Séries Temporais na Tese: Tendência, Sazonalidade e o Teste Que Tem de Fazer Antes de Modelar (2026)

Duas séries que sobem ao longo do tempo correlacionam-se fortemente mesmo quando nada as liga. É o resultado mais importante desta área e chama-se regressão espúria: pegue no consumo de electricidade e no número de mestres diplomados em Portugal, corra uma regressão, e obterá um R² alto e um coeficiente significativo. Não há relação nenhuma — ambos apenas crescem.

Por isso a primeira operação sobre uma série temporal não é modelar: é decidir se ela é estacionária. Este artigo mostra como decompor uma série em tendência, sazonalidade e resíduo, como testar a estacionaridade, o que fazer quando ela falha, e como escolher a família de modelos certa para o que a sua tese pergunta.

O que faz de uns dados uma série temporal

Uma série temporal é uma variável medida repetidamente na mesma unidade ao longo do tempo: o PIB nacional trimestral, as dormidas mensais num destino, os atendimentos diários de uma urgência, os crimes registados por ano num concelho.

Isso distingue-a de duas estruturas parecidas que exigem métodos diferentes, e a confusão entre as três é o erro de desenho mais comum:

Se tem trinta municípios observados durante dez anos, não tem uma série temporal — tem um painel, e o procedimento correcto está em efeitos fixos ou efeitos aleatórios e o teste de Hausman.

Decomponha antes de modelar

Qualquer série se lê como a soma de três componentes, e identificá-las é o trabalho preparatório que decide tudo o resto:

• Tendência — o movimento de longo prazo, para cima ou para baixo.
• Sazonalidade — o padrão que se repete com período fixo: meses, trimestres, dias da semana.
• Resíduo — o que sobra depois de retirar as duas anteriores. É aqui que vive a informação que a maioria das hipóteses quer testar.

A decomposição pode ser aditiva — quando a amplitude sazonal se mantém constante ao longo dos anos — ou multiplicativa, quando a amplitude cresce com o nível da série. A regra prática: olhe para o gráfico e veja se as oscilações anuais alargam à medida que a série sobe. Se alargam, é multiplicativa, e o procedimento habitual é trabalhar sobre o logaritmo da série, o que a converte num caso aditivo.

Sazonalidade: o erro de comparar dois meses

Este é o erro que mais frequentemente aparece em teses aplicadas, e é fácil de ilustrar com dados reais. As dormidas em Portugal em Junho de 2026 foram 8 131 293. Comparar esse valor com o de Janeiro não diz nada sobre nenhuma tendência: diz que Junho não é Janeiro.

Há três respostas legítimas para o problema, e devem ser declaradas:

1. Comparar com o mesmo mês do ano anterior (variação homóloga). Simples, transparente e suficiente para a maioria das teses descritivas.
2. Usar a série corrigida de sazonalidade, quando o produtor dos dados a publica. Diga sempre qual das versões usou — a série bruta e a série ajustada dão narrativas diferentes.
3. Modelar a sazonalidade explicitamente, com variáveis dummy mensais ou com um modelo sazonal, se o objectivo é isolar o efeito de outra variável.

Antes de comparar anos, verifique também que a série não mudou de definição a meio: o procedimento está em quebra de série nos dados oficiais. E se estiver a trabalhar com dados turísticos, o âmbito exacto de cada indicador está em dados de turismo para a tese.

Estacionaridade: o teste que decide tudo

Uma série é estacionária quando a sua média, a sua variância e a sua estrutura de autocorrelação não dependem do momento em que a observa. Traduzido: não tem tendência, não muda de volatilidade e não tem sazonalidade por resolver.

Importa porque quase toda a inferência clássica assume estabilidade. Numa série não estacionária, os erros-padrão calculados pelo software estão errados — e errados no sentido perigoso, o de os fazer parecer mais pequenos do que são.

Os dois testes correntes têm hipóteses nulas opostas, e trocá-las inverte a conclusão — é o engano mais frequente nesta secção:

Correr os dois é a prática recomendável, porque se contradizem de forma informativa: quando ambos apontam no mesmo sentido a conclusão é sólida; quando discordam, normalmente a série está num caso intermédio e vale a pena olhar de novo para o gráfico.

Reforce a leitura com dois sinais visuais que não exigem teste nenhum: um correlograma cujas autocorrelações decaem muito devagar indica não estacionaridade; e numa regressão entre duas séries, um R² alto acompanhado de uma estatística de Durbin-Watson próxima de zero é a marca clássica de regressão espúria.

A série não é estacionária. E agora?

Diferenciar. Em vez de modelar o nível da série, modele a variação entre períodos consecutivos. Uma diferenciação resolve a maioria das tendências lineares; duas resolvem quase tudo o resto, e se precisar de três, o problema não é a diferenciação — é o modelo.

Para sazonalidade, aplica-se uma diferenciação sazonal: subtrair o valor do mesmo período do ciclo anterior, ou seja doze meses atrás em dados mensais.

