Baixe o app para aproveitar ainda mais
Prévia do material em texto
ECONOMETRIA DE SÉRIES TEMPORAIS AULA 12 –TESTE DE HIPÓTESE Prof. Ricardo Chaves Lima 1 Teste de Hipótese 2 Especificação do Modelo VAR • Sendo o VAR formado por variáveis endógenas, é importante testar se todas as variáveis no sistema guardam relação de causalidade mutua; • O número exato de defasagem no modelo VAR também precisa ser determinado por teste estatístico; • A omissão de variáveis relevantes aos sistema pode levar à correlação serial dos resíduos no modelo VAR. Assim, testar hipótese de causalidade e ordem de defasagem é fundamental para a especificação correta do modelo; Teste de Hipótese 3 Teste de Causalidade e Granger • Dadas duas variáveis yt e zt, diz-se que yt Granger-causa zt se yt for melhor previsto usando os históricos de yt e zt, do que usando somente o histórico de yt; • Considere o sistema: • Testar se H0: b11=...=b1p= 0 contra H1: ≠ 0 é um teste que zt não Granger-causa yt; • De maneira similar, testar se H0: a21=...=a2p= 0 contra H1: ≠ 0 é um teste que yt não Granger-causa zt; • Um teste F pode ser utilizado para testar a hipótese de causalidade; Teste de Hipótese 4 Causalidade de Bloco • Testar se um grupo de variáveis podem ser consideradas endógenas ao modelo; • Considerando o sistema abaixo, testar se as variáveis xt e wt são, em bloco, endógenas ao modelo; • O teste de causalidade de bloco pode ser realizado pela estatística do cociente de máxima verossimilhança (Likelihood Ratio – LR). O teste padrão é dado por: • Onde L(R) e L(NR) são as funções de máxima verossimilhança dos modelos restrito e não restrito, respectivamente; • O RATS ainda multiplica LR por [(T – c)/T] , referido como correção do multiplicador; • O resultado é o mesmo quando usamos: Teste de Hipótese 5 Causalidade de Bloco • Σr e Σnr são, respectivamente, a matriz de covariância restrita e não restrita; • Considere um VAR de ordem um, examinar se as variáveis xt e wt pertencem ao modelo: • Onde T é o número de observações, c (correção de Sims) é o número de parâmetros estimados em cada equação do sistema não restrito (incluindo a constante), q é o número de graus de liberdade (igual ao número restrições); Teste de Hipótese 6 Ordem de defasagem do modelo VAR • Para determinar a ordem de defasagem do modelo VAR pode-se usar diferentes estratégias; • Uma delas é um teste do cociente de máxima verossimilhança (LR), da mesma forma que na escolha das variáveis do modelo. • Onde o modelo não restrito é aquele com o maior numero de defasagens, e o restrito é aquele em que a ordem de defasagem é menor. Exemplo, testar p = 12 contra p = 11. Se rejeitamos H0, é porque há uma diferenças entre os modelos e, portanto, aceitamos o modelo com maior número de defasagens; • Se não rejeitamos a hipótese H0, concluímos que não há diferenças entre os modelos e, portanto, aceita-se o de menor ordem de defasagem; Teste de Hipótese 7 Ordem de defasagem do modelo VAR • O teste é para para modelos com k contra modelos (k – 1) defasagens. Quando não rejeitamos H0, concluímos que o modelo correto é o de menor defasagem. Da mesma forma, quando rejeitamos H0, concluímos que o melhor modelo é aquele com maior defasagem; • Exemplo escolha entre VAR(2) e VAR(1); Teste de Hipótese 8 Ordem de defasagem do modelo VAR • O teste tem distribuição qui-quadrado, é feito com T igual ao número de observações, c (correção de Sims) é o número de parâmetros estimados em cada equação do sistema não restrito (incluindo a constante), q é o número de graus de liberdade (igual ao número restrições); • O