Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 7 - VETOR DE CORREÇÃO DE ERROS (VECM) Susan Schommer Econometria III - IE/UFRJ Cointegração I Engle and Granger (1987) mostraram que uma combinação linear de duas ou mais séries não estacionárias pode ser estacionária (caso contrário teremos uma relação espúria). I Se tal combinação linear estacionária existe, ou I(0), a não estacionariedade (com uma raiz unitária) das séries de tempo é dita ser cointegrada. I A combinação linear estacionária é chamada equação de cointegração e pode ser interpretada como uma relação de equiĺıbrio de longo prazo entre as variáveis. I No caso de duas séries a equação de cointegração estimada é dada por exemplo: yt = βxt + �t onde y e x são não estacionárias e �t é estacionário, i.e., a combinação linear entre y e x, dada por yt − βxt é estacionária. Neste caso a estimativa via MQO é apropriada. Exemplo I Considere a relação entre as taxas de juros de 3-meses e de 10-anos das letras do tesouro americano e o spread entre elas. https://www.econometrics-with-r.org/16-3-cointegration.html Visualmente temos as taxas de juros de 3-meses e 10-anos parecem cointegrarem, ou seja, ter o mesmo comportamento de longo prazo (elas compartilham uma tendência estocástica comum). O spread, obtido pela diferença entre as taxas de juros, parece estar estacionário. Vetor de correção de erro - VECM I Um vetor de correção de erro (VECM) é um VAR no qual possui restrições de cointegração, tal que ele é designado para o uso de séries não estacionárias que são cointegradas. I O termo da cointegração no VAR é conhecido como o termo de correção de erro desde que desvios do equiĺıbrio de longo prazo são corrigidos no modelo de curto prazo. I A representação para o caso bivariado é: ∆yt = α1 +αy(yt−1−βxt−1)+ ∑p i=1 α11i∆yt−i + ∑p i=1 α12i∆xt−i +eyt ∆xt = α2 +αz(yt−1−βxt−1)+ ∑p i=1 α21i∆yt−i + ∑p i=1 α22i∆xt−i +ezt onde β é o parâmetro da equação de cointegração e os erros são rúıdos brancos e os α′s são todos os parâmetros. O termo (yt − βxt) é a correção de erro, sendo a restrição em relação ao VAR. Vetor de correção de erro - VECM Como mostrado acima o VECM para o caso bivariado: ∆yt = α1 +αy(yt−1−βxt−1)+ ∑p i=1 α11i∆yt−i + ∑p i=1 α12i∆xt−i +eyt ∆xt = α2 +αz(yt−1−βxt−1)+ ∑p i=1 α21i∆yt−i + ∑p i=1 α22i∆xt−i +ezt I A idéia de Engle e Granger (1987) é que o VECM pode ser estimado como um VAR na primeira diferença acrescentado o termo da correção do erro que é o erro estimada da equação de cointegração que denotaremos de �̂t . I Então o VECM é estimado como: ∆yt = α1 + αy �̂t−1 + ∑p i=1 α11i∆yt−i + ∑p i=1 α12i∆xt−i + eyt ∆xt = α2 + αz �̂t−1 + ∑p i=1 α21i∆yt−i + ∑p i=1 α22i∆xt−i + ezt I Assim todos os procedimentos desenvolvidos para o VAR podem ser aplicados. I Os coeficientes αy e αz medem a velocidade de ajustamento. Vetor de correção de erro - VECM Suponha que duas variáveis y e x são I(1), mas cointegradas e que queremos estimar o seguinte modelo: yt = β0 + β1yt−1 + β2xt + β3xt−1 + εt Esse modelo é conhecido como Modelo Autorregressivo com Defasagens Distribúıdas. Podemos reescrever o modelo como: yt − yt−1 = β0 + β1yt−1 − yt−1 + β2xt + β3xt−1 + εt ∆yt = β0 − (1 − β1)yt−1 + β2xt + β3xt−1 + εt ∆yt = β0 − (1 − β1)yt−1 + β2xt + β3xt−1 + β2xt−1 − β2xt−1 + εt ∆yt = β0 − (1 − β1)yt−1 + β2∆xt + β3xt−1 + β2xt−1 + εt ∆yt = β0 − (1 − β1)yt−1 + β2∆xt + (β3 + β2)xt−1 + εt ∆yt = γ∆xt − λ(yt−1 − α− βxt−1) + εt onde γ = β2, λ = 1− β1, α = β01−β1 , β = β3+β2 1−β1 , yt−1 −α− βxt−1 = at−1 que é estimado por yt = α+ βxt + at Observe que o coeficiente do erro de correção é negativo por construção significando que a correção do erro é feita em cada peŕıodo. Método Engle e Granger O procedimento proposto por Engle