Metodologiaseriestemporais

Exame de algumas sries temporais
dos Estados Unidos

Sries trimestrais dos EUA, 1970-I a 1991-IV (88 observaes)
Lucros e dividendos dos EUA, 1970-I a
1991-IV (por trimestre)
Processos estocsticos estacionrios
Processos estocsticos
a)Estacionrios
b)No estacionrios
Estacionariedade fraca
Mdia:
Varincia:
Covarincia:
( )
t
E Y =
2 2
( ) ( )
t t
Var Y E Y = =
[ ]
( )( )
k t t k
E Y Y
+
=
covarincia (ou autocovarincia) na
defasagem k.
a covarincia entre os valores de Yt e de Yt+l.
Isto , a covarincia entre dois valores de Y
k
=
Isto , a covarincia entre dois valores de Y
separados por k perodos
Se k = 0:
que a varincia de Y.
Se k = 1:
[ ]
2 2
0
( )( ) ( )
t t t
E Y Y E Y
(
= = =

Se k = 1:
Que a covarincia entre dois valores
adjacentes de Y?
[ ]
1 1
( )( )
t t
E Y Y
+
=
Se a trajetria do PIB dos EUA
representada por
{ }
1 2 86 87 88
, ,..., , ,
t
Y Y Y Y Y Y =
Subscrito 1 = primeira observao (1
trimestre de 1970)
Subscrito 88 = ltima observao (4
trimestre de 1991)
Suponha que mudemos a origem de Y.
Passamos de Yt para Yt+m.
Exemplo: do 1 trimestre de 1970 para o 1
trimestre de 1975
Se Yt estacionrio, temos: Se Yt estacionrio, temos:
Yt+m possuir as mesmas mdia, varincia
e autocovarincia de Yt.
( )
t
E Y =
2 2
( ) ( )
t t
Var Y E Y = =
[ ]
( )( )
k t t k
E Y Y
+
=
Se a srie temporal estacionria, sua
mdia, varincia e autocovarincia (em
diferentes defasagens) permanecem as
mesmas.
Isto ocorre no importa qual seja o ponto em Isto ocorre no importa qual seja o ponto em
que as medimos.
Isto : elas no variam com o tempo.
Uma srie temporal deste tipo tender a
retornar para sua mdia (reverso mdia).
As suas flutuaes ao redor da mdia
(medidos por sua varincia) tero amplitude (medidos por sua varincia) tero amplitude
mais ou menos constante.
Figura 21.1 PIB dos EUA 1970-1991
(por trimestre)
Uma srie temporal no-estacionria quando
ela possui uma mdia que varia com o tempo e/ou
uma varincia que varia com o tempo
S possvel examinar apenas uma parte S possvel examinar apenas uma parte
(conjunto de dados) de uma srie temporal.
No ser possvel generaliz-la para outros
perodos de tempo
Por isso as sries temporais estacionrias geram
melhores previses do que as no-estacionrias
no-estacionrios
O modelo de passeio aleatrio (random walk)
composto, em geral, por sries temporais no-
estacionrias (exemplos: preos de aes ou
sries de taxas nominais de cmbio seguem um
passeio aleatrio) passeio aleatrio)
Existem 2 tipos de passeios aleatrios:
P.A sem deslocamento (no existe um termo
constante ou intercepto) => ver figura 21.3
(21.3.4) 1 t t t
Y Y u
= +
Fig. 21.3. Passeio aleatrio
sem deslocamento
1 t t t
Y Y u
= +
(21.3.4)
Modelos auto-regressivos
(21.3.4)
onde ut = choque aleatrio ou termo de rudo
branco (mdia zero e varincia constante); Yt
1 t t t
Y Y u
= +
branco (mdia zero e varincia constante); Yt
= valor de Yt; Yt-1 = valor de Yt no perodo
anterior e
(21.3.4) um modelo auto-regressivo AR(1)
Exemplo: modelo auto-regressivo de ordem p
1 1 2 2
...
t t t p t p t
Y Y Y Y u

= + + + +
(21.3.4) uma regresso de Y em relao ao
tempo t com seu valor defasado em um
perodo
Os que crem na hiptese dos mercados
eficientes dizem que os preos das aes so
essencialmente aleatrios.
Portanto, no h margem para especulao
lucrativa na Bolsa de Valores.
Se pudssemos prever o preo de amanh
com base no preo de hoje, seramos todos
milionrios
Partindo de (21.3.4):
(21.3.4)
1 0 1
Y Y u = +
Y Y u Y u u = + = + +
Conclui-se que: (21.3.5)
2 1 2 0 1 2
Y Y u Y u u = + = + +
3 2 3 0 1 2 3
Y Y u Y u u u = + = + + +
0 t t
Y Y u = +
Portanto:
Como
( )
0
( )
t t
E Y E Y u = +
( )
0
t
E u =
Temos (21.3.6)
0
( )
t
E Y Y = =
De modo anlogo:
Como
Ento
2
( ) ( )
t t
Var Y E Y =
2
( ) ( ) Var Y E Y Y =
0
Y =
Ento
A mdia de Yt igual ao valor inicial que
constante
2
0
( ) ( )
t t
Var Y E Y Y =
2
( )
t
Var Y t =
Mas medida que t aumenta, sua varincia
aumenta indefinidamente (t vezes).
Isto viola a condio de estacionariedade Isto viola a condio de estacionariedade
( constante).
O modelo de passeio aleatrio sem
deslocamento um processo estocstico no-
estacionrio.
2
O passeio aleatrio se lembra do choque para
sempre (tem memria infinita).
O efeito do choque no desaparece.
(21.3.4)
Onde Yt o operador da primeiras diferenas.
1 t t t
Y Y u
= +
1 t t t
Y Y u
=
t t
Y u =
Embora Yt seja no-estacionria, sua primeira
diferena estacionria.
1 t t t
Y Y u
= +
Y Y u =
As primeiras diferenas de sries temporais de
passeios aleatrios so estacionrias.
1 t t t
Y Y u
=
t t
Y u =
Modificando (21.3.4): tambm AR(1)
Para (21.3.9):
Passeio aleatrio com deslocamento
1 t t t
Y Y u
= +
1 t t t
Y Y Yt u
= = +
Onde o parmetro de deslocamento, pois
(21.3.10)
Se => Yt se desloca para cima
Se => Yt se desloca para baixo
0 <
1 t t t
Y Y Yt u
= = +
0 >
0 <
Seja
Sabendo que
Temos
1 t t t
Y Y u

= + +
1 t t t
Y Y Y
=
Temos
Se => Yt se desloca para cima; e
Se => Yt se desloca para baixo.
1 t t t t
Y Y u Y
= + =
0 >
0 <
(21.3.9) =>
1 t t t
Y Y u

= + +
1 0 1
Y Y u = + +
2 1 2 0 1 2
Y Y u Y u u = + + = + + +
3 2 3 0 1 2 3
Y Y u Y u u u = + + = + + + +
=>
0 t t
Y Y u = + +
1 t t t
Y Y u

