Anlise Inicial da Srie de Inflao IPCA utilizando o EViews

Primeiramente, observa-se o grfico da srie e as funes de auto-correlao e autocorrelao parcial, conforme as figuras 1 e 2.
Figura 1 Srie do IPCA Brasil jan1995 a set2011
4

-1
1996

1998

2000

2002

2004

SERIE

2006

2008

Figura 2 Funo de auto-correlao e correlao parcial da srie IPCA

2010

- Estacionaridade
Analisando o comportamento da f.a.c. e da f.a.c.p. pode-se perceber que srie do IPCA
aparenta ser estacionria, pois os valores das mesmas tendem a zero.
- Identificao do modelo ARMA(p,q)
Comparando o comportamento da f.a.c. e da f.a.c.p. estimadas com o comportamento das
respectivas quantidades tericas, prope-se inicialmente a estimao de um modelo
ARMA(1,12). Os resulados da estimao esto na tabela 1.
Tabela 1 Resultados da estimao do ARMA(1,12)

Variable

Coefficient

Std. Error

t-Statistic

Prob.

AR(1)
MA(1)
MA(2)
MA(3)
MA(4)
MA(5)
MA(6)
MA(7)
MA(8)
MA(9)
MA(10)
MA(11)
MA(12)

0.965952
-0.184241
-0.237281
-0.143675
-0.118754
-0.037122
0.030536
-0.168433
-0.025223
0.137161
-0.069297
-0.113048
0.301083

0.015206
0.071007
0.071110
0.071929
0.072200
0.072645
0.070822
0.071288
0.073147
0.071274
0.072022
0.070345
0.069771

63.52259
-2.594698
-3.336832
-1.997447
-1.644801
-0.511005
0.431164
-2.362712
-0.344823
1.924429
-0.962161
-1.607042
4.315314

0.0000
0.0102
0.0010
0.0473
0.1017
0.6100
0.6669
0.0192
0.7306
0.0559
0.3372
0.1098
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted AR Roots
Inverted MA Roots

0.599240
0.572961
0.337414
20.83420
-58.44312
.97
.92-.14i
.28+.82i
-.67-.62i

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

.92+.14i
.28-.82i
-.67+.62i

Dependent Variable: IPCA,

Method: Least Squares
Date: 10/21/11 Time: 11:00
Sample (adjusted): 1995M02 2011M05

.64-.59i
-.21+.93i
-.87-.24i

0.597551
0.516332
0.729011
0.946437
1.993727

.64+.59i
-.21-.93i
-.87+.24i

Observando a tabela 1 percebe-se que alguns coeficientes no foram significantes, e usando

a ideia de parcimnia, estima-se outro modelo ARMA(1,12) impondo as restries que os
coeficientes no significativos ao nvel de 10% so zero, como mostrado na tabela 2.
Tabela 2 Estimao do ARMA(1,12) com as restries nos coeficientes.
Variable

Coefficient

Std. Error

t-Statistic

Prob.

AR(1)
MA(1)
MA(2)
MA(3)
MA(7)
MA(9)
MA(12)

0.966322
-0.213171
-0.264870
-0.168699
-0.257972
0.151754
0.160280

0.015888
0.069462
0.070845
0.068625
0.065483
0.070353
0.064777

60.82126
-3.068872
-3.738752
-2.458278
-3.939500
2.157038
2.474331

0.0000
0.0025
0.0002
0.0149
0.0001
0.0323
0.0142

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted AR Roots
Inverted MA Roots

0.585208
0.572040
0.337778
21.56371
-61.81588
.97
.92+.15i
.24+.71i
-.65-.56i

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

.92-.15i
.24-.71i
-.65+.56i

.61+.63i
-.22+.89i
-.80-.24i

0.597551
0.516332
0.702203
0.819278
1.940725

.61-.63i
-.22-.89i
-.80+.24i

Dependent Variable: SERIE

Method: Least Squares
Date: 10/21/11 Time: 11:02
Sample (adjusted): 1995M02 2011M05

Tendo o modelo apresentado todos os coeficientes significativos ao nvel de 5%, iremos

fazer o diagnstico do mocelo ARMA(1,12) com restries.

