Noções básicas sobre grangerização: um guia para preparar dados de série temporal

Grangerização é um processo de transformação de dados de série temporal em um processo estacionário, o que significa que as propriedades estatísticas dos dados permanecem constantes ao longo do tempo. Isso é feito removendo os componentes de tendência e sazonalidade dos dados, deixando apenas as variações residuais que não são previsíveis.

O termo "grangerização" vem do nome do teste de causalidade de Granger, que é um teste estatístico usado para determinar se uma vez série pode ser usada para prever outra série temporal. O teste de causalidade de Granger baseia-se na ideia de que se uma série temporal pode ser usada para prever outra série temporal, então deve haver algum tipo de relação entre as duas. Ao grangerizar os dados, estamos essencialmente removendo quaisquer relacionamentos que possam existir entre as séries temporais e tornando-os mais difíceis de prever.

Existem vários métodos para grangerizar dados de séries temporais, incluindo:

1. Eliminação da tendência: envolve a remoção da tendência geral dos dados ajustando uma linha de tendência linear ou logarítmica e depois subtraindo-a dos dados originais.
2. Decomposição sazonal: envolve dividir os dados em suas partes componentes, como os padrões sazonais, e removê-los dos dados.
3. Diferenciação: envolve tirar a diferença entre observações consecutivas na série temporal, o que pode ajudar a remover quaisquer tendências ou sazonalidade que possam estar presentes nos dados.
4. Modelagem de média móvel integrada autoregressiva (ARIMA): envolve o ajuste de um modelo estatístico aos dados que inclui componentes de tendência, sazonalidade e variação aleatória. O modelo pode então ser usado para remover esses componentes dos dados, deixando apenas as variações residuais.

No geral, a grangerização é uma técnica útil para preparar dados de séries temporais para análise, pois pode ajudar a remover quaisquer variáveis ou relacionamentos confusos que possam afetar o resultados da análise.