= + +
1 t t t
Y Y u
= +
0
( )
t
E Y Y t = +
2
( )
t
Var Y t =
Para o passeio aleatrio com deslocamento, a
mdia e a varincia aumentam com o tempo
Violam a condio de estacionariedade
Violam a condio de estacionariedade
Resumo da pera: PAs com ou sem
deslocamento so processos estocsticos
no-estacionrios
Vamos descrever
(21.3.4) como (21.4.1)
Onde
Processo estocstico de raiz unitria
1 t t t
Y Y u
= +
1 t t t
Y Y u

= +
1 1
Onde
Se , (21.4.1) passa a ser , que
igual a (21.3.4), ou seja, um modelo de PA sem
deslocamento
1 1
1 =
1 t t t
Y Y u
= +
Assim, se , temos o problema da raiz
unitria (situao de no-estacionariedade)
A varincia de Yt no-estacionria
1 =
A varincia de Yt no-estacionria
Os termos no-estacionariedade, passeio
aleatrio e raiz unitria so sinnimos
Se a srie temporal estacionria
1
importante verificar se a srie temporal
estacionria, ou seja, se ela possui raiz unitria
Mais adiante discutiremos os testes de razes
unitrias
unitrias
Fig. 21.3. Passeio aleatrio
sem deslocamento
1 t t t
Y Y u
= +
(figura 21.4)
1
2
t t t
Y Y u
= + +
Passeios aleatrios
o De um gerador de nmeros aleatrios
obtemos 500 valores de u e geramos Yt
como mostrado em:
(21.3.13)
0 t t
Y Y u = +
o Onde ut so os termos de erro de rudo
branco de tal modo que ut ~ N(0,1), cada ut
segue a distribuio normal padro.
oSupomos que Y0=0, assim o modelo acima
um passeio aleatrio sem deslocamento.
0 t t
Y Y u = +
Passeios aleatrios
o Suponha agora que
(21.3.13)
o Modelo de passeio aleatrio com deslocamento
igual ao anterior, mas admitindo que:
0 t t
Y Y u = + +
igual ao anterior, mas admitindo que:
o Veja a srie gerada no grfico 21.4 de passeio
aleatrio sem deslocamento
oO modelo de passeio aleatrio um exemplo de
processo estocstico de raiz unitria.
2 =
0
2
t t
Y Y u = + +
o No estacionariedade = passeio aleatrio =
raiz unitria (quando =0).
o Se a srie temporal Yt estacionria.
o Seja , , e
1
0 Y =
1
Y Y u = +
= o Seja , , e
o => =>
oObtemos
0
0 Y =
1
1 t t t
Y Y u

= +
(1 )
t t
L Y u =
1 t t
LY Y

=
1 t t t
Y Y u

= +
1 t t t
Y Y u

=
t t t
Y LY u =
No estacionrios
Processo estocsticos de tendncia
estacionria e estacionrias em diferenas
muito importante ver se uma srie temporal
possui raiz unitria.
Estacionrios
No estacionrios
Determinstica
Tendncia
Estocstica
Processo estocsticos de tendncia
estacionria e estacionrias em diferenas
Tendncia totalmente previsvel e no
varivel: tendncia determinstica.
Tendncia no previsvel: tendncia Tendncia no previsvel: tendncia
estocstica.
Fig. 21.5. Tendncia determinstica
versus tendncia estocstica
Tendncia determinstica versus
tendncia estocstica
Onde ut gerado como acima e t o tempo
medido cronologicamente.
Na figura, os desvios em torno da tendncia Na figura, os desvios em torno da tendncia
determinstica so puramente aleatrios e
diminuem rapidamente.
A linha de tendncia a mdia no
estacionria.
Tendncia determinstica versus
tendncia estocstica
Estes desvios no contribuem para o
desenvolvimento da srie temporal de longo
prazo (que determinado pelo componente
de tendncia 0,5t). de tendncia 0,5t).
Por outro lado, na tendncia estocstica, o
componente aleatrio ut afeta o curso de
longo prazo da srie Yt.
Processos estocsticos integrados
Modelo de passeio aleatrio um caso
especfico de processos integrados.
Todo modelo de passeio aleatrio processo Todo modelo de passeio aleatrio processo
integrado.
Mas nem todo processo integrado modelo
de passeio aleatrio.
Passeio aleatrio sem deslocamento no Passeio aleatrio sem deslocamento no
estacionrio, mas sua primeira diferena
(21.3.8) estacionria.
1 t t t t
Y Y Y u
= =
Portanto, ele modelo integrado de ordem 1
=> modelo I(1).
Y Y Y u = =
1 t t t t
Y Y Y u
= =
Portanto, ele modelo integrado de ordem 1
=> modelo I(1).
Y Y Y u = =
Se para uma srie temporal ficar estacionria
ela tiver que ser diferenciada 2 vezes (1
diferena da 1 diferena) => ela I(2).
1 t t t t
Y Y Y u
= =
Srie integrada de ordem d: Yt ~ I(d).
Se a srie estacionria e no requer
diferenciao, ela I(0), ou Yt ~ I(0). diferenciao, ela I(0), ou Yt ~ I(0).
Se a srie estacionria e no requer
diferenciao, ela I(0), ou Yt ~ I(0). diferenciao, ela I(0), ou Yt ~ I(0).
Srie temporal estacionria igual a srie
integrada de ordem zero.
Propriedades das sries integradas
Sejam trs sries Xt, Yt e Zt.
Sejam trs sries Xt, Yt e Zt.
1. Se Xt ~ I(0) e Yt ~ I(1), ento (Xt+Yt)=I(1).
Assim, uma combinao linear ou soma de Assim, uma combinao linear ou soma de
sries temporais estacionrias e no-
estacionrias uma srie temporal no-
estacionria.
2. Se Xt ~I(d), ento Zt = (a + bXt) = I(d), onde
a e b so constantes.
Assim, uma combinao linear de uma srie Assim, uma combinao linear de uma srie
I(d) tambm uma srie temporal I(d).
Exemplo: Se Xt ~I(0) => Zt = (a + bXt)~I(0).
3. Se Xt ~I(d) e Yt~I(d), ento
Zt = (aXt + bYt)~I(d*).
Em geral d* igual a d. Em geral d* igual a d.
Mas em alguns casos d* < d.
preciso cuidado ao combinar duas ou mais
sries temporais integradas de ordens
diferentes.
Regresso espria
Exemplo de como as ST`s estacionrias so to
importantes
Considere dois modelos de PA`s
(21.7.1) e (21.7.2)
Y Y u = + 1 t t t
X X v
= +
(21.7.1) e (21.7.2)
Geramos 500 observaes de ut a partir de
ut ~ N(0,1) e 500 observaes de vt a partir de
vt ~ N(0,1)
Supomos que os valores iniciais tanto de Y como
de X sejam iguais a zero
1 t t t
Y Y u
= + 1 t t t
X X v
= +
Regresso espria
Supomos tambm que ut e vt no estejam
mutuamente correlacionados nem apresentem
correlao residual
As duas STs so no-estacionrias do tipo I(1) As duas STs so no-estacionrias do tipo I(1)
exibindo tendncias estocsticas
Fazemos a regresso de Yt em relao a Xt
Como ambas so I(1) e no esto
correlacionadas, o R
2
deveria tender para zero
Regresso espria
Resultados da regresso:
Varivel Coeficientes Desvios-padro Estatsticas t
Y -13,2556 0,6203 -21,36856
X 0,3376 0,0443 7,61223
R
2
= 0,1044 d = 0,0121
Coeficiente de X tem elevada significncia
estatstica
Embora o R
2
seja baixo, ele significativamente
diferente de zero
Tentao: supor que exista uma relao
importante entre X e Y
R
2
= 0,1044 d = 0,0121
Regresso espria
G. U. Yule descreveu esta relao como
regresso espria
Demonstrou que a correlao espria pode
persistir em ST`s no-estacionrias mesmo persistir em ST`s no-estacionrias mesmo
quando a amostra muito grande
O d baixo (estatstica de Durbin-Watson) sugere
uma forte autocorrelao de primeira ordem entre
as sries
Regresso espria
Segundo Granger e Newbold, quando R
2
> d,
temos um bom indicador de regresso espria
O exemplo mostra que devemos ter muito
cuidado ao fazer regresses baseadas em STs
que apresentem tendncias estocsticas
preciso muito cuidado ao atribuir grande
importncia aos resultados de regresses
baseadas em variveis I(1)
Testes de estacionariedade
(1) Como descobrir se uma srie temporal
estacionria?
(1) Como descobrir se uma srie temporal
estacionria?
(2) Se for no-estacionria como torn-la
estacionria? estacionria?
Vejamos primeiro o teste da raiz unitria.
(1) Anlise grfica
(2) Teste do correlograma
(3) Teste da raiz unitria (3) Teste da raiz unitria
(1) Anlise grfica
Os grficos do uma boa ideia sobre a
provvel natureza da srie temporal provvel natureza da srie temporal
(1) Anlise grfica
Os grficos do uma boa ideia sobre a
provvel natureza da srie temporal provvel natureza da srie temporal
Veja a srie temporal do PIB dos EUA
Figura 21.1 PIB, Renda Pessoal disponvel
e consumo pessoal dos EUA 1970-1991
(por trimestre)
Testes de estacionariedade:
anlise grfica
No perodo analisado o PIB, RPD e a DCP
cresceram (apresentaram uma tendncia
ascendente)
anlise grfica
No perodo analisado o PIB, RPD e a DCP
cresceram (apresentaram uma tendncia
ascendente)
Isto sugere que, talvez, a mdia do PIB Isto sugere que, talvez, a mdia do PIB
tenha mudado
anlise grfica
O que indica que, talvez, a srie do PIB
dos EUA seja no-estacionria
anlise grfica
O que indica que, talvez, a srie do PIB
dos EUA seja no-estacionria
Isto vale tambm para a srie de renda
pessoal disponvel e para as despesas com pessoal disponvel e para as despesas com
consumo pessoal
Funo de autocorrelao
e correlograma
A funo de autocorrelao um teste
simples de estacionariedade
Uma funo com defasagem k, denotada
por definida por:
por definida por:

