Baixe o app para aproveitar ainda mais
Prévia do material em texto
ECONOMETRIA DE SÉRIES TEMPORAIS Estudo dirigido 01 - A FAC e a FACP Simulação de uma Série Temporal Considere uma série temporal do tipo AR(1), ou seja, Autorregressiva de ordem 1 do tipo: yt = a0 + a1yt-1 + et onde a0 e a1 são os parâmetros do modelo, e et termo de erro. A forma mais simples de simular esse modelo no R é usando o comando arima.sim. O comando é usado da seguinte forma: > arima.sim(list(order = c(p,d,q), ar = a1), n = n) + a0 Onde: - p representa o número de termos autoregressivos, no caso 1 (yt-1). Se o modelo tivesse yt-1 e yt-2, p seria igual a 2; - d é o número de diferenciações do modelo. No nosso caso, como assumimos dados estacionários, não necessitamos de nenhuma diferenciação e, portanto, d = 0; - q é o número de termos de média móvel (et-1, et-2, ... et-k). Veremos isso nas próximas aulas, mas como o nosso modelo AR(1) não tem termo de média móvel, assumimos q = 0; - ar = valor do coeficiente de yt-1, n é o número de observações a serem simuladas e a0 o intercepto do modelo. Como exemplo, simularemos 100 0bservações para o seguinte modelo: yt = 10 + 0.5yt-1 + et Assim, temos que a0 = 10, a1 = 0.5, p = 1, d = 0 e q = 0. > arima.sim(list(order = c(1,0,0), ar = 0.5), n = 10) + 10 Podemos também criar um “espaço” que vou chamar de arsim para colocar os resultados da simulação. Assim, temos: > arsim <- arima.sim(list(order = c(1,0,0), ar = 0.5), n = 10) + 10 O comando arima.sim exige o pacote urca. Se esse pacote não estiver instalado, basta escrever antes da linha do comando: > libray(urca) > arsim <- arima.sim(list(order = c(1,0,0), ar = 0.5), n = 10) + 10 Agora rode (run) a linha > arsim Para arredondar o resultado para 2 casas decimais usa-se > round(arsim, digits = 2) E o programa vai dar o resultado dos dados simulados: [1] 10.36 10.81 9.37 10.43 8.87 10.36 10.59 7.87 9.37 9.14 6.88 9.61 [13] 8.87 7.57 8.63 8.83 11.10 10.95 11.16 10.28 9.96 10.63 10.76 10.95 [25] 9.72 8.42 8.63 9.01 9.71 9.00 9.11 12.30 11.83 11.03 12.09 10.32 [37] 10.20 11.04 10.82 10.81 9.11 10.48 11.34 9.39 8.93 9.22 9.16 10.50 [49] 11.41 8.46 8.41 10.69 10.44 11.60 10.93 10.06 10.88 10.91 10.12 9.03 [61] 7.27 9.40 10.14 9.83 10.76 9.90 10.41 11.81 12.61 12.29 11.16 10.81 [73] 10.78 11.60 11.08 12.05 11.21 10.23 10.26 11.51 11.17 10.27 9.17 10.11 [85] 9.38 8.08 8.32 7.86 9.09 9.09 9.20 9.37 9.98 9.97 9.47 10.71 [97] 10.70 10.81 9.62 8.08 Assim, pode-se dizer que: t Yt Yt-1 Yt-2 Yt-3 Yt-4 1 10.36 - - - - 2 10.81 10.36 - - - 3 9.37 10.81 10.36 - - 4 10.43 9.37 10.81 10.36 - 5 8.87 10.43 9.37 10.81 10.36 6 10.36 8.87 10.43 9.37 10.81 7 10.59 10.36 8.87 10.43 9.37 8 7.87 10.59 10.36 8.87 10.43 9 9.37 7.87 10.59 10.36 8.87 10 9.14 9.37 7.87 10.59 10.36 ... ... .... ... ... ... 