Questão de Estatística — Análise de variância — FGV 2024

Estacionariedade em séries temporais

Gabarito: letra A. A diferença chave entre um processo estocástico estacionário e um não estacionário é que o primeiro possui média e variância constantes ao longo do tempo, enquanto o segundo exibe mudanças na média, na variância ou em ambas. Essa é a definição clássica de estacionariedade fraca, que exige que os momentos de primeira e segunda ordem (média, variância e autocovariância) sejam invariantes no tempo.

Um processo estocástico é uma sequência de variáveis aleatórias indexadas no tempo. Quando dizemos que um processo é estacionário, estamos afirmando que suas propriedades estatísticas não mudam com o passar do tempo. Isso significa que a série flutua em torno de uma média constante, com variância também constante, e que a correlação entre dois pontos depende apenas da distância entre eles (o "lag"), não do momento específico em que são observados. Essa estabilidade é fundamental para a modelagem estatística, pois permite estimar parâmetros a partir de uma única realização da série e fazer previsões confiáveis.

A definição formal de estacionariedade fraca (ou de segunda ordem) é a seguinte: uma série temporal $X_t$ é estacionária se:

• $E[X_t] = \mu$ (média constante e finita)

• $Var[X_t] = \sigma^2$ (variância constante e finita)

• $Cov[X_t, X_s] = \gamma(|s-t|)$ (a autocovariância depende apenas da diferença de tempo entre as observações)

Quando uma série não é estacionária, ela pode apresentar tendência (média que muda ao longo do tempo), heterocedasticidade (variância que muda), ou ambos. Nesses casos, a modelagem direta é problemática, e técnicas como a diferenciação são usadas para transformar a série em estacionária antes de aplicar modelos como ARIMA.

A pegadinha desta questão está em inverter os conceitos: a banca tenta fazer o candidato acreditar que processos não estacionários são mais fáceis de modelar, ou que a estacionariedade implica dependência de longo prazo, quando na verdade é o oposto. A estacionariedade é um pré-requisito para a maioria das técnicas de análise de séries temporais, e a dependência de longo prazo é uma característica de processos não estacionários, não de estacionários.

Alternativa A — ✅ Correta ⟵ GABARITO

Esta alternativa descreve corretamente a diferença fundamental. Um processo estacionário tem média e variância constantes, enquanto um não estacionário apresenta mudanças em uma ou ambas. Isso está alinhado com a definição de estacionariedade fraca, que exige que os momentos de primeira e segunda ordem sejam invariantes no tempo. A alternativa captura a essência do conceito e é a única que apresenta uma afirmação tecnicamente correta.

Alternativa B — ❌ Incorreta

Afirma que apenas processos não estacionários podem ser modelados e previstos com técnicas de séries temporais. Isso é falso. Na verdade, a maioria das técnicas de modelagem (como ARMA, ARIMA, suavização exponencial) pressupõe que a série seja estacionária. Processos não estacionários precisam ser transformados (por diferenciação, por exemplo) antes de serem modelados. A afirmação inverte completamente a relação entre estacionariedade e modelagem.

Alternativa C — ❌ Incorreta

Afirma que processos estacionários são caracterizados por dependência de longo prazo significativa, inexistente em processos não estacionários. Isso é o oposto do que ocorre. Processos não estacionários, como os com raiz unitária (passeio aleatório), apresentam dependência de longo prazo, pois um choque tem efeito permanente. Processos estacionários, por outro lado, têm autocorrelação que decai rapidamente, e o efeito de um choque é temporário. A alternativa troca as características dos dois tipos de processo.

Alternativa D — ❌ Incorreta

Afirma que um processo não estacionário sempre retorna ao seu valor médio original após um choque. Isso é característica de processos estacionários, que são "mean-reverting" (revertem à média). Processos não estacionários, como o passeio aleatório, não têm uma média fixa para a qual retornar; um choque tem efeito permanente. A alternativa inverte o comportamento dos dois tipos de processo.

Alternativa E — ❌ Incorreta

Afirma que processos não estacionários podem ser tornados estacionários simplesmente aumentando o tamanho da amostra. Isso é falso. A estacionariedade é uma propriedade do processo gerador dos dados, não da amostra. Aumentar o tamanho da amostra não muda a natureza do processo. Para tornar uma série não estacionária em estacionária, é necessário aplicar transformações, como diferenciação ou transformação logarítmica, não coletar mais dados.

Gabarito: letra A