Há um custo que deve declarar: cada diferenciação consome observações e muda a interpretação. Depois de diferenciar, os coeficientes já não falam de níveis — falam de variações. «Um aumento de mil dormidas está associado a…» passa a «um aumento na variação mensal das dormidas está associado a…». Escrever a conclusão nos termos do modelo, e não nos termos que gostaria de ter, é onde muitas teses tropeçam.

A alternativa à diferenciação, quando duas séries não estacionárias partilham uma tendência comum de longo prazo, é a cointegração — e nesse caso diferenciar destrói precisamente a relação que queria estudar.

Que família de modelos escolher

Uma nota sobre dimensão, porque a pergunta aparece sempre: modelar uma série exige bastantes observações. Com vinte pontos anuais não se estima um modelo sazonal — não há ciclos que cheguem. A convenção corrente aponta para várias dezenas de observações num modelo simples, e para pelo menos três ou quatro ciclos completos quando há componente sazonal. Se só tem dez anos de dados anuais, a análise honesta é descritiva.

Este catálogo de modelos é enquadrado, para a área específica, em a dissertação de Economia em Portugal; o que este artigo acrescenta são as decisões que se tomam antes de escolher entre eles.

O que reportar na tese

Cinco elementos, por esta ordem, e nenhum é opcional:

1. O gráfico da série completa, com o eixo temporal legível e a fonte identificada.
2. A frequência e o período coberto — «dados mensais, Janeiro de 2015 a Dezembro de 2025, n = 132».
3. O resultado dos testes de estacionaridade, com a estatística e o valor-p, para a série em nível e depois de diferenciada.
4. A ordem de diferenciação escolhida e a justificação.
5. O diagnóstico dos resíduos do modelo final: se ainda houver autocorrelação nos resíduos, o modelo está mal especificado e os resultados não se sustentam.

O ponto 5 é o que distingue um capítulo competente. O diagnóstico de resíduos é, aqui, o equivalente à verificação de pressupostos que se faz em qualquer análise paramétrica — descrita em como verificar os pressupostos dos testes paramétricos.

Perguntas frequentes

Posso simplesmente pôr o ano como variável independente numa regressão?

Pode, e chama-se regressão de tendência. É legítimo para descrever, mas não resolve a autocorrelação dos resíduos nem autoriza conclusões causais sobre outra variável. Se o objectivo é relacionar duas séries, é insuficiente.

Que software uso?

O R tem o conjunto mais completo e é gratuito. O EViews é uma referência nesta área e continua muito usado em dissertações de economia. O SPSS tem um módulo de previsão adequado a modelos simples. Para decomposição e análise descritiva, qualquer um chega.

Quantas observações preciso mesmo?

Depende do modelo. Uma decomposição descritiva funciona com poucos ciclos; um modelo sazonal precisa de vários anos completos; um VAR com várias séries esgota graus de liberdade muito depressa. A regra segura é declarar o n e não estimar um modelo mais complexo do que ele suporta.

E se houver valores em falta a meio da série?

Séries temporais não toleram buracos da mesma forma que dados transversais, porque a ordem é informação. Para omissões isoladas, a interpolação entre vizinhos é habitual e deve ser declarada; para períodos longos em falta, o mais honesto é encurtar a janela de análise.

Posso usar uma série trimestral e outra mensal no mesmo modelo?

Não sem as harmonizar. Agregue a mensal para trimestral — que é a direcção segura — em vez de desagregar a trimestral, que exige pressupostos adicionais e introduz estrutura artificial.

A COVID estragou a minha série. O que faço?

Trate-a como o que é: um choque exógeno numa data conhecida. As opções defensáveis são incluir uma variável dummy para o período afectado, modelar explicitamente a interrupção, ou restringir a janela de análise e justificar. O que não é defensável é apagar os pontos sem dizer.

Tendência e sazonalidade são a mesma coisa que ciclo?

Não. A sazonalidade tem período fixo e conhecido — doze meses, quatro trimestres. Um ciclo económico tem duração variável e não previsível. A decomposição habitual separa tendência e sazonalidade; isolar ciclos exige métodos próprios.

Isto aplica-se a dados de saúde ou de educação, ou é só economia?

Aplica-se a qualquer variável medida repetidamente ao longo do tempo. Atendimentos hospitalares, matrículas, ocorrências registadas, consumos — todas têm tendência e quase todas têm sazonalidade. Os métodos são os mesmos; só muda o substantivo.

Escreva o capítulo com as decisões documentadas

Numa tese com séries temporais, o que o júri examina não é o modelo final — é a sequência de decisões que levou até ele: porque diferenciou, porque escolheu aquela ordem, o que fez à sazonalidade. O Tesify ajuda-o a estruturar essa sequência no capítulo de método, a reportar os testes no formato esperado e a escrever as conclusões nos termos que o modelo realmente autoriza. Comece agora, gratuitamente.