100 8.08 9.62 10.81 10.70 10.71 Autocovariância A relação entre duas variáveis pode ser dada pela covariância. Em séries temporais univariadas, a autocovariância mostra a relação entre uma variável e sua defasada (yt e yt-1, por exemplo). A autocovariância entre yt e yt-k pode ser calculada por: 𝐶𝑜𝑣(𝑦𝑡 , 𝑦𝑡−𝑘) = E[(𝑦𝑡 − 𝜇)( 𝑦𝑡−𝑘 − 𝜇)], sendo a Covariância amostral entre yt e , yt-k igual a: 𝐶𝑜𝑣(𝑦𝑡 , 𝑦𝑡−𝑘) = 1 𝑛 ∑ (𝑦𝑡 − 𝜇) 𝑇 𝑡=𝑘+1 (𝑦𝑡−𝑘 − 𝜇) Onde 𝜇 é a média do processo estocástico. Para calcular a autocovariância, usamos o comando: > autocov <- acf(arsim, lag.max=25, type="covariance") > autocov 0 1 2 3 4 5 6 7 1.38121 0.73936 0.38777 0.37515 0.17161 0.26766 0.06033 -0.25177 8 9 10 11 12 13 14 15 -0.29198 -0.27637 -0.08073 -0.01791 -0.16713 -0.12230 0.02132 0.10138 16 17 18 19 20 21 22 23 0.11580 0.01664 -0.23308 -0.17577 -0.00458 -0.10564 -0.05702 -0.15154 24 25 -0.25589 -0.05806 Função de Autocorrelação (FAC) Observe que, k = 0 (yt e yt-0), a covariância é igual a variância, no caso é 1.381. A covariância entre (yt e yt-1) é igual a 0.73936, a covariância entre (yt e yt-2) é igual 0.387 e assim sucessivamente. O problema é que a covariância não é normalizada; ou seja, não tem um valor entre 0 e 1. Assim, o valor da covariância não permite que se conclua que a relação entre as variáveis é forte ou fraca. Portanto, calculamos a autocorrelção (𝜌𝑘), que é a covariância dividida pelos desvios padrões de cada uma das variáveis relacionadas (𝜎𝑦𝑡 e 𝜎𝑦𝑡−𝑘) calculado como segue: 𝜌𝑘 = 𝐶𝑜𝑣(𝑦𝑡 , 𝑦𝑡−𝑘 ) 𝜎𝑦𝑡𝜎𝑦𝑡−𝑘 No R, a autocorrelação é calculada usando-se o seguinte comando: > autocor <- acf(arsim, lag.max=25, type="correlation") > autocor 0 1 2 3 4 5 6 7 8 9 10 1.000 0.535 0.281 0.272 0.124 0.194 0.044 -0.182 -0.211 -0.200 -0.058 11 12 13 14 15 16 17 18 19 20 21 -0.013 -0.121 -0.089 0.015 0.073 0.084 0.012 -0.169 -0.127 -0.003 -0.076 22 23 24 25 -0.041 -0.110 -0.185 -0.042 A autocorrelaçao está, em módulo, sempre no intervalo entre 0 e 1; sendo fraca próximo a zero e forte próximo a um. Quando k = 0, a autocorrelação é de yt com ele mesmo. Assim, a autocorrelação é igual a 1. As demais autocorrelações estarão sempre ente zero e um em módulo. Para realizar o teste de hipótese para as funções de autocorrelação, calcula-se o intervalo de confiança de 𝜌𝑘 que é aproximadamente ± 1,96(S𝜌𝑘), onde S𝜌𝑘 é o desvio padrão da função de autocorrelaçao (𝜌𝑘) igual a 1/√𝑇. No caso do presente exemplo, com 100 observações, o desvio padrão é 1/√100 = 0.1 e o intervalo de confiança igual a ± 1,96(0.1) = ± 0.196. Assim, qualquer valor de 𝜌𝑘 dentro do intervalo de confiança é considerado não significante estatisticamente ao nível de 5%. De outra forma, valores fora do intervalo de confiança podem