e Granger para saber se as variáveis cointegram e para estimar o VECM é o seguinte: Passo 1: Teste de raiz unitária (ADF) para as variáveis, digamos y e x. Se as variáveis são I(1), elas são candidatas a cointegração. Se alguma for I(0) não temos cointegração e se forem integradas de ordens diferentes, digamos uma I(1) e a outra I(2) podemos testar se a diferença da segunda variável é I(1), caso for são também candidatas a cointegração. Método Engle e Granger Passo 2: Estimar a equação yt = βxt + �t e testar se os reśıduos são estacionários. Se são estacionários, as sequências yt e xt são cointegradas de ordem n, ie, se as variáveis são I(1) então elas são CI(1,1). *CI(d,b) onde d é a ordem da integração de cada variável e b é a ordem da cointegração. Assim o reśıduo é �t ∼ I(d− b). Para testar se os reśıduos são não estacionários Engle e Yoo (1987), MacKinnon(1991,2010) e Enders(2004) montaram uma apropriada tabela para o teste, que procede igual ao ADF apenas usando uma tabela diferente para o teste de raiz unitária. Passo 3: Se as variáveis são cointegradas estimamos o VECM. Passo 4: Verificar se o modelo VECM é adequado. a) Fazer os teste de diagnóstico: autocorrelação, heterocedasticidade, multicolinearidade; b) Se os coeficientes do termo de correção do erro αy e αz são zeros podemos estimar como um VAR. Exemplo I Fazendo teste de raiz unitária no exemplo da taxa de juros https://www.econometrics-with-r.org/16-3-cointegration.html Neste caso ambas séries são não estacionárias. I Estimando a equação por MQO ̂TB10Y St = 2.46 + 0.81 · TB3MSt, I Salvar os reśıduos da equação acima e fazer o teste de raiz uniária utilizando a tabela de MacKinnon The value of the test statistic is: -3.1935 valor tabelado -2,93 H0 : Não cointegração Como a est́ıstica do teste é menor que o valor cŕıtico, rejeitamos H0 Exemplo I Se duas as séries temporais são I(1) e, suas diferenças são estacionárias, então as séries cointegram e podem ser modeladas em um VAR que é aumentado pelo regressor yt−1 − βxt−1. I Isso é chamado de modelo de correção de erros (VECM) e yt − βxt é chamado de termo de correção de erros. I Valores defasados do termo de correção de erro são úteis para prever ∆yt e ou ∆xt. ̂∆TB3MSt = − 0.06 (0.11) + 0.24 (0.11) ∆TB3MSt−1 − 0.16 (0.15) ∆TB3MSt−2 + 0.11 (0.13) ∆TB10Y St−1 − 0.15 (0.11) ∆TB10Y St−2 + 0.03 (0.05) ECTt−1 ̂∆TB10Y St = 0.12 (0.06) − 0.00 (0.07) ∆TB3MSt−1 − 0.07 (0.04) ∆TB3MSt−2 + 0.23 (0.10) ∆TB10Y St−1 − 0.07 (0.07) ∆TB10Y St−2 − 0.09 (0.03) ECTt−1. Exemplo ̂∆TB3MSt = − 0.06 (0.11) + 0.24 (0.11) ∆TB3MSt−1 − 0.16 (0.15) ∆TB3MSt−2 + 0.11 (0.13) ∆TB10Y St−1 − 0.15 (0.11) ∆TB10Y St−2 + 0.03 (0.05) ECTt−1 ̂∆TB10Y St = 0.12 (0.06) − 0.00 (0.07) ∆TB3MSt−1 − 0.07 (0.04) ∆TB3MSt−2 + 0.23 (0.10) ∆TB10Y St−1 − 0.07 (0.07) ∆TB10Y St−2 − 0.09 (0.03) ECTt−1. Para a taxa de t́ıtulos do tesouro de 10 anos, o coeficiente de correção do erro é estatisticamente significativo com uma estimativa de -0,09. Esse coeficiente aponta para um ajustamento de cerca de 9% do desequiĺıbrio em relação a solução de longo prazo a cada peŕıodo. Modelo de correção de erros I Podemos ter várias variáveis endógenas e assim ter diversos vetores de cointegração, que é a descrição completa do VECM. I O modelo vetor de correção de erros é uma versão mais completa do VAR. I A ideia é que o VAR com variáveis não estacionárias, mas diferenciadas, omite variáveis relevantes. O VECM corrige esse problema. I Veremos a metodologia de Johansen que testa se existe mais de uma relação de cointegração. Teste de cointegração de johansen I A metodologia de Johansen permite a estimação do VECM simultaneamente aos vetores de cointegração. I Seja o modelo xt = µ+A1xt−1 + . . .