Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 5 - VETOR AUTOREGRESSIVO (VAR) Susan Schommer Econometria III - IE/UFRJ Motivação I Os modelos econômicos em geral são expressos por meio de diversas variáveis. I Portanto, o uso de modelos univariados, como visto até o momento, é limitado para expressar modelos econômicos. I O vetor autorregressivo permite que se expressem modelos econômicos completos e se estimem os parâmetros desse modelo. I Os modelos em VAR definem restrições entre as equações do modelo. Estudar essas restrições e usá-las para identificar os parâmetros estruturais do VAR constitui um objetivo fundamental da metodologia. I Desde o artigo seminal de Sims (1980), os modelos autoregressivos vetoriais se tornaram um instrumento fundamental na pesquisa macroeconômica. VAR I Pode-se expressar um modelo autorregressivo de ordem p por um vetor com n variáveis endógenas, Xt, conectadas entre si por meio de uma matriz A, conforme segue: AXt = B0 + p∑ i=1 BiXt−i +B�t em que A é uma matriz n×n que define as restrições contemporâneas entre as variáveis que constituem o vetor n× 1, Xt; B0 é um vetor de constantes n× 1; Bi são matrizes n× n; B é umana matriz diagonal n× n de desvios-padrão; �t é um vetor n× 1 de perturbações aleatórias não correlacionadas entre si contemporânea ou temporalmente (�t ∼ iid(0, In)) VAR I A equação acima expressa as relações entre as variáveis endógenas, frequentemente decorrentes de um modelo econômico teoricamente estruturado, e por isso chama-se forma estrutural. I Os choques �t são denominados choques estruturais porque afetam individualmente cada uma das variáveis endógenas. I Por causa da endogeneidade das variáveis, esse modelo é normalmente estimado em sua forma reduzida, isto é, estima-se o seguinte modelo: Xt = A −1B0+ p∑ i=1 A−1BiXt−i+A −1B�t = Φ0+ p∑ i=1 ΦiXt−i+et em que Φi = A −1Bi B�t = Aet Forma estrutural - exemplo Fonte: Cavalcanti, M. Identificação de modelo VAR e causalidade de Granger: uma nota de advertência. Economia Aplicada, v.14, 2010. VAR forma reduzida I Supõe-se que os choques estruturais não sejam correlacionados contemporaneamente - ou seja, E(ε1,t, ε2,t) = 0. I Supõe-se que um dos coeficientes b12 ou b21 seja zero, o que equivale a impor uma ordenação causal contemporânea entre X e Z: sob b12 = 0, Z não é afetada contemporaneamente por X, mas X é afetada por Z; e sob b21 = 0 ocorre o inverso. I Com base nessas restrições, o modelo é exatamente identificado. VAR(p) I A generalização do modelo para um VAR de ordem p com variáveis exógenas é direta e feita por meio da seguinte representação econométrica: Xt = Φ0 + p∑ t−i ΦiXt−i +GZt + et em que Xt é um vetor n× 1 de variáveis endógenas, comoo anteriormente; G é uma matriz de coeficientes n× g Zt é um vetor g × 1 de variáveis exógenas que pode incluir variáveis determińısticas. I VAR busca fundamentalmente a trajetória das variáveis endógenas ante um choque estrutural, mas nada impede de ser usado para previsão também. Identificação do VAR(p) I Como selecionar a ordem p de um modelo VAR? Que critérios podem ser utilizados nessa tarefa? I Trata-se de uma tarefa dif́ıcil, porque a defasagem necessária para obter “reśıduos brancos” com relação à primeira variável endógena não é a mesma para obtê-los na segunda. I Usar um p muito alto, em um modelo complexo em que se estimam muitos coeficientes cruzados, torna o poder do teste estat́ıstico bastante deficiente. I Bom-senso e parcimônia devem ser utilizados nesse processo. I Como no caso univariado, pode-se usar o critério