k
0
k
k
=
e correlograma
A funo de autocorrelao um teste
simples de estacionariedade
Uma funo com defasagem k, denotada
por definida por:
por definida por:

Onde a covarincia com defasagem
k e a varincia
Se k = 0, ento (cov = var)
k
0
k
k
=
k
0
1 =
e correlograma
um nmero puro (sem unidades)
1 < < 1 como qualquer coeficiente de
correlao
k
Se traarmos contra k teremos um

correlograma populacional
Na prtica temos apenas uma realizao
(uma amostra de um processo
estocstico)
k
e correlograma
um nmero puro (sem unidades)
1 < < 1 como qualquer coeficiente de
correlao
k
Se traarmos contra k teremos um

correlograma populacional
Na prtica temos apenas uma realizao
(uma amostra de um processo
estocstico)
k
e correlograma
Podemos calcular apenas a funo de
autocorrelao amostral
Covarincia amostral com defasagem k
(21.8.2)
Varincia amostral com defasagem k
(21.8.3)
( )( )
t t k
k
Y Y Y Y
n
+

=

2
0
( )
t
k
Y Y
n

=

e correlograma
Correlograma amostral o grfico de
contra k
(21.8.4)
k
k
=
(21.8.4)
0
e correlograma
contra k
(21.8.4)
k
k
=
(21.8.4)
Figura 21.6 => correlograma amostral de
processo puramente aleatrios com at 30
defasagens
0
e correlograma
contra k
(21.8.4)
k
k
=
(21.8.4)
Figura 21.6 => correlograma amostral de
processo puramente aleatrios com at 30
defasagens
Como se escolhe o tamanho da
defasagem?
0
Fig. 21.6. Correlograma do termo de erro u de

rudo branco
Correlograma do termo de erro u de rudo branco
Olhando a coluna AC que a funo de
autocorrelao da amostra
Olhando a coluna AC que a funo de
autocorrelao da amostra
Olhando tambm para o primeiro diagrama Olhando tambm para o primeiro diagrama
esquerda (autocorrelao)
A linha vertical slida o eixo dos zeros
Observaes do lado direito desta linha =>
sinais positivos
Observaes do lado direito desta linha =>
sinais positivos
Observaes do lado esquerdo desta linha
=> sinais negativos
Pela linha, quando temos um processo
puramente de rudo branco, a
autocorrelao fica em torno de zero em
vrias defasagens
Pela linha, quando temos um processo
puramente de rudo branco, a
autocorrelao fica em torno de zero em
vrias defasagens
Essa a imagem de um correlograma de
uma srie temporal estacionria
Se o correlograma de uma ST econmica
se assemelha ao correlograma ao
correlograma de uma ST de rudo branco, correlograma de uma ST de rudo branco,
aquela ST estacionria
Figura 21.7 => correlograma de uma ST de
passeio aleatrio, gerada, por exemplo, por
(21.3.13)
0 t t
Y Y u = + +
(21.3.13)
Os coeficientes de autocorrelao nas vrias
defasagens so muito altos
0 t t
Y Y u = + +
(21.3.13)
0 t t
Y Y u = + +
Isto ocorre at mesmo para uma defasagem
de 33 trimestres.
(21.3.13)
0 t t
Y Y u = + +
Isto ocorre at mesmo para uma defasagem
de 33 trimestres.
At mesmo com defasagens de 60
trimestres temos coeficientes de
autocorrelao muito altos.
Fig. 21.7 - Correlograma de uma ST
de passeio aleatrio
Correlograma de uma ST de passeio aleatrio
A figura 21.7 => correlograma tpico de uma
ST no estacionria
ST no estacionria
O coeficiente de autocorrelao comea
com uma valor muito alto na defasagem 1
(0,969) e vai declinando lentamente (0,969) e vai declinando lentamente
ST no estacionria
Parece que a ST do PIB no-estacionria
ST no estacionria
Parece que a ST do PIB no-estacionria
As outras STs da economia dos EUA (figuras
21.1 e 21.2) tambm apresentam
correlogramas com padro similar
Como escolher o tamanho da defasagem?
Concluso: estas trs STs so no-
estacionrias
estacionrias
A escolha de uma defasagem para calcular a
funo de autocorrelao um processo
emprico emprico
estacionrias
A escolha de uma defasagem para calcular a
funo de autocorrelao um processo
emprico emprico
Mtodo de bolso: calcular a funo de
autocorrelao at um tero ou um quarto
do tamanho da ST
ca
Deve-se comear com defasagens mais
longas (1/3 da amostra, por exemplo)
ca
Depois vamos reduzindo de acordo com
alguns critrios de informao como os de
Akaike (CIA) e Schwarz (CIS) Akaike (CIA) e Schwarz (CIS)
ca
O modelo escolhido o de menor valor de
CIA ou de CIS
ca
O modelo escolhido o de menor valor de
CIA ou de CIS
Outros testes podem ser utilizados
Fig. 21.8. Correlograma do PIB dos EUA, de 1970-I
a 1991-IV (ver fig. 21.6 para as definies)
k
Significncia estatstica dos

