Fechamento da Parte 1

Revisão integrada de séries temporais e prévia do trabalho intermediário

Objetivos de Aprendizagem

Integrar decomposição, estacionariedade, ARIMA/SARIMA, Prophet e validação em um fluxo único de análise
Escolher a família de modelos adequada a partir das características da série e do problema de negócio
Criticar análises de séries temporais, identificando armadilhas comuns
Comunicar decisões de modelagem para uma audiência de negócios (prévia do trabalho intermediário)

Roteiro do encontro

Bloco	O quê
1. Revisão integrada (cerca de 45 min)	O fluxo completo de uma análise de série temporal, com as perguntas que cada etapa responde
2. Prévia do trabalho intermediário (cerca de 75 min)	Cada grupo mostra onde está; a turma e os docentes dão feedback (sem nota)

O fluxo de uma análise de série temporal

flowchart TD
    A["<b>1. Entender o problema</b><br/>Qual decisão a previsão apoia?<br/>Horizonte, granularidade, custo do erro"] --> B["<b>2. Olhar os dados</b><br/>Gráfico, decomposição STL<br/>Outliers, quebras, intervenções"]
    B --> C["<b>3. Estacionariedade</b><br/>ADF + KPSS<br/>Diferenciar (d, D) ou transformar (log)"]
    C --> D["<b>4. Identificar</b><br/>ACF / PACF<br/>Ordens candidatas"]
    D --> E["<b>5. Estimar candidatos</b><br/>SARIMA, ETS, Prophet, ML<br/>Baseline: SeasonalNaive"]
    E --> F["<b>6. Diagnosticar</b><br/>Resíduos: Ljung-Box, ACF<br/>Média zero, variância constante"]
    F --> G["<b>7. Validar</b><br/>CV temporal (expanding)<br/>MAE, RMSE, MASE"]
    G --> H["<b>8. Prever e comunicar</b><br/>Intervalos de 80% e 95%<br/>Decisões e limitações"]
    F -. "resíduo com estrutura" .-> D
    G -. "pior que o baseline" .-> B

    classDef etapa fill:#ffffff,stroke:#3F3F3F,stroke-width:1.5px,color:#3F3F3F
    classDef fim fill:#E50505,stroke:#3F3F3F,stroke-width:2px,color:#fff
    class A,B,C,D,E,F,G etapa
    class H fim

Cada etapa tem uma página de referência:

Etapa	Onde revisar
Componentes, decomposição, ACF/PACF, estacionariedade	Fundamentos
AR, MA, ARIMA, Box-Jenkins, AICc, diagnóstico	Modelos ARIMA
Sazonalidade estocástica, SARIMA, Prophet	SARIMA e Prophet
Métricas, validação cruzada temporal, quebras estruturais	Previsão e Validação
Prática guiada em Python	Lab 1

Qual modelo, quando?

Não existe modelo “melhor” em abstrato. A escolha depende da série, do horizonte e de quanto você precisa explicar o resultado.

Família	Quando brilha	Cuidado com
SeasonalNaive	Sempre, como baseline. Se você não o vence, o modelo não está agregando valor	Nada: é o piso que todo modelo precisa superar
ARIMA / SARIMA	Séries curtas e médias, dinâmica linear, sazonalidade estável; parâmetros interpretáveis	Quebras estruturais, múltiplas sazonalidades, séries muito longas
ETS	Tendência e sazonalidade que evoluem suavemente; muito robusto em competições	Pouca flexibilidade para variáveis externas
Prophet	Dados diários com feriados, múltiplas sazonalidades, changepoints	Séries mensais curtas; tende a “inventar” tendência
ML (boosting com lags)	Muitas séries ao mesmo tempo, variáveis externas ricas, relações não lineares	Leakage, poucos dados, extrapolação de tendência
Foundation models (Chronos, TimesFM)	Baseline rápido sem treino (zero-shot)	Caixa-preta; nem sempre vence o SARIMA bem ajustado

Regra prática

Comece simples (baseline + SARIMA/ETS), valide com CV temporal e só aumente a complexidade se o ganho de MASE compensar a perda de interpretabilidade. Combinações simples (média de dois ou três modelos bons) costumam ser difíceis de bater.