teste de escolha de ordem de defasagem também pode ser realizado usando-se os critérios de AIC e SBC; • Na comparação dos modelos com k e k-1 defasagens, escolhe-se o modelo com menor valor de AIC e SBC. Teste de Hipótese – Programação no R 9 Ordem de defasagem do modelo VAR VARselect(Canada, lag.max = 8, type = "both") Obs: type = c("const", "trend", "both", "none”) $selection AIC(n) HQ(n) SC(n) FPE(n) 3 2 1 3 (lags) $criteria 1 2 3 4 5 6 AIC(n) -6.272579064 -6.636669705 -6.771176872 -6.634609210 -6.398132246 -6.307704843 HQ(n) -5.978429449 -6.146420347 -6.084827770 -5.752160366 -5.319583658 -5.033056512 SC(n) -5.536558009 -5.409967947 -5.053794411 -4.426546046 -3.699388378 -3.118280272 FPE(n) 0.001889842 0.001319462 0.001166019 0.001363175 0.001782055 0.002044202 7 8 AIC(n) -6.070727259 -6.06159685 HQ(n) -4.599979185 -4.39474903 SC(n) -2.390621985 -1.89081087 FPE(n) 0.002768551 0.00306012 # using 4 crterion: AIC (Akaike), HQ (Hannan-Quinn), SC(Schwarz), FPE (Forecast Prediction Error). Teste de Hipótese – Programação no R 1 0 Teste de Causalidade: para lag=2 e modelo com constante var.2c <- VAR(Canada, p = 2, type = "const") causality(var.2c, cause = "prod") causality(var.2c, cause = "e") causality(var.2c, cause = "U") causality(var.2c, cause = "rw”) $Granger Granger causality H0: prod do not Granger-cause e rw U data: VAR object var.2c F-Test = 2.7811, df1 = 6, df2 = 292, p-value = 0.01205 $Instant H0: No instantaneous causality between: prod and e rw U data: VAR object var.2c Chi-squared = 1.6527, df = 3, p-value = 0.6475 Note: Granger defines simple causality when past values of x helps to predict y, and instantaneous causality when past and present values of x helps to predict y. Teste de Hipótese – Programação no R 1 1 Teste de Causalidade: para lag=2 e modelo com constante$Granger Granger causality H0: e do not Granger-cause prod rw U data: VAR object var.2c F-Test = 6.2768, df1 = 6, df2 = 292, p-value = 3.206e-06 $Instant H0: No instantaneous causality between: e and prod rw U data: VAR object var.2c Chi-squared = 26.068, df = 3, p-value = 9.228e-06 $Granger Granger causality H0: U do not Granger-cause e prod rw data: VAR object var.2c F-Test = 2.8116, df1 = 6, df2 = 292, p-value = 0.01126 $Instant H0: No instantaneous causality between: U and e prod rw data: VAR object var.2c Chi-squared = 26.184, df = 3, p-value = 8.728e-06 Teste de Hipótese – Programação no R 1 2 Teste de Causalidade: para lag=2 e modelo com constante$Granger Granger causality H0: rw do not Granger-cause e prod U data: VAR object var.2c F-Test = 2.594, df1 = 6, df2 = 292, p-value = 0.01828 $Instant H0: No instantaneous causality between: rw and e prod U data: VAR object var.2c Chi-squared = 3.2706, df = 3, p-value = 0.3518 Programa Canada completo 1 3 #e=emplyment;prod=labor prductivity;rw=real wage; U=unempoyment library(vars) data("Canada"); Canada summary(Canada) plot.ts(Canada) Canada <- Canada[, c("prod", "e", "U", "rw")] varcan <-VAR(Canada, p = 1, type = "both") summary(varcan) # ## impulse response function irfvarcan<-irf(varcan,impulse="prod", response=c("prod", "e", "U", "rw"), boot=TRUE,n.head=24) plot(irfvarcan) ## variance decomposition varcanvd <- fevd(varcan, n.ahead = 24); varcanvd win.graph(width=15,height=10) plot(fevd(varcan, n.ahead = 24)) # Causalidade de Granger var.2c <- VAR(Canada, p = 2, type = "const") causality(var.2c, cause = "prod") causality(var.2c, cause = "e") causality(var.2c, cause = "U") causality(var.2c, cause = "rw") # escolher defasagens VARselect(Canada, lag.max = 8, type = "both")
Compartilhar