Definição estendida
Séries temporais é a família de métodos estatísticos para análise de dados ordenados no tempo , onde dependência temporal é estrutural — observações próximas no tempo são tipicamente correlacionadas. Decomposição aditiva clássica separa a série em três componentes:
onde é a tendência (componente de longo prazo), a sazonalidade (componente periódico) e o resíduo (variação aleatória). Métodos modernos como STL (Seasonal-Trend decomposition using LOESS) refinam a decomposição com flexibilidade. Para modelagem paramétrica, ARIMA (Box e Jenkins 1976/2015) é canônico: combina componentes autorregressivo (AR), integração (I, diferenciação para estacionariedade), e média móvel (MA). Hyndman e Athanasopoulos (2021, Forecasting: Principles and Practice, 3ª ed., online em otexts.com/fpp3) oferecem a referência prática moderna. Métodos avançados incluem modelos de espaço de estados (Kalman filter), GARCH para volatilidade condicional em séries financeiras, VAR para sistemas multivariados, e abordagens de ML — Prophet (Facebook, 2017), redes recorrentes (LSTM), e Transformers temporais. Forecasting (predição de valores futuros) é objetivo central; outros incluem detecção de anomalias, identificação de mudança estrutural, análise de causalidade temporal (Granger causality).
Quando se aplica
Séries temporais aplica-se em qualquer dado coletado sequencialmente no tempo: indicadores econômicos (PIB, inflação, câmbio), dados financeiros (preço de ações, retornos), epidemiológicos (casos diários de doença, mortalidade), climáticos (temperatura, precipitação), industriais (consumo de energia, qualidade de produção), de tráfego web (sessões, conversões), de redes sociais (volume de menções). É padrão em previsão de demanda, modelagem de risco financeiro, vigilância epidemiológica em tempo real, monitoramento ambiental. Aplica-se em pesquisa científica longitudinal com observações frequentes do mesmo sujeito (séries fisiológicas, dados de wearables) e em ecologia (séries populacionais, climáticas multidecadais).
Quando NÃO se aplica
Não se aplica em dados independentes — regressão clássica é apropriada. Não se aplica em séries com mudança estrutural não-modelada: ruptura por crise, mudança de regime regulatório invalida modelo ajustado a período anterior; detecção de change point é etapa preliminar necessária. Não se aplica em previsão de longo prazo confiável quando série tem alta variabilidade: incerteza acumula rapidamente, IC explodem; horizonte realista é função da estrutura. Não substitui análise causal: correlação temporal não implica causalidade; Granger causality é teste estatístico de precedência preditiva, não causalidade no sentido manipulacional. Não se aplica diretamente em séries irregularmente espaçadas: métodos específicos para amostragem irregular (Gaussian processes, irregular ARIMA) são necessários.
Aplicações por área
— Economia e finanças: PIB, inflação, taxa de câmbio; séries financeiras com GARCH; trading algorítmico. — Epidemiologia: vigilância de doenças com modelos SIR estendidos com componentes temporais; previsão de surtos. — Ciência ambiental: modelagem climática com séries multidecadais; ecologia populacional. — Operações e logística: previsão de demanda em supply chain; planejamento de capacidade.
Armadilhas comuns
A primeira armadilha é não testar estacionariedade antes de modelar: ARIMA exige série estacionária após diferenciação; teste ADF (Augmented Dickey-Fuller) e KPSS são padrão. A segunda é overfitting com excesso de parâmetros: AIC e BIC são critérios de seleção; cross-validation temporal (rolling-origin) é boa prática. A terceira é ignorar mudança estrutural: modelo ajustado pré-COVID fracassa para período pós-COVID em séries econômicas; detecção de change point é necessária. A quarta é confiar em IC paramétrico em séries não-normais ou com heterocedasticidade — bootstrap em bloco é alternativa robusta. A quinta é tratar Granger causality como evidência causal forte: testa apenas precedência preditiva; causalidade real exige desenho experimental ou inferência causal explícita.