class: center, middle, inverse, title-slide # Modelagem de Séries Temporais ###
--- class: middle, center --- # Séries em estrutura hierárquica Grande parte das séries temporais podem ser desagregadas em níveis pois respeitam algum tipo de hierarquia. <img src="https://otexts.com/fpp3/figs/hts.png" width="50%" style="display: block; margin: auto;" /> --- # Séries em estrutura hierárquica Esse tipo de estrutura é um outro jeito de olhar algumas fórmulas: `$$y_t = y^A_t+y^B_t \\ y_t^A = y_t^{AA} + y_t^{AB} + y_t^{AC} \\ y_t^B = y_t^{BA} + y_t^{BB} + y_t^{BC}$$` --- # Séries em estrutura hierárquica Se considerarmos que `\(y_t\)` é a nossa série de passageiros teremos `$$y_t^{BRASIL} = y_t^{SUL}+y_t^{SUD}+y_t^{CE-O}+y_t^{NORT}+y_t^{NORD} + y_t^{EXT}$$` ![](04-series-com-hierarquia_files/figure-html/unnamed-chunk-4-1.png)<!-- --> --- # Séries em estrutura hierárquica Quando nos deparamos com uma série como essa e nosso interesse é previsão de maneira geral, temos algumas possibilidades: - Queremos prever `\(y_t\)` diretamente; - Queremos prever `\(y_t^{ESTADO}\)` para todos os estados e constituir `\(y_t\)` a partir das fórmulas da hierarquia; - Queremos prever `\(y_t\)` diretamente e reconstituir `\(y_t^{GRUPO}\)` com alguma fórmula, como por exempo: `\(y_t = 5\% \times y_t^{GRUPO}\)` Qualquer uma dessas pode nos dar a melhor previsão seja para `\(y_t\)`, seja para `\(y_t^{ESTADO}\)` --- # Séries em estrutura hierárquica Vamos ao R!