coeficientes de autocorrelao
Na figura 21.8 como decidimos se o
coeficiente de correlao de 0,638 com
defasagem de 10 trimestres
estatisticamente significativo?

Na figura 21.8 como decidimos se o
coeficiente de correlao de 0,638 com
defasagem de 10 trimestres
estatisticamente significativo?
A significncia estatstica de qualquer
pode ser julgada por seu desvio-padro

Bartlett mostrou que, quando uma ST
puramente aleatria (exibe rudo aleatrio,
ver fig. 21.6), os coeficientes de
autocorrelao da amostra so
aproximadamente
aproximadamente
(21.8.5)
1
~ 0,
k
N
n
| |
|
\
Isto , em amostras grandes, os coeficientes
de autocorrelao amostral tm distribuio
normal com mdia zero e varincia igual a 1
para o total do tamanho da amostra. para o total do tamanho da amostra.
0, 01136 0,1066 =
Isto , em amostras grandes, os coeficientes
de autocorrelao amostral tm distribuio
normal com mdia zero e varincia igual a 1
para o total do tamanho da amostra. para o total do tamanho da amostra.
Com 88 observaes, a varincia 1/88 =
0,01136 e o desvio padro 0, 01136 0,1066 =
Com as propriedades da distribuio normal
padro, o intervalo de confiana de 95% para
qualquer (populao)
(21.8.6)
k
1, 96(0,1066)
(21.8.6)
Ou seja, (21.8.7)
1, 96(0,1066)
k

Pr( 0, 2089 0, 2089)
k k k
+
Se o intervalo anterior inclui o valor zero, no
rejeitamos a hiptese de que o verdadeiro
igual a zero
k

Se o intervalo anterior inclui o valor zero, no
igual a zero
Mas se esse intervalo no inclui zero,
k
Mas se esse intervalo no inclui zero,

igual a zero
k

Aplicando isso ao valor estimado de ,
o intervalo de confiana para o verdadeiro
ou
10
0, 638 =
10
(0, 638 0, 2089) (0, 4291, 0, 8469)

10
20

ou
bvio que esse intervalo no inclui o valor
10
0, 638 =
10
(0, 638 0, 2089) (0, 4291, 0, 8469)

zero, sugerindo que temos 95% de confiana de
que o verdadeiro valor de
significativamente diferente de zero
10
20

ou
10
0, 638 =
10
(0, 638 0, 2089) (0, 4291, 0, 8469)

Mesmo com defasagem 20, o estimado
estatisticamente significativo ao nvel de 5%
10
20

Testamos a hiptese conjunta de que todos os
at uma certa defasagem so
simultaneamente iguais a zero.
Para isso usamos a estatstica Q definida por
k
Para isso usamos a estatstica Q definida por

Box e Pierce
(21.8.8)
m = tamanho da defasagem e n= tamanho da
amostra
2
1
k
m
k
Q n
=
=

A estatstica Q usada com frequncia para
testar se a ST de rudo branco
Em amostras grandes, ela apresenta
aproximadamente a distribuio de qui- aproximadamente a distribuio de qui-
quadrado com m graus de liberdade
Se o Q calc. > Q crtico na distribuio de qui-
quadrado ao nvel de significncia escolhido,
rejeita-se H0 de que todos os verdadeiros
so iguais a zero
k

A estatstica Ljung e Box uma variante da
estatstica Q
(21.8.9)
2
2
( 2) ~
k
m
LB n n m
n k
| |
= +
|
|
(21.8.9)
A estatstica LB apresenta melhores
propriedades para pequenas amostras do
que a estatstica Q.
1
( 2) ~
k
LB n n m
n k

=
= +
|
|

Olhando a fig. 21.8, o valor da estatstica LB at
a defasagem 25 de cerca de 891,25
A probabilidade de obter esse valor da
estatstica LB tomando a hiptese nula de que a estatstica LB tomando a hiptese nula de que a
soma do quadrado dos 25 coeficientes de
autocorrelao estimados zero
praticamente nula.
Isso mostrado pela ltima coluna da fig. 21.8
Fig. 21.8. Correlograma do PIB dos EUA, de 1970-I
a 1991-IV (ver fig. 21.6 para as definies)
k

Portanto, conclumos que a ST do PIB dos EUA
no-estacionria
Isso refora as anlises anteriores
Teste da raiz unitria
Seja um processo estocstico de raiz unitria
(21.4.1)
Quando (caso da raiz unitria), 21.4.1 se
1 t t t
Y Y u

= +
1 1
1 =
Quando (caso da raiz unitria), 21.4.1 se
torna um modelo de passeio aleatrio sem
deslocamento (que um processo
estocstico no-estacionrio)
Se o estimado for estatisticamente igual a 1,
Yt ser uma ST no-estacionria
1 =
(21.4.1)
(21.9.1)
1 t t t
Y Y u

= +
1 1
1 1 1 t t t t t
Y Y Y Y u

= +
1 1
( 1)
t t t t
Y Y Y u

= +
(21.9.2)
Onde e o operador de primeiras
diferenas
1 t t t
Y Y u

= +
( 1) =

Em vez de estimar (21.4.1), estimamos (21.9.2)
Depois, testamos a hiptese nula de
Se , ento
0 =
0 =
1 = Se , ento
Isto , temos uma raiz unitria (a ST no-
estacionria)
0 =
1 =
Quando , (21.9.2) se torna
ut um rudo branco
0 =
1
( )
t t t t
Y Y Y u
= =
ut um rudo branco
Ele estacionrio
Assim, as primeiras diferenas de uma ST de
passeio aleatrio so estacionrias (como j foi
visto)
Para estimar (21.9.2) tomamos as primeiras
diferenas de Yt e fazemos a regresso destas
em relao a Yt-1
Se o coeficiente angular (= ) for igual a zero, Yt Se o coeficiente angular (= ) for igual a zero, Yt
ser no-estacionrio
Se ele for negativo, Yt ser estacionrio
Qual teste utilizamos para descobrir se o
coeficiente estimado de Yt-1 em (21.9.2) igual
a zero ou no?
Teste da raiz unitria Dickey-Fuller
Dickey e Fuller mostraram que quando H0 se
refere a = 0, o valor t estimado do coeficiente
de Yt-1 em (21.9.2) segue a estatstica (tau)
Eles calcularam os valores tabelados da
Eles calcularam os valores tabelados da

estatstica tau (teste tau ou teste de Dickey-
Fuller DF)
Quando H0 rejeitada, a ST estacionria e o
teste t de Student pode ser utilizado
Fazendo trs tipos de teste DF para trs
diferentes hipteses nulas (trs H0):
Yt um passeio aleatrio (PA)
(21.9.2)
1 t t t
Y Y u

