############################################################################
#
# Taxa de câmbio
# R$ / US$ - comercial - compra - média - R$ - Banco Central do Brasil,
# Boletim,Seção Balanço de Pagamentos (BCB Boletim/BP) - BM12_ERC12 Quadro:
# Taxas de câmbio do real. Obs.: Cotações para contabilidade.
#
# Taxa de juros
# Over / Selic - (% a.m.) - Banco Central do Brasil, Boletim, Seção mercado
# financeiro e de capitais (BCB Boletim/M. Finan.) - BM12_TJOVER12
# Quadro: Taxas de juros. Para 1974-1979: fonte Andima. Dados mais recentes atualizados
# pela Sinopse da Andima. Obs.: A taxa Overnight / Selic é a média dos juros que o Governo
# paga aos bancos que lhe emprestaram dinheiro. Refere-se à média do mês. Serve de
# referência para outras taxas de juros do país. A taxa Selic é a taxa básica de juros da
# economia.
#
# Taxa de desemprego
# aberto - RMSP - (%) - Fundação Sistema Estadual de Análise de
# Dados, Pesquisa de Emprego e Desemprego (Seade/PED) - SEADE12_TDAGSP12
# Quadro: Taxas de desemprego, por tipo - Região Metropolitana de São Paulo, município
# de São Paulo e demais municípios da Região Metropolitana de São Paulo.
# In: http://www.seade.gov.br .
# Obs.: Região Metropolitana de São Paulo (RMSP). Não inclui desemprego oculto
# (trabalho precário e desemprego por desalento).
#
# Salário mínimo real
# R$ - Instituto de Pesquisa Econômica Aplicada (IPEA) -
# GAC12_SALMINRE12 Série em reais (R$) constantes do último mês, elaborada pelo IPEA,
# deflacionando-se o salário mínimo nominal pelo Índice Nacional de Preços ao Consumidor
# (INPC) do IBGE a partir de março de 1979. Para períodos anteriores, os deflatores utilizados
# foram o IGPC-Mtb (jan/1948-mar/1979), o IPC-RJ/FGV (jan/1944-jan/1948) e o IPC-SP/Fipe
# (jul/1940-jan/1944). O salário mínimo urbano foi instituído no Brasil por decreto-lei do
# presidente Getúlio Vargas, durante a ditadura do Estado Novo, e começou a vigorar em julho
# de 1940, com valores diferenciados entre estados e sub-regiões. Em 1943, foi incorporado à
# Consolidação das Leis do Trabalho (CLT) e, em 1963, foi estendido ao campo por meio do
# Estatuto do Trabalhador Rural. Foi nacionalmente unificado em maio de 1984, mas, desde
# 2000, a Lei Complementar 103 permite que os estados fixem pisos estaduais superiores ao
# mínimo nacional. Os dados desta série para o período em que a legislação federal definia
# faixas diversificadas referem-se sempre ao maior salário mínimo vigente no país. Quanto ao
# período anterior à unificação, ver: evolução dos salários mínimos regionais.
#
# PIB
# R$ (milhões) - Banco Central do Brasil, Boletim, Seção Atividade Econômica
# (BCB Boletim/Ativ. Ec.) - BM12_PIB12 Quadro: Contas nacionais. Obs.: Produto
# Interno Bruto (PIB). Estimativa do Banco Central.
#
# Inflação
# - IPCA - (% a.m.) Índice Nacional de Preços ao Consumidor Amplo (IPCA).
#
############################################################################
macro = read.csv("macro.csv",header=TRUE)
attach(macro)
year = 1996:2014
ind = seq(1,nrow(macro),by=12)
par(mfrow=c(2,3))
plot(Cambio,xlab="Ano",axes=FALSE,type="l")
axis(2);box();axis(1,at=ind,lab=year)
plot(Juros,xlab="Ano",axes=FALSE,type="l")
axis(2);box();axis(1,at=ind,lab=year)
plot(Desemprego,xlab="Ano",axes=FALSE,type="l")
axis(2);box();axis(1,at=ind,lab=year)
plot(SalarioMinimo,xlab="Ano",axes=FALSE,type="l")
axis(2);box();axis(1,at=ind,lab=year)
plot(PIB,xlab="Ano",axes=FALSE,type="l")
axis(2);box();axis(1,at=ind,lab=year)
plot(IPCA,xlab="Ano",axes=FALSE,type="l")
axis(2);box();axis(1,at=ind,lab=year)
#############################################################
#
# Analisando a serie do PIB.
#
# Repita voce mesmo para as outras series temporais:
# Cambio, Juros, Desemprego e IPCA
#
#############################################################
y = IPCA
n = length(y)
# Grafico da serie temporal, sua funcao de aucorrelacao (FAC) e
# sua funcao de autocorrelacao parcial (FACP)
par(mfrow=c(1,3))
ts.plot(y)
acf(y)
pacf(y)
# Para comecar, ajustamos um modelo AR(1)
p=1
d=0
q=0
k=1+p+q+1
fit = arima(y,order=c(p,d,q),method="ML")
tsdiag(fit)
fit$aic
# Em seguida, ajustamos um modelo ARIMA(1,1,0)
p=1
d=1
q=0
k=1+p+q+1
fit = arima(y,order=c(p,d,q),method="ML")
tsdiag(fit)
fit$aic
# Finalmente, ajustamos um modelo ARIMA(1,2,0)
p=1
d=2
q=0
k=1+p+q+1
fit = arima(y,order=c(p,d,q),method="ML")
tsdiag(fit)
fit$aic
# Vamos fazer uma busco em todos os modelos ARIMA(p,d,q)
# para p,d,q=0,1,2, ou seja, 27 modelos.
model = NULL
aic=NULL
for (p in 0:2)
for (q in 0:2)
for (d in 0:2){
model = rbind(model,c(p,d,q))
aic=c(aic,arima(y,order=c(p,d,q),method="ML")$aic)
}
# Modelos e respectivos AIC
cbind(model,aic)
# Melhor modelo (menor AIC)
model[aic==min(aic)]
# Ajustando o melhor modelo: ARIMA(2,2,2)
# Note que esse "melhor" modelo ainda e' muito ruim!
# Os residuos nao sao ruido branco. Na verdade,
# os residuos parecem heterocedasticos.
p=2
d=2
q=2
k=1+p+q+1
fit = arima(y,order=c(p,d,q),method="ML")
tsdiag(fit)
fit$aic