You are on page 1of 70

Modelos Autorregressivos-Defasagens

Distribudas (ADL)
Pedro Valls1
CEQEF e EESP-FGV
7 de novembro de 2014

CEQEF e EESP-FGV, Rua Itapeva 474 s.1006, 01332-000, , So Paulo, SP, Brasil.
E-mail:pedro.valls@fgv.br. c 2014 - Pedro Valls

Sumrio
1 Especicao do Modelo
1.1 Relao de Equilbrio com Elasticidade Constante . . . . . . . .
1.2 Reparametrizao do Modelo ADL - Modelo de Correo de Erros
(M.C.E.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Equivalncia entre estimadores, varinica dos estimadores e resduos de (1) e (10) . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 Equilbrio Dinmico . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Modelo de Correo de Erros Homogeneo - Elasticidade Unitria
1.6 Modelo ADL Geral . . . . . . . . . . . . . . . . . . . . . . . . . .

2
3

2 Estimao e Testes
2.1 Excluso de Informao Relevante . . . . . . . . . . . . . . . . .
2.2 Incluso de Informao Irrelevante . . . . . . . . . . . . . . . . .
2.3 Conceito de Exogeneidade . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Densidade Conjunta, condicional e marginal . . . . . . . .
2.3.2 Parmetros de Interesse, Variao Livre e Exogenidade
Fraca . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.3 Causalidade e Exogeneidade Forte . . . . . . . . . . . . .
2.3.4 Exogeneidade, Causalidade e Invarincia . . . . . . . . . .
2.4 Testes de Exogeneidade . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Testes de Exogeneidade de Wu-Hausman . . . . . . . . .
2.4.2 Testando exogeneidade fraca de INC para CONS em DATA-

10
10
11
12
13

GIVE.WF1 . . . . . . . . . . . . . . . . . . . . . . . . . .
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27
28

2.5

3 Tipologia de Modelos Dinmicos


3.1 Regresso Esttica . . . . . . . . . . . . .
3.1.1 Exemplo usando DATAGIVE.WF1
3.2 Modelo Autorregressivo Univariado . . . .
3.2.1 Continuao do Exemplo . . . . .
3.3 Indicadores Antecedentes . . . . . . . . .
3.3.1 Continuao do Exemplo . . . . .
3.4 Modelos de Taxa de Crescimento . . . . .
3.4.1 Continuao do Exemplo . . . . .
3.5 Defasagens Distribuidas . . . . . . . . . .
3.5.1 Continuao do Exemplo . . . . .
3.6 Ajustamento Parcial . . . . . . . . . . . .
3.6.1 Continuao do Exemplo . . . . .
3.7

4
4
7
8
8

15
17
19
23
24

.
.
.
.
.
.
.
.
.
.
.
.

30
31
31
33
34
35
36
38
38
41
41
43
43

Regresso Esttica com Erros AR(1) ou Modelos de Fatores Comuns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


3.7.1 Estimao com Erros Correlacionados . . . . . . . . . . .
3.7.2 Testes para Autocorrelao - o teste de Durbin & Watson

45
46
48

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

3.7.3

Programa no EVIEWS para gerar distribuio da estatstica d de Durbin & Watson . . . . . . . . . . . . . . . . .


3.7.4 Teste de Autocorrelao de quarta ordem . . . . . . . . .
3.7.5 Teste h de Durbin . . . . . . . . . . . . . . . . . . . . . .
3.7.6 Teste de autocorrelao de Breusch-Godfrey . . . . . . . .
3.7.7 Continuao do Exemplo . . . . . . . . . . . . . . . . . .
3.8 Forma Reduzida . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.8.1 Continuao do Exemplo . . . . . . . . . . . . . . . . . .
3.9 Modelo de Correo de Erros Homogeneo . . . . . . . . . . . . .
3.9.1 Exemplo - Cointegrao . . . . . . . . . . . . . . . . . . .
3.9.2 Estimao e Teste da equao de cointegrao . . . . . . .
3.10 Exemplo - DATAGIVE . . . . . . . . . . . . . . . . . . . . . . . .
3.11 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 Apndice

50
51
51
52
53
55
55
57
57
58
59
66
68

Especicao do Modelo
A especicao mais simples do modelo ADL dada por:
yt = m +

1 yt 1

0 xt

1 xt 1

+ "t

(1)

e denotado por ADL(1; 1) onde o primeiro 1 representa o ordem do polinmio


autorregressivo da varivel dependente e o segundo 1 representa a ordem do
polinmio no operador defasagem para a (nica) varivel independente. Observe
que no caso geral, de vrias variveis independentes o modelo seria denotado
por ADL(n0 ; n1 ; :::; nk ) onde n0 representaria a ordem da estrutura autorregressiva da varivel dependente e ni representa a ordem do polinmio no operador
defasagem para a i-sima varivel independentes.
Ao invertermos a estrutura autorregressiva de (1) temos:
yt = (1 +

2
1

+ :::)m + (1 +

1L +

2 2
1L

+ :::)(

0 xt

1 xt 1

+ "t ) (2)

que expressa os valores correntes de y em relao aos valores correntes e passados


de x.
Podemos tambm denir o impacto que mudanas nos valores correntes de
x tero em valores correntes e futuros de y, i.e., os multiplicadores de impacto,
que sero dados por:
@yt
=
@xt

(3)

@yt+1
=
@xt

@yt+2
=
@xt

1 1

1 0

2
1 0

Deste modo podemos denir as respostas (multiplicadores) de impacto, interim e de longo prazo. Por exemplo o multiplicador de impacto denido por
(3) e o de longo prazo pela soma de todas as derivadas parciais que assumindo
que j 1 j < 1 dado por:
1

(4)

Observe que (4) corresponde ao coeciente da varivel independente na


soluo de longo prazo de (1) uma vez que aplicando o operador esperana
matemtica em (1) temos:
E(yt ) = m +

1 E(yt 1 )

0 E(xt )

1 E(xt 1 )

e como no longo-prazo E(yt ) = E(yt 1 ) = y e E(xt ) = E(xt


podemos escrever (5) da seguinte forma:
y=

m
1

+
1

(5)
1)

= x ento

(6)

A expresso (6) chamada de soluo de longo-prazo ou equilbrio


esttico.

1.1

Relao de Equilbrio com Elasticidade Constante

Se em (1) as variveis y e x representam o logartmo de Y e X; a expresso


(6) representa uma relao de equilbrio com elaticidade constante. Aplicando
a transformao exponencial em (6) temos
Y = AX

(7)

onde
a = ln(A) =

m
1

(8)
1

(9)

1.2

Reparametrizao do Modelo ADL - Modelo de Correo de Erros (M.C.E.)

Considere o modelo dado em (1), isto :


yt = m +

1 yt 1

0 xt

1 xt 1

+ "t

e como
xt =

xt + xt

yt =

yt + yt

temos que (1) pode ser re-escrito da seguinte forma:


yt + yt

=m+

yt = m +

yt =

xt

1 yt 1

xt + (

(1

0(

1)yt

1 )[yt 1

xt + xt

+(

xt

1)

1]

1 xt 1

1 )xt 1

+ "t

+ "t

+ "t

(10)

(11)

Esta especicao conhecida por Modelo de Correo de Erros, onde


as variaes corrente na varivel dependente so explicadas pela soma de dois
componentes: o primeiro a variao corrente na varivel independente e o
segundo um termo de correo parcial dos desvios de yt 1 da sua relao de
equilbrio dada por a + xt 1 . Este desequilbrio ou desvio (erro) do equilbrio
se positivo a correo no perodo corrente ser para baixo e se negativo ser
para cima uma vez que (1
1 ) < 0:
O modelo (10) pode ser estimado por MQO atravs da regresso de yt em
constante, xt , yt 1 e xt 1 : Atravs dos coecientes estimados e da matriz de
varincia e covarincia das estimativas possvel obter os quatro parmetros e
seus respectivos desvios padres de (1).

1.3

Equivalncia entre estimadores, varinica dos estimadores


e resduos de (1) e (10)

O modelo (1) escrito em forma matricial dado por:


y =X +"

(12)
4

onde
X = [i; y

1 ; x; x 1 ]

(13)

1;

(14)

e
0

= [m;

0;

1]

E o modelo (10) escrito em forma matricial dado por:


y =Z +"

(15)

onde
Z = [i; y

1; x

1; x 1]

(16)

e
= [m;

1;

0;

1]

(17)

Observe que existe a seguinte relao entre

=A

onde

31
0
6 1 7C
7C
6
4 0 5A
0
2

0
B
B
@

1
6 0
A=6
4 0
0

0
1
0
0

0
0
1
1

e entre Z e X

(18)

3
0
0 7
7
0 5
1

Z = XA

(19)

O estimador de
b = (ZZ)

em (15) dado por:

Z y = (ZZ)

Zy

(ZZ)
5

Zy

(20)

b = (AXXA)

AXy

(ZZ)

Zy

(21)

Agora a primeira expresso do lado direito de (21) dada por:


(AXXA)

AXy

= A

= A

(XX)

(A)

(XX)
1b
= A

Xy

AXy
(22)

para a segunda expresso observe que


I = (ZZ)

(ZZ) = (ZZ)

Z [i; y

1; x

1; x 1]

o que implica que

(ZZ)

Zy

3
0
6 1 7
7
=6
4 0 5
0
2

(23)

juntando (22) e (23) temos o resultado.


Os resduos do modelo (12) so dados por:
b
" X = MX "

(24)

b
" Z = MZ "

(25)

e do modelo (15) so dados por:

Mas

MZ

= I

Z(ZZ)

= I

XA(AXXA)

= I
= I

XAA

(XX)

X(XX)

AX

(A)

AX

X = MX

logo (24) e (25) so identicos implicando tambm que o estimador da varincia


residual o mesmo nos dois modelos.
Agora por (18) a varincia do estimador do modelo (12) dada por:

V ar( b )

= A V ar(b) A
= s2 A(ZZ)

= s A(AXXA)
2

= s A(A
2

= s (XX)

)(XX)

(A)

que implica que a varincia dos dos estimadores igual.

1.4

Equilbrio Dinmico

A expresso (6) foi obtida assumindo equilbrio esttico. Vamos agora assumir que X cresce a uma taxa constante gX tal que xt = gX para todo t.
Assumindo elasticidade constante e igual a a taxa de crescimento de Y ser
dada por gY = gX . Substituindo-se estas expresses em (11) obtemos:
gX =

0 gX

(1

1 )[y

m
1

x]
1

y=

(
1

0 )gX

+ x

(26)

e como y = ln(Y ) e x = ln(X) temos que (26) pode ser escrito da seguinte
forma:
Y = AX

(27)

com

A = exp

(
1

0 )gX

(28)

Observe que a diferena entre a relao de equilbrio esttica e a dinmica


a constante A dada acima e em (8).

1.5

Modelo de Correo de Erros Homogeneo - Elasticidade Unitria

No modelo (27) a razo de equilbrio Y =X varia com o nvel de X uma vez


que
Y
X

(29)

Se a elasticidade for positiva mas menor do que um a razo de equilbrio


tender a zero quando X crescer, e por outro lado se for maior do que um a
razo de equilbrio crescer sem limites.
Em vrias relaes economicas tanto a tendncia para zero quando para o
innito pouco provvel, sendo mais razovel a hiptese de elasticidade unitria.
Observe que elasticidade unitria equivalente a

=1,

0
1

=1,

=1

(30)

e se esta hiptese for verdadeira o modelo de correo de erros do tipo homogneo, isto
yt = m +

xt + (

1)(yt

xt

1)

+ "t

(31)

Observe que esta hiptese pode ser testada das seguintes formas:
(i) usando o modelo (1) e testando a homogeneidade dos coecientes,
isto se a soma dos coecientes de yt 1 ; xt e xt 1 somam um;
(ii) usando o modelo (10) e testando se a soma dos coecientes de yt 1
e xt 1 somam um; e
(iii) usando o modelo (31) mas com a incluso do termo xt 1 e testando
se este coeciente igual a zero.
A racionalidade para (iii) acima vem do fato de que (10) pode ser reparametrizado da seguinte forma:
yt = m +

xt + (

1)(yt

xt

1) + ( 0 +

logo testar a signicncia do coeciente de xt


dade unitria.

