Baixe o app para aproveitar ainda mais
Prévia do material em texto
ECONOMETRIA DE SÉRIES TEMPORAIS AULA 10 – ESTIMAÇÃO DO MODELO VAR Prof. Ricardo Chaves Lima 1 O Modelo VAR 2 Estimação • Onde, ü xt = um vetor nx1 contendo as variáveis do modelo VAR; ü A0 = um vetor nx1 de interceptos; ü Ai = uma matriz nxn de coeficientes; ü et = um vetor nx1 contendo os termos de erro. !! = !! + !!!!!! + !!!!!! +⋯+ !!!!!! + !! !• Seja o modelo: • O método de Sims’s implica na determinação das variáveis que devem entrar modelo, bem como na determinação da estrutura de defasagem das variáveis; O Modelo VAR 3 Estimação • A matriz A0 tem n parâmetros e a matriz Ai tem n2. Portanto, o modelo como um todo tem n +pn2 parâmetros as serem estimados; • O modelo VAR estimado é do tipo “superparametrizado”. Portanto, muitos dos coeficientes do modelo serão não significantes estatisticamente; • No entanto, o objetivo do modelo VAR é achar os co- movimentos entre as variáveis, e não a previsão de curto prazo; • Da mesma forma, os regressores devem ser altamente colineares por causa da estrutura de defasagem das variáveis. Assim, o teste t de student para os parâmetros não são fundamentais na interpretação dos resultados do modelo; O Modelo VAR 4 Estimação • O sistema VAR reduzido tem somente variáveis pré- determinadas do lado direito das equações; • Assume-se, portanto, que os termos de erro não são correlacionados serialmente e tem variância constante; • Portanto, cada equação do sistema pode ser estimada individualmente usando Mínimos Quadrados Ordinários (MQO); • Os estimadores de MQO são consistentes e assintoticamente eficientes; • Apesar dos erros serem correlacionados através das equações, Seemingly Unrelated Regression - SUR (equações aparentemente não relacionadas) não adiciona eficiência aos estimadores porque o lado direito da equação tem variáveis idênticas; O Modelo VAR 5 1. Consistência: se a distribuição assintótica de se tornar concentrada em torno de um valor particular k, a medida em que o tamanho de amostra se aproxima do infinito, k é dito ser a probabilidade limite de , e é escrita plim = k . Se plim = β, então diz-se que é consistente; 2. Eficiência Assintótica: a variância da distribuição assintótica de é chamada variância assintótica. Se é consistente e sua variância assintótica é a menor entre todos os estimadores, diz-se que é assintoticamente eficiente; !! !! !!!! !! !! !! !! Box 1: Consistência e Eficiência assintótica Kennedy, P (2003) O Modelo VAR 6 • Existe o debate se as variáveis no VAR precisam ser estacionárias; • Sims recomenta não diferenciar as variáveis, mesmo que algumas tenham raiz unitária; • O argumento é que o objetivo do modelo VAR é determinar co-movimentos entre variáveis, e não estimar os parâmetros; • De forma similar, não é recomendável tirar a tendência determinística dos dados (detrending). Pode-se modelar o VAR com tendência; ou seja, usando-se uma variável determinística de tempo (t); Estimação O Modelo VAR 7 • Considere novamente o modelo VAR de ordem um na forma primitiva: Identificação yt = b10 − b12zt +γ11yt−1 +γ12zt−1 +εyt zt = b20 − b21yt +γ21yt−1 +γ22zt−1 +εzt • O modelo acima não pode ser estimado diretamente porque a variável zt é correlacionada com com o termo de erro εyt, e a variável yt é correlacionado com o termo