Logo Passei Direto
Buscar

estudo dirigido 1 resposta

Ferramentas de estudo

Questões resolvidas

Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Questões resolvidas

Prévia do material em texto

ESTUDO DIRIGIDO
ECONOMETRIA DE SERIES TEMPORAIS
Econometria de series temporais
Amanda Steffany da silva Araujo
Ciências econômicas
Noite
 Exercício 1 
- Ler o material do Estudo Dirigido 1 e resolver o que se pede: 
I) simular um modelo AR(1) com 𝜙0 = 4 e 𝜙1= 0,2; 
ii) calcular as funções FAC e FACP, e fazer os gráficos das mesmas com os respectivos intervalos de confiança; 
iii) comentar os resultados obtidos. 
Observações: 
- entregar o trabalho digitado, impresso, com capa e páginas numeradas; 
- o referido trabalho servirá como presença de atividade extraclasse correspondente à aula do dia 17/08.
i)
arima.sim(list(order = c(1,0,0), ar = 0.2), n = 4) + 4
Time Series:
Start = 1 
End = 4 
Frequency = 1 
[1] 4.394603 3.919232 3.349547 4.213463
> arsim <- arima.sim(list(order = c(1,0,0), ar = 0.2), n = 4) + 4
> libray(urca)
Error in libray(urca) : não foi possível encontrar a função "libray"
> arima.sim(list(order = c(1,0,0), ar = 0.5), n = 100) + 100
Time Series:
Start = 1 
End = 100 
Frequency = 1 
 [1] 99.47967 98.63817 97.42826 97.65861 99.21327 99.90123 97.99537
 [8] 97.31030 100.15866 99.89710 99.42821 101.73210 101.29720 99.39026
 [15] 100.56068 100.09377 100.80801 102.17639 101.06992 100.06816 100.97327
 [22] 99.37337 98.84369 100.41761 100.32401 101.37767 100.09590 100.74076
 [29] 100.08302 101.07569 100.64844 99.63140 98.75030 99.70999 101.30601
 [36] 99.50050 100.13184 99.34980 99.98505 100.00946 100.17421 101.20439
 [43] 102.58987 101.17112 99.51332 99.60682 99.55889 99.96766 100.40827
 [50] 100.28636 101.93639 100.31305 100.27974 95.57403 97.80553 98.32334
 [57] 99.20671 98.45205 98.97897 102.56682 100.49427 100.31214 100.42039
 [64] 100.93053 99.98579 99.93482 98.28520 98.97698 100.43357 100.06415
 [71] 101.95296 101.51925 101.24508 101.54088 99.29612 99.93535 99.09768
 [78] 100.43456 100.67919 99.50740 100.26265 101.28221 101.88198 101.47947
 [85] 100.72691 99.47895 99.60974 100.14563 100.49958 98.75343 100.26551
 [92] 100.52979 100.07987 101.45122 101.79446 101.76655 102.54491 99.79908
 [99] 97.66195 100.09385
> arsim
Time Series:
Start = 1 
End = 4 
Frequency = 1 
[1] 5.435097 5.531627 4.459865 4.075750
> round(arsim, digits = 2)
Time Series:
Start = 1 
End = 4 
Frequency = 1 
[1] 5.44 5.53 4.46 4.08
ii)
> autocov <- acf(arsim, lag.max=25, type="covariance")
> autocov
Autocovariances of series ‘arsim’, by lag
 0 1 2 3 
 0.389 0.107 -0.189 -0.112 
> autocorp <- pacf(arsim, lag.max = 25)
> autocorp
Partial autocorrelations of series ‘arsim’, by lag
 1 2 3 
 0.274 -0.608 0.161