= +
(21.9.2)
Yt um PA com deslocamento
(21.9.4)
Yt um PA com deslocamento em torno de uma
tendncia estocstica
(21.9.5)
1 1 t t t
Y Y u

= + +
1 2 1 t t t
Y t Y u

= + + +
1 t t t
Y Y u

= +
Onde t tempo ou varivel de tendncia
Em cada caso a hiptese nula
Isto , h uma raiz unitria (ST no-
0 =
Isto , h uma raiz unitria (ST no-
estacionria)
Se H0 for rejeitada, temos:
ST estacionria com mdia zero no caso de
(21.9.2); ou
ST estacionria com mdia diferente de zero ST estacionria com mdia diferente de zero
no caso de (21.9.4); e
ST estacionria em torno de uma tendncia
determinstica em (21.9.5)
1
(1 )

ST estacionria com mdia zero no caso de
(21.9.2); ou
ST estacionria com mdia diferente de zero ST estacionria com mdia diferente de zero
no caso de (21.9.4); e
ST estacionria em torno de uma tendncia
determinstica em (21.9.5)
1
(1 )

importante ver que os valores crticos do teste
de tau usado para verificar se a hiptese de que
=0 diferem para cada uma das especificaes
anteriores do teste de DF
um processo de tentativa e erro (para um processo de tentativa e erro (para
encontrar a melhor especificao)
Processo:
Estimar (21.9.2), (21.9.3) ou (21.9.4) por MQO
Dividir o coeficiente estimado de Yt-1 em cada
caso pelo seu desvio-padro para calcular a caso pelo seu desvio-padro para calcular a
estatstica tau
Consultar as tabelas de Dickey-Fuller (ou um
software economtrico)
Se for maior do que o valor de tau crtico,
rejeitamos a hiptese de que = 0 e
conclumos que a ST estacionria
Se no for maior do que o valor de tau crtico,
Se no for maior do que o valor de tau crtico,

no rejeitamos a hiptese de que = 0 e
conclumos que a ST no-estacionria

Exemplo: ST do PIB dos EUA
(21.9.6)
1
0, 00576
t t
PIB PIB

=
(5, 7980) t =
2
0, 0152 R =
1, 34 d =
(21.9.7)
(21.9.8)
1
28, 2054 0, 00136

t t
PIB PIB

=
(1,1576) t = ( 0, 2191)
2
0, 00056 R =
1, 35 d =
1
190, 3857 1, 4776 0, 0603

t t
PIB t PIB
= +
(1, 8389) t = (1, 6109) ( 1, 6252)
2
0, 0305 R =
1, 31 d =
Olhamos o valor t (= ) do coeficiente PIBt-1
Os valores crticos de para o modelo (21.9.6),
nos nveis de 1%, 5% e 10% so,
respectivamente, -2,5897, -1,9439 e -1,6177 respectivamente, -2,5897, -1,9439 e -1,6177
Para o modelo (21.9.7) so, respectivamente,
-3,5064, -2,8947 e -2,5842
Para o modelo (21.9.8) so -4,0661, -3,4614 e
-3,1567
Anlise:
Exclui-se o modelo (21.9.6) porque o coeficiente
do PIBt-1, que igual a positivo
Como , isso faria com que
( 1) =
1 >
Como , isso faria com que
Neste caso a ST seria explosiva
(21.9.2) uma equao em diferenas de
primeira ordem.
Sua condio de estabilidade
( 1) =
1 >
1 <
Anlise:
Nos modelos (21.9.7) e (21.9.8) os coeficientes
estimados so negativos
Como , isso faz com que
( 1) = 1 <
Como , isso faz com que
Os valores estimados de so,
respectivamente, 0,9986 e 0,9397
Estes valores so, estatisticamente,
significativamente inferiores a 1 para dizer que
a ST no-estacionria?
( 1) = 1 <
Anlise:
Para o modelo (21.9.7), o valor estimado
-0,2191, que, em mdulo, inferior at ao
crtico ao nvel de 10%, que -2,5842
Em termos absolutos, o primeiro menor do
que o segundo
Portanto, a ST do PIB dos EUA no-
estacionria
Anlise:
O mesmo vale para o modelo (21.9.8), o valor
calculado de -1,6252, inferior em mdulo
at ao crtico ao nvel de 10%, que -3,1567
Concluso: a anlise grfica, o correlograma e
o teste de DF mostram que, para os dados
trimestrais de 1970 a 1991, a ST do PIB dos
EUA no-estacionria (possui uma raiz
unitria)
Teste de Dickey-Fuller Aumentado
1
(1 )

Para estimar (21.9.2) tomamos as primeiras
diferenas de Yt e fazemos a regresso destas
em relao a Yt-1
Se o coeficiente angular (= ) for igual a zero, Yt Se o coeficiente angular (= ) for igual a zero, Yt
ser no-estacionrio
Se ele for negativo, Yt ser estacionrio
Qual teste utilizamos para descobrir se o
coeficiente estimado de Yt-1 em (21.9.2) igual
a zero ou no?
ou
10
0, 638 =
10
(0, 638 0, 2089) (0, 4291, 0, 8469)

10
Primeiras diferenas do PIB dos EUA,

1970-I a 1991-IV
O teste de Dickey-Fuller para as equaes
(21. 9.2), (21.9.4) e (21.9.5) sups que os
resduos ut`s no eram autocorrelacionados.
Mas, e se existir a autocorrelao residual?
(ADF Augmented Dickey-Fuller)
Se ela existir, Dickey e Fuller desenvolveram
um teste chamado de Augmented Dickey-
Fuller (ADF -Dickey-Fuller aumentado)
Exemplo: utilizando (21.9.5), temos
(21.9.5)
1 2 1 t t t
Y t Y u

= + + +
m
Y t Y Y = + + + +
(21.9.9)
Acrscimo dos valores defasados da varivel
dependente Yt.
Yt-1= Yt-1 Yt-2 ou Yt-2= Yt-2 Yt-3 etc.
1 2 1 1
1
t t i t t
i
Y t Y Y

