Introdução

Neste curso vamos ajudá-lo a conhecer uma importante ferramenta de um cientista de dados, que é a capacidade de criar cenários e estar apto a responder à questão: “E se isso acontecer…”. Vamos explorar os modelos univariados e multivariados; calcular elasticidades, trabalhar com séries temporais com discretização diária, semanal, mensal e anual, fazer previsões dentro e fora da amostra e criar cenários baseados em diferentes conjunturas econômicas.

Este é um curso de 10 horas-aula. Ao final do curso, o aluno terá muitas respostas, no entanto, certamente, novas questões irão emergir. Para melhor aproveitar o curso o aluno deve: (i) estudar pelo menos 3 horas para cada hora-aula assistida; (ii) fazer toda a lista de exercícios; (iii) começar a pensar a relação entre o que foi aprendido em sala de aula e o seu dia a dia; e, (iv) pensar/estudar coisas novas.

Leve esse curso para sua empresa. Entre em contato com a Model Thinking Br: contato@modelthinkingbr.com [cursos in company MTBr]

Módulo 1 - Análise de Séries Temporais: primeiros passos

Apresentação professor: ONS(Copa do Mundo - Brasil, novelas); Duratex; Coca-Cola; Sulamérica; Instituto Unibanco; Duke Energy (Problema de otimizaçao do SEB); Light; Ampla; Fecomércio; Wooza; BETS; Portal da Inflação; etc

Big Data: New Tricks for Econometrics. Hal R. Varian

Forecasting, nowcasting, backcasting: Dashboard do PIB11 https://pedroferreira.shinyapps.io/dashboardpib/; Nowcasting: R Package for Forecasting Models with Real Time Data22 Disponível aqui; Nowcasting e o acompanhamento da atividade econômica em tempo real (Ferreira et. al. (⊕2018Ferreira et. al. 2018. “Nowcasting E O Acompanhamento Da Atividade Econômica Em Tempo Real.” https://goo.gl/eJ7h2r.)); Forecasting, nowcasting and backcasting Brazilian GDP33 https://goo.gl/Z9WvFF; R package Nowcasting44 https://cran.r-project.org/web/packages/nowcasting/index.html

Forecasting da Produção industrial [SARIMA Structural Model; Dynamic Factor Models; Linear Regression; Linear Regression 2; LASSO; Ridge Regression; Regression Tree; Random Forest]

CRAN Task View: Time Series Analysis55 https://cran.r-project.org/web/views/TimeSeries.html

Séries Temporais em diferentes frequências

Sazonalidade ou Ciclo

Caracterização, Modelagem e Previsão de uma série temporal: (i) uma série temporal (ST) é um conjunto de observações, geralmente equiespaçadas, obtidas a partir da observação de uma variável ao longo do tempo; (ii) a frequência de medição de uma ST pode variar dependendo do fenômeno observado: minuto, diária, semanal, mensal, anual etc; (iii) a partir da análise de ST, é possível obter subsídios para a escolha de um modelo adequado para modelar a série, escolhido dentro de uma classe de modelos pré-existentes; (iv) uma vez construído, um modelo de ST pode ser utilizado para efetuar previsões probabilísticas sobre o futuro da série e/ou analisar a sensibilidade de algumas variáveis à variável objetivo; (v)a capacidade de realizar previsões é fundamental no processo de tomada de decisões em diversos contextos e em diversos lugares como orgãos públicos e empresas.

Função de autocorrelação (ACF)

Processo Ruído Branco (white noise)

if(!require(tseries)) install.packages("tseries")
library(tseries)

set.seed(1)
wn<-arima.sim(model=list(),n=100)
plot.ts(wn)

forecast::Acf(wn)

Intervalo de confiança

Valores ajustados e resíduos

Acurácia dos modelos de previsão

Exercício: Crie um modelo NAIVE e SNAIVE para a ST de produção de cerveja na Austrália. Interprete os resultados. [ps. lembre-se de criar os grupos de treinamento e teste]

Referências para estudo
Ferreira, P. G. C. et. al. Análise de Séries Temporais em R: curso introdutório. 1 ed. - Rio de Janeiro: Elsevier: FGV IBRE, 2018. 264p.

