--- Teste ANOVA para medidas repetidas e suas peculiaridades ---
Em uma publicação anterior, explorei o uso do teste ANOVA para comparar dois grupos independentes. No entanto, quando se trata de analisar dados que variam ao longo do tempo, como séries temporais, é preciso aplicar o teste ANOVA de medidas repetidas. Este teste compara as médias de três ou mais grupos relacionados, considerando a variabilidade dentro de cada um ao longo do tempo ou em diferentes condições. Ele permite analisar se há mudanças significativas entre os grupos.
Este é um estudo sobre os padrões sazonais "Santa Claus Rally" e "Efeito Janeiro" no contexto do IBOV. Verifiquei se os retornos mensais em diferentes meses (particularmente em dezembro, janeiro, e meses comparativos como novembro e fevereiro) apresentam diferenças estatisticamente significativas.
O "Santa Claus Rally" refere-se ao aumento de preços das ações nos últimos dias de dezembro e nos primeiros dias de janeiro, sugerindo um otimismo sazonal no mercado. Já o "Efeito Janeiro" indica que janeiro tende a apresentar um desempenho mais forte em comparação com os outros meses, possivelmente devido à entrada de novos investimentos no início do ano.
Depois do tratamento dos dados e a aplicação dos testes estatísticos, o resumo é que o teste ANOVA inicial sugeriu que não havia diferenças significativas entre os meses. No entanto, a análise mais detalhada, incluindo os testes post-hoc, indicou que o padrão sazonal conhecido como 'Santa Claus Rally' pode impactar significativamente o desempenho mensal do IBOV, com dezembro apresentando retornos estatisticamente superiores em comparação a outros meses, como junho e maio.
Por outro lado, o 'Efeito Janeiro' não apresentou evidências estatisticamente significativas suficientes para ser corroborado neste estudo. Esses resultados destacam a importância de analisar sazonalidade em aplicações financeiras, mas também mostram que nem todos os padrões sazonais são igualmente robustos ao longo do tempo.
Um dos pontos mais importantes para a boa conclusão do estudo é o tratamento de outliers, para que haja normalidade entre as amostras. Como neste estudo foram usados 12 grupos (um para cada mês do ano) os testes pairwise (par a par) foram conclusivos para a verificação de que sim, em alguns casos, podemos rejeitar a hipótese nula (H₀).