RESUMO
A estimação da correlação entre dados independentes usando estimadores clássicos, como o coeficiente de Pearson, está bem estabelecida na literatura. No entanto, tais estimadores são inadequados para analisar a correlação entre dados dependentes. Existem vários tipos de dependência, sendo as dependências serial (temporal) e espacial as mais comuns, as quais são inerentes aos dados de várias áreas. Usando uma análise de série temporal bivariada pode-se avaliar a relação entre duas séries. Além disso, como uma série temporal pode estar relacionada com outra em alguma defasagem de tempo (seja para o passado ou para o futuro), é essencial também considerar correlações defasadas. A função de correlação cruzada (CCF), que assume que cada série tem uma distribuição normal e não é autocorrelacionada, é usada com freqüência. No entanto, mesmo quando uma série temporal é normalmente distribuída, a autocorrelação ainda é inerente a uma ou ambas séries temporais, comprometendo as estimativas obtidos usando o CCF e suas interpretações. Como uma alternativa a este problema, a análise usando a correlação cruzada wavelet (WCC) foi proposta. O WCC é baseado na transformada wavelet não decimada (NDWT), a qual é uma transformação invariante à translação e decompõe dados dependentes em múltiplas escalas, cada uma representando o comportamento de uma banda de frequências diferente. Para demonstrar a aplicabilidade deste método, dados simulados e reais de séries temporais de diferentes processos estocásticos foram analisados. Os resultados demonstraram que as análises baseadas em o CCF pode não representar a realidade; no entanto, o WCC pode ser usado para identificar corretamente a correlação em cada escala. Além disso, o intervalo de confiança (IC) para os resultados da análise do WCC foi estimado para determinar a significância estatística.
Palavras-chave:
Análise Multiescala; Série Temporal; Correlação Cruzada; Transformada Wavelet Não Decimada