1.6

1+

1)xt

1 + "t

(32)

equivalente a testar elastici-

Modelo ADL Geral

O modelo ADL(p,q), assumindo uma nica varivel explanatria, dado


por:
A(L)yt = m + B(L)xt + "t

(33)
8

onde
A(L) = 1

1L

2L

p
pL

:::

e
B(L) =

1L

2
2L

q
qL

+ ::: +

e assumindo que as variveis esto em logartmo temos que a elasticidade de


longo-prazo dada por

B(1)
0+
=
A(1)
1

2
2

+ ::: +
:::

q
p

Para obter a representao MCE necessrio que p = q e neste caso (33)


pode ser reescrita da seguinte forma:
yt + yt

m+

1 yt 1

2 (yt 1

yt

3 (yt 1

yt

p (yt 1

yt

:::

0(

1 xt 1

3 (xt

p (xt

xt + xt

1)

yt

xt

xt

xt
:::

2)

1)

+ ::: +

yt

p+1 )

2 (xt 1

xt

1)

2 ) + ::: +

xt

p+1 )

+ "t

(34)

1)

(35)

e pode ser escrita da seguinte forma:

yt

= m+

p 1
X

yt

j=1

(1

p 1
X

xt

j=1

:::

p )(yt 1

xt

+ "t

onde

p
X

para j = 1; :::; p

p
X

para j = 1; :::; p

k=j+1

k=j+1

Observe que (33) s inclui uma varivel, que um caso particular do modelo
geral com k variveis que pode ser representado por:
9

A(L)yt = m +

k
X

Bi (L)xit + "t

i=1

Estimao e Testes

Dada a especicao do modelo ADL a primeira pergunta que se apresenta


como estimar e testar hipteses nestes modelos.
Dado que o modelo ADL de uma nica equao esta simplicao pode
implicar em perda de generalidade. Mas como veremos um pouco mais a frente
esta simplicao, sob certas condies (exogeneidade fraca), no implica em
perda de informao relevante.
A questo prtica que se coloca relacionada a quais e quantas variveis
incluir no modelo e tambm quantas defasagens usar. Um procedimento que
era usado no passado era comear de um modelo simples, na maioria das vezes
esttico, e caso a parte no sistemtica, isto , os erros no fossem um rudo
branco modicavasse o modelo ou atravs de correo por autocorrelao ou por
incluso de novas variveis ou por incluso de dinmica, at que as hipteses
sobre a parte no sistemtica fossem alcanadas. Este tipo de procedimento
foi e criticado uma vez que excluir informao relevante, ou por omisso de
variveis ou de dinmica, implica em perda de ecincia e em algumas situaes
em perda de consistncia dos estimadores dos parmetros.
O exemplo a seguir ilustra este fato

2.1

Excluso de Informao Relevante

Suponha que estimado o seguinte modelo:


yt = xt + ut

(36)

mas o modelo verdadeiro :


yt = xt + zt + "t
O estimador de

(37)

em (36) dado por:


b

=
=
=

P
P
xt (xt + zt + "t )
xy
P t2t =
P 2
xt
xt
P
P
xt zt
xt "t
+ P 2 + P 2
xt
xt
+ bxz
10

(38)

onde em (38) foi assumido que xt no correlacionado com "t e que bxz o coeciente de regresso de zt em xt : Logo b um estimador viesado e inconsistente
para exceto quando bxz = 0, isto quando zt no correlacionado com xt :
Por outro lado a varincia do estimador do modelo (38) dada por
2

V ar( b ) = P " 2
xt

(39)

ut = zt + "t

(40)

mas a pseudo parte no sistemtica de (36) dada por

ento o estimador da varincia residual, s2 , usando (36) tender a superestimar


2
":
Isto mostra que a omisso de informao relevante faz com que o estimador
do parmetro seja inconsistente e como o estimador da varincia residual superestima a varincia a inferncia a respeito dos parmetros ser invlida.
O exemplo a seguir ilustra o caso em que informao desnecessria incluida.

2.2

Incluso de Informao Irrelevante

Suponha que o modelo verdadeiro (36) mas o modelo estimado (37), isto
inclumimos informao desnecessria. Os estimadores de MQO dos parmetros
so dados por:

b = (XMZ X)
b = (ZMX Z)

XMZ y

(41)

ZMX y

(42)

Como o modelo verdadeiro (36), temos que (41) pode ser re-escrito da
seguinte forma:
b

=
=

(XMZ X)

XMZ (X + u)

+ (XMZ X)

XMZ u

Agora aplicando o operador esperana em (43) temos que


E( b ) =

logo b um estimador no viesado para :


11

(43)

Como o modelo verdadeiro (36), temos que (42) pode ser re-escrito da
seguinte forma:
b

(ZMX Z)

ZMX (X + u)

(ZMX Z)

ZMX X + (ZMX Z)

ZMX u

Observe que o resduo do modelo (37) dado por:


b
" =

[I

[I

Wb = y

W (W 0 W )

W (W 0 W )

W 0y

W 0] y

PW ] y = M W y

(44)

onde W = [X : Z] . Assumindo que o modelo verdadeiro (36) e como PW


X = X 1 temos que (44) reduz-se a:
b
" = MW (X + u) = MW u

(45)

b
"0 b
" = u0 MW u

(46)

e a soma dos quadrados dos resduos dada por:

e como u ~N (0; 2u IT ) e MW uma matriz idempotente com posto T k1 k2


onde k1 a dimenso do vetor e k2 a dimenso do vetor temos que E(u0 MW
0
u) = 2u (T k1 k2 ) logo T bk" 1b" k2 um estimador no viesado para 2u .

2.3

Conceito de Exogeneidade

O ponto de partida da metodologia denominada na literatura por LSE


Methodology a distribuio conjunta das observaes e atravs de condicionamentos e marginalizaes possvel simplicar o processo gerador dos dados.
Observe que, em geral, marginalizaes e condicionamentos implicam em
perda de informao em relao a distribuio conjunta.
Nesta mesma modelagem o conceito de exogeneidade de uma varivel em
relao a um conjunto de parmetros fundamental para ser possvel fazer
inferncia vlida no modelo condicional, isto a perda de informao em se
descartar o modelo marginal irrelevante.
Observe que nesta metodologia a modelagem deve ser feita do geral para
o particular, isto , o ponto de partida deve ser um modelo que contemple
1 Intuitivamente P
W gera o espao formado por W logo PW W = W , PW [X : Z] = [X :
Z] =) PW X = X:

12

dinmica e com uma ordem de defasagem grande o suciente para incluir a


defasagem verdadeira, que desconhecida, e isto feito para que no se incorra
em omisso de informao relevante. Atravs de testes estatstico simplicasse
o modelo.
O exemplo abaixo ilustra o caso em que podemos descartar a distribuo
marginal sem perda de informao relevante.
2.3.1

Densidade Conjunta, condicional e marginal

Seja zt = (yt ; xt ) um processo estocstico serialmente independente e gaussiano que ser denotado por:
yt
xt

~ N I( ; ) para t = 1; :::; T

(47)

Por exemplo yt e xt podem representar moeda e taxa de juros, salrios e


preos etc. Dena "t a parte no sistemtica do modelo denida por:
"t = zt

E(zt )

(48)

logo por construo temos que


"t ~ N I(0; )

(49)

Agora (47) pode ser re-escrito da seguinte forma:


zt =

+ "t

(50)

que representa o mecanismo estatstico gerador ou na nomenclatura usual (50)


est na forma de um modelo . A seguir ser necessrio particionar tanto o
vetor de mdias
quanto a matriz de covarincia
conforme a partio do
vetor zt , isto ,

! yy
! xy

! yx
! xx

(51)

Sem perda de generalidade e informao, a distribuio conjunta dada por


(47) pode ser fatorada na distribuio de yt condicional em xt e na marginal de
xt da seguinte forma:
yt j xt ~ N I( + xt ;
xt ~ N I(

(52)

x ; ! xx )

(53)
13

yx
, =
onde = !xx
(52-53) dada por:

yt =

xt =

+ xt +

1t

com

1t

= ! yy

~ N I(0;

! 2yx
! xx :

Ento a forma de modelo de

(54)

+ "2t com "2t ~ N I(0; ! xx )

(55)

yx
E(yt j xt ) e este componente contm parte
onde 1t = "1t
! xx "2t = yt
da informao de yt que no correlacionada com xt porque:
(i) E( 1t j xt ) = E(yt E(yt j xt ) j xt ) = E(yt j xt ) E(E(yt j xt )) = 0
(ii) E( 1t xt ) = E(E( 1t xt j xt )) = E(xt E( 1t j xt )) = E(xt 0) = 0
e tambm no correlacionado com "2t porque:
! yx
! yx
2
E( 1t "2t ) = E "1t
! xx "2t "2t = E("1t "2t )
! xx E("2t )

yx
= ! yx
! xx ! xx = 0
Observe que a relao entre (50) e (52-53) dada por:

DZ (zt ; ) = DY jX (yt j xt ;

1)

D X ( xt ;

2)

(56)

onde = ( ; ) 2
<n representa o conjunto de (todos) parmetros da
distribuio conjunta, 1 = ( ; ; 2 ) 2 1
<n1 representa os parmetros
da distribuio condicional e 2 = ( x ; ! xx ) 2 2
<n2 os parmetros da
distribuio marginal e temos que n1 + n2 = n. Observe tambm que
=
( 1 ; 2 ) = f ( ) uma transformao um-a-um que sempre pode ser denida
embora os parmetros 1 e 2 podem estar relacionados.
Desta forma em (56) no h perda de informao, mas ao se analisar o
modelo condicional ignorando o modelo marginal tem-se perda de informao.
Deste modo modelar somente o modelo condicional, ignorando a informao
que possa existir entre os parmetros do modelo condicional e marginal, por
exemplo, restries entre equaes, h perda de informao. Observe que esta
dependncia est presente na prpria denio dos parmetros ; ; 2 :
A hiptese de no dependncia entre 1 e 2 , em geral, uma condio muito
forte para que inferncia seja vlida. Vamos apresentar um outro conceito, corte
sequencial, da funo densidade que mais fraco do que a no dependncia .
Denio 1: Dizemos que (56) opera um corte sequencial se e somente se
1 e 2 so variao livre, isto ( 1 ; 2 ) 2 1
2:
Observe que esta denio implica que o espao paramtrico 1 no funo
do parmetro 2 e nem vice-versa. De uma forma intuitiva, podemos dizer que
o conhecimento do valor de um dos parmetros no nos d informao sobre o
intervalo dos possveis valores que o outro parmetro pode assumir.
Observe que se o parmetro de interesse for , o vetor de mdias da distribuio conjunta, devemos estimar tanto o modelo marginal quanto o modelo
14

condicional para poder recuperar tal parmetro. portanto fundamental deixar


claro quem so os parmetros de interesse, que denotaremos por 2 <q com
q < n: Tem-se ento a seguinte denio de exogeneidade fraca.
Denio 2: A varivel xt exogena fraca para os parmetros de interesse
se e somente se:
(i) = ( 1 ), isto funo somente de 1 ;
(ii) (56) opera um corte sequencial, isto , 1 e 2 so variao livre.
A condio (i) acima diz que os parmetros de interesse no dependem de 2
direta ou indiretamente, logo nenhuma informao sobre os parmetros de interesse pode ser obtida atravs do modelo marginal. Deste modo os parmetros de
interesse so recuperados unicamente e completamente atravs do modelo condicional e portanto exogeneidade fraca uma condio suciente para inferncia
vlida (estimao e testes ecientes) de atravs do modelo condicional.
Dado que os parmetros so constantes, isto t = 8t as denies acima
podem ser usadas para toda a amostra, e usando-se a fatorizao sequencial
temos que a densidade conjunta dada por:

