A inversibilidade não é realmente um grande problema, porque quase qualquer modelo de MA (q) gaussiano e não invertível pode ser alterado para um MA ( q ) invertível(q) representa o mesmo processo, alterando os valores dos parâmetros. Isso é mencionado na maioria dos livros didáticos para o modelo MA (1), mas é verdade de maneira mais geral.
Como exemplo, considere o modelo MA (2)
zt=(1−0.2B)(1−2B)wt,(1)
onde wt é ruído branco com variação σ2w . Este não é um modelo invertível porque θ(B) tem uma raiz igual a 0,5 dentro do círculo unitário. No entanto, considere o modelo alternativo MA (2) obtido alterando essa raiz para seu valor recíproco de 2, de modo que o modelo tenha a forma
zt=(1−0.2B)(1−0.5B)w′t(2)
ondew′t tem variânciaσ′2w=4σ2w . Você pode facilmente verificar se os modelos (1) e (2) possuem as mesmas funções de autocovariância e, portanto, especificar a mesma distribuição para os dados se o processo for gaussiano.
Para tornar o modelo identificável de modo que exista um mapeamento um a um de θ1,θ2,…,θq,σ2w para a distribuição dos dados, o espaço do parâmetro é, portanto, por convenção restrito ao inversível modelos. Essa convenção em particular é preferida, pois o modelo pode ser colocado diretamente na forma de AR (∞) com os coeficientes π1,π2,… satisfazendo a equação da diferença simplesθ(B)πi=0 .
Se não impormos essa restrição no espaço do parâmetro, a função de probabilidade de um MA (q) em geral teria até 2q ótimos locais (se o polinômio do MA tiver q raízes reais distintas), o que é algo que queremos evitar .
Você sempre pode mover raízes de dentro para fora do círculo unitário com uma alteração correspondente na variação de ruído branco usando a técnica acima, exceto nos casos em que o polinômio MA possui uma ou mais raízes exatamente no círculo unitário.