=
= + + + +
O nmero de termos de diferenas

defasados a ser includo , em geral,
determinado empiricamente
A ideia incluir um nmero de termos
A ideia incluir um nmero de termos
suficiente para que o termo de erro em
(21.9.9) no apresente autocorrelao
residual
No mais, o teste ADF segue igual ao teste DF
normal
O teste ADF continua testando se =0 e ele
segue a mesma distribuio assinttica que
a estatstica de Dickey-Fuller
Assim, podem ser utilizados os mesmos
Assim, podem ser utilizados os mesmos
valores crticos (tabelados)
Exemplo:

1 1
234, 9729 1,8921 0, 0786 0, 3557

t t t
PIB t PIB PIB

= + +
(2,3833) t = (2,1522) ( 2, 2152) (3, 4647)
(21.9.10)
O valor t (igual a ) do coeficiente de PIBt-1
(igual a ) -2,2152
2
0,1526 R =
2, 0858 d =
Exemplo:
(21.9.10)
1 1
234, 9729 1,8921 0, 0786 0, 3557

t t t
PIB t PIB PIB

= + +
(2,3833) t = (2,1522) ( 2, 2152) (3, 4647)
2
0,1526 R =
2, 0858 d =
(21.9.10)
Mas este valor, em termos absolutos, bem menor
at mesmo que o valor crtico de t no n.s. de 10%,
que -3,1570
Isto sugere, mais uma vez, que mesmo levando em
conta a possvel autocorrelao no termo de erro, a
ST no-estacionria
0,1526 R =
2, 0858 d =
Se tivermos que, por exemplo, estimar o modelo
(21.9.5)
Se quisermos testar se 1 = 2 = 0 (hiptese de que o

modelo um PA sem deslocamento e sem
Teste F
1 2 1 t t t
Y t Y u

= + + +
modelo um PA sem deslocamento e sem
tendncia), podemos utilizar um teste F restrito
Rodamos (21.9.5) regresso irrestrita- e
estimamos a mesma equao sem o intercepto e
sem a tendncia
Mas usamos a tabela de estatstica de Dickey Fuller
(tabela D7 do Apndice D)
Premissa do modelo DF: os resduos so distribudos
de forma independente e idntica
O teste ADF ajusta o teste DF para levar em conta
uma possvel autocorrelao residual
Teste de raiz unitria de Phillips-Perron
Phillips e Perron usam mtodos estatsticos no
paramtricos para levar em conta a autocorrelao
residual sem somar termos de diferenas defasados
(como faz o teste ADF).
Testes paramtricos : assumem que a distribuio
seja conhecida e que somente os valores de certos
parmetros tais como as mdias e os desvios
padres sejam desconhecidos.
Se os dados no satisfazem as suposies feitas
Se os dados no satisfazem as suposies feitas
pelas tcnicas tradicionais, mtodos no
paramtricos de inferncia estatstica devem ser
usados.
Tcnicas no paramtricas fazem poucas suposies
sobre as distribuies originais .
A distribuio assinttica do teste de Phillips Perron
a mesma que a da estatstica do teste ADF
H vrios testes de razes unitrias
Isto ocorre por causa do tamanho e da potncia
desses testes
Crtica aos testes de razes unitrias
H vrios testes de razes unitrias
Isto ocorre por causa do tamanho e da potncia
desses testes
Tamanho de um teste: nvel de significncia
Tamanho de um teste: nvel de significncia
(probabilidade de cometer um erro tipo I ou falso
positivo - rejeitar uma hiptese nula que
verdadeira, i.e., chegar a um resultado que tem
significncia estatstica quando na verdade ele
aconteceu por acidente).
Potncia de um teste = 1 probab. de erro tipo II
() ou falso negativo (falhar na rejeio, i.e, aceita-se
uma hiptese nula como invlida, quando na
verdade ela vlida)
A potncia mxima 1
A hiptese nula (H0) que a ST possui raiz unitria
(i.e., ela no-estacionria)
A hiptese alternativa que a ST estacionria
O teste DF sensvel maneira como conduzido
Teste DF para: (1) PA puro; (2) PA com
deslocamento; e (3) PA com deslocamento e
tendncia
tendncia
Exemplo: se o modelo verdadeiro for (1) e ns
estimarmos (2) e concluirmos que a um n.s. de 5% a
ST estacionria
Esta concluso pode estar errada porque o
verdadeiro n.s., neste caso, muito maior do que
5%
A distoro de tamanho tambm pode vir de excluir
componentes de mdias mveis do modelo
Potncia do teste a maioria dos testes DF e ADF
possuem baixa potncia
Eles tendem a aceitar a H de existncia de raiz
Eles tendem a aceitar a H0 de existncia de raiz
unitria (=0)
Eles podem encontrar uma raiz unitria mesmo
quando no existe nenhuma
Para um dado tamanho de amostra n, quanto maior
a amplitude (extenso no tempo) da amostra,
maior ser a potncia do teste
Um ou vrios testes de raiz unitria com base em 30
observaes em um perodo de 30 anos pode ter
maior potncia do que outros baseados em 100
observaes de 100 dias
Se 1 mas 1 => o teste de raiz unitria pode
Se 1 mas 1 => o teste de raiz unitria pode
indicar que a ST no-estacionria (possui raiz
unitria)
Outro ponto: estes testes pressupem que exista
uma nica raiz unitria => a ST I(1)
Se a ST for I(2) existir mais de uma raiz unitria
(para isso utilizamos o teste de Dickey-Pantulla)
Quarto ponto: os testes de raiz unitria no so
Quarto ponto: os testes de raiz unitria no so
muito bons para capturar rupturas estruturais
H testes de Perron e Ng, Elliot, Rothenberg e Stock,
Fuller e Leybounre. Os testes de DF e de ADF sero
substitudos por estes testes novos
No existe ainda um teste sistematicamente potente
de raiz unitria
um teste estatstico de verificao da
existncia de autocorrelao
Ele se aplica a processos AR(1) com um
O que o teste de Durbin-Watson
Ele se aplica a processos AR(1) com um
termo independente X, no qual X seja uma
varivel determinstica (varivel no-
aleatria) e no existam hiatos na seqncia
das observaes
O teste pressupe o clculo dos resduos de
mnimos quadrados e baseia-se na seguinte
estatstica
O que o teste de Durbin-Watson?
estatstica
So testadas as seguintes hipteses:
H0: r=0 => no existe autocorrelao
residual
Os parmetros da distribuio dependem de
Os parmetros da distribuio dependem de
X ( a matriz de observaes das variveis
explicativas)
Assim, os valores crticos (ou tabelados)
variam de amostra para amostra
Durbin e Watson calcularam e tabelaram os
valores limite superiores (dU) e inferiores
(dL)
(dL)
Eles dependem do nmero de variveis
explicativas (k), do nmero de observaes
(n) e do nvel de significncia (10%, 5% etc.)
Veja a tabela
O teste aumenta as trs equaes mencionadas
com o acrscimo dos valores defasados da
vaerivel dependente DYt.
O teste de Dickey-Fuller para as equaes (21.
O teste de Dickey-Fuller para as equaes (21.
9.2), (21.9.4) e (21.9.5) sups que os resduos
uts no eram autocorrelacionados.
Se ela existir, Dickey e Fuller desenvolveram um
teste chamado de Augmented Dickey-Fuller
(ADF -Dickey-Fuller aumentado)
Transformar uma srie temporal no-
estacionria em uma srie temporal
estacionria evita o problema da regresso
espria
Transformao de sries temporais
no-estacionrias
espria
O problema da regresso espria surge
quando se estima uma regresso de uma
srie temporal no-estacionria contra uma
no-estacionrias
srie temporal no-estacionria contra uma
ou mais sries temporais no-estacionrias
O mtodo de transformao depende de a
srie temporal ser estacionria em
diferenas ou ser estacionria em tendncia
1 mtodo: processos estacionrios em
no-estacionrias
diferenas
tendncias
Se uma srie temporal tem raiz unitria,
suas primeiras diferenas sero
estacionrias. Assim, uma soluo tomar
as primeiras diferenas da srie temporal
Processos estacionrios em diferenas
as primeiras diferenas da srie temporal
Exemplo: srie temporal do PIB dos EUA tem
raiz unitria
Tiramos as primeiras diferenas da srie do
PIB => ver figura 21.9
Primeiras diferenas do PIB dos EUA,
1970-I a 1991-IV
Srie original do PIB dos EUA,
1970-I a 1991-IV
Dica: observe que existe uma diferena
bvia entre as figuras 21.9 e 21.1
Esta diferena mostra que Dt (srie das
primeiras diferenas da srie do PIB dos
Processos estacionrios em diferenas
primeiras diferenas da srie do PIB dos
EUA) estacionria ou I(0)
Fig. 21.5 => processos estacionrios em
torno da linha de tendncia
Estima-se a regresso em relao ao tempo
e os resduos dessa regresso sero
2 mtodo: Processo
estacionrio em tendncia
e os resduos dessa regresso sero
estacionrios
Estima-se a seguinte regresso:
(21.10.2)
1 2 t t
Y t u = + +
Fig. 21.5. Tendncia determinstica
versus tendncia estocstica
Onde Yt a ST considerada e t a varivel
de tendncia medida cronologicamente.
A equao seguinte estacionria
2 mtodo: Processo
(21.10.2)
Onde denominada srie temporal sem
tendncia
1 2