DZ (Z1T ; ) =

T
Y

DZ (yt ; xt ; ) =

T
Y

t=1

t=1

DY jX (yt j xt ;

1)

T
Y

DX ( xt ;

2)

(57)

t=1

e em (57) podemos discartar a distribuio marginal de xt :


O exemplo a seguir aborda os conceitos de parmetros de interesse, variao
livre e exogeneidade fraca.
2.3.2

Parmetros de Interesse, Variao Livre e Exogenidade Fraca

Consider o modelo (54-55) mas com a mdia de xt agora sendo uma funo
linear de yt 1 , isto :
yt =

+ xt +

xt = yt

1t

com

1t ~N I(0;

+ "2t com "2t ~N I(0; ! xx )

(58)

(59)

Este modelo conhecido na literatura por modelo de Cobwell se yt =


ln(Pt ) = pt representa ao preo de um produto agrcola e xt = ln(Qt ) = qt
representa a quantidade produzida deste produto. Tem-se ento, assumindo
que = 0;
pt = qt +

1t

com

1t ~N I(0;

15

(60)

qt = pt

+ "2t com "2t ~N I(0; ! qq )

(61)

e como antes temos E(qt 1t ) = E("2t 1t ) = 0:


Observe que (60) representa uma equao de demanda, isto , o preo de
equilbrio do mercado para uma dada quantidade qt : O valor 1 , portanto, a
elasticidade preo de demanda.
Observe que (61) uma equao de oferta, isto , a produo hoje depende
do preo recebido no perodo anterior. O valor de , portanto, a elasticidade
preo de oferta.
Em algumas situaes a estabilidade do sistema de interesse e temos
que resolver o sistema acima de tal sorte que preo e quantidade dependam
somente de preo e quantidade em instante anteriores. Isto obtido reescrevendo
o sistema (60-61) da seguinte forma:
1
0 1

pt
qt

0
0

pt
qt

1t

"2t

(62)

agora invertendo a matriz do lado direito de (62) temos:


pt
qt

0
0

pt
qt

1t

+ "2t

"2t

(63)

que equivalente a:
pt =

pt

qt = pt

+ "1t onde

e "1t ~N I(0; ! p )

+ "2t onde "2t ~N I(0; ! qq )

(64)

(65)

e para que o sistema seja estvel devemos ter j j < 1:


A seguir car claro como os parmetros de interesse e o espao paramtrico
afetam o status da exogeneidade fraca de qt em (63).
Observe que 1 = ( ; 2 )0 e 2 = ( ; ! qq ): A primeira condio para exogeneidade fraca exige que seja funo somente de 1 :2
Observe que se 1 , a elasticidade de demanda, for o parmetro de interesse,
ento a primeira condio de exogeneidade fraca satisfeita. Por outro lado
se for o parmetro de interesse, isto , estamos interessados na estabilidade
do sistema, ento para estimar necessitamos de
2 1 e
2 2 , isto ,
necessitamos de todo o sistema e portanto qt no exgeno fraco para , mas
pode ser exgeno fraco para 1 se a segunda condio for satisfeita.
2 Primeiramente

no consideraremos

e ! qq :

16

Suponha que e so irrestritos, isto , ( ; ) 2 1


< < = <2 :
2
Ento 1 e 2 so variao livre e, portanto, qt exgeno fraco para 1 :
Agora suponha que o sistema seja estvel, isto , j j < 1 , j j < 1 logo e
so restritos. Neste caso o valor de afeta o intervalo de valores possveis para
: Por exemplo, se = 0; 5 ento 2 ( 2; 2) e se = 0; 2 ento 2 ( 5; 5):
Logo 1 e 2 no so variao livre e portanto qt no exgeno fraco para 1 :
Observe tambm que o espao paramtrico no 1
2 porque quando
= 0; 2 temos que 1 = ( 5; 5) e quando = 1 2 1 temos que 2 = ( 1; 1)
3 = 0; 2. Deste modo 1
( 1; 1) no um subespao de
2 = ( 5; 5)
porque este denido por = f( ; )j j j < 1g. Logo qt no exgeno fraco
para 1 .
Suponha que 2 [0; 1) e que 1 negativo e maior do que 1, isto , 2
[ 1; 0). Agora 1
e 1 , 2 so variao livre.
2 um subespao de
Portanto sob estas restries nas elasticidades qt exgeno fraco para 1 .
Vamos considerar um terceiro exemplo em que as densidades marginal, condicional e conjunta contemplam defasagens de modo que os conceitos de causalidade e exogeneidade possam ser denidos e comparados.
2.3.3

Causalidade e Exogeneidade Forte

Seja dado o seguinte processo gerador dos dados:


zt =

zt

+ "t

"t ~ N I(0; )

(66)

ento os modelos condional e marginal so dados por:


yt =

0 xt

xt =

22 xt 1

1 xt 1

2 yt 1

21 yt 1

+ "2t

1t

1t

~ N I(0;

"2t ~ N I(0; ! xx )

(67)

(68)

Observe que por (66) temos que:

E(zt j Zt

1)

V ar(zt j Zt

1)

11

12

21

22

! yy
! xy

yt
xt

! yx
! xx

e atravs das propriedades de normal multivariada temos:

17

(69)

(70)

E(yt j xt ; Zt

1)

! yx ! xx1

+ ! yx ! xx1 xt

! yx ! xx1 ( 21 yt 1
11 yt 1 + 12 xt 1
! yx ! xx1 xt + ( 12 ! yx ! xx1 22 )xt 1
+( 11 ! yx ! xx1 21 )yt 1

yjZ

xjZ )

22 xt 1 )

+ ! yx ! xx1 xt
(71)

m
E(yt j xt ; Zt
onde

1)

= ! yx ! xx1 ,

V ar(yt j xt ; Zt

0 xt

=(

1)

= ! yy

12

1 xt 1

! yx ! xx1

2 yt 1
22 )

! yx ! xx1 ! xy =

=(

11

! yx ! xx1

21 )

Suponha que ( 0 ; 1 ; 2 ; 2 ) 2 1 so os parmetros de interesse. Observe


que os parmetros do modelo marginal so ( 21 ; 22 ; ! xx ) 2 2 . Se bi para
i = 0; 1; 2 forem irrestritos ento 1
2 variao livre. Portanto xt exgeno
fraco para os parmetros de interesse.
Mas se desejarmos fazer previses para yt usando o modelo condicional (67)
a exogeneidade fraca no ser suciente porque yt 1 inuencia xt no modelo
marginal se 21 6= 0 e, portanto, para fazer previses para yt condicional nas
previses de xt no podemos assumir que xt seja xo no modelo condicional uma
vez que existe feedback entre yt e xt que deve ser levado em considerao nestas previses. Deste modo a condio de exogeneidade fraca continua valendo
mas, para se fazer previses necessrio considerar tanto o modelo condicional
quanto o marginal. Mas se 21 = 0 no existe feedback entre yt e xt e, portanto, possvel fazer previses para yt usando smente o modelo condicional
(67). Esta condio conhecida na literatura como no causalidade no sentido
de Granger, que de forma intuitiva diz que uma varivel yt no causa uma
outra, xt , se o passado de yt no ajuda a prever xt . Portanto para se fazer previses condicionais necessitamos de no causalidade alm de exogeneidade fraca
que necessria para se fazer inferncia vlida. Tem-se o segundo conceito de
exogeneidade que est relacionado a previso
Denio 3: Dizemos que xt exgeno forte para se e smente se:
(i) xt exgeno fraco para
(ii) yt no causa xt no sentido de Granger.
A seguir apresentamos o quarto exemplo que alm de claricar as diferenas
entre causalidade e exogeneidade apresenta tambm o conceito de invarincia
dos parmetros do modelo condicional mudanas que possam ocorrer no modelo marginal. Este a denio de super-exogeneidade e est relacionado a
anlise de polticas.
18

2.3.4

Exogeneidade, Causalidade e Invarincia

Considere o seguinte processo gerador de dados:


yt = xt + "1t

xt =

1 xt 1

(72)

2 yt 1

+ "2t

(73)

onde
"1t
"2t

0
0

~ NI

11

12

21

22

1; 2;

11 ;

e estamos assumindo que ( ;

(74)
12 ;

22 )

so variao livre.

Seja o parmetro de interesse e observe que o sistema acima foi obtido


atravs da seguinte distribuio conjunta:
yt
xt

Zt

1 xt 1

+
1 xt 1 +

~ NI

2 yt 1

11

2 yt 1

+2

12

12

22

12

22

22

22

ento temos que


E(yt j xt ; Zt

1)

1 xt 1

+(
=

yjZ

12

12

12

1
22 ) 22 xjZ )

+(

12

1
22 ) 22 xt

( 12 + 22 ) 221 ( 1 xt 1
2 yt 1
1
22 ) 22 xt
1
22 ) 22 xt + c1 xt 1 + c2 yt 1

2 yt 1 )

E(yt j xt ; Zt
onde b = (

12

1)

= bxt + c1 xt
1
22 ) 22

V ar(yt j xt ; Zt

1)

e ci =

11

+ c2 yt

1
i 12 22

+2

12

(75)

para i = 1; 2 e

12

2
22 )

22
22

11

1
12 22 21

Ento o modelo condicional dado por:


19

(76)

yt = bxt + c1 xt

+ c2 yt

+ ut

com ut ~ N I(0;

(77)

1
onde ut = "1t
12 22 "2t :
Observe que quando 12 = 0 as densidades do modelo condicional e marginal
so normais com os seguintes parmetros

E(yt j xt ; Zt

1)

E(xt j Zt

1)

= xt e V ar(yt j xt ; Zt

1 xt 1

2 yt 1

1)

e V ar(xt j Zt

(78)

11

1)

22

(79)

ento (yt ; xt ) dene um corte sequencial dado que ( ; 11 ) 2 1 e ( 1 ; 2 ; 22 ) 2


, funo de 1 somente.
2 so variao livre e o parmetro de interesse,
Desde modo xt exgeno fraco para . Isto mostra que pode ser recuperado
sem o conhecimento do processo gerador de xt quando a covarincia entre yt
e xt for zero. Assim quando 12 = 0 temos que b = , mas se 12 6= 0,
no poder ser recuperado de (77), isto atravs dos parmetros do modelo
condicional (b; c1 ; c2 ; 2 ).
Agora se 2 6= 0, valores passados de yt afetam xt e, portanto, y causa x no
sentido de Granger logo xt no exgeno forte para mesmo que 12 = 0: Mas
se 2 = 12 = 0 ento xt ser exgeno forte para :
Na literatura usual existem dois outros conceitos que, as vezes so confundidos com o conceito de exogeneidade. Esses conceitos so: variveis estritamente exgenas e variveis predeterminadas. Apresentaremos a seguir a
denio destes dois conceitos.
Denio 4: Dizemos que xt estritamente exgeno para ut se E(xt ut+i ) =
0 para todo i.
Denio 5: Dizemos que xt pre-determinada para ut se E(xt ut+i ) = 0
para todo i 0.
Observe que o conceito de exogeneidade est relacionado a parmetros enquanto que estes dois ltimos conceitos dizem respeito a ortogonalidade dos
regressores com os erros.
No exemplo anterior se 1 6= 0 ento xt no ser estritamente exgena, mas
ser pre-determinada pois:
E(xt ut+i )

E[xt ("1t+i

E(xt "1t+i )

1
12 22 "2t+i )]
1
12 22 E(xt "2t+i )

(80)

Agora usando (72-73) o processo gerador de xt pode ser escrito da seguinte


forma:

20

xt =

1 "1t 1

)L

"2t
+

(81)

)L

Substituindo (81) em (80) temos dois termos onde o primeiro dado por:
1 "1t 1

2+

)L

"2t
2+

)L

"1t+i

(82)

e o segundo por
1 "1t 1

1
12 22 E

)L

"2t
( 2+

"2t+i

)L

(83)