de informação para definir a ordem de defasagem do modelo VAR. I Usamos uma versão multivariada dos critérios AIC,BIC e HQ do modelo univariado. Exemplo simulado - VAR(2) I Antes de estimar o modelo, verifique sempre se as séries temporais analisadas são estacionárias (AULA 4, teste de raiz unitária - ADF, PP, KPSS e ZA). I Um problema central ao estimar modelos com dados não estacionários obteremos estat́ısticas de teste impróprias, o que pode nos levar a escolher o modelo errado. I Mesmo que duas séries temporais não sejam estacionárias, uma combinação especial delas ainda pode ser estacionária. Esse fenômeno é chamado de cointegração e os chamados modelos de correção de erros (VECM) podem ser usados para analisá-lo (veremos mais adiante no Tópico Cointegração). Exemplo simulado - VAR(2) I O exemplo simulado é um VAR(2) com duas variáveis endógenas.( y1,t y2,t ) = [ −0.3 −0.4 0.6 0.5 ]( y1,t−1 y2,t−1 ) + [ −0.1 0.1 −0.2 0.05 ]( y1,t−2 y2,t−2 ) + ( �1t �2t ) com �1t ∼ N(0, 0.5) e �2t ∼ N(0, 0.5) e o erros não são correlacionados. I Os dados simulados são gerados no RStudio set.seed(123) para redefinir gerador de números aleatórios. Gerar a amostra t = 200 número de observações k = 2 número de variáveis endógenas p =- 2 número de defasagens Exemplo simulado - VAR(2) I Os dados simulados são gerados no RStudio Gerar os coeficientes das matrizes A.1 = matrix(c(-.3, .6, -.4, .5), k) coeficiente da matriz com defasagen 1 A.2 = matrix(c(-.1, -.2, .1, .05), k) coeficiente da matriz com defasagen 2 A = cbind(A.1, A.2) combinando as matrizes Gerar as séries series = matrix(0, k, t + 2*p) for (i in (p + 1):(t + 2*p)) Generate series with e N(0,0.5) series[, i] ¡- A.1%*%series[, i-1] + A.2%*%series[, i-2] + rnorm(k, 0, .5) series = ts(t(series[, -(1:p)])) converte para o formato de série de tempo names = c(“V1”, “V2”) renomeia as variáveis Exemplo simulado - VAR(2) plot.ts(series) plot das séries − 1. 5 − 1. 0 − 0. 5 0. 0 0. 5 1. 0 S er ie s 1 − 1. 5 − 1. 0 − 0. 5 0. 0 0. 5 1. 0 1. 5 0 50 100 150 200 S er ie s 2 Time series Exemplo simulado - VAR(2) Estimativa do VAR install.packages(”vars”) baixando o pacote library(vars) abrindo o pacote var.1 = VAR(series, 2, type = ”none”) estimando o modelo O tipo de opção determina se deve incluir um termo de intercepto, uma tendência ou ambos no modelo. Como na amostra simulada não contém nenhum termo determińıtico, definimos o tipo = “none”. Exemplo simulado - VAR(2) Seleção do VAR Uma questão central na análise VAR é encontrar o número de defasagens, que produz os melhores resultados. Usamos critérios de informação como AIC, BIC ou HQ. Geralmente, a AIC é preferida a outros critérios, devido às suas caracteŕısticas favoráveis de previsão de pequenas amostras. var.aic = VAR(series, type = ”none”, lag.max = 5, ic = ”AIC”) Observe que, em vez de especificar a ordem p, agora definimos o comprimento máximo do atraso do modelo e o critério de informação usado para selecionar o melhor modelo. A função estima todos os cinco modelos, os compara de acordo com seus valores de AIC e seleciona automaticamente os mais favoráveis. Olhando para o resumo (var.aic), vemos que o AIC sugere usar uma ordem de 2, que é a ordem verdadeira. summary(var.aic) Exemplo simulado - VAR(2) summary(var.aic) Exemplo simulado - VAR(2) summary(var.aic) continuação Exemplo simulado - VAR(2) Podemos comparar os valores reais com as estimativas de parâmetros do modelo: A [, 1] [, 2] [, 3] [, 4] [1, ] -0.3 -0.4 -0.1 0.10 [2, ] 0.6 0.5 -0.2 0.05 estcoefs = coef(var.aic) extrair