de erro εzt. Os métodos de estimação comumente utilizados exigem que os regressores sejam não correlacionados com o termo de erro; • O modelo na forma reduzida, no entanto, não apresenta esse problema: yt = a10 + a11yt−1 + a12zt−1 + e1t zt = a20 + a20yt−1 + a22zt−1 + e2t O Modelo VAR 8 • No modelo reduzido todas as variáveis do lado direito da equação são pré-determinadas e, portanto, não correlacionadas com o termo de erro; • Pergunta: é possível identificar o sistema primitivo a partir dos coeficientes do sistema reduzido? A resposta é não; • No sistema reduzido em nosso exemplo estimamos seis parâmetros de regressores (a10, a20, a11, a12, a21, e a22), duas variâncias [var(e1t) e var(e2t)] e uma covariância [cov(e1t, e2t)]. Portanto, nove parâmetros ao todo; • No sistema primitivo temos dois interceptos (b10 e b20), quatro coeficientes autoregressivos (γ11, γ12, γ21, γ22), dois coeficientes de efeito contemporâneo (b12 e b21) e dois desvios padrões (σy σz). Portanto, dez no total (note que a covariância entre εy e εz é zero porque esses erros são não correlacionados; Identificação O Modelo VAR 9 • Uma forma de identificar o modelo, de maneira a obter números iguais de parâmetros nos modelos reduzido e primitivo, é restringir a zero um parâmetro do modelo primitivo; • Se restringirmos, por exemplo, b21 igual a zero temos: Identificação yt = b10 − b12zt +γ11yt−1 +γ12zt−1 +εyt ! ! zt = b20 +γ21yt−1 +γ22zt−1 +εzt ! ! • Lembrando que as relações entre os choques puros e os resíduos da regressão são dadas por: e1t = (εyt − b12εzt ) / (1− b21b12 ) e2t = (εzt − b21εyt ) / (1− b21b12 ) O Modelo VAR 10 • Com b21 = 0, temos: • A nova matriz inversa de efeitos contemporâneos será: • O sistema primitivo em forma de matricial será: Identificação e1t = εyt − b12εzt e2t = εzt !!! = 1 −!!"0 1 ! !!!! = 1 −!!"0 1 !!"!!" + 1 −!!"0 1 !!! !!"!!" !!! !!!!!!!! + 1 −!!"0 1 !!"!!" ! O Modelo VAR 11 • Multiplicando, temos: • Comparando com o reduzido: • Temos: Identificação !!!! = !!" − !!"!!"!!" + !!! − !!"!!" !!" − !!"!!!!!" !!! !!!!!!!! + !!" − !!"!!"!!" ! yt zt ! " # # $ % & & = a10 a20 ! " # # $ % & & + a11 a12 a21 a22 ! " # # $ % & & yt−1 zt−1 ! " # # $ % & & + e1t e2t ! " # # $ % & & a10 = b10 – b12b20 a11 = γ11 – b12b21 a12 = γ12 – b12b22 a20 = b20 a20 = γ21 a22 = γ22 Var(e1t ) = σy2 + b122σz2 Var(e2t ) = σz2 Cov(e1t , e2t) = -b12σz2 O Modelo VAR 12 • Os estimadores das sequências εyt e εzt podem ser recuperados a partir das igualdades: • Note que, quando restringimos b21 = 0 assumimos que yt não exerce efeito contemporâneo em zt; • Assim, ambos os choques εyt e εzt afetam contemporaneamente yt via e1t , mas apenas o choque εzt afeta zt; • Ou seja, os valores observados de e2t são completamente atribuídos a puros choques na sequência zt; • Essa decomposição triangular (b21 = 0) é denominada “Decomposição de Choleski” (em homenagem ao matemático francês André-Louis Cholesky); Identificação e1t = εyt − b12εzt e2t = εzt O Modelo VAR 13 • Na decomposição triangular de Choleski, para uma matriz de efeitos contemporâneos B n×n, existem n resíduos de regressão e n choques estruturais; • A decomposição triangular requer um mínimo de (n2-n)/2 restrições. Ou seja, todos os coeficientes abaixo da diagonal principal na matriz de efeitos contemporâneos; Identificação
Compartilhar