Armadilhas mais comuns

Checklist antes de entregar uma previsão

Baseline: comparei com o SeasonalNaive? Meu modelo é melhor que ele na validação?
Leakage: alguma feature, transformação ou normalização usou dados do período de teste?
Validação: avaliei em várias janelas (expanding window), e não em um único corte?
Métrica: a métrica faz sentido para a série? (MAPE explode com valores perto de zero; MASE é comparável entre séries)
Intervenções: tratei choques conhecidos (COVID, aquisição, mudança de metodologia)?
Resíduos: o Ljung-Box indica que sobrou estrutura não modelada?
Incerteza: reportei intervalos de previsão, e não só a previsão pontual?
Negócio: a conclusão responde à pergunta da diretoria, em linguagem que ela entende?

Prévia do trabalho intermediário (sem nota)

A prévia é um checkpoint: o objetivo é trocar ideias e ajustar o rumo antes da entrega final (dom 15/nov, 23h59). O enunciado completo está em Trabalho Intermediário.

Formato: cerca de 5 minutos por grupo, sem slides elaborados (o notebook aberto basta), seguidos de 3 minutos de feedback.

Cada grupo tenta responder:

Qual estratégia de análise adotaram, e como trataram a aquisição?
Que modelos estão comparando, e como validaram?
Qual foi a decisão mais difícil até agora?
Qual é a principal dúvida do grupo neste momento?

Feedback da turma (estrutura sugerida): uma coisa que funcionou, uma pergunta e uma sugestão concreta.

Depois da prévia

Ideias sobre como combinar as previsões dos grupos na predição agregada da turma são bem-vindas desde já: a decisão acontece no Lab 2.

Quizzes: Teste seu Entendimento

Questão 1: Seu SARIMA tem MASE de 1,15 na validação cruzada. O que isso significa, e o que você faz?

MASE acima de 1 significa que o modelo erra mais que o baseline ingênuo (sazonal, quando o MASE é escalado pelo SeasonalNaive). Antes de sofisticar o modelo, volte aos dados: há quebra estrutural, outlier ou intervenção não tratada? A transformação (log, diferença) está adequada? Muitas vezes o problema está na etapa 2 do fluxo, e não na etapa 5.

Questão 2: O AICc escolheu um SARIMA(3,1,2)(2,1,1)[12], mas um SARIMA(1,1,1)(0,1,1)[12] tem MASE quase igual na validação. Qual você apresenta à diretoria?

Na dúvida, o mais parcimonioso. O AICc compara ajuste dentro da amostra; a validação cruzada mede o que importa (erro fora da amostra). Se a diferença de MASE é pequena, o modelo menor é mais estável, mais fácil de explicar e menos sujeito a sobreajuste.

Questão 3: Um grupo descartou todo o histórico anterior à aquisição. Que argumentos a favor e contra essa decisão você esperaria ver?

A favor: o processo gerador mudou (nova escala, possivelmente nova sazonalidade), e misturar regimes viesaria o modelo. Contra: sobra pouca série para estimar sazonalidade anual com segurança; alternativas como somar a série da adquirida no período anterior, usar uma dummy de nível ou modelar em log (o efeito vira um degrau) aproveitam mais informação. O ponto central é justificar com evidência (gráficos, testes, validação).

Questão 4: Por que a validação cruzada de séries temporais não pode embaralhar as observações?

Porque a ordem carrega a informação: embaralhar faria o modelo “ver o futuro” ao prever o passado (leakage), produzindo erros otimistas. Na validação temporal, cada janela de teste fica sempre depois dos dados de treino, reproduzindo o uso real do modelo.

Para Saber Mais

Hyndman, R.J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd ed., Cap. 5 (The forecaster’s toolbox) e Cap. 13 (Some practical forecasting issues). otexts.com/fpp3
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1).

