16. Padrões temporais e espaciais

Dados indexados no tempo ou no espaço podem apresentar dependência entre observações. A existência de uma ordem não prova dependência; é necessário investigá-la. Este capítulo mostra como autocorrelação, tendência, sazonalidade e relações espaciais afetam a exploração e a interpretação da incerteza.

O percurso começa pelo contato cuidadoso com os dados. A disciplina ensina a reconhecer tipos, qualidade, distribuições, relações, vieses e limites antes de construir conclusões ou modelos. Este é o capítulo 16 de 24 da disciplina Análise Exploratória de Dados. Ele retoma Padronização, normalização e codificação e utiliza essa base para avançar. Na sequência, estudaremos Viés, confundimento e vazamento.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use Padrões temporais e espaciais para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

Autocorrelação

Começamos por Autocorrelação, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

A autocorrelação mede associação entre valores de uma série separados por uma defasagem. No tempo, compara-se, por exemplo, yₜ com yₜ₋₁. No espaço, a associação depende de uma definição de vizinhança. Ausência de correlação linear não prova independência; relações não lineares podem permanecer.

As ferramentas de exame são o lag plot (valor contra valor defasado, que revela dependência e estrutura) e a função de autocorrelação, que resume a dependência por defasagem — instrumentos aprofundados na disciplina de séries temporais.

Tendência

Depois de compreender Autocorrelação, passamos a Tendência. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Tendência é a mudança persistente do nível ao longo da ordenação — distinta de oscilação de curto prazo. Visualmente, é o movimento que permanece quando se ignora o vaivém local.