ser considerados estatisticamente significantes. Observe a figura abaixo: A figura acima mostra a função de autocorrelação (Autocorrelation Function – ACF) para a série simulada yt. Observe que apenas 𝜌0, 𝜌1, 𝜌2, 𝜌3 e 𝜌8 estão fora do intervalo de confiança (linha pontilhada zul) e, portanto, são estatisticamente significantes. Em síntese, a função de autocorrelação informa se a relação entre uma variável e sua defasada é forte ou fraca. No caso em questão, apenas 𝜌1 (correlação entre yt e yt-1) supera a marca de 0.5 (correlação mediana), sendo as demais consideradas correlação fraca ou insignificante estatisticamente. Função de Autocorrelação Parcial (FACP) Considere o Processo AR(1), do tipo: yt =ϕ0 + ϕ1yt-1 + εt A correlação entre yt e yt-1 é dada por ϕ1. No entanto, yt e yt-2 são correlacionados indiretamente, mesmo que yt-2 não apareça na equação, da seguinte forma: yt =ϕ0 + ϕ1yt-1 + εt yt =ϕ0 + ϕ1(ϕ0 + ϕ1yt-2 + εt-1) + εt, yt =ϕ0 + ϕ1ϕ0 + ϕ12yt-2 + ϕ1εt-1 + εt, Assim, a correlação entre yt e yt-2 em um processo AR(1) é igual a correlação entre yt e yt-1 ao quadrado (ϕ12 ). A Função de Autocorrelação Parcial (FACP) entre yt e yt-s , portanto, elimina os efeitos intermediários entre yt e yt-s+1. Uma maneira de calcular as FACPs é construir modelos autoregressivos em desvio (subtraindo a média), aumentando sucessivamente as defasagens, da seguinte forma: yt = ϕ11yt-1 + et yt = ϕ21yt-1 + ϕ22yt-2 + et yt = ϕ31yt-1 + ϕ32yt-2 + ϕ33yt-3 + et ... Onde ϕ11, ϕ22, ϕ33, são, respectivamente, as FACP para k = 1, 2, 3. Observe que ϕ11 é, ao mesmo tempo, FAC e FACP, e ϕ22 é a FACPtirando os efeitos intermediários de yt-1. Uma forma mais simples de calcular as FACPs, é através das equações de Yule-Walker (Box-Jenkins-Reinsel, 1994), como apresentado a seguir: 𝜙𝑘𝑘 = 𝜌 𝑘−∑ 𝜙𝑘−1,𝑗𝜌𝑘−𝑗 𝑘−1 𝑗=1 1−∑ 𝜙𝑘−1,𝑗𝜌𝑗 𝑘−1 𝑗=1 , para k = 3, 4, 5 ... Sendo 𝜙𝑘𝑗 = 𝜙𝑘−1,𝑗 − 𝜙𝑘𝑘𝜙𝑘−1,𝑘−𝑗, para j = 1, 2, 3, ... , k-1. O intervalo de confiança para a FACP é dado por ± 1,96(𝑆𝜙𝑘𝑘), onde 𝑆𝜙𝑘𝑘 é o desvio padrão da função de autocorrelaçao (𝜙𝑘𝑘) igual a 1/√𝑇. No caso do presente exemplo, com 100 observações, o desvio padrão é 1/√100 = 0.1 e o intervalo de confiança igual a ± 1,96(0.1) = ± 0.196. No R, o comando para calcular a FACP é: autocorp <- pacf(arsim, lag.max = 25) autocorp Partial autocorrelations of series ‘arsim’, by lag 1 2 3 4 5 6 7 8 9 10 11 0.535 -0.008 0.174 -0.126 0.227 -0.268 -0.151 -0.145 0.047 0.143 0.030 12 13 14 15 16 17 18 19 20 21 22 -0.071 0.016 0.075 -0.022 -0.056 -0.039 -0.242 0.070 0.049 -0.050 0.123 23 24 25 -0.071 -0.084 -0.044 Observe que apenas as autocorrelações parciais para k = 1, 5, 6 e 18 saem do intervalo de confiança e, portanto, podem ser consideradas estatisticamente significantes a 5%.
Compartilhar