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