- Diagnstico
Aps estimar o modelo, verificar-se se ele representa adequadamente os dados. Para isso,
aplicaremos alguns testes
Teste de auto-correlao residual
Atravs do correlograma dos resduos ao quadrado, figura 3, percebemos os resduos no
apresentam auto-correlao, pois a f.a.c. e a f.a.c.p. no apresentam valores significativos.
Figura 3 Correlograma dos resduos ao quadrado do ARMA(1,12) restrito

Foi tambm aplicado um teste estatstico para correlao serial, conforme a tabela 3 abaixo,
e o resultado foi que se rejeitou a hiptese nula de correlao serial.

Tabela 3 Tese de Breusch-Godfrey para correlao serial

F-statistic
Obs*R-squared

0.586191
0.000000

Probability
Probability

0.557462
1.000000

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/21/11 Time: 11:46
Presample missing value lagged residuals set to zero.
Variable

Coefficient

Std. Error

t-Statistic

Prob.

AR(1)
MA(1)
MA(2)
MA(3)
MA(7)
MA(9)
MA(12)
RESID(-1)
RESID(-2)

0.000587
-0.198228
0.193249
0.002297
0.004430
-0.027041
-0.004436
0.220957
-0.156794

0.016018
0.203256
0.214231
0.093667
0.067038
0.078216
0.065362
0.217303
0.199768

0.036633
-0.975264
0.902059
0.024522
0.066086
-0.345718
-0.067868
1.016815
-0.784876

0.9708
0.3307
0.3682
0.9805
0.9474
0.7299
0.9460
0.3106
0.4335

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

-0.004818
-0.047805
0.338520
21.42936
-61.20339

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

0.034781
0.330707
0.716361
0.866887
1.976644

Teste de Normalidade
Aplicou-se tambm o teste de Jarque-Bera para testar a normalidade dos resduos, como
mostra a figura 4. O resultado foi que hiptese nula de normalidade foi rejeitada.

Figura 4- Teste de Normalidade de Jarque-Bera para o ARMA(1,12) restrito

Devido o modelo ARMA(1,12) restrito no ter atendido a hiptese de normalidade dos resduos,
estimou-se um o mesmo modelo ARMA(1,12) restrito com efeito ARCH(1) para tentar corrigir o
problema da no normalidade. O resultado da estimao se encontra na tabela 4.

Tabela 4 Estimao do ARMA(1,12) restrito com efeito ARCH(1)

AR(1)
MA(1)
MA(2)
MA(3)
MA(9)
MA(11)

Coefficient

Std. Error

z-Statistic

Prob.

0.978875
-0.131676
-0.285803
-0.174292
0.155513
-0.215761

0.012009
0.056716
0.050780
0.053288
0.045163
0.040248

81.51136
-2.321653
-5.628252
-3.270767
3.443409
-5.360763

0.0000
0.0203
0.0000
0.0011
0.0006
0.0000

5.405685
4.975834

0.0000
0.0000

Variance Equation
C
RESID(-1)^2

0.049183
0.821050

0.009098
0.165008

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

0.558476
0.542036
0.349418
22.95341
-50.70173

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Durbin-Watson stat

Inverted AR Roots
Inverted MA Roots

.98
.90
.40+.77i

.78+.37i
-.15-.87i

.78-.37i
-.15+.87i

0.597551
0.516332
0.598997
0.732798
2.032687

.40-.77i
-.62+.64i

-.62-.64i

-.80-.21i

-.80+.21i

Dependent Variable: SERIE

Method: ML - ARCH (Marquardt) - Normal distribution
Date: 10/21/11 Time: 11:27
Sample (adjusted): 1995M02 2011M05
Included observations: 196 after adjustments
Convergence achieved after 25 iterations
MA backcast: 1994M03 1995M01, Variance backcast: ON
GARCH = C(7) + C(8)*RESID(-1)^2

Aps implementar o efeito ARCH(1) no modelo ARMA(1,12) restrito, o teste de normalidade

dos resduos rejeitou a hiptese nula de no normalidade, ver figura 5, mostrando que o
modelo estimado na tabela 4 apresenta se mais adequado para a srie IPCA estudada.

Figura 5 Teste de normalidade de Jarque-Bera para o ARMA(1,12) restrito com efeito ARCH(1)