Академический Документы
Профессиональный Документы
Культура Документы
Para ver porque séries temporais estacionárias são tão importantes, considere os dois modelos
de passeio aleatório seguintes:
Yt = Yt-1 + ut
Xt = Xt-1 + vt
Para eles, geramos 500 observações de ut a partir de ut ~N(0,1) e 500 observações de vt a partir
de vt~N(0,1) e estamos supondo que o valor inicial tanto de Y como de X é zero. Pressupomos
também que ut e vt não apresentam correlação serial nem correlação mútua. Como já sabemos,
ambas essas séries temporais são não-estacionárias, isto é, elas são do tipo I(1) ou exibem
tendências estocásticas.
Suponha que fazemos a regressão de Yt em relação a Xt. Como eles são processos não
correlacionados, o R² da regressão de Y contra X deveria tender para zero, isto é, não deveria
existir qualquer relação entre essas duas variáveis. Mas veja os resultados da regressão:
Como se pode ver, o coeficiente de X tem elevada significância estatística e, embora o valor de
R² seja baixo, ele é significativamente diferente de zero. Com base nesses resultados,
poderíamos ficar tentados a concluir que existe uma relação estatística significativa entre Y e X,
enquanto a priori não deveria haver relação alguma. Esse é, em resumo, o fenômeno da
regressão espúria, ou da regressão sem sentido, que foi inicialmente descoberto por Yule. Ele
mostrou que a correlação (espúria) pode persistir em séries temporais não-estacionárias mesmo
quando a amostra é muito grande. O baixo valor de Durbin-Watson dessa regressão é um
indicativo de que existe algo de errado, sugerindo uma forte autocorrelação serial. Segundo
Granger e Newbold, um R² > d é um bom método empírico para suspeitar que a regressão
estimada é espúria, como nesse exemplo.
Exercício 1: Dados econômicos para o Canadá, no período 1971-I a 1988-IV foram obtidos e os
seguintes resultados de regressão foram calculados:
1
t= (-12,9422) (25,8865)
R² = 0,9463 d = 0,3254
t= (2,4954) (1,8958)
R² = 0,0885 d = 1,7399
a) Interprete a regressão (i). Você diria que ela é espúria? Por quê?
(i) Sim
(ii) Porque R² > d, o que é um forte indício de regressão espúria segundo Granger e Newbold.
Ademais, possivelmente as séries de M1 e de PIB sejam não estacionárias.
Em primeiras diferenças, vemos que PIB e M1 têm uma correlação muito baixa, devido ao
resultado de R² (0,088). A estatística t do parâmetro de PIB caiu drasticamente e a estatística d
de Durbin-Watson ficou próxima de 2, que é o resultado esperado para ela. Esses resultados
reforçam a ideia de que a primeira regressão é espúria.
Exercício 2: A figura a seguir mostra a oferta de moeda (M1) para os EUA de janeiro de 1951 a
setembro de 1999, com dados sazonalmente ajustados contidos no arquivo M1.xls. Pelo que se
conhece de estacionariedade, pode-se supor que a série temporal de moeda M1 é não-
estacionária, o que pode ser confirmado ou não por um teste de raiz unitária. Dessa forma,
pede-se:
2
D(M1) = 0.193013352244 + 0.016173356115*@TREND - 0.00428199917294*M1(-1)
H0: = 0
H1: < 0
|| = 3,42 |t| < || não podemos rejeitar H0 a série é não estacionária ao nível de
significância de 5%.
3
Exercício 3: A figura a seguir mostra o índice de preços ao consumidor (IPC) dos EUA de janeiro
de 1947 a janeiro de 2000. Como se pode ver no gráfico, a série mostra uma tendência
ascendente no período.
4
Prob(F-statistic) 0.000000
H0: = 0
H1: < 0
|| = 3,42 |t| < || não podemos rejeitar H0 a série é não estacionária ao nível de
significância de 5%.
Exercício 4: Já vimos que a série do PIB norte-americano é não estacionária (exercício 2 da aula
5-6). Considerando o modelo de passeio aleatório com deslocamento, verifique se a série é
estacionária em primeiras diferenças.
H0: = 0
H1: < 0
|| = 3,45 |t| > || rejeita-se H0 a série do PIB é estacionária em primeiras
diferenças ao nível de significância de 5%.