Baixe o app para aproveitar ainda mais
Prévia do material em texto
ECONOMETRIA DE SÉRIES TEMPORAIS AULA 2 – ESTACIONARIEDADE DE SÉRIES TEMPORAIS Prof. Ricardo Chaves Lima 1 Processo Estocástico 2 • Uma série temporal é um conjunto de observações geradas sequencialmente no tempo de forma aleatória; • Assim, dada uma variável aleatória yt, ocorrendo em instantes t = 1, 2, ..., n, homogeneamente espaçados no tempo, diz-se que y1, y2,..., yn, é uma série temporal; • Um processo estocástico, portanto, pode ser descrito como uma série temporal em que os valores são observados aleatoriamente e estão associados a uma distribuição de probabilidade; • Uma série temporal é dita contínua quando é observada em tempo contínuo e é dita discreta quando é observada em tempo discreto. Na prática, as séries temporais utilizadas em trabalhos empíricos são observadas em tempos discretos; Processo Estocástico 3 Processo Estocástico 4 • Um processo estocástico pode ser classificados como estacionários e não estacionários; • Um processo estocástico é dito estacionário quando suas características são invariantes em relação ao tempo. Ou seja, suas propriedades não são afetadas por uma mudança na origem temporal da série; • Os processos estacionários são definidos como estacionários estritos (ou fortes) e estacionários amplos (ou fracos); • Ou seja, estacionariedade estrita ocorre quando a distribuição de probabilidade conjunta da série yt,…,yt+N é igual a distribuição de probabilidade conjunta da série yt+m,…,yt+N+m; Processo Estocástico 5 • Portanto, em um processo estritamente estacionário, a probabilidade conjunta de qualquer grupo de observações não deve ser afetada mudando-se a origem do tempo de observação em direção ao passado ou ao futuro (Box, Jenkins e Reisel, 1994); • Um processo estocástico pode ser caracterizados como estacionários fracos quando satisfazem as seguintes condições: Processo Estocástico 6 • Onde E é o operador de esperança, σy a variância, μ a média do processo e Cov a cavariância; • A condição (i) garante que a variância do processo estocástico é finita, a condição (ii) que o processo tem média constante, a condição (iii) que o processo tem variância constante e a condição (iv) que covariância covariância entre duas variáveis quaisquer yt e yt-k depende só do intervalo de tempo que as separa; Estacionariedade 7 • As séries temporais não estacionários são aqueles em que as características do processo estocástico variam com relação ao tempo; • Os processos não estacionários podem ser classificados como homogêneos e não homogêneos; • Os processos não estacionários homogêneos são aqueles que podem ser transformados em estacionários através de processos de diferenciação; • Os processos estocásticos não estacionários não homogêneos não podem ser transformados em estacionários. Estacionariedade 8 Painel superior: série não estacionária, Painel inferior: série estacionária por diferenciação Estacionariedade 9 • A diferenciação de uma série temporal (Δy) é feita da seguinte forma: • Onde Δ indica diferença e d o número de vezes que a série é diferenciada; • A nova série obtida Δdyt, diferenciada d vezes, torna-se estacionária se a série original não estacionária for homogênea; • Na prática, d só assume valores 1 e 2; Estacionariedade 1 0 Exemplo de Diferenciação Simulação – AR(1) 1 1 # x(t) = 2 + 1*x(t-1) + e(t) x <- numeric(100+1) # input initial values x[1] <- 1 # set.seed keep same numbers in different simulations # the number is a choice for multiple simulation set.seed(123) for(i in 2:102){ # sample e[1] as normal distribution, with 0 mean, 4 sd, # and 1 time for each [i] e[i] <- rnorm(1,mean = 0, sd = 4) x[i] <- 2 + 1 * x[i-1] + e[i] } x plot.ts(x) # differentiate x dx <- diff(x) plot.ts(dx) Simulação – AR(1) 1 2 Propriedades do Processo Estocástico 1 3 Media (Estimativa da média amostral) Variância (Estimativa da variância amostral) Propriedades do Processo Estocástico 1 4 Convariância (Estimativa da variância amostral) Propriedades do Processo Estocástico 1 5 Função de Autocorrelação (Estimativa da FAC amostrall) Raiz Unitária e Equações Características 1 6 • Seja um processo AR(p) do tipo, yt = Φ1yt-1 +Φ2yt-2 + …+ Φpyt-p + εt • Para saber se yt é estacionário, deve-se examinar as raízes da sua equação características; (1 – Φ1L - Φ2L 2 - …- ΦpL p) yt = εt • Substituindo L por uma variável qualquer z e igualando o polinômio a zero, tem-se: Note: L é um operador de defasagem (Lyt = yt-1) 1 – Φ1z – Φ2z 2 - …- Φpz p = 0 • As p raízes características são os valores de z que satisfazem a equação característica; 1 7 Apêndice 01 Condição de Estacionariedade para os Processos AR(1) e AR(2) 1 8 I. Condição de Estacionariedade para o Processo AR(1) (1) Média Finita e Independente do Tempo yt =ϕ0 + ϕ1yt-1 + εt yt – ϕ1yt-1 = ϕ0 + εt (1 – ϕ1L) yt = ϕ0 + εt yt = ϕ0/(1 – ϕ1L) + [1/(1 – ϕ1L)] εt, A equação característica é (1 – ϕL) = 0, substituindo L por z 1 – ϕz = 0, sendo que z = 1/ϕ, então a condição de estacionariedade para o modelo AR(1) é |ϕ1| < 1 e, consequentemente, |z| > 1. 1 9 Condição de Estacionariedade para o Processo AR(1) 2 0 Condição de Estacionariedade para o Processo AR(1) 2 1 Condição de Estacionariedade para o Processo AR(1) (2) Variância Finita e Independente do Tempo 2 2 Condição de Estacionariedade para o Processo AR(1) (3) Autocovariância Finita e Independente do Tempo 2 3 Condição de Estacionariedade para o Processo AR(2) 2 4 Condição de Estacionariedade para o Processo AR(2) 2 5 Condição de Estacionariedade para o Processo AR(2)
Compartilhar