Para uma análise preditiva simples usaremos modelos ARIMA, buscando antecipar valores futuros com base em dados anteriores. Faremos a decomposição dos dados definindo a coluna Data como o índice do Data Frame gerado a partir das duas tabelas de dados do Youtube.

O Modelo Autorregressivo Integrado de Média Móvel (ARIMA) é uma técnica estatística amplamente utilizada para previsão de séries temporais. Seu nome decorre da combinação de três componentes:

1. Autorregressivo (AR): Modela a relação entre uma observação atual e um número pré-determinado de observações anteriores (atrasos).
2. Integrado (I): Diferencia os dados da série temporal para torná-los estacionários. Estacionariedade implica que as propriedades estatísticas da série temporal (média, variância, autocorrelação) permaneçam constantes ao longo do tempo, o que é um pré-requisito para a modelagem ARIMA.
3. Média Móvel (MA): Modela a relação entre uma observação atual e um número especificado de erros de previsão anteriores.

O modelo requer dados estacionários, o que significa que a média, variância e autocorrelação devem ser constantes ao longo do tempo. Isso pode ser alcançado pela diferenciação dos dados. Ele pode ser ajustado aos dados estacionários, estimando os parâmetros dos componentes AR, I e MA.

Após o ajuste, o modelo pode fazer previsões futuras com base em dados históricos e parâmetros estimados. No caso destes dados, o modelo ARIMA foi capaz de prever com precisão os valores futuros das variáveis “Visualizações” e “Compartilhamentos”. Isso sugere que o modelo é um bom ajuste para os dados e que pode ser usado para fazer previsões confiáveis sobre o futuro.

A análise de séries temporais de visualizações e compartilhamentos revelou uma tendência ascendente ao longo do tempo, com picos nos meses de verão, o que sugere a presença de sazonalidade nos dados.
A decomposição das séries temporais demonstrou que a tendência é o componente mais significativo tanto para visualizações quanto para compartilhamentos. A sazonalidade também é relevante, mas o componente residual é relativamente pequeno.
O teste T, aplicado para comparar as médias de visualizações e compartilhamentos, indicou uma diferença estatisticamente significativa entre as médias dessas duas variáveis.
Os modelos autorregressivos integrados de médias móveis (ARIMA) foram capazes de prever com precisão os valores futuros de visualizações e compartilhamentos, evidenciando haver forte relação entre essas variáveis e sugerindo que essa relação pode persistir no futuro.

Percepções

A correlação entre o número de compartilhamentos e visualizações é de 0,51. Isso indica uma relação positiva moderada entre as duas variáveis.

O modelo de regressão linear indica que:

• Um aumento de 1 compartilhamento está associado a um aumento de 2,82 visualizações em média.
• O valor de R² de 0,112 sugere que o número de compartilhamentos explica 11,2% da variância nas visualizações.

Embora a correlação seja moderada, o modelo de regressão linear não parece ser um bom ajuste para os dados, conforme indicado pelo baixo valor de R². Pode haver outros fatores que estão contribuindo para o número de visualizações.