+Apxt−p + wt (1) Onde µ é a média da série, Ai são as matrizes de coeficiente para cada defasagem e wt é o reśıduo gaussiano multivariado com média zero. I Podemos formar um modelo VECM diferenciando as séries: ∆xt = µ+Axt−1 + Γ1∆xt−1 + . . .+ Γp∆xt−p + wt (2) A é a matriz do coeficientepara a primeira defasagem e Γi são as matrizes para cada defasagem diferenciada. I O teste verifica a situação de não cointegração, que ocorre quando a matriz A = 0. Teste de cointegração de johansen I Para o teste temos que analisar o posto da matriz A que é n× n. I O posto da matriz A é dada por r e o teste de Johansen testa se esse posto r é igual a zero, igual a um, até r = n− 1, onde n é o número de séries temporais em teste. I A hipótese nula de r = 0 significa que não há cointegração. I Um r > 0 implica uma relação de cointegração entre duas ou possivelmente mais séries temporais. I Se r = n temos que as variáveis são I(0) e não temos cointegração. I Observe como isso difere do teste de Engle-Granger, em que é necessário verificar a combinação linear a priori por meio do MQO. Exemplo simulado - teste de cointegração de johansen Script RStudio I library(”urca”) I set.seed(123) I z = rep(0, 10000) for (i in 2:10000) z[i] = z[i-1] + rnorm(1) criando o passeio aleatório I p = q = r = rep(0, 10000) p = 0.3*z + rnorm(10000) q = 0.6*z + rnorm(10000) r = 0.2*z + rnorm(10000) criando três séries temporais que tem a mesma estrutura de passeio aleatório. I jotest=ca.jo(data.frame(p,q,r), type=”trace”, K=2, ecdet=”none”, spec=”longrun”) summary(jotest) fazendo o teste de cointegração de johansen Exemplo simulado - teste de cointegração de johansen ###################### # Johansen-Procedure # ###################### Test type: trace statistic , with linear trend Eigenvalues (lambda): [1] 0.338903321 0.330365610 0.001431603 Values of teststatistic and critical values of test: test 10pct 5pct 1pct r <= 2 | 7.32 6.50 8.18 11.65 r <= 1 | 4023.76 15.66 17.95 23.52 r = 0 | 8161.48 28.71 31.52 37.22 Eigenvectors, normalised to first column: (These are the cointegration relations) p.l2 q.l2 r.l2 p.l2 1.000000 1.00000000 1.000000 q.l2 1.791324 -0.52269002 1.941449 r.l2 -1.717271 0.01589134 2.750312 Weights W: (This is the loading matrix) p.l2 q.l2 r.l2 p.d -0.1381095 -0.771055116 -0.0003442470 q.d -0.2615348 0.404161806 -0.0006863351 r.d 0.2439540 -0.006556227 -0.0009068179 Exemplo simulado - teste de cointegração de johansen I A primeira hipótese, r = 0, testa a presença de cointegração. Como a estat́ıstica do teste excede significativamente o ńıvel de 1% (8161,48 > 37,22), temos fortes evidências para rejeitar a hipótese nula de não cointegração. I O segundo teste para r ≤ 1 contra a hipótese alternativa de r > 1 também rejeita r ≤ 1, pois a estat́ıstica do teste excede significativamente o ńıvel de 1%. I O teste final para r ≤ 2 contra r > 2 não rejeita a hipótese nula de que r ≤ 2 e, portanto, pode concluir que o posto da matriz r é 2. Exemplo simulado - teste de cointegração de johansen I Como vamos formar uma combinação linear? I A resposta é fazer uso dos componentes do autovetor associados ao maior autovalor. I Essa informação temos na primeira linha do teste em que o maior autovalor é de aproximadamente 0,3339. I Corresponde ao vetor fornecido na coluna p.l2 e é aproximadamente igual a (1.000000, 1.791324,−1.717271). I Se formarmos uma combinação linear de séries usando esses componentes, teremos uma série estacionária: I s = 1.000*p + 1.791324*q - 1.717271*r plot(s, type=”l”) Exemplo simulado - teste de cointegração de johansen 0 2000 4000 6000 8000 10000 − 1. 0 − 0. 5 0. 0 0. 5 1. 0 Index s Fazendo o teste de raiz unitária, temos que essa combinação linear é estacionária.
Compartilhar