Prévia do material em texto
Tenência Determinística x Tendência Estocástica Lista de Exercício – Econometria de Séries Temporais O que você entende por processo estocástico? Um processo estocástico, portanto, pode ser descrito como uma série temporal em que os valores são observados aleatoriamente e estão associados a uma distribuição de probabilidade Escreva sobre as propriedades de um processo estocástcio. Uma série temporal é dita contínua quando é observada em tempo contínuo e é dita discreta quando é observada em tempo discreto. Na prática, as séries temporais utilizadas em trabalhos empíricos são observadas em tempos discretos Um processo estocástico pode ser classificados como estacionários e não estacionários; O que são processos estocásticos estacionários e não-estacionários? Estacionários: Um processo estocástico é dito estacionário quando suas características são invariantes em relação ao tempo. Ou seja, suas propriedades não são afetadas por uma mudança na origem temporal da série; Os processos estacionários são definidos como estacionários estritos (ou fortes) e estacionários amplos (ou fracos); Não estacionários: As séries temporais não estacionários são aqueles em que as características do processo estocástico variam com relação ao tempo Os processos não estacionários podem ser classificados como homogêneos e não homogêneos; Os processos não estacionários homogêneos são aqueles que podem ser transformados em estacionários através de processos de diferenciação; Os processos estocásticos não estacionários não homogêneos não podem ser transformados em estacionários. O que você entende por estacionariedade fraca e estacionariedade forte? Ou seja, estacionariedade estrita ocorre quando a distribuição de probabilidade conjunta da série yt,…,yt+N é igual a distribuição de probabilidade conjunta da série yt+m,…,yt+N+m; Um processo estocástico pode ser caracterizados como estacionários fracos quando satisfazem as seguintes condições: Em um processo estocástico, o que você entende por raiz unitária? seja um processo AR(p) do tipo, yt = Φ1yt-1 +Φ2yt-2 + …+ Φpyt-p + εt Para saber se yt é estacionário, deve-se examinar as raízes da sua equação características; (1 – Φ1L - Φ2L2 - …- ΦpLp) yt = εt Substituindo L por uma variável qualquer z e igualando o polinômio a zero, tem-se: 1 – Φ1z – Φ2z2 - …- Φpzp = 0 As p raízes características são os valores de z que satisfazem a equação característica; Mostre a condição de estacionariedade para um processo estocástico do tipo AR (1); yt =ϕ0 + ϕ1yt-1 + εt yt – ϕ1yt-1 = ϕ0 +εt (1 – ϕ1L) yt = ϕ0 +εt yt = ϕ0/(1 – ϕ1L) + [1/(1 – ϕ1L)] εt, A equação característica é (1 – ϕL) = 0, substituindo L por z 1 – ϕz = 0, sendo que z = 1/ϕ, então a condição de estacionariedade para o modelo AR(1) é |ϕ1| < 1 e, consequentemente, |z| > 1. Escreva sobre as funções de autocorrelação e autocorrelação parcial; Uma medida alternativa do grau de relação entre yt e yt+k é a função de autocorrelação, a qual apresenta a vantagem de ser um valor que varia, em módulo, entre 0 e 1; Valores próximos a 0 indicam fraca autocorrelação, enquanto valores próximos a 1 indicam forte autocorrelação; Sinais positivos ou negativos indicam apenas se autocorrelação direta e inversa, respectivamente; Assim, se a FAC estiver dentro do intervalo de confiança, não se pode afirmar que essa estimativa da função de autocorrelação seja estatisticamente diferente de zero Cada autocorrelação é estatisticamente significante individualmente se seu valor for maior do que duas vezes o respectivo desvio padrão; O teste de significância conjunta mostra todos os valores inferiores a 0,05 e, portanto, rejeita a hipótese nula de que as variáveis são independentes no tempo; O test Q é um teste de significância conjunta das autocorrelações. Por exemplo, se o teste Q para k = 10 tiver valor menor que 0,05, significa que as autocorrelações de 1 a 10 são, conjuntamente significantes estatisticamente; A hipótese H1, portanto, conclui que existe uma correlação temporal entre as variáveis defasadas do modelo. Escreva sobre os modelos de séries temporais do tipo ARMA (autoregressivo e de média móvel); Os Modelos Autoregressivos AR(p) Para ϕ0 = 0 yt = ϕ1yt-1 + ϕ2yt-2 + ... + ϕpyt-p + εt yt - ϕ1yt-1 - ϕ2yt-2 - ... - ϕpyt-p = εt (1 - ϕ1L - ϕ2L2 - ... – ϕpLp) yt = εt Fazendo ϕ(L) = (1 - ϕ1L - ϕ2L2 - ... – ϕpLp) ϕ(L)yt = εt yt = [1/ϕ(L)] εt Os Modelos de Média Móvel MA(q) yt = εt - θ1εt-1 - θ2εt-2 - ... – θqεt-q yt = (1 - θ1L - θ2L2 - ... – θqLq) εt Fazendo θ(L) = (1 - θ1L - θ2L2 - ... – θpLp) yt = θ(L)εt Os Modelos ARMA(p,q) yt = ϕ1yt-1 + ... + ϕpyt-p + εt - θ1εt-1 - ... – θqεt-q ϕ1yt-1 - ... - ϕpyt-p - yt = εt - θ1εt-1 - ... – θqεt-q ϕ(L)yt = θ(L)εt yt = [θ(L)/ϕ(L)]εt Escreva o método de Box-Jenkins para estimação dos modelos ARMA (p,q); (p, d, q)Identificação Estimação Diagnóstico Previsão 1 10 5 O Método de Box-Jenkins (p, d, q)Identificação Estimação Diagnóstico Previsão software AIC, SBC, R2-ajustado, t, Q Previsão ex-post, escolher o melhor modelo A escolha de d: A grau de diferenciação d, da série temporal, é o primeiro parâmetro a ser escolhido; Assumindo que o modelo ARMA(p,q) é estacionário, d = 0. • A escolha de p e q ❖Observar a FAC e a FACP Formato da FAC/FACP Tipo de Modelo • FAC com Queda exponencial; Modelo AR(p), usar a FACP para decidir a