Os processos espaço-temporais vêm ganhando destaque nos últimos anos, em razão do aumento de estudos compreendendo variáveis que apresentam interação entre as dimensões espacial e temporal. Com o objetivo de modelar esses processos, Pfeifer e Deutsch (1980a) propuseram uma extensão da classe de modelos univariados de Box-Jenkins, denominada por modelo espaço-temporal autoregressivo de média móvel (STARMA). Essa classe de modelos é utilizada para descrever dados de séries temporais espacialmente localizadas. Os processos passíveis de modelagem via classe de modelos STARMA são caracterizados por observações de variáveis aleatórias, em que os locais a serem incorporados no modelo são fixos no espaço. A dependência entre as n séries temporais é modelada por meio da matriz de ponderação, de modo que os modelos da classe STARMA expressem cada observação no tempo t e na localização i como uma média ponderada de combinações lineares das observações anteriores e a inovação defasada no espaço e no tempo conjuntamente. Dada a nova classe de modelos, os objetivos deste estudo foram apresentar a classe de modelos STARMA, implentar computacionalmente, no software R, rotinas que permitam a análise de dados espaço-temporais, com as rotinas implementadas estabelecer e testar modelos de séries temporais aos dados de temperaturas mínimas médias mensais de 8 estações meteorológicas situadas no Paraná e comparar a classe de modelos STARMA com a classe de modelos univariados proposta por Box e Jenkins (1970). Com este estudo verificou-se que na apresentação da classe de modelos STARMA há complexidade no conceito de ordens de vizinhança e na identificação dos modelos espaço-temporais. Em relação a criação de rotinas responsáveis pelas análises de dados espaço-temporais observou-se dificuldades em sua implementação, principalmente no momento de estimação dos parâmetros. Na comparação da classe de modelos STARMA, multivariada, com a classe de modelos SARIMA, univariada, constatou-se que ambos os modelos se ajustaram de maneira satisfatória aos dados, produzindo previsões acuradas.

Spatio-temporal processes have been highlighted lately, due to the increase of studies approaching variables that present interactions between the spatial and temporal dimensions. In order to model these processes, Pfeifer e Deutsch (1980a) have suggested an extension of the Box-Jenkins univariate model class, named spatio-temporal autoregressive moving-average model (STARMA). This model class is used to describe spatially located time series data. The processes prone to be modeled via the STARMA model class are characterized by observations of random variables, in which the locations to be incorporated in the model are spatially fixed. The dependence between the n time series is modeled through the weighing matrix. So STARMA models express each observation at time t and location i as a weighed mean of linear combinations of the previous observations and the jointly lagged innovation in space and time. Given the new class models, the objectives of this study were to present a class of models STARMA, implentar computationally, in textit R software, routines that allow the analysis of spatio-temporal data with the routines implemented to establish and test models time series data of monthly average minimum temperatures of 8 meteorological stations located in Paraná and compare the class of models STARMA with the class of univariate models proposed by Box e Jenkins (1970). With this study it was found that the presentation of the class of models STARMA no complexity in the concept of ordered neighborhood and identification of spatio-temporal models. Regarding the creation of routines responsible for the analysis of spatio-temporal observed difficulties in its implementation, especially at the time of estimation of parameters. In comparison class STARMA models, multivariate, with the class of SARIMA models, univariate, it was found that both models were adjusted satisfactorily to the data, producing accurate forecasts.