( )
t t
u Y t = +
t
u
A tendncia pode ser no-linear. Por ex:
(21.10.4)
Que uma srie de tendncia quadrtica
2 mtodo: Processo
2
1 2 3 t t
Y t t u = + + +
Que uma srie de tendncia quadrtica
Se esse for o caso, os resduos de (21.10.4)
sero uma ST com tendncia removida
(quadraticamente)
Quando uma ST estacionria nas
diferenas, mas ns a tratamos como
estacionria em tendncia, ocorre uma
subdiferenciao
2 mtodo: Processo
subdiferenciao
Se a ST estacionria em tendncia e ns a
tratarmos como estacionria nas diferenas,
ocorre uma superdiferenciao
Dependendo de como so tratadas as
propriedades de correlao serial, estes dois
tipos de erros de especificao podem gerar
consequncias srias
2 mtodo: Processo
consequncias srias
A maioria das STs macroeconmicas so
estacionrias em diferenas
Em geral, elas no no so estacionrias em
tendncia
A regresso de uma ST no-estacionria
contra uma outra ST no-estacionria pode
gerar uma regressso espria
Exemplo: STs das despesas de consumo
Co-integrao
Exemplo: STs das despesas de consumo
pessoal (DCP) e de renda pessoal disponvel
(RPD) => ver tabela 21.1
Co-integrao
Co-integrao
Fazemos um teste de raiz unitria com cada
uma destas STs (individualmente)
Observamos que ambas so I(1)
Ambas possuem uma raiz unitria => so Ambas possuem uma raiz unitria => so
no-estacionrias
Estimamos a regresso das DCP em relao
RPD
(21.11.1)
1 2 t t t
DCP RPD u = + +
Co-integrao
Reescrevendo:
(21.11.2)
Submetemos ut a um teste de raiz unitria
1 2 t t t
u DCP RPD =
Submetemos ut a um teste de raiz unitria
Verificamos que ut estacionrio
Ou seja, ut I(0)
Co-integrao
Assim, DCP e RPD so no-estacionrias
(apresentam tendncia estocstica)
Mas sua combinao linear (21.11.2)
estacionria estacionria
A combinao linear faz com que as
tendncias estocsticas das duas STs se
anulem entre si
Co-integrao
A ST definida por RPD- DCP , que a
poupana, I(0)
A regresso (21.11.1) no ser espria
Assim, RPD e DCP so variveis co- Assim, RPD e DCP so variveis co-
integradas
Do ponto de vista econmico, duas
variveis so co-integradas se tiverem
entre si uma relao de longo prazo, ou de
equilbrio.
Co-integrao
Primeiro se verifica se os resduos da
regresso como (21.11.1) so I(0) ou
estacionrios
Se forem, a anlise de regresso tradicional Se forem, a anlise de regresso tradicional
(incluindo os testes t e F) se aplica aos dados
de STs (no-estacionrias)
Importante: os conceitos de raiz unitria, co-
integrao etc. nos obriga a descobrir se os
resduos da regresso so estacionrios
Co-integrao
Como diz Granger: podemos pensar em um
teste de co-integrao como um pr-teste
para evitar situaes de regresso espria
A regresso (21.11.1) a regresso co-
integrante e o parmetro conhecido integrante e o parmetro 2 conhecido
como parmetro co-integrante
(21.11.1)
1 2 t t t
DCP RPD u = + +
Co-integrao
O conceito de co-integrao pode ser
estendido a um modelo de regresso
contendo k regressores
Teremos neste caso k parmetros co- Teremos neste caso k parmetros co-
integrantes
Teste de co-integrao: Engle-Granger
Teste de Engle-Granger ou Teste de Engle-
Granger aumentado
Para aplicar os testes de DF e de ADF
seguimos os seguintes passos: seguimos os seguintes passos:
1. estimamos uma regresso como (21.11.1),
2. Obtemos os resduos
3. Usamos os testes de Dickey-Fuller
Ocorre que os ut estimados se baseiam no
parmetro co-integrante estimado b2
Assim, os valores crticos de significncia de
DF e de ADF no so muito apropriados
Engle e Granger calcularam esses valores
Por isso os testes DF e ADF so chamados,
para testar co-integrao, de testes de
Engle-Granger ou Teste de Engle-Granger
aumentado (encontrados nos softwares
economtricos)
Exemplo:
(21.11.3)
171, 4412 0, 9672
t t
DPC RPD = +
( 7, 4808) t =
(119, 8712)
2
0, 9940 R =
0, 5316 d =
Como DPC e RPD so individualmente no-
estacionrias existe a possibilidade de que
essa regresso seja espria
0, 9940 R =
Mas quando aplicamos um teste de raiz
unitria aos resduos obtidos a partir de
(21.11.3), obtivemos:
1
0, 2753
t t
u u
=

