Tutorial Eviews Para Trabalho Empírico

Primeiro clique na sua série. Nesse exemplo trabalharemos com a série 39. Para fazer um gráfico
da série, clique em view na janela da série escolhida:

Como desejamos fazer um gráfico da evolução temporal da série e essa opção já é padrão ao
abrirmos as opções de gráfico, então precisamos apenas clicar em OK.

No gráfico da série 39 não observamos tendência. Para realizar o teste de Raíz Unitária ADF,
clicamos novamente em view e escolhemos a opção Unit Root Test:
Na janela do teste temos os tipos de teste (test type) onde o ADF já aparece. Abaixo há as opções
para realizar o teste nas séries em nível (não diferenciada), ou na série em primeira diferença ( 1st
difference), ou ainda na segunda diferença da série (2nd difference). Para iniciar, testamos
primeiro na série em nível. Caso a hipótese nula (H0) de raíz unitária não seja rejeitada, testamos
para a série em diferença até rejeitarmos a H0 e descobrimos se a série possui raíz unitária e
quantas delas existe nela.
Abaixo temos a opção de incluir um intercepto, intercepto e tendência ou nenhum desses termos
na equação do teste ADF. Como a série 39 não exibe tendência, deixamos apenas a opção
intecepto selecionada. Ao lado, deixamos a opção automática para o e-views determinar através
de critérios de informação qual o melhor número de defasagens para incluir no teste (veremos isso
na sala de aula). Clicamos em OK e obtemos os resultados:
Na primeira parte temos um resumo do teste da H0 de raíz unitária. Temos o valor da estatística
do teste e abaixo seus valores críticos e ao lado o p-valor (Prob), o qual nos informa qual o menor
nível de significância que a H0 é rejeitada. Nesse exemplo o p-valor = 0.000 significa que
rejeitamos a H0 a um nível menor do que 1%. Como geralmente reportamos níveis de significância
de 1%, 5% e 10%, dizemos que neste caso a H0 é rejeitada ao nível de 1%. Ou seja a série não
tem raíz unitária e podemos estimar um modelo ARMA para a série em nível.
O Próximo passo é análise do correlograma da série (FAC e FACP). Para isso, na janela da série
clicamos em view novamente, escolhemos a opção correlograma e nele escolhemos da série em
nível:

Pelo correlograma temos a informação de que esta série pode ser: AR(1), MA(1) ou MA(1). Vamos
estimar primeiro um AR(1). Para isso, clique na opção Quick na barra principal do e-views e
escolha a opção Estimate Equation (estimar uma equação). Na janela da estimação coloque o
nome da variável dependente (ser39) seguida de c (intercepto) e ar(1), com um espaço entre estes
termos como mostra a figura abaixo:
Clicando em ok obtemos os resultados da estimação:

Note que todos os coeficientes são significantes ao nível de 1% (pvalores iguais a 0.0000). Vamos
checar algumas propriedades dos resíduos. Primeiro faremos um correlograma dos resíduos. Na
janela dos resultados de estimação clique em view, Residual Diagnostics e correlogram – Q stats:
Não há nenhuma correlação significante, indicando que nossos erros não são correlacionados, ou
seja não são autoregressivos. Vamos clicar em view novamente, Residual Diagnostics e agora
Histogram- Normality test:

Esse gráfico é um histograma dos erros estimados (resíduos) e no quadro ao lado temos a
estatística de Jarque-Bera que testa a H0 de normalidade e abaixo o seu p-valor que é igual a
0.44. Ou seja, só rejeitaríamos essa H0 ao nível de 44%. Como usamos 1%, 5% e 10% isso
significa que não rejeitamos a H0 de normalidade e os resíduos têm distribuição normal.
Vamos agora estimar os modelos MA(1) e ARMA(1,1):
E agora o ARMA(1,1)
Qual o melhor modelo baseado em critérios estatísticos? Em todos os modelos os coeficientes
são significantes, os resíduos não são autoregressivos e possuem distribuição normal. Os critérios
de informação são muito parecidos e o R2 ajustado é levemente superior no ARMA(1,1). Portanto,
podemos escolher o ARMA(1,1) baseado neste critério

Previsão
Para comparar a eficiência preditiva desses modelos separamos uma parte da amostra para
estima-los e na outra parte para realizar previsões e compará-las com os verdadeiros valores. O
erro de previsão será o valor observado menos o valor previsto. Vamos usar as 100 primeiras
amostras para estimar e as 50 últimas para previsão. Começando com o AR(1), selecione Quick
e Estimate Equation. Depois digite o modelo e na última opção dessa janela coloque o novo
tamanho da estimação:

Note que o Sample, na última barra de rolagem da caixa de estimação agora vai de 1 a 100. Depois
de estimado o modelo clique no botão de Forecast:

Na opção series name podemos digitar o nome da série prevista. Neste caso usamos ser39f, mas
podemos usar outro nome. Note que ao lado marcamos a opção static forecast. Essa opção é
usada quando temos valores observados das variáveis explicativas os quais são usados na
previsão. Para previsões fora da amostra sem dados das variáveis explicativas usamos o dynamic
forecast que usa os valores previstos como variáveis explicativas, como veremos mais adiante.
Note também que o sample é de 101 a 150. Ao clicarmos em ok ele gera a série de valores
previstos e a próxima tela que contém medidas de acurácia baseadas nos erros de previsão.
O Root Mean Squared Error (RMSE) é a raíz quadrada do erro de previsão quadrático médio,
calculado como:

1
= −

Quanto menor o RMSE mais acuradas são as previsões. Vamos fazer o mesmo para os modelos
MA(1) e ARMA(1,1).

E para o ARMA(1,1):
O RMSE desses 3 modelos são próximos. O do AR(1) é um pouco menor. Podemos fazer um
gráfico dessas previsões e do valor observado:

Vamos usar o AR(1) para gerar previsões ex-ante para fora da nossa amostra. Primeiro
expandimos o Range. Digamos que queremos fazer previsão para 10 períodos fora da amostra.
Então vamos expandir o Range clicando nele e fazendo com que ele vá de 1 a 160 ( ao invés de
1 a 150):
Note que a data final agora é de 160. Vamos reestimar o AR(1) com dados de 1 a 150. Depois de
estimado clicamos no forecast colocamos o nome da variável, o período da amostra a ser prevista
(151 a 160) e selecionamos o método dynamic forecast:

Lembre-se que neste gráfico a nossa amostra acaba em 150. A partir desse ponto o gráfico mostra
a evolução dos valores previstos de forma ex-ante dessa variável.