Forecasting: Principles and Practice, Hyndman & Athanasopoulos (2nd ed., 2018)66 This textbook is intended to provide a comprehensive introduction to forecasting methods and to present enough information about each method for readers to be able to use them sensibly. Available here

Forecasting Using R - Datacamp: whatever the circumstances or time horizons involved, forecasting is an important aid to effective and efficient planning. This course provides an introduction to time series forecasting using R.

Módulo 2 - Holt Winters, (S)ARIMA, Naive, Snaive, SARIMAX

Modelos de Holt Winters: decomposição de uma série temporal; Suavização exponencial simples (SES); Suavização exponencial de Holt (SEH); Suavização exponencial sazonal de Holt-Winters

Modelos (S)ARIMA: Processos Auto-Regressivos - AR(p); Processos Médias Móveis – MA(q); Processos Auto-Regressivos de Médias Móveis – ARMA(p,q); Função de Autocorrelação - FAC; Função de Autocorrelação Parcial – FACP; Identificação; Estimação; Diagnóstico dos Resíduos; Previsão.

Previsão das vendas de passagens aéreas utilizando os modelos (S)ARIMA77 http://rpubs.com/modelthinkingbr/AirPassengers

Exercício: Crie um modelo NAIVE, SNAIVE, Holt Winters e SARIMA para a ST de vendas de passagens aéreas (AirPassengers). Interprete os resultados. [ps. 1- lembre-se de criar os grupos de treinamento e teste; 2 - crie uma tabela para comparar os MAPEs dos modelos; 3 - Interprete o teste de Ljung-Box]

SARIMAX: modelo SARIMA com variáveis dependentes

Previsão e estudo das elasticidades da série temporal de venda de sorvete88 Business forecasting: Previsão e estudo das elasticidades da série temporal de venda de sorvete

• Estimativa de vendas do produto para os próximos 6 meses;
• O país está em um momento de crise e pode ser que a renda das famílias caiam, o que você propõe?
• A empresa está pensando em aumentar o preço do Chicabon em 10%, isso irá afetar as vendas?
• O presidente lhe informa que o carnaval é a época do ano que mais vende Chicabon, mas ele está preocupado com as notícias de que o El Niño fará as temperaturas caírem aproximadamente 10% em todo Brasil e ele pergunta como serão as vendas se isso realmente acontecer;
• Ele lembra também de uma campanha de marketing que ocorrerá no final do ano e que pretende fazer um contrato com a empresa de marketing baseado no aumento das vendas, o que você propõe?

Referências para estudo

Ferreira, P. G. C. et. al. Análise de Séries Temporais em R: curso introdutório. 1 ed. - Rio de Janeiro: Elsevier: FGV IBRE, 2018. 264p. [capítulos 2 e 4]

R para data science: Manipulação de dados utilizando os pacotes do tidyverse(). Material de estudo disponível no RPubs da MTBr

Getting Started With Data and dplyr: este curso introduz dois importantes pacotes para a manipulação e visualização de dados, o dplyr e o plotly.

Módulo 3 - Brainstorm Time Series Analysis

Brainstorm Time Series Analysis: vamos discutir os principais pacotes de automação para análise de séries temporais, suas aplicações e limitações

Fitting Bayesian structural time series with the bsts R package

Previsões automáticas: forecastHybrid - Convenient Functions for Ensemble Time Series Forecasts; TSstudio - Set of tools for descriptive and predictive analysis…; mafs - Multiple Automatic Forecast Selection

In-house production (incerteza, Coca, SEB, anti-fraude); data science lab; digital transformation - Nosso objetivo é discutir alguns projetos desenvolvidos em casa e comentar sobre os desafios, dificuldades, frustrações e vitórias.

Referências para estudo

Garrett Grolemund and Hadley Wickham. R for Data Science: this book will teach you how to do data science with R: You’ll learn how to get your data into R, get it into the most useful structure, transform it, visualise it and model it. [lubridate - capítulo 16]

Material complementar: envie e-mail para pedro@modelthinkingbr.com com o título “AST-INFNET - adicionar no dropbox”

#Este curso é oferecido por:

Model Thinking Br99 Model Thinking Br
contato@modelthinkingbr.com [cursos in company MTBr]