(21.11.4)
O valor crtico do de Engle-Granger no n.s.
de 1% -2,5899
1
0, 2753
t t
u u
=
( 3, 7791) t =
2
0,1422 R =
2, 2775 d =
O valor calculado de (= t) muito mais
negativo do que isso
Conclui-se que os resduos da regresso do
consumo DPC contra RPD so I(0) => so
estacionrios estacionrios
Assim, (21.11.3) uma regresso co-
integrante e no espria
Mesmo que as duas variveis sejam no-
estacionrias
(21.11.3) uma funo consumo esttica
ou de longo prazo
Seus parmetros so interpretados como
sendo de longo prazo
Assim, 0,9672 a propenso marginal a
consumir de longo prazo (ou de equilbrio)
Teste de Durbin-Watson
de regresso co-integrante
Neste teste usamos a estatstica d de
Durbin-Watson obtida na regresso co-
integrante
Tal como d=0,5316 dado por (21.11.3)
A hiptese nula que d=0, em vez da
hiptese padro de que d=2
Isso porque => se houver uma raiz
unitria, o estimado tem que ser aprox.
1, o que implica que d ficar prximo de
zero.
1 d

Rodam-se 10.000 simulaes formadas por 100
observaes cada
Os valores crticos para H0: d=0, nos n.s. de 1%,
5% e 10%, so, respectivamente, 0,511, 0,386 e
5% e 10%, so, respectivamente, 0,511, 0,386 e
0,322.
Se d calculado for menor do que 0,511,
rejeitamos a H0 de co-integrao ao n.s. de 1%.
No exemplo, o valor de 0,5316 maior do que
0,511 => DCP e RPD so co-integradas.
Embora individualmente estas STs paream ser
PA`s, existe uma relao de longo prazo
PA`s, existe uma relao de longo prazo
estvel entre elas.
Uma ST no se afastar da outra (ver fig. 21.1)
As STs de DCP e RDP podem apresentar um
desequilbrio no curto prazo (embora
apresentem relao estvel no longo prazo).
O termo de erro em (21.11.2) pode ser tratado
Co-integrao e mecanismo de
correo do erro
O termo de erro em (21.11.2) pode ser tratado
com um erro de equilbrio
(21.11.2)
1 2 t t t
u DCP RPD =
Esse termo de erro pode ligar o
comportamento de curto prazo da DCP com o
seu valor de longo prazo
O mecanismo de correo do erro faz uma
correo do erro (MCE)
O mecanismo de correo do erro faz uma
correo deste desequilbrio
Teorema da representao de Granger:
Quando as variveis Y e X so co-integradas, a
relao entre elas pode ser expressa como um
MCE
Exemplo:
(21.11.5)
Onde o operador de primeiras diferenas
0 1 2 1 t t t t
DPC RPD u
= + + +
E ut-1 o valor defasado de um perodo do
erro da regresso co-integrante (21.11.1)
(21.11.1)
1 1 1 2 1
( )
t t t
u DPC RPD

=
1 2 t t t
DCP RPD u = + +
A equao do MCE (21.11.5) mostra que a DCP
depende de RPD e tambm do termo de erro de
equilbrio.
(21.11.5)
0 1 2 1 t t t t
DPC RPD u
= + + +
Se o ltimo for diferente de zero, o modelo est
fora de equilbrio
Se RPD = 0 => ut-1 > 0 => DCPt-1 elevado demais
para estar em equilbrio (DCPt-1 est acima do seu
valor de equilbrio de )
0 1 2 1 t t t t
0 1 1 t
RPD

+
Espera-se que 2 seja negativo (e o termo 2ut-1
tambm seja negativo)
Portanto DCP ser negativo para restaurar o
equilbrio
equilbrio
Se DCP estiver acima de seu valor de equilbrio,
ele comear a cair no perodo seguinte para
corrigir o erro de equilbrio
Da o nome de MCE
Da mesma forma, se ut-1 for negativo (se DCP
estiver abaixo de seu valor de equilbrio), 2ut-1
ser positivo
Isto far com que DCP se torne positivo,
Isto far com que DCP se torne positivo,
aumentando o seu valor no perodo t.
Assim, o valor absoluto de 2 decide quo
rapidamente o equilbrio restaurado.
Na prtica, estimamos ut-1 por
1 1 2 t t t
u DCP RPD
Exemplo:
(21.11.6)
1
11, 6918 0, 2906 0, 0867
t t t
DPC RPD u

= +

(5, 3249) t = (4,1717) ( 1, 6003)
2
0,1717 R =
1, 9233 d =
Estatisticamente o termo de erro de equilbrio
igual a zero
Isto sugere que a DCP se ajusta a mudanas na RDP
no mesmo perodo
0,1717 R =
1, 9233 d =
(21.11.6)
1
11, 6918 0, 2906 0, 0867
t t t
DPC RPD u

= +

(5, 3249) t = (4,1717) ( 1, 6003)
2
0,1717 R =
1, 9233 d =
Como mostra (21.11.6) mudanas de curto prazo na
renda geram um impacto positivo em mudanas de
curto prazo no consumo pessoal
O valor 0,2906 a propenso marginal a consumir
de curto prazo.
0,1717 R =
1, 9233 d =
Alerta de S.G. Hall:
Ainda que o conceito de co-integrao seja
claramente um importante fundamento terico do
modelo de correo do erro, persistem vrios
problemas relativos sua aplicao prtica; os
problemas relativos sua aplicao prtica; os
valores crticos e o comportamento de muitos
desses testes em amostras pequenas so
desconhecidos para uma ampla gama de modelos;
a investigao informada pelo correlograma
continua sendo um instrumento importante.

Metodologiaseriestemporais

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Metodologiaseriestemporais

Загружено:

Авторское право:

Доступные форматы

Exame de algumas sries temporais

dos Estados Unidos

por definida por:

por definida por:

Se traarmos contra k teremos um

Se traarmos contra k teremos um

Fig. 21.6. Correlograma do termo de erro u de

Significncia estatstica dos

Significncia estatstica dos

Significncia estatstica dos

Significncia estatstica dos

Mas se esse intervalo no inclui zero,

Significncia estatstica dos

(0, 638 0, 2089) (0, 4291, 0, 8469)

Significncia estatstica dos

(0, 638 0, 2089) (0, 4291, 0, 8469)

Significncia estatstica dos

(0, 638 0, 2089) (0, 4291, 0, 8469)

Significncia estatstica dos

Para isso usamos a estatstica Q definida por

Significncia estatstica dos

Significncia estatstica dos

Significncia estatstica dos

Eles calcularam os valores tabelados da

Se no for maior do que o valor de tau crtico,

Teste da raiz unitria Dickey-Fuller

28, 2054 0, 00136

190, 3857 1, 4776 0, 0603

(0, 638 0, 2089) (0, 4291, 0, 8469)

Primeiras diferenas do PIB dos EUA,

O nmero de termos de diferenas

Teste de Dickey-Fuller Aumentado

234, 9729 1,8921 0, 0786 0, 3557

234, 9729 1,8921 0, 0786 0, 3557

Se quisermos testar se 1 = 2 = 0 (hiptese de que o

Вам также может понравиться