De volta ao topo

--- title: "Fechamento da Parte 1" subtitle: "Revisão integrada de séries temporais e prévia do trabalho intermediário" --- ::: {.objetivos} #### Objetivos de Aprendizagem - **Integrar** decomposição, estacionariedade, ARIMA/SARIMA, Prophet e validação em um fluxo único de análise - **Escolher** a família de modelos adequada a partir das características da série e do problema de negócio - **Criticar** análises de séries temporais, identificando armadilhas comuns - **Comunicar** decisões de modelagem para uma audiência de negócios (prévia do trabalho intermediário) ::: ## Roteiro do encontro | Bloco | O quê | |---|---| | **1. Revisão integrada** (cerca de 45 min) | O fluxo completo de uma análise de série temporal, com as perguntas que cada etapa responde | | **2. Prévia do trabalho intermediário** (cerca de 75 min) | Cada grupo mostra onde está; a turma e os docentes dão feedback (sem nota) | ## O fluxo de uma análise de série temporal ```{mermaid} %%| fig-align: center flowchart TD A["1. Entender o problema Qual decisão a previsão apoia? Horizonte, granularidade, custo do erro"] --> B["2. Olhar os dados Gráfico, decomposição STL Outliers, quebras, intervenções"] B --> C["3. Estacionariedade ADF + KPSS Diferenciar (d, D) ou transformar (log)"] C --> D["4. Identificar ACF / PACF Ordens candidatas"] D --> E["5. Estimar candidatos SARIMA, ETS, Prophet, ML Baseline: SeasonalNaive"] E --> F["6. Diagnosticar Resíduos: Ljung-Box, ACF Média zero, variância constante"] F --> G["7. Validar CV temporal (expanding) MAE, RMSE, MASE"] G --> H["8. Prever e comunicar Intervalos de 80% e 95% Decisões e limitações"] F -. "resíduo com estrutura" .-> D G -. "pior que o baseline" .-> B classDef etapa fill:#ffffff,stroke:#3F3F3F,stroke-width:1.5px,color:#3F3F3F classDef fim fill:#E50505,stroke:#3F3F3F,stroke-width:2px,color:#fff class A,B,C,D,E,F,G etapa class H fim ``` Cada etapa tem uma página de referência: | Etapa | Onde revisar | |---|---| | Componentes, decomposição, ACF/PACF, estacionariedade | [Fundamentos](fundamentos.qmd) | | AR, MA, ARIMA, Box-Jenkins, AICc, diagnóstico | [Modelos ARIMA](arima.qmd) | | Sazonalidade estocástica, SARIMA, Prophet | [SARIMA e Prophet](sarima-prophet.qmd) | | Métricas, validação cruzada temporal, quebras estruturais | [Previsão e Validação](previsao.qmd) | | Prática guiada em Python | [Lab 1](../labs/lab01-exploracao.qmd) | ## Qual modelo, quando? Não existe modelo "melhor" em abstrato. A escolha depende da série, do horizonte e de quanto você precisa explicar o resultado. | Família | Quando brilha | Cuidado com | |---|---|---| | **SeasonalNaive** | Sempre, como **baseline**. Se você não o vence, o modelo não está agregando valor | Nada: é o piso que todo modelo precisa superar | | **ARIMA / SARIMA** | Séries curtas e médias, dinâmica linear, sazonalidade estável; parâmetros interpretáveis | Quebras estruturais, múltiplas sazonalidades, séries muito longas | | **ETS** | Tendência e sazonalidade que evoluem suavemente; muito robusto em competições | Pouca flexibilidade para variáveis externas | | **Prophet** | Dados diários com feriados, múltiplas sazonalidades, changepoints | Séries mensais curtas; tende a "inventar" tendência | | **ML (boosting com lags)** | Muitas séries ao mesmo tempo, variáveis externas ricas, relações não lineares | *Leakage*, poucos dados, extrapolação de tendência | | **Foundation models** (Chronos, TimesFM) | Baseline rápido sem treino (*zero-shot*) | Caixa-preta; nem sempre vence o SARIMA bem ajustado | ::: {.callout-tip} ## Regra prática Comece simples (baseline + SARIMA/ETS), valide com CV temporal e só aumente a complexidade se o ganho de MASE compensar a perda de interpretabilidade. Combinações simples (média de dois ou três modelos bons) costumam ser difíceis de bater. ::: ## Armadilhas mais comuns ::: {.caso-negocio} #### Checklist antes de entregar uma previsão 1. **Baseline**: comparei com o `SeasonalNaive`? Meu modelo é melhor que ele na validação? 