no período de fevereiro de 2009 a julho de 2011, também na área de Estatística. Desde agosto de 2011 é professora adjunta na Universidade Federal de Santa Catarina (UFSC), pertencendo ao Departamento de Informática e Estatística, na qual ministra disciplinas de Estatística na graduação e pós-graduação. Tem experiência na área de Probabilidade e Estatística, atuando principalmente nos seguintes temas: Controle Estatístico de Processo, Métodos Estatísticos, Previsão e Simulação

Referências

Al-Musaylh, M. S., Deo, R. C., Adamowski, J. F., & Li, Y. (2018). Short-term electricity demand forecasting with MARS, SVR and ARIMA models using aggregated demand data in Queensland, Australia. Advanced Engineering Informatics, 35, 1-16. https://doi.org/10.1016/j.aei.2017.11.002

Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of informetrics, 11(4), 959-975.

ANEEL, A. (2008). Atlas de energia elétrica do Brasil. Brasília.

Aylar, E., Smeekes, S., & Westerlund, J. (2019). Lag truncation and the local asymptotic distribution of the ADF test for a unit root. Statistical Papers, 60(6), 2109-2118. https://doi.org/10.1007/s00362-017-0911-y

Bayer, F. M. (2010). Wavelets e modelos tradicionais de previsão: um estudo comparativo. Rev. Bras. Biom, 28(2), 40-61.

Cavaliere, G., Georgiev, I., & Taylor, A. R. (2018). Unit root inference for non-stationary linear processes driven by infinite variance innovations. Econometric Theory, 34(2), 302-348. https://doi.org/10.1017/S0266466616000037

Burridge, P., & Hristova, D. (2008). Consistent estimation and order selection for nonstationary autoregressive processes with stable innovations. Journal of Time Series Analysis, 29(4), 695-718. https://doi.org/10.1111/j.1467-9892.2008.00579.x

Cavaliere, G., Phillips, P. C., Smeekes, S., & Taylor, A. R. (2014). Lag length selection for unit root tests in the presence of nonstationary volatility. Econometric Reviews, 34(4), 512-536.

Cheung, Y. W., & Lai, K. S. (1995). Lag order and critical values of the augmented Dickey–Fuller test. Journal of Business & Economic Statistics, 13(3), 277-280. https://doi.org/10.1080/07350015.1995.10524601

Cheung, Y. W., & Lai, K. S. (1998). Power of the augmented dickey-fuller test with information-based lag selection. Journal of Statistical Computation and Simulation, 60(1), 57-65. https://doi.org/10.1080/00949659808811871

de Assis Cabral, J., Legey, L. F. L., & de Freitas Cabral, M. V. (2017). Electricity consumption forecasting in Brazil: A spatial econometrics approach. Energy, 126, 124-131. https://doi.org/10.1016/j.energy.2017.03.005

de Oliveira, V. H., de Souza Tavares, R., & Tavares, L. A. (2018). Demanda residencial por energia elétrica no Brasil (2004-2015). Revista Catarinense de Economia, 2(1), 142-162.

Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431. https://doi.org/10.1080/01621459.1979.10482531

Elliott, G., Rothenberg, T. J., & Stock, J. H. (1992). Efficient tests for an autoregressive unit root. https://doi.org/10.3386/t0130

EPE. (2019). Atlas da eficiência energética no Brasil em 2019 /Empresa de Pesquisa Energética- Rio de Janeiro. Disponível em: http://epe.gov.br/pt/publicacoes-dadosabertos/publicacoes/atlas-da-eficiencia-energeticabrasil-2019.

Fedorová, D. (2016). Selection of unit root test on the basis of length of the time series and value of ar (1) parameter. Statistika, 96(3), 3.

Ferrer-Pérez, H., Ayuda, M. I., & Aznar, A. (2019). The sensitivity of unit root tests to the initial condition and to the lag length selection: A Monte Carlo Simulation Study. Communications in Statistics-Simulation and Computation, 50(4), 1062-1072. https://doi.org/10.1080/03610918.2019.1577967

Gujarati, D. N., & Porter, D. C. (2011). Econometria básica-5. Amgh Editora.

Hall, A. (1994). Testing for a unit root in time series with pretest data-based model selection. Journal of Business & Economic Statistics, 12(4), 461-470.

Harris, R. I. (1992). Testing for unit roots using the augmented Dickey-Fuller test: Some issues relating to the size, power and the lag structure of the test. Economics letters, 38(4), 381-386. https://doi.org/10.1016/0165-1765(92)90022-Q

Irffi, G., Castelar, I., Siqueira, M. L., & Linhares, F. C. (2009). Previsão da demanda por energia elétrica para classes de consumo na região Nordeste, usando OLS dinâmico e mudança de regime. Economia Aplicada, 13, 69-98.

Jamil, R. (2020). Hydroelectricity consumption forecast for Pakistan using ARIMA modeling and supply-demand analysis for the year 2030. Renewable Energy, 154, 1-10. https://doi.org/10.1016/j.renene.2020.02.117

Lopez, C., Murray, C. J., & Papell, D. H. (2005). State of the art unit root tests and purchasing power parity. Journal of Money, Credit and Banking, 361-369.

Murshed, M. (2021). Modeling primary energy and electricity demands in Bangladesh: An Autoregressive distributed lag approach. Sustainable Production and Consumption, 27, 698-712. https://doi.org/10.1016/j.spc.2021.01.035

Ng, S., & Perron, P. (1995). Unit root tests in ARMA models with data-dependent methods for the selection of the truncation lag. Journal of the American Statistical Association, 90(429), 268-281.

Ng, S., & Perron, P. (2001). Lag length selection and the construction of unit root tests with good size and power. Econometrica, 69(6), 1519-1554. https://doi.org/10.1111/1468-0262.00256

Otero, J., & Smith, J. (2000). Testing for cointegration: power versus frequency of observation—further Monte Carlo results. Economics Letters, 67(1), 5-9. https://doi.org/10.1016/S0165-1765(99)00245-1

Paparoditis, E., & Politis, D. N. (2016). The asymptotic size and power of the augmented Dickey–Fuller test for a unit root. Econometric Reviews, 37(9), 955-973. https://doi.org/10.1080/00927872.2016.1178887

Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346. Disponível em: https://doi.org/10.1093/biomet/75.2.335

Quineche, R., & Rodríguez, G. (2017). Selecting the lag length for the MGLS unit root tests with structural change: A warning note for Practitioners based on simulations. Econometrics, 5(2), 17. https://doi.org/10.3390/econometrics5020017

Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71(3), 599-607. https://doi.org/10.1093/biomet/71.3.599

Santos, R. N. M. D. (2003). Produção científica: por que medir? O que medir?. Revista digital de Biblioteconomia e Ciência da Informação, 1(1).

Schmidt, C. A. J., & Lima, M. A. (2004). A demanda por energia elétrica no Brasil. Revista brasileira de economia, 58, 68-98. https://doi.org/10.1590/S0034-71402004000100004

Schwert, G. W. (2002). Tests for unit roots: A Monte Carlo investigation. Journal of Business & Economic Statistics, 20(1), 5-17. https://doi.org/10.1198/073500102753410354

Viana, G. I. M. N., & Silva, A. L. M. (2014). Um modelo para projeções para demanda por energia elétrica, 2009-2017 para o setor residencial no Brasil. Revista Brasileira de Energia, 20, 107-126.

Zuo, X. (2019, September). Several Important Unit Root Tests. In 2019 IEEE 2nd International Conference on Information Communication and Signal Processing (ICICSP) (pp. 10-14). IEEE. https://doi.org/10.1109/ICICSP48821.2019.8958557