Exemplo Séries Temporais: modeltime - IPCA Var. Mensal

Licença

This work is licensed under the Creative Commons Attribution-ShareAlike 4.0 International License. To view a copy of this license, visit http://creativecommons.org/licenses/by-sa/4.0/ or send a letter to Creative Commons, PO Box 1866, Mountain View, CA 94042, USA.

License: CC BY-SA 4.0

Citação

Sugestão de citação: FIGUEIREDO, Adriano Marcos Rodrigues. Exemplo Séries Temporais: modeltime - IPCA Var. Mensal. Campo Grande-MS, Brasil: RStudio/Rpubs, 2023. Disponível em https://rpubs.com/amrofi/modeltime_ipca.

Introdução

Os dados vem do pacote sidrar, seguindo o exemplo da Análise Macro (2022), atualizados para a consulta eletrônica em 06/04/2023.

0.1 Carregar pacotes

# # https://analisemacro.com.br/data-science/modelagem-e-previsao-com-o-modeltime/

library(sidrar)
library(magrittr)
library(dplyr)
library(lubridate)
library(timetk)
library(rsample)
library(modeltime)
library(parsnip)
library(generics)
library(yardstick)
library(ggplot2)

1 Passo 1: dados

# IPCA (% a.m.): coleta de dados online do SIDRA/IBGE
# Brasil, variação mensal - dez 1979 a fev 2023
raw_ipca <- sidrar::get_sidra(api = "/t/1737/n1/all/v/63/p/all/d/v63%202")
## Tratamento de dados ----
# recortou após jan 1999
# mudou nome da coluna Valor para ipca
# mudou de data.frame para tibble
# mudou coluna Mês (Código) para data YYYY-MM-DD
# posicionou no dia 01 de cada mês
dados <- raw_ipca %>%
  dplyr::mutate(
    date  = lubridate::ym(`Mês (Código)`),
    ipca = `Valor`,
    .keep = "none"
  ) %>%
  dplyr::filter(date >= lubridate::ymd("1999-01-01")) %>%
  dplyr::as_tibble()

dados

# # A tibble: 282 × 2
#    date        ipca
#    <date>     <dbl>
#  1 1999-01-01  0.7 
#  2 1999-02-01  1.05
#  3 1999-03-01  1.1 
#  4 1999-04-01  0.56
#  5 1999-05-01  0.3 
#  6 1999-06-01  0.19
#  7 1999-07-01  1.09
#  8 1999-08-01  0.56
#  9 1999-09-01  0.31
# 10 1999-10-01  1.19
# # … with 272 more rows
#

1.1 Visualização de dados

# usou timetk para plotar
timetk::plot_time_series(
  .data     = dados,
  .date_var = date,
  .value    = ipca,
  .title    = "IPCA (% a.m.) - Brasil - Variação mensal",
  .x_lab    = "Ano",
  .y_lab    = "(% a.m. - Variação mensal)",
  .interactive = TRUE
) 

2 Passo 2: separar amostras treino x teste

# Separar amostra de "treino" e de "teste" (i.e. pseudo fora da amostra)
amostras <- rsample::initial_time_split(data = dados, prop = 0.95)
 
amostras

## <Training/Testing/Total>
## <275/15/290>

rsample::training(amostras) # treino

rsample::testing(amostras) # teste

#

3 Passo 3: modelagem

## Modelo 1: auto ARIMA ----
fit_auto_arima <- modeltime::arima_reg() %>%
  parsnip::set_engine(engine = "auto_arima") %>%  # usa forecast::auto.arima
  generics::fit(
    ipca ~ date, # interface de fórmula do modeltime (date não é um regressor)
    data = rsample::training(amostras) # amostra de treino
  )
fit_auto_arima

## parsnip model object
## 
## Series: outcome 
## ARIMA(1,0,0)(2,0,1)[12] with non-zero mean 
## 
## Coefficients:
##          ar1    sar1     sar2     sma1    mean
##       0.6281  0.8541  -0.0054  -0.6918  0.5400
## s.e.  0.0470  0.1768   0.0900   0.1684  0.0866
## 
## sigma^2 = 0.09064:  log likelihood = -58.75
## AIC=129.5   AICc=129.81   BIC=151.2

## Modelo 2: passeio aleatório (random walk) ----
fit_rw <- modeltime::naive_reg(seasonal_period = 12) %>% # sazonalidade
  parsnip::set_engine(engine = "naive") %>%
  generics::fit(
    ipca ~ date,
    data = rsample::training(amostras)
  )

fit_rw

## parsnip model object
## 
## NAIVE
## --------
## Model: 
## # A tibble: 1 × 2
##   date       value
##   <date>     <dbl>
## 1 2021-11-01  0.95

4 Passo 4: avaliar modelos

# Diagnóstico de resíduos (normalidade e autocorrelação)
fit_auto_arima %>%
  modeltime::modeltime_table() %>%  # adicionar modelos para uma "tabela de modelos"
  modeltime::modeltime_calibrate(   # cálculo de resíduos dos modelos
    new_data = rsample::training(amostras)
  ) %>%
  modeltime::modeltime_residuals() %>% # extrai resíduos
  modeltime::modeltime_residuals_test() # aplica testes de normalidade e autocorrelação

#

4.1 Performance preditiva do auto_arima

# Previsão (pseudo) fora da amostra
modelos <- modeltime::modeltime_table(fit_auto_arima, fit_rw)
previsoes <- modelos  %>%
  modeltime::modeltime_calibrate(
    new_data = rsample::training(amostras)
  ) %>%
  modeltime::modeltime_forecast(
    h           = nrow(rsample::testing(amostras)), # nº de meses p/ previsão
    actual_data = dados # para comparar com dados observados
  )

## Visualizar previsões ----
modeltime::plot_modeltime_forecast(previsoes) 

## Métricas de acurácia (pseudo fora da amostra) ----
modeltime::modeltime_accuracy(
  object     = modelos,
  new_data   = rsample::testing(amostras),
  metric_set = yardstick::metric_set(yardstick::mae, 
                                     yardstick::rmse,
                                     yardstick::mase) # métricas
)

5 Passo 5: previsão

modelos %>% # Reestima modelos e gera 12 pontos de previsão fora da amostra
  modeltime::modeltime_calibrate(new_data = rsample::testing(amostras)) %>%
  modeltime::modeltime_refit(data = dados) %>% # reestima modelos com amostra completa
  modeltime::modeltime_forecast(h = 12, actual_data = dados) %>%
  modeltime::plot_modeltime_forecast()

6 Referências

Análise Macro (2022). Modelagem e previsão com o {modeltime}. Disponível em: https://analisemacro.com.br/data-science/modelagem-e-previsao-com-o-modeltime/.