2. **Leakage**: alguma feature, transformação ou normalização usou dados do período de teste? 3. **Validação**: avaliei em várias janelas (*expanding window*), e não em um único corte? 4. **Métrica**: a métrica faz sentido para a série? (MAPE explode com valores perto de zero; MASE é comparável entre séries) 5. **Intervenções**: tratei choques conhecidos (COVID, aquisição, mudança de metodologia)? 6. **Resíduos**: o Ljung-Box indica que sobrou estrutura não modelada? 7. **Incerteza**: reportei intervalos de previsão, e não só a previsão pontual? 8. **Negócio**: a conclusão responde à pergunta da diretoria, em linguagem que ela entende? ::: ## Prévia do trabalho intermediário (sem nota) A prévia é um **checkpoint**: o objetivo é trocar ideias e ajustar o rumo antes da entrega final ({{< var intermediario.prazo >}}). O enunciado completo está em [Trabalho Intermediário](../trabalhos/intermediario.qmd). **Formato**: cerca de 5 minutos por grupo, sem slides elaborados (o notebook aberto basta), seguidos de 3 minutos de feedback. Cada grupo tenta responder: - Qual estratégia de análise adotaram, e como trataram a **aquisição**? - Que modelos estão comparando, e como validaram? - Qual foi a decisão mais difícil até agora? - Qual é a principal dúvida do grupo neste momento? **Feedback da turma** (estrutura sugerida): **uma coisa que funcionou**, **uma pergunta** e **uma sugestão concreta**. ::: {.callout-note} ## Depois da prévia Ideias sobre como combinar as previsões dos grupos na **predição agregada da turma** são bem-vindas desde já: a decisão acontece no Lab 2. ::: ## Quizzes: Teste seu Entendimento ::: {.callout-caution collapse="true"} ## Questão 1: Seu SARIMA tem MASE de 1,15 na validação cruzada. O que isso significa, e o que você faz? MASE acima de 1 significa que o modelo erra **mais** que o baseline ingênuo (sazonal, quando o MASE é escalado pelo SeasonalNaive). Antes de sofisticar o modelo, volte aos dados: há quebra estrutural, outlier ou intervenção não tratada? A transformação (log, diferença) está adequada? Muitas vezes o problema está na etapa 2 do fluxo, e não na etapa 5. ::: ::: {.callout-caution collapse="true"} ## Questão 2: O AICc escolheu um SARIMA(3,1,2)(2,1,1)[12], mas um SARIMA(1,1,1)(0,1,1)[12] tem MASE quase igual na validação. Qual você apresenta à diretoria? Na dúvida, o **mais parcimonioso**. O AICc compara ajuste dentro da amostra; a validação cruzada mede o que importa (erro fora da amostra). Se a diferença de MASE é pequena, o modelo menor é mais estável, mais fácil de explicar e menos sujeito a sobreajuste. ::: ::: {.callout-caution collapse="true"} ## Questão 3: Um grupo descartou todo o histórico anterior à aquisição. Que argumentos a favor e contra essa decisão você esperaria ver? **A favor**: o processo gerador mudou (nova escala, possivelmente nova sazonalidade), e misturar regimes viesaria o modelo. **Contra**: sobra pouca série para estimar sazonalidade anual com segurança; alternativas como somar a série da adquirida no período anterior, usar uma dummy de nível ou modelar em log (o efeito vira um degrau) aproveitam mais informação. O ponto central é **justificar com evidência** (gráficos, testes, validação). ::: ::: {.callout-caution collapse="true"} ## Questão 4: Por que a validação cruzada de séries temporais não pode embaralhar as observações? Porque a ordem carrega a informação: embaralhar faria o modelo "ver o futuro" ao prever o passado (*leakage*), produzindo erros otimistas. Na validação temporal, cada janela de teste fica sempre **depois** dos dados de treino, reproduzindo o uso real do modelo. ::: ## Para Saber Mais - Hyndman, R.J., & Athanasopoulos, G. (2021). *Forecasting: Principles and Practice*, 3rd ed., Cap. 5 (*The forecaster's toolbox*) e Cap. 13 (*Some practical forecasting issues*). [otexts.com/fpp3](https://otexts.com/fpp3/) - Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). *The M4 Competition: 100,000 time series and 61 forecasting methods*. International Journal of Forecasting, 36(1).