Muitas das aplicações mais intensivas e sofisticadas dos métodos de séries temporais têm sido problemas nas ciências físicas e ambientais. Este fato explica muito da linguagem da análise de séries temporais. Uma das primeiras séries gravadas é o números mensais de manchas solares estudados por Schuster em 1906. Investigações mais modernas podem se concentrar em saber se o aquecimento está presente nas medições da temperatura global ou se os níveis de poluição podem influenciar a mortalidade diária.
A modelagem de séries de fala é um importante problema relacionado à transmissão eficiente de gravações de voz. Características comuns das séries temporais, conhecidas como o espectro de energia são usadas para ajudar os computadores a reconhecer e traduzir a fala. Séries temporais geofísicas, como aquelas produzidas por deposições anuais de vários tipos, podem fornecer proxies de longo alcance para temperatura e precipitação. Gravações sísmicas podem auxiliar no mapeamento de falhas geográficas ou na distinção entre terremotos e explosões nucleares.
As séries acima são apenas exemplos de bancos de dados experimentais que podem ser usados para ilustrar o processo pelo qual a metodologia estatística pode ser aplicada na estrutura de séries temporais correlacionadas. O primeiro passo em qualquer investigação de séries temporais sempre envolve um exame minucioso dos dados registrados mostrados ao longo do tempo. Esse escrutínio muitas vezes sugere o método de análise, bem como estatísticas que serão úteis para resumir as informações nos dados.
A abordagem do domínio do tempo é geralmente motivada pela suposição de que a correlação entre pontos adjacentes no tempo é melhor explicada em termos de uma dependência do valor atual de valores passados. A abordagem no domínio do tempo se concentra na modelagem de algum valor futuro de uma série temporal como uma função paramétrica dos valores atual e passado. Neste cenário, começamos com regressões lineares do valor presente de uma série temporal sobre seus próprios valores passados e sobre os valores passados de outras séries. Essa modelagem leva a usar os resultados da abordagem no domínio do tempo como uma ferramenta de previsão e é particularmente popular entre os economistas por esse motivo.
Uma abordagem, defendida no livro de Box and Jenkins (1970) e também em Box, Jenkins, and Reinsel (1994), desenvolve uma classe sistemática de modelos denominados modelos de média móvel integrada autorregressiva (ARIMA) para lidar com a modelagem e previsão correlacionadas. A abordagem inclui uma provisão para o tratamento de mais de uma série de entradas através de ARIMA multivariada ou através de modelagem de função de transferência. A característica de definição desses modelos é que eles são modelos multiplicativos, o que significa que os dados observados são supostos como resultantes de produtos de fatores que envolvem operadores de equações diferenciais ou diferenciais que respondem a uma entrada de ruído branco.
O objetivo destas páginas é fornecer uma exposição unificada e razoavelmente completa dos métodos estatísticos usados na análise de séries temporais. Como suporte computacional utilizamos a linguagem de programação e ambiente de desenvolvimento integrado para cálculos estatísticos e gráficos R, última versão 4.4.1 (2024-06-14), Rice for Your Life.