Agora (82) implica em:


20
1
X
4
@
1E

"1t

j=0

20
1
X
A
5
4
@
"1t+i + E
j

"2t

j=0

onde = 2 + 1 :
Observe que a primeira expresso de (84)
(i) zero para i 0
(ii) para i < 0 vale jij 1 1 11
e a segunda expresso de (84)
(iii) zero para i > 0,
(iv) para i = 0 vale 12
(v) para i < 0 vale jij 12 :
Agora (83) implica em:

1
12 22

20
1
X
4
@
E
1
j=0

"1t

1 j

A "2t+i 5

1
12 22 E

20
4@

A "1t+i 5

1
X

"2t

j=0

Observe que a primeira expresso de (85)


(vi) zero para i 0
jij 1
(vii) para i < 0 vale
1
12
e a segunda expresso de (85)
(viii) zero para i > 0
(ix) para i = 0 vale
22
jij
(xii) para i < 0 vale
22
Agora por (i), (iii), (iv), (vi), (viii) e (ix) temos que para i
(82-83) resultam em:

21

(84)

A "2t+i 5 (85)

0 as expresses

12

22

=0

o que implica que xt predeterminada


Agora por (ii), (v), (vii) e (xii) temos que para i < 0 as expresses (82-83)
resultam em:
jij 1

1 11

jij 1

jij 1

jij 1

jij

12

jij 1

11 +

12

1 12

11 +

12

1 12

1 ( 11

1
12 22 21 )

= 0 se

jij

12

22

22 )
1
12 22 22 )
1

=0

Logo necessitamos da condio de que 1 = 0 para que xt seja estritamente


exgeno.
Observe que a condio que devemos impor para que xt seja exgeno fraco
12 = 0 e se esta condio no for satisfeita mas 1 = 0 teremos que xt no
exgeno farco mas estritamente exgeno.
O ltimo conceito a ser apresentado o de super-exogeneidade que dendo
por:
Denio 6: Dizemos que xt super-exgeno para se e somente se:
(i) xt exgeno fraco para
(ii) 1 invariante a intervenes que afetam 2
No exemplo anterior se 12 6= 0 e mesmo que seja um parmetro invariante
a mudanas nos parmetros do modelo marginal, isto ( 1 ; 2 ; 22 ), estas mudanas vo afetar os parmetros do modelo condicional ( ; c1 ; c2 ; 2 ) violando
a segunda condio de super-exogeneidade.
Neste caso a violao de exogeneidade fraca pode implicar em no constncia
do modelo condicional quando o modelo marginal muda. Temos ento um teste
indireto de exogeneidade fraca: devemos vericar se os parmetros do modelo
condicional so invariante no tempo e se a parte no sistemtica do modelo, o
erro, um processo de inovao.
No exemplo anterior se 12 = 0 a primeira condio de super-exogeneidade
satisfeita e se os parmetros do modelo condicional, que neste caso so ( ; 11 )
forem invariantes a mudanas que afetam os parmetros do modelo marginal,
isto , ( 1 ; 2 ; 22 ) ento a segunda condio da denio acima tambm
satisfeita e, portanto, xt super-exgeno para e isto vale mesmo que 1 6= 0,
isto , a varivel pode ser super-exgena sem ser exgena forte.
Como mudanas que afetam o modelo marginal esto associadas a mudanas
de poltica economica, o conceito de super-exogeneidade est associado a anlise
de poltica dentro da amostra.

22

2.4

Testes de Exogeneidade

A condio para exogeneidade fraca era que 12 = 0. Esta condio para ser
testada necessita da especicao no s do modelo condicional mas tambm
do modelo marginal.
Mas sob a hiptese nula, isto H0 : 12 = 0, (72) o modelo condicional que
tem distribuio independente do modelo marginal dado por (73) e, portanto,
ambos podem ser estimados de forma eciente por MQO. Denote por b
"y e b
"x
os resduos de (72) e (73) respectivamente o teste LM construido da seguinte
forma:
(i) faa a regresso de b
"y em constante, x e b
"x ;
(ii) sob H0 , nR2 onde R2 o coeciente de determinao da regresso
em (i), tem distribuio @2 (1):
(iii) Rejeite H0 se nR2 exceder algum valor crtico preselecionado.
Uma outra forma, equivalente, de testar esta hiptese usar y em vez de b
"y
no tem (i) acima e testar a signicncia do coeciente de b
"x :
Vamos mostrar que o coeciente estimado para b
"x nas duas formas o
mesmo, que os desvios padro estimados so os mesmos nas duas especicaes
e que o teste LM equivalente ao teste t de signicncia do coeciente de b
"x :
Considere as duas especicaes, isto :
b
"y = xb1 + b
" x b2 + u
y=x

+b
"x

(86)

+v

(87)

e desejamos mostrar primeiro que bb2 = b 2 . Multiplique (86) por Mx = I


x(xx) 1 x e como Mx x = 0 temos:
Mx b
" y = Mx b
"x b2 + Mx u = Mxb
"x b2 + u

(88)

e Mx u = u porque xu = 0: Agora usando o fato que b


"y = Mx y o estimador de
b2 ser dado por:
bb2 = (b
"x Mxb
"x )

b
"x Mxb
"y = (b
"x Mxb
"x )

Agora o resduo de (88) dado por:


u
b =

Mx b
"y

b
" x Mx y

Mx b
"x (b
" x Mx b
"x )

N Mx b
"y = N Mx y

onde N = I Mxb
"x (b
" x Mx b
"x ) 1 b
" x Mx :
Agora pre-multiplicando (87) por Mx temos:
23

b
"x Mxb
"y

(89)

(90)

Mx y = M x b
"x

e o estimador de

+ Mx v = Mx b
"x

+v

(91)

dado por

b = (b
" x Mx b
"x )
2

b
" x Mx y

(92)

que identico a bb2 obtido em (89). Observe que o resduo de (91) dado por:
vb = Mx y

= N Mx y

Mx b
"x b 2 = Mx y

que identico a (90).


Agora vamos mostrar que a estatstica F para testar
nR2 de (86).
A estatstica F para testar 2 = 0 dada por:
F

=
=

Mx b
"x (b
"x Mxb
"x )

b
" x Mx y

(93)

= 0 equivalente a

(y Mx y vbvb)=r
(SQ Re sR SQ Re sI )=r
=
SQ Re sI =(n k)
vbvb=(n k)
(y Mx y u
bu
b)=r
u
bu
b=(n k)

(94)

e nR2 de (86) dado por:


nR2 =

SQ Re g
y Mx y u
bu
b
=
SQT otal=n
y Mx y=n

(95)

observe que o denominador de (94) e de (95) so ambos estimadores consistentes


para 2 , e, portanto nR2 e rF tem distribuio @2 (r):
2.4.1

Testes de Exogeneidade de Wu-Hausman

O modelo (72-73) escrito em forma matricial dado por:


y = x + "1

x=x

1 1

+y

(96)

1 2

+ "2

(97)

onde x 1 = [xn 1 ; xn 2 ; :::; x0 ] e y 1 = [yn 1 ; yn 2 ; :::; y0 ]:


J vimos que se 12 6= 0 ento "2t afeta xt e "1t e logo xt e "1t sero
correlacionados na primeira equao e portanto a utilizao de MQO nesta
equao implica em estimadores viesados e inconsistentes para .
24

Em vez de derivar um teste direto para


se concentra na primeira equao e testa
1
x"1
n

H0 : p lim

12

o procedimento de Wu-Hausman

=0

contra a alternativa
1
x"1
n

H1 : p lim

6= 0

A idia bsica deste teste comparar dois possveis estimadores de : Sob H0


o estimador de MQO b 0 = (xx) 1 xy consistente e assintoticamente eciente.
Sob H1 este estimador ser inconsistente. Suponha ento que possvel obter
z vetor de instrumentos para x, que satisfaz:

p lim

1 0
zx
n

6= 0 e p lim

1 0
z "1
n

=0

e o estimador de variveis instrumentais b 1 = (z 0 x) 1 z 0 y pode ser construdo e


ser um estimador consistente em ambas as hipteses.
Como ambos os estimadores so consistentes sob H0 a diferena entre eles
ser assintoticamente negligencivel.
Denote esta diferena por
qb = b 1

que sob H0 ter distribuio


qb a
qb2 a 2
~N (0; 1) ou
~@ (1)
d:p:(b
q)
V ar(b
q)

Como, sob H0 , o estimador b 0 mais eciente do que b 1 temos que


V ar(b
q ) = V ar( b 1 )

V ar( b 0 )

e o teste pode ser escrito da seguinte forma:

V ar( b 1 )

qb2

V ar( b 0 )

~@2 (1)

(98)

25

O estimador de variveis instrumentais pode ser escrito com um estimador


de mnimos quadrados em dois estgios, a saber

onde

b = (b
xx
b)
1

x
b = z(z z)

x
by

z x = Pz x

Observe que este estimador obtido da seguinte forma. No primeiro estgio


pela regresso de x em z obtm-se o valor ajustado x
b e o resduo deste primeiro
estgio v = x x
b por construo ortogonal a x
b e portanto temos que x
bx
b=x
bx:
No segundo estgio fazemos a regresso de y em x
b: Desde modo a diferena
entre os dois estimadores, qb, pode ser escrita da seguinte forma:
qb =

=
=

(b
xx
b)
(b
xx
b)

(b
xx
b)

b = (b
xx
b)
0
1

[b
xy

[b
xy

[b
xMx y]

x
by

(b
xx
b)(xx)
(b
xx)(xx)

(xx)
1

xy]

xy]

xy

(99)

A expresso acima est relacionada ao coeciente de x


b na regresso auxiliar
de y em x e x
b um vez que esta regresso dada por:
y =x +x
b +u

(100)

b = (b
x Mx x
b)

(101)

e o estimador de

dado por

[b
xMx y]

com matriz de varincia-covarincia dada por:


V ar(b) =

(b
x Mx x
b)

(102)

e a hiptese nula agora dada por H0 :


por
b2

V ar(b)

= 0, cujo estatstica de teste dada

~@2 (1)

(103)

e vamos mostrar que esta expresso identica (98).


Substituindo (101) e (102) em (103) temos
26

b2

V ar(b)

(b
x Mx x
b)

[b
xMx y]2

(104)

Agora por (99) temos que qb = (b


xx
b)
V ar(b
q)

=
=
=
=
=

[b
xMx y] e V ar(b
q ) dada por:

1
1
x
bx
b xx
x
x x
bx
b
2
(b
xx
b)(xx)
1
(xx) 1 (b
xx
b)
2
x
bx
b
bx
b x
bx
b(xx) 1 x
bx
b
2x
(b
xx
b)2
bx
b x
bx(xx) 1 xx
b
2x
(b
xx
b)2
bMx x
b
2x
2
(b
xx
b)
2

(105)

Substituindo (105) e (99) em (98) temos:


qb2
V ar(b
q)

=
=

que exatamente a expresso (104).


2.4.2

(b
xx
b)
1

2
[b
xMx y]2
bMx x
b
2x
(b
xx
b)2

(b
x Mx x
b)

[b
xMx y]2

Testando exogeneidade fraca de INC para CONS em DATAGIVE.WF1

Considere o seguinte modelo:


Const =

1 Inct

+ "t

e suspeitamos que Inc no exgeno fraco para : Vamos usar o procedimento da seo (2.4), isto , o modelo marginal para Inc ser dado por
Inct =

1 Const 1

2 Inct 1

O programa abaixo apresenta o teste


27

+ vt

smpl @first @last


equation eq1.ls inc c cons(-1) inc(-1)
eq1.makeresids res_eq1
freeze eq1.results
equation eq2.ls cons c inc res_eq1
freeze eq2.results

Observe que como ex signicativo, temos que Inc no exgeno fraco e


portanto a inferncia no modelo condicional invlida.

2.5

Exerccios

1. As questes abaixo so do tipo falsa, verdadeira ou ambgua. Justique


as suas respostas.
(i) o conceito de exogeneidade fraca fundamental para se fazer inferncia no
modelo marginal;
(ii) se os parmetros de interesse so do modelo conjunto e estimamos somente
o modelo condicional a inferncia invlida;
(iii) o conceito de exogeneidade forte fundamental se quizermos fazer previses para o modelo condicional;
(iv) o conceito de super-exogeneidade est relacionado ao conceito de invarincia dos parmetros do modelo condicional intervenes nos parmetros
do modelo marginal.
28

2. Considere o seguinte sistema:

yt

xt + "t

xt

1 yt 1

0
0

2 xt 1

+ vt

com
"t
vt

~ NI

2
"

0
2
v

(i) escreva o sistema na forma Zt =

Zt

+ ut onde Zt =

(ii) obtenha o modelo condicional, isto , E[yt j xt ; Zt

yt
xt

1]

(iii) podemos dizer que xt exgeno fraco para


que devem ser satisfeitas para que seja.

? Se no quais as condies

(iv) podemos dizer que xt exgeno forte para


que devem ser satisfeitas para que seja.

? Se no quais as condies

3. Considere o seguinte sistema:

yt

xt + "t

xt

1 yt 1

0
0

2 xt 1

+ vt

com
"t
vt

~ NI

2
"

" v
2
v

" v

(i) escreva o sistema na forma Zt =

Zt

+ ut onde Zt =

(ii) obtenha o modelo condicional, isto , E[yt j xt ; Zt

yt
xt

1]

(iii) podemos dizer que xt exgeno fraco para


que devem ser satisfeitas para que seja.

? Se no quais as condies

(iv) podemos dizer que xt exgeno forte para


que devem ser satisfeitas para que seja.

? Se no quais as condies

29

4. Com os dados de DATAGIVE.WF1 teste causaliade de Grander entre


CONS e INC e entre OUTPUT e INFLAT. O que voce conclue em cada um
dos casos. O nmero de defasagens utilizados tem alguma importncia?
Porque? Se voce mudar a amostra usada nos testes, os resultados se
modicam? Porque?

Tipologia de Modelos Dinmicos


Vamos considerar o modelo ADL(1,1), isto :
yt = m +

1 yt 1

0 xt

1 xt 1

+ "t

(106)

onde "t ~ N I(0; 2" ) e por simplicidade vamos assumir que m = 0. Existem
10 sub-modelos de (106) que so obtidos impondo restries que devem ser
testadas. Estes sub-modelos so apresentados na tabela 1 do apndice.
Trs observaes importantes devem ser feitas antes de comentarmos cada
um destes modelos. A primeira est relacionada ao status da varivel xt a segunda a dependncia das propriedades do modelo as propriedades dos dados e
a ltima se cada tipo de modelo est sendo tratado como corretamente especicado ou se uma aproximao de um processo gerador dos dados mais geral.
Todas estas trs observaes devem ser feitas uma vez que no se comeou a
anlise do modelo mais geral e tambm porque o processo gerador dos dados
em geral desconhecido.
Para que a inferncia nestes modelos seja vlida devemos assumir que estes
representam o modelo condicional vlido e, portanto, estamos implicitamente
assumindo que xt exgeno fraco para os parmetros de interesse que so
= ( 1 ; 0 ; 1 ; 2" ): Assumindo que xt exgeno fraco para os parmetros de
interesse, se qualquer sub-modelo da tipologia for vlido ento todos os modelos
menos restrito que aquele tambm sero.
Estamos assumindo que xt I(1) e portanto xt I(0): Isto resolve a
segunda observao embora algumas sries temporais economicas sejam I(0),
por exemplo, a taxa de desemprego, e portanto o caso de xt estacionrio tambm
relevante. Se xt e yt cointegrarem ento ut = yt
xt ser I(0), mas isto pode
no acontecer e portanto ut ser I(1).
A tipologia trata cada modelo em separado e pressupe que esta especicao
correta e portanto a terceira observao no se aplica.
Quanto a estimao destes modelos, como estamos assumindo que o modelo
est corretamente especicado e que a parte no sistemtica um rudo branco,
quase todos podem ser estimados por M.Q.O., com a exceo do modelo de
regresso esttica com erros correlacionados. Neste modelo apresentaremos dois
mtodos de estimao, a saber, M.Q.G. e um procedimento iterativo.
30

Para todos os modelos no apresentaremos testes de especicao ou falta de


especicao. Mas para o modelo de regresso esttica com erros correlacionados
sero apresentados testes para detectar autocorrelao nos erros, uma vez que
estes testes tambm servem para vericar a especicao dinmica do modelo.

3.1

Regresso Esttica

O modelo dado por:


yt =

0 xt

+ "t

(107)

(em geral tanto 0 quanto xt so vetores) e tem importncia em sistemas macroeconomtricos uma vez que pode ser interpretado como uma equao estrutural.
Na prtica a hiptese de que "t rudo branco pouco provvel uma vez que falta
de dinmica induz correlao nos erros e correlao espria entre as variveis
pode induzir alta correlao nos erros tornando a inferncia usual invlida.
Recentemente regresso esttica reapareceu na literatura como parte do procedimento em dois passos de Engle & Granger para se testar cointegrao. Deste
modo 0 ser um estimador de elasticidade de longo-prazo. Este tipo de procedimento para se obter a elasticidade de longo-prazo foi questionado na literatura uma vez que a relao esttica impe certas restries no multiplicador
mdio que podem no ser vlida.
Uma outra justicativa para o modelo esttico est relacionada a abordagem
da autocorrelao, isto , estimasse o modelo esttico e corrigisse a possvel
autocorrelao dos resduos atravs de um modelo autorregressivo, mas como
veremos mais a frente este tipo de procedimento pode impor restries de fatores
comuns que podem ser invlidas.

3.1.1

Exemplo usando DATAGIVE.WF1

Considere o modelo
Const =

1 Inct

+ "t

o seguinte comando do EVIEWS estima este modelo por M.Q.O.


smpl @first+1 @last
equation eq1.ls cons c inc
eq1.makeresids res_eq1
cria serie de resduos
freeze eq1.results apresenta resultados da regresso
eq1.fit c_hat c_se cria serie previsto e d.p.
genr c_up=c_hat+2*c_se cria limite superior de previso
genr c_low=c_hat-2*c_se cria limite inferior de previso
31

graph graf1.line cons c_hat c_up c_low


show graf1 mostra grfico observado previsto e bandas
graph graf2.line(d) res_eq1 cons c_hat
show graf2
mostra grfico observado, previsto e resduos

e o resultado apresentado abaixo:

Figura 1 - Regresso Esttica


O grco abaixo do observado e previsto e os respectivos intervalos de conana para a previso. Observe que o observado est dentro da banda de previso
do modelo.

910
900
890
880
870
860
850
840
1955

1960

1965

1970

CONS
C_HAT

1975

1980

1985

1990

C_UP
C_LOW

Figura 2 - Observado, Previsto e Bandas

32

O grco abaixo apresenta o observado, previsto e resduo. Observe que os


resduos indicam que o modelo consegue acompanhar os movimentos do Consumo.

900
890
880
870
15

860

10

850

5
0
-5
-10
-15
1955

1960

1965

1970

RES_EQ1

1975

1980

CONS

1985

1990

C_HAT

Figura 3 - Observado, Previsto e Resduos

3.2

Modelo Autorregressivo Univariado

O processo gerador dos dados :


yt =

1 yt 1

+ "t

(108)

que uma parametrizao possvel para modelos univariados de sries temporais. Observe que no caso em que 1 = 1 este modelo um passeio aleatrio se
"t for um rudo branco.
Modelo Autorregressivos so muito usados em previso ex-ante tanto no caso
univariado quanto no caso multivariado e competem com modelos economtricos
em termos de poder preditivo.
No entanto em economia as decises economicas so interdependentes induzindo modelos autorregressivos mas estes no so autonomos, porque mudanas no processo gerador de xt podem afetar o processo gerador de yt , uma
vez que o processo autorregressivo para yt pode ser obtido atravs de eliminao ou marginalizao do processo gerador de xt . Por exemplo, suponha que
xt = xt 1 + t com t ~ N I(0; 2t ) e se as restries 1 = 1 e 0 =
1 forem
vlidas temos que o processo gerador de yt dado por yt = yt 1 + "t + 0 t que
tem varincia no constante e dada por t( 2" + 20 2 ). Deste modo o modelo
economtrico deve ter melhor aderncia do que o modelo autorregressivo, ou
menos mal especicado dinamicamente do que o modelo autorregressivo e,
tambm as previses do modelo economtrico devem ser melhores do que as do
modelo autorregressivo ou ento a no constncia do modelo economtrico deve
ser testada.

33

3.2.1

Continuao do Exemplo

Foi estimado um AR(1) para CONS. Os comandos no EVIEWS esto apresentados abaixo
smpl @first @last
equation eq1.ls cons c cons(-1)
eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:

Figura 4 - Modelo AR(1) para CONS

Observe que o coeciente de CONS(-1) prximo de 1 indicando que esta


srie no estacionria
O grco abaixo do observado e previsto e os respectivos intervalos de conana para a previso. Observe que o observado est dentro da banda de previso
do modelo.

34

910
900
890
880
870
860
850
840
1955

1960

1965

1970

1975

CONS
C_UP

1980

1985

1990

C_HAT
C_LOW

Figura 5 - Observado, Previsto e Bandas


O grco abaixo apresenta o observado, previsto e resduo. Observe que o
previsto acompanho o observado e se compararmos tanto os resduos como o
Schwarz este modelo melhor que o anterior.

Figura 6 - Observado, Previsto e Resduo

3.3

Indicadores Antecedentes

O processo gerador dos dados dado por:


yt =

1 xt 1

+ "t

(109)
35

e pode ser usado para fazer previses para yt um vez que xt antecede yt .
Na ausncia de uma teoria comportamental pouco provvel que 1 seja
constante. Deste modo as previses com este modelo no sero boas em momentos de mudanas. Observe que neste modelo a varivel yt 1 foi excluida e
a priori esta excluso pode implicar em falta de especicao dinmica.

3.3.1

Continuao do Exemplo

Foi estimado um modelo para CONS usando INC como indicador antecedente
. Os comandos no EVIEWS esto apresentados abaixo
smpl @first+1 @last
equation eq1.ls cons c inc(-1)
eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:

Figura 7 - Indicador Antecedente

36

O grco abaixo do observado e previsto e os respectivos intervalos de conana para a previso. Observe que o observado est dentro da banda de previso
do modelo.

920
910
900
890
880
870
860
850
840
830
1955

1960

1965

1970
CONS
C_UP

1975

1980

1985

1990

C_HAT
C_LOW

Figura 8 - Observado, Previsto e Bandas


O grco abaixo apresenta o observado, previsto e resduo. Observe que o
previsto acompanho o observado e se compararmos tanto os resduos como o
Schwarz este modelo pioram em relao ao modelo AR(1):

Figura 9 - Observado, Previsto e Resduos

37

3.4

Modelos de Taxa de Crescimento

Sries economicas tem tendncia seja ela determinstica ou estocstica e,


portanto, antes de fazer anlise estatstica dos dados era sugerido diferenciar
os dados. Existem outras transformaes que retiram tendncia, por exemplo,
razes entre variveis, mas que no excluem a relao de longo prazo que pode
existir entre as variveis, e como veremos mais adiante, estas transformaes
esto relacionadas ao conceito de cointegrao.
O modelo de taxa de crescimento dado por:
yt =

xt + "t

(110)

e estes modelos no sofrem do problema de regresso espria que esto presentes


em modelos com variveis I(1):
Por outro lado, se a varincia de xt grande em relao a varincia de
yt , 0 ser pequeno mesmo que yt e xt cointegrem com = 1. Alm disto,
mesmo que yt = xt implique que yt =
xt a recproca no verdadeira.
A priori no h nenhum razo para se excluir o nvel das variveis uma vez
que desequilbrios iniciais no podem ser assumidos como irrelevantes.

3.4.1

Continuao do Exemplo

Foi estimado um modelo de taxa de crescimento para CONS e INC. Os


comandos no EVIEWS esto apresentados abaixo
smpl @first @last
equation eq1.ls d(cons) c d(inc)
eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:

38

Figura 10 - Taxa de Crescimento


Observe que o critrio de informao desta regresso no comparvel com
as anteriores uma vez que a varivel dependente neste caso D(CON S) em vez
de CON S: Uma forma de resolver este problema estimar o modelo escrito da
seguinte formam, que preservar o modelo de taxa de crescimento uma vez que
o coeciente de CON St 1 est restrito a ser um:
CON St =

CON St

1 D(IN Ct )

+ "t

obtm-se os seguintes resultados3


3A

modicao no programa :
equation eq1.ls cons=C(1)+cons(-1)+C(2)*d(inc)

39

Figura11 - Taxa de Crescimento Modicado


e agora podemos comparar o critrio de informao desta regresso com os
anteriores. Observe que o Schwarz diminue o que implica que este modelo
melhor do que o AR(1): Abaixo apresentado o grco do observado, previsto
e resduos para este modelo

Figura 12 - Observado, Previsto e Resduo

40

3.5

Defasagens Distribuidas

O processo gerador dos dados dado por:


yt =

0 xt

1 xt 1

+ "t

(111)

Observe que as crticas a regresso esttica tambm se aplicam aqui.


A excluso a priori de yt 1 pode mais uma vez implicar em falta de especicao dinmica.

3.5.1

Continuao do Exemplo

Foi estimado um modelo de defasagens distribuidas para CONS e INC. Os


comandos no EVIEWS esto apresentados abaixo
smpl @first @last
equation eq1.ls cons c inc inc(-1)
eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:

41

Figura 13 - Defasagens Distribuidas

O grco dos observados, previstos e resduos apresentado abaixo

Figura 14 - Observado, Previsto e Resduos

42

Comparando com os modelos anteriores este modelo pior do que o modelo


de taxa de crescimento.

3.6

Ajustamento Parcial

O processo gerador dos dados dado por:


yt =

0 xt

1 yt 1

+ "t

(112)

e este modelo pode ser obtido atravs de um processo de ajustamento onde a


relao desejada de longo prazo dada por yt = xt e o custo de ajustamento
so quadrticos.
Uma outra forma de obter o modelo de ajustamento parcial assumir que a
varivel yt representa o realizado e que yt representa o desejado de longo prazo
e existe o fator xt . A relao de equilbrio de longo prazo dada por:
yt = xt :

(113)

O ajustamento entre observado e desejado dado por:


yt

yt

= (yt

yt

1)

+ "t

(114)

Usando (114) possvel explicitar a varivel yt em funo de yt e yt


yt =

yt + (

)yt

1
1

"t

temos:

(115)

e substituindo (115) em (113) temos:


1

3.6.1

yt + (

)yt

1
1

"t = xt ) yt = (1

)yt

xt + "t

Continuao do Exemplo

Foi estimado um modelo de ajustamento parcial para CONS e INC. Os


comandos no EVIEWS esto apresentados abaixo
smpl @first @last
43

equation eq1.ls cons c inc cons(-1)


eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:

Figura 15 - Ajustamento Parcial

O grco abaixo apresenta os valores observados, previstos e resduos para


este modelo.

44

Figura 16 - Observado, Previsto e Resduos

Comparando com os modelos anteriores este modelo pior do que o modelo


de taxa de crescimento.

3.7

Regresso Esttica com Erros AR(1) ou Modelos de


Fatores Comuns

Escrevendo (106) em operador defasagem temos:

(1

1 L)yt

0 (1

L)xt + "t

(116)

Agora se e somente se

1
0

ou

1 0

= 0, os dois polinomios

L) tem a mesma raz, isto , tem um fator comum e, portanto,


(1
1 L) e (1+
0
podemos dividir (116) por (1
1 L) obtendo:
1

yt =
e fazendo

0 xt

1;

"t
(1

(117)

1 L)

podemos re-escrever (117) da seguinte forma:


yt

0 xt

+ ut

ut

ut

+ "t

(118)

que o modelo de regresso esttica com erros autorregressivos.


Observe que (1
1 L) um dos fatores do polinomio A(L) e de forma
semelhante (1 + 1 L) um dos fatores do polinomio B(L), e quando eles so
0
iguais os dois polinomios A(L) e B(L) tem um fator em comum.
45

Como (118) impe uma restrio testvel no modelo ADL(1; 1) se esta restrio for rejeita este sub-modelo uma reduo invlida do modelo geral.
Desta forma os modelos ADL incluem os modelos de regresso esttica com
erros correlacionados.
Observe que a metodologia do particular para o geral, que parte da regresso
esttica e testa autocorrelao nos erros e caso esta hiptese no seja rejeitada
corrigimos por autocorrelao os erros implica que a restrio de fatores comuns
foi imposta e pode ser invlida. Mas observe que se estimarmos o modelo por
M.Q.O. sem levar em considerao a autocorrelao dos erros os estimadores
continuam consistente mas so inecientes.
3.7.1

Estimao com Erros Correlacionados

Considere a estimao de (118) e observe que neste caso a matriz de varinciacovarincia dos erros no escalar e ser dada por:
2
V ar(u) =

1
2

6
6
6
6
6
6
6
6
4

1
1
:
:
:

:
:
:
T

:
:
:
:
:
:
:

:
:
:
:
:

:
:
:
:
:
:

:
:
:
:
:
1

:
:
:
1

7
7
7
7
7 (119)
7
7
7
5

e a estimao dos parmetros obtida por Mnimos Quadrados Generalizadas (M.Q.G.), isto
b = (X 0
0

X)

X0

(120)

Observe que em (120), implicitamente, estamos assumindo que conhecido


o que no verdadeiro na prtica. Se b um estimador para o estimador b 0
ser dado por (X 0 b 1 X) 1 X 0 b 1 y onde b dada por:
2

b
1
:
:
:

1
b
:
:
:

6
6
6
6
b= 1 6
2 6
1 b 6
6 T
4 b
bT

2
1

bT
bT

Um estimador possvel para

3
2

b2
b
:
:
:
:
:

: : : bT
: : : bT
: : :
:
: : :
:
: : :
:
: b 1
b
: : b
1

46

3
7
7
7
7
7
7
7
7
5

(121)

b=

T
P

u
bt u
bt

t=1
T
P

t=1

u
b2t

onde u
bt = yt b 0 xt :
Observe que o estimador de 0 depende do estimador de e vice-versa.
Uma outra forma de obter estes estimadores atravs de Mnimos Quadrados
Ponderados uma vez que a inversa da matriz tem forma fechada e dada por:
2

6
6
6 0
6
=6
6 :
6 :
6
4 0
0

0
2

1+

1+
:
:
0
0

:
:
0
0

que pode ser escrita como


2 p

6
6
6
6
P =6
6
6
6
4

1
0
:
:
0
0

0
1

0
0
1
:
:
0
0

:
:
0
0

:::
:::
:::
:::
:::
:::
:::

0
0
0
:
:

0
0
0
:
:
1+

0
0
0
:
:
2

= P 0 P onde P dada por:


:::
:::
:::
:::
:::
:::
:::

0
0
0
:
:
0

0
0
0
:
:
1

0
0
0
:
:
0
1

3
7
7
7
7
7
7
7
7
5

(122)

3
7
7
7
7
7
7
7
7
5

(123)

que implica na seguinte transformao dos dados:

2 p
2 y
1
1
6 y2
y1
6
6
:
y =6
6
:
6
4
:
yT
yT 1

2 p
2 x
1
1
6 x2
x
1
6
6
:
x =6
6
:
6
4
:
xT
xT 1

7
7
7
7
7
7
5

(124)

7
7
7
7
7
7
5

(125)

47

e usando Mnimos Quadrados Ordinrios no modelo transformado temos o estimador equivalente ao M.Q.G.
Observe que se a primeira linha de P no for utilizada o estimador de 0
facilmente obtido, uma vez que ser M.Q.O. para t = 2; :::; T . Observe tambm
que este estimador ser aproximado uma vez que a primeira observao est
sendo descartada.
Como observado acima desconhecido mas pode ser estimado por Mnimos
Quadrados No Lineares no seguinte modelo, que uma transformao de (118):
yt = yt

0 xt

assumindo que "t ~ N I(0;

0 xt
2

+ "t

(126)

):

Atualmente fcil estimar (126) por MQNL mas antigamente um procedimento iterativo era utilizado. Este procedimento consistia em:
(i) assumindo que = 0 o estimador consistente para
da regresso de yt em xt ;

era dado por MQO

(ii) obtinhamos o resduo da regresso do item (i), denotando-se por u


bt ;
(iii) fazendo-se a regresso de u
bt em u
bt

1;

era obtido um estimador para ;

(iv) transformado-se as variveis do modelo usando-se (124) e (125) obtinhamos


um novo estimar para 0 ;
(v) repetindo-se os itens (ii-iv) at que a mudana nos parmetros seja pequena.

3.7.2

Testes para Autocorrelao - o teste de Durbin & Watson

Consider o modelo dado por (118) e desejamos testar:


H0 :

= 0 versus H0 :

>0

(127)

Como a hiptese a respeito do processo gerador de ut que no observado


podemos usar o resduo de M.Q.O., isto , u
bt = yt b 0 xt onde b 0 o Estimador
de M.Q.O. de 0 :
Sabemos que:
(i) u
bt = MX ut
(ii) V ar(b
u) =

MX

48

Logo mesmo que se a hiptese de que V ar(u) = 2 I seja vlida, os resduos


de M.Q.O. apresentaro autocorrelao.
Alm do mais MX depende de xt fazendo com que um teste exato vlido
para qualquer X seja impossvel de ser obtido.
Durbin & Watson prope a seguinte estatstica de teste:

d=

T
P

u
bt

(b
ut

t=1
T
P

t=1

2
1)

(128)

u
b2t 1

Observe que a estatstica d est relacionada ao coeciente de autocorrelao


amostral de primeira ordem, pois:
d

b)

2(1

(129)

onde b o Estimador de M.Q.O. de


b=

T
P

u
bt u
bt

t=1
T
P

t=1

u
b2t

que dado por

(130)
1

Como o clculo da estatstica d depende da matriz de dados X, Durbin &


Watson obtiveram limites inferiores (dL ) e superiores (dU ) para esta estatstica
de tal forma que:
(i) se d < dL rejeitamos a nula;
(ii) se d > dU no rejeitamos a nula; e
(iii) se dL < d < dU o teste inconclusivo
O procedimento acima vale quando d < 2: Quando d > 2 a alternativa do
teste de autocorrelao negativa e o teste feito usando-se 4 d:
O teste de Durbin & Watson s vlido para:
(i) Correlao de primeira ordem;
(ii) Os regressores no incluem varivies endgenas defasadas;
(iii) necessrio a incluso da constante na regresso restrita, i.e. aquela que
assume que no existe autocorrelao
Um dos problemas com este teste que o resultado do teste pode indicar
a regio inconclusiva. Uma soluo, conservadora usar dU como verdadeiro
valor crtico, i.e. se d < dU ento rejeitamos a nula.

49

3.7.3

Programa no EVIEWS para gerar distribuio da estatstica d


de Durbin & Watson

O programa abaixo estima um modelo de regresso esttica com erros AR(1)


e obtm a distribuio da estatstica d para 1000 replicaes
workfile simula u 10000
vector(1000) beta
vector(1000) dpbeta
vector(1000) durbin
for !i = 1 to 1000
series u=0
smpl @first+1 @last
u = 0.85*u(-1)+nrnd
series x= nrnd
series y = 1.0+0.5*x+u
equation eq1.ls y c x
eq1.makeresid res_eq1
vector beta(!i) = c(2)
vector dpbeta(!i) = (eq1.@coefcov(2,2))^.5
equation eq2.ls res_eq1 c res_eq1(-1)
vector durbin(!i) = 2*(1-c(2))
next
mtos(beta,betas)
mtos(durbin,durbins)
freeze(graph1) beta.line
show graph1
freeze(graph2) betas.hist
show graph2
freeze(graph3) durbins.hist
show graph3
Abaixo apresentada a densidade para a estatstica d

Figura 17 - Densidade para Estatstica d

50

3.7.4

Teste de Autocorrelao de quarta ordem

Quando a frequncia dos dados trimestral, podemos ter correlao entre


trimestres de diferentes anos, isto ,
ut =

4 ut 4

+ "t

(131)

O teste neste caso dado por:


H0 :

= 0 versus H0 :

>0

(132)

Wallis propos a seguinte modicao da estatstica de Durbin & Watson

d=

T
P

u
bt

(b
ut

t=1
T
P

t=1

u
b2t

2
4)

(133)

e os valores crticos foram tabelados, sendo que estes valores so diferentes


caso a especicao inclua ou no dummies sazonais.
3.7.5

Teste h de Durbin

Quando o modelo inclui uma varivel endgena defasada como regressor o


teste de Durbin & Watson no vlido.
Durbin propos a seguinte modicao que foi chamada na literatura de teste
h de Durbin.
Considere a seguinte especicao
yt =

1 yt 1

ut = ut

+ ::: +

r yt r

h=b

r+1 x1t

+ ::: +

r+s xst

+ ut

+ "t

Sob a hiptese nula H0 :


s

(135)
= 0, Durbin mostrou que a estatstica dada por:

T
1

(134)

(136)

T V ar( b 1 )

tem distribuio N (0; 1); onde T o tamanho da amostra, V ar( b 1 ) o


estimador da varincia
do coeciente de yt 1 em (134) , b o E.M.Q.O. de
P
u
bt u
bt 1
dado por b = P
eu
bt o resduo de M.Q.O. de (134).
u
b2t

A implementao do teste feita usando-se o seguinte procedimento:


51

(i) Estime (134) por M.Q.O. e obtenha V ar( b 1 );

(ii) Usando os resduos de M.Q.O. estime b ou se a estatstica DW foi calculada


use aproximao b = 1 d=2;
(iii) Calcule h por (136) e se h > 1:65 rejeita a nula usando um nvel de
signicncia de 5%.

(iv) Caso h seja negativo o valor crtico ser

1:65.

Quando T V ar( b 1 ) > 1, Durbin propos a seguinte modicao:

(i) estime (134) por M.Q.O. e obtenha o resduo u


bt ;

(ii) estime por M.Q.O. a seguinte regresso de u


bt em u
bt
;

; yt

1 ; : : : ; yt r ; x1t ; : : : ; xst

(iii) se o coeciente de u
bt 1 signicativamente diferente de zero, usando o
teste t usual, rejeite a nula H0
3.7.6

Teste de autocorrelao de Breusch-Godfrey

Considere a seguinte especicao:


yt =

ut = ut

1 xt

+ ut

(137)

+ "t

(138)

com j j < 1 e "t ~ N I(0; 2 )


Substituindo (138) em (137) temos:
yt =

0 (1

)+

1 xt

+ yt

xt

+ "t

(139)

e desejamos testar
H0 :

= 0 versus H0 :

6= 0

(140)

Observe que (139) no linear nos parmetros, mas sob H0 reduz-se a um


modelo linear nos parmetros. Devemos, ento, usar um teste do tipo LM:
Observe que o termo da soma dos quadrados na funo de log-verossimilhana
dada por:
52

T
1 P
2

t=1

"2t

(141)

O escore dado por:

s( ) =

@`
=
@

T
1 P
2

t=1

"t

T
@"t
1 P
= 2
"t wt
@
t=1

(142)

t
onde wt = @"
@ :
Temos que a matriz de informao dada por:

I( )

= E[s( )s0 ( )] = E
= E
=

"

1
2

1
4

T
P

t=1
T
P

t=1

"

"2t wt wt0

T
P

1
4

"t w t

t=1

"t "s wt ws0

t6=s

T
P

t=1

!#

"t wt

wt wt0

A estatstica LM dada por:

LM =

1
e2

T
P

t=1

e
"t w
et

T
P

t=1

T
P

w
et w
et0

t=1

e
"t w
et

(143)

onde o ~ indica estimador restrito.


Sabemos que LM = nR2 onde R2 o coeciente de determinao da regresso de e
"t em w
et e a distribuio desta estatstica @1 :
3.7.7

Continuao do Exemplo

Foi estimado um modelo de regresso com erros correlacionados para CONS


e INC. Os comandos no EVIEWS esto apresentados abaixo
smpl @first @last
equation eq1.ls cons c inc ar(1)
eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
show graf1
53

graph graf2.line(d) res_eq1 cons c_hat


show graf2
tem-se os seguintes resultados:

Figura 18 - Regresso Estatstica com Erros AR(1)

O grco abaixo apresenta os valores observados, previstos e resduos para


este modelo.

54

Figura 19 - Observado, Previsto e Resduos


Observe que a estimativa do parmetro autorregressivo muito prxima da
unidade. Pelo critrio de Schwarz este modelo melhor do que o de taxa de
crescimento.

3.8

Forma Reduzida

O processo gerador dos dados dado por:


yt =

1 yt 1

1 xt 1

+ "t

(144)

e neste modelo a informao corrente de x excluda. Observe que (144) pode


ser interpretado como uma das equaes de um Vetor Autorregressivo e no
estamos especicando a outra equao. Deste modo se o processo gerador de
xt no tiver parmtros constantes, os parmetros de (144) tambm no sero
constantes.

3.8.1

Continuao do Exemplo

Foi estimado um modelo de forma reduzida para CONS e INC. Os comandos


no EVIEWS esto apresentados abaixo
smpl @first @last
equation eq1.ls cons c cons(-1) inc(-1)
eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
55

show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:

Figura 20 -Forma Reduzida

O grco abaixo apresenta os valores observados, previstos e resduos para


este modelo

Figura 21 - Observado, Previsto e Resduos

56

Pelo critrio de Schwarz este modelo pior do que a regresso esttica com
erros correlacionados.

3.9

Modelo de Correo de Erros Homogeneo

O processo gerador dos dados :


yt = m +

xt + (

1)(yt

xt

1)

+ "t

(145)

Observe que neste modelo temos variveis I(0), yt e xt e variveis I(1); yt 1


e xt 1 :
Em geral combinao linear de variveis I(1) resulta numa varivel I(1),
mas sob certas condies como veremos no exemplo abaixo esta combinao
pode resultar numa varivel I(0) e o termo (yt 1
xt 1 ) pode ser I(0) e
portanto todas as variveis em (145) so I(0) valendo inferncia usual.
3.9.1

Exemplo - Cointegrao

Considere o caso em que y combinao linear de duas variveis I(1); isto


yt

axt + bzt

xt

xt

zt

zt

+ vt

onde a e b so constantes arbitrrias, t e vt so rudos brancos.


Substituindo a segunda e terceira equao na primeira temos
yt = yt

+ (a

+ bvt )

e portanto y tambm I(1).


Agora considere o modelo ADL na sua forma MCE irrestrito, isto (11)
yt =

xt

(1

1 )[yt 1

xt

1]

+ "t

e como estamos assumindo que tanto y quanto x so I(1) temos que yt e xt


so I(0).
Agora seja zt = yt a
xt ; e subtraindo de ambos os lados de (106) a
quantidade a + xt ; obtm-se:

57

yt

xt
zt

m+

1 yt 1

1 yt 1
0

1
zt
zt

1 zt 1

xt +

xt +

1 zt 1

m
1

0 1

1
1
0 xt

1
+ "t

0 xt

0+
1

1 xt 1

xt

+ "t

0 1

xt +

1
0 1

+ "t
+
1
xt 1 + 1 0
1
1

1 xt 1

xt

+ "t

1
1

onde t o erro do passeio aleatrio para xt . Se j 1 j < 1 ento zt ser estacionrio e neste caso dizemos que yt e xt cointegram com vetor de cointegrao
dado por = (1; a;
):
Observe que variveis I(1) tem tendncia estocstica, isto , tendem a crescer
mas se as duas variveis co-integram elas tendem a crescer junto uma vez que
uma combinao linear delas um processo estacionrio com mdia zero, isto
um processo que reverte para zero frequentemente.
Usando a denio de zt podemos reescrever o modelo de correo de erros
da seguinte forma:
yt =

xt

(1

1 )zt 1

+ "t

(146)

Observe que na especicao acima todas as variveis so I(0) e inferncia usual vale e podemos recuperar os parmetros 0 e 1 : Para recuperar o
parmetro 1 necessrio reescrever (146) de uma outra forma, mas no ser
possvel recuperar todos os parmetros uma vez que no possvel especicar
todas as variveis como I(0):
3.9.2

Estimao e Teste da equao de cointegrao

Dada a especicao do modelo ADL, como se pode estimar a relao de


cointegrao? Como se poderia testar se existe uma relao de cointegrao?
A primeira sugesto existente na literatura, o Procedimento de Engle e
Granger consiste em estimar a regresso de yt em constante e xt e os resduos desta equao seriam uma estimativa para o termo de correo de erros
zt :
Para se vericar se existe relao de cointegrao devemos testar se zbt
I(0); Os testes convencionais de raz unitria no podem ser usados uma vez
que estamos usando uma varivel estimada. Valores crticos para o teste de raz
unitria neste caso foram obtidos por Mac Kinnon

58

Estat{stica
de T este

k
2

1%

c
ct
c
ct
c
ct
c
ct
c
ct

3
4
5
6

5%

3:90
4:32
4:29
4:66
4:64
4:97
4:96
5:25
5:25
5:52

10%

3:34
3:78
3:74
4:12
4:10
4:43
4:42
4:72
4:71
4:98

3:04
3:50
3:45
3:84
3:81
4:15
4:13
4:43
4:42
4:70

nota: k nmero de variveis na relao de cointegrao; c e ct indicam se constante


e tendncia determinstica esto presentes na relao de cointegrao.

3.10

Exemplo - DATAGIVE

O arquivo DATAGIVE.XLS contm informaes das variveis:


(i) Cons - consumo para o perodo de 1953:1 at 1992:3 para a economia
inglesa.
(ii) Inc - renda para o mesmo perodo
(iii) Inat - inao
(iv) Output - produto
Os grcos abaixo apresentam as trs primeiras variveis

900

920

910

890

900
880

4
890

870

2
880

860

870

850

-2

860
55

60

65

70

75

80

C O N S

85

90

55

60

65

70

75

80

85

90

55

60

IN C

65

70

75

80

85

90

IN F L A T

Figura 22 - Grco das Variveis

Observe que todas as trs sries tem uma quebra no nal de 1973, devido ao
primeiro choque do petrleo.
59

A tabela abaixo apresenta a matriz de correlao entre as trs variveis e


as defasagens de ordem 1. Observe que existem vrias correlaes superiores a
0.90 o que pode implicar em multicolinearidade
CON S CON S1 IN C1
IN C
IN F LAT IN F LAT 1
1:0000
0:9866
0:9143
0:9421
0:3511
0:4173
0:9866
1:0000
0:9414
0:9309
0:2756
0:3404
0:9143
0:9414
1:0000
0:9510
0:0733
0:1124
0:9421
0:9309
0:9510
1:0000
0:1270
0:1953
0:3511
0:2756
0:0733
0:1124
1:0000
0:9265
0:4173
0:3404
0:1124
0:1953
0:9265
1:0000
Suponha que voce deseja comear usando um ADL(1,1) entre Cons e Inc. A
tabela abaixo apresenta os resultados deste ADL(1,1)
Dependent Variable: CONS
Method: Least Squares
Sample: 1953:2 1992:3
Included observations: 158
V ariable Coef f icient Std:Error: t Statistic P rob
C
2:511404
11:39332
0:220428
0:8258
IN C
0:495844
0:037971
13:05864
0:0000
CON S1
0:985875
0:027620
35:69487
0:0000
IN C1
0:484913
0:041031
11:81830 0:0000
R squared
0:988268
M ean dependent var 875:8481
AdjustedR squared
0:988039
S:D: dependent var
13:53257
S:E: of regression
1:479982 Akaike inf o criterion 3:646927
Sum squared resid
337:3134
Schwarz criterion
3:724461
Loglikelihood
284:1073
F statistic
4324:150
Durbin W atson Stat 1:349057
P rob(F statistic)
0:000000
Atravs do grco do observado e do previsto assim como do grco dos resduos, vide abaixo, podemos observar que a especicao acompanha os movimentos de Cons e que os resduos parecem adequados embora a quebra da
primeira crise do petrleo no tenha sido totalmente controlada.

60

Figura 23 - Observado, Previsto e Resduos

Mas ao se testar se a soma dos coecientes um usando um teste de Wald


obtm-se o seguinte resultado:
Wald Test:
H0 : C(3) = 1; C(2) = C(4)
F-statistic=0.281827 Probability 0.7548
Chi-square= 0.563653 Probability 0..7544
que implica em no rejeio da nula. Observe que esta hiptese implica
que existe um fator comum nos polinomios autorregressivo e de defasagens distribuidas e este fator comum igual a um, isto , ambos os polinomios tem raz
unitria. Desta forma a soluo de longo-prazo no estpa denida uma vez que
0+ 1
= 00 :
1
1
Mas os testes apresentados acima so vlidos? A especicao omite variveis relevantes? Caso armativo sabemos que os estimadores dos coecientes
so inconsistentes e todos os testes so invlidos.
A seguir apresentado o teste de omisso da varivel Inat e Inta(-1) cujo
resultado indica que esta varivel importante.
Omitted Variables: INFLAT INFLAT1
F-statistic = 69.03718 Probability 0.000000
Log likelihood ratio = 102.1086 Probability 0.000000
Incluindo ento Inat na especicao e estimando um ADL(1,1,1) temos os
seguintes resultados:
Dependent Variable: CONS
Method: Least Squares
Sample: 1953:2 1992:3
Included observations: 158

61

V ariable Coef f icient


C
20:26950
CON S1
0:798310
IN C
0:498937
IN C1
0:276105
IN F LAT
0:793095
IN F LAT 1
0:250612
R squared
AdjustedR squared
S:E: of regression
Sum squared resid
Loglikelihood
Durbin W atson Stat

Std:Error: t Statistic P rob


8:526277
2:377298 0:0187
0:027160
29:39313
0:0000
0:028331
17:61085
0:0000
0:037876
7:289672 0:0000
0:183954
4:311364 0:0000
0:203099
1:233936 0:2191
0:993852
M ean dependent var
0:993650
S:D: dependent var
1:078356 Akaike inf o criterion
176:7534
Schwarz criterion
233:0530
F statistic
1:949511
P rob(F statistic)

875:8481
13:53257
3:025987
3:142288
4914:596
0:000000

O grco do observado e previsto a especicao acompanha ops movimentos


de Cons e pelo grco dos resduos o problema do grande outlier no primeira
crise do petrleo desaparece.

900
890
880
870
4

860

850

0
-2
-4

55

60

65
Residual

70

75
Actual

80

85

90

Fitted

Figura 24 - Observado, Previsto e Resduos

Devemos testar se as coeciente de longo prazo de INC e de INFLAT est


bem denido. Usando um teste de Wald para cada um dos coedicientes obtm-se
os seguintes resultados:
Wald Test:
H0 : C(3) = 1; C(2) = C(4)
F-statistic= 28.46933 Probability 0.0000
Chi-square= 56.93865 Probability 0.0000
Wald Test:
H0 : C(3) = 1; C(5) =

C(6)
62

F-statistic= 61.61060 Probability =0.0000


Chi-square= 123.2212 Probability =0.0000
que rejeita estas hipteses, isto , embora as variveis seja no estacionrias,
a relao de longo-prazo, agora, estar bem denida e ser dada por
Cons =

100:5 + 1:015Inc

5:175Inf lat

E fazendo um teste de raz unitria para


CI = Cons + 100:5

1:015Inc + 5:175Inf lat

obtm-se os seguintes resultados (usou-se tendncia determinstica na especicao)


ADF Test Statistic -5.225209
1% Critical Value* -4.0200 (-4.66)
5% Critical Value -3.4396 (-4.12)
10% Critical Value -3.1439 (-3.84)
Onde os valores entre-parenteses so os valores crticos corretos conforme
tabela acima.
Estimou-se ento um modelo de correo de erros obtendo-se os seguintes
resultados
Dependent Variable: D(CONS,1)
Method: Least Squares
Sample(adjusted): 1953:2 1992:3
Included observations: 158 after adjusting endpoints
V ariable
Coef f icient Std:Error: t Statistic P rob
C
0:03132
10:085750
0:365263 0:7154
D(IN C; 1)
0:498957
0:026351
18:93488
0:0000
D(IN F LAT; 1)
0:793226
0:178569
4:442132 0:0000
CI( 1)
0:201684
0:018049
11:17444 0:0000
R squared
0:769514
M ean dependent var
0:213409
AdjustedR squared
0:765024
S:D: dependent var
2:210102
S:E: of regression
1:071331 Akaike inf o criterion 3:000671
Sum squared resid
176:7534
Schwarz criterion
3:078205
Loglikelihood
233:0530
F statistic
171:3849
Durbin W atson Stat 1:949513
P rob(F statistic)
0:000000
O grco do observado e previsto apresentado abaixo assim como o dos
resduos. O previsto acompanha o observado e os resduos parecem satisfazer
as propriedades usuais.

63

6
4
2
0
-2
-4
-6

4
2
0
-2
-4

55

60

65

70

75

Residual

80

Actual

85

90

Fitted

Figura 25 - Observado, Previsto e Resduos

Pelo histograma dos resduos temos que no podemos rejeitar que a


distribuio, dos mesmos, normal
20
Series: Residuals
Sample 1953:2 1992:3
Observations 158

15

10

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

-1.34E-16
-0.047010
3.159550
-2.499051
1.061046
0.244169
2.919085

Jarque-Bera
Probability

1.613051
0.446406

0
-2

-1

Figura 26 - Histograma dos Resduos

O teste Breusch-Godfrey para correlao serial, no rejeita a hiptese nula


de no correlao
F-statistic 0.428261 Probability 0.652425
Obs*R-squared 0.885344 Probability 0.642318
O teste ARCH tambm no rejeita a nula de varincia constante
F-statistic 0.890322 Probability 0.346858
Obs*R-squared 0.896660 Probability 0.343679
O teste de White para Heteroscedasticidade tambm no rejeita a nula de
varincia constante
64

F-statistic 0.989693 Probability 0.451065


Obs*R-squared 8.969273 Probability 0.440115
O grco do CUSUM est dentro das bandas indicando que no houve nenhuma quebra na mdia

40
20
0
-20
-40

55

60

65

70

75

CUSUM

80

85

90

5%Significance

Figura 27 - Teste CUSUM


O grco do CUSUMSQ apresenta uma quebra no incio dos anos 70, indicando que a especicao pode ser melhorada.

1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2

55

60
65
70
CUSUMof Squares

75

80
85
5%Significance

90

Figura 28 - Teste CUSUMSQ

Por outro lado os grcos dos estimadores recursivos dos parmetros indicam
que estes parmetros so constantes para toda a amostra.

65

0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6

0.8
0.7
0.6
0.5
0.4
0.3
60

65
70
RecursiveC(1)Estimates

75

80

0.2

85
90
2S.E.

0.5

0.00

0.0

-0.05

-0.5

-0.10

-1.0

-0.15

-1.5

-0.20

-2.0

-0.25

-2.5

-0.30

60

65
70
RecursiveC(3)Estimates

75

80

85
90
2S.E.

60

65
70
RecursiveC(2)Estimates

75

80

85
90
2S.E.

60

65
70
RecursiveC(4)Estimates

75

80

85
90
2S.E.

Figura 29 - Estimativa Recursiva dos Coecientes

3.11

Exerccios

1. Faa um programa no EVIEWS para gerar o seguinte modelo:

com "t ~ N I(0; 1);


100.

yt

ut

1:0 + 10 xt + ut
ut

+ "t

= 0:99; xt ~ N I(0; 1) e o tamanho da amostra igual a

(i) estime os parmetros do modelo por M.Q.O. sem levar em considerao o


fato de que o modelo tem autocorrelao;
(ii) re-estime os parmetros do modelo assumindo que tem correlao nos erros
e do tipo AR(1);
(iii) comente os resultados dos itens anteriores;
(iv) usando 1000 replicaes obtenha a distribuio de frequncia da constante,
do coeciente de xt e do coeciente de autocorrelao dos resduos e comente os seus resultados.

2. Usando o arquivo ppp.wf1 estime todos os modelos da classe ADL para


as seguintes especicaes:
66

ln(xt ) =

ln(pt ) + "t

ln(xt ) =

ln(f rt ) +

ln(itt ) + "t

comente as implicaes estatsticas e econmicas para os resultados obtidos.


3. Usanso o arquivo ppp.wf1 estime os seguintes modelos:

ln(xt ) =

ln(pt ) + "t

ln(xt ) =

ln(f rt ) +

ln(itt ) + "t

(i) qual dos dois modelos voc escolheria?


(ii) teste autocorrelao de primeira ordem para ambos os modelos usando a
estatstica de Durbin & Watson e comente.
(iii) teste autocorrelao usando o correlograma dos resduos para ambas as
especicaes e comente
(iv) teste autocorrelao de primeira ordem usando o teste de Bresuch-Godfrey
para ambas as especicaes e comente.
(v) dado que existe autocorrelao, proponha uma forma de corrigir e implemente o procedimento proposto.

4. As questes abaixo so do tipo falsa, verdadeira ou ambgua. Justique


as suas respostas:
(i) se existir autocorrelao nos resduos, os estimadores de M.Q.O. dos parmetros continuam consistentes;
(ii) se existir autocorrelao nos resduos sinal de falta de especicao dinmica
no modelo;
(iii) o teste de Durbin & Watson pode ser sempre usado se desejarmos testar
autocorrelao de primeira ordem;
(iv) se o correlograma dos resduos no decair rapidamente sinal de que o
modelo inadequado;
(v) a relao de longo prazo num modelo ADL est sempre bem denida;

67

68

MCE Homogeneo

Modelo de Correo de Erros (MCE)

Nome do Modelo
Regresso Esttica
AR(1)
Indicadores Antecedentes
Taxa de Crescimento
Defasagens Distribudas
Ajustamento Parcial
Regresso com Erros AR(1)
(Fatores Comuns)
Forma Reduzida

Apndice

1;

1;

1)

0 ; K)

1 ; 0;

0; 1

(0; 0 ; 0)
( 1 ; 0; 0)
(0; 0; 1 )
(1; 0 ;
0)
(0; 0 ; 1 )
( 1 ; 0 ; 0)
( 1; 0;
1 0)

1)

yt =

yt =
0
0

xt

xt

(1

(1

1 )(yt 1

1 )(yt 1

xt

Kxt

Especicao
yt = 0 xt + " t
yt = 1 yt 1 + "t
yt = 1 xt 1 + " t
yt = 0 xt + "t
yt = 0 xt + 1 xt 1 + "t
yt = 1 yt 1 + 0 xt + " t
yt = 0 xt + ut
ut = 1 ut 1 + "t
yt = 1 yt 1 + 1 xt 1 + " t
1)

+ "t
+ "t

1)

1
1

0+ 1

=0
+

K=
1=

Restrio
1 = 1 =0
0 = 1 =0
1 = 0 =0
= 1; 0 =
1 =0
1 =0
1 0
1 =

elasticidade de l
unitri

sem restr

Tipo
sem din
sem covar
sem contempo
sem nv
defasagens
sem defasage
restrio de
comun
variveis def

69