coeficientes, erros padrão etc. estcoefs = rbind(estcoefs[[1]][, 1], estcoefs[[2]][, 1]) extrair apenas os coeficientes e combine-os em uma única matriz round(estcoefs, 2) imprimir as estimativas arredondadas Series.1.l1 Series.2.l1 Series.1.l2 Series.2.l2 [1, ] -0.20 -0.32 -0.23 0.05 [2, ] 0.67 0.34 -0.18 0.07 Todas as estimativas têm o sinal correto e são relativamente próximas aos seus valores reais. Exerćıcio: Examinar os desvios padrão do summary (var.aic) para verificar se os valores verdadeiros se enquadram nas faixas de confiança das estimativas. Teste de hipótese I A ideia é muito semelhante à do caso univariado. I A diferença é que, em vez de calcular a somados quadrados dos reśıduos, calcula-se o determinante da matriz de covariância dos reśıduos do modelo restrito e do não restrito. I Seja Xt = Φ0 + ∑p t−i ΦiXt−i +GZt + et I Estima-se o modelo sem restrição e calcula-se a matriz de covariânncia dos reśıduos, Σ̂u com dimensão n× n; I Em seguida, estima-se o modelo com restrição, excluindo k ≤ g variáveis exógenas e/ou m defasagens, e calcula-se a matriz de covariância dos reśıduos Σ̂r I Calcula-se a razão de verossimilhança da seguinte forma: LR = (T − c)(log |Σ̂r| − log |Σ̂u|)→ χ2r em que T é o número de observações; c = 1 + g + np é o número de parâmetros estimados em cada equação do sistema não restrito, incluindo a constante e as variáveis exógenas; r = mn2 + kn é o número de restrições no sistema. Teste de hipótese - exemplo I Suponha um sistema de n equações com número máximo de defasagens p = 6. I Deseja-se testar se p = 4. I Imaginando um sistema com constante e sem variáveis exógenas, c = 1 + pn = 1 + 6n. I O número de restrições é dado pela quantidade de parâmetros que se deixa de estimar no modelo restrito que é de r = mn2 = 2n2. I Convencionalmente, se o valor calculado da estat́ıstica LR for menor que o valor tabelado, não se pode rejeitar a hipótese nula. Verificação I Os testes de diagnóstico de reśıduos dos modelos univariados podem ser generalizados para o caso multivariado. I Fazemos um teste de autocorrelação, por exemplo de Ljung-Box na mesma lógica do modelo univariado, porém preocupa-se em determinar se as autocorrelação multivariadas são nulas. I Também podemos fazer o teste de normalidade dos reśıduos. Exemplo simulado - VAR(2) Fazendo os teste de verificação O teste Ljung Box é uma aplicação do teste Portmanteau - algum dos coeficientes é diferente de zero. H0: não autocorrelação serial.test(var.1,lags.pt=5,type = ”PT.adjusted”) Portmanteau Test (adjusted) data: Residuals of VAR object var.1 Chi-squared = 10.901, df = 12, p-value = 0.5375 Neste caso temos que não podemos rejeitar a hipótese nula. df representa o número de graus de liberdade para a distribuição chi-quadrada. Previsão I A previsão é análoga aos processos univariados, razão que nos ajudará a evitar detalhes desnecessários sobre o procedimento. I Há um aspecto importante, pois a complexidade dos modelos multivariados é muito maior, por isso, certos cuidados devem ser tomados e algumas matrizes utilizadas podem ser dif́ıceis de visualizar. I Na presença de variáveis exógenas, se forem determińısticas, por definição conhecem-se suas trajetórias futuras. I No caso de variáveis exógenas estocásticas, é preciso definir um modelo para elas. Exemplo simulado - VAR(2) Fazendo previsão var.1proj=predict(var.1,n.ahead=12,ci=0.95) fanchart(var.1proj) Fanchart for variable Series.1 0 50 100 150 200 − 1. 5 − 0. 5 0. 5 1. 0 Fanchart for variable Series.2 0 50 100 150 200 − 1. 5 − 0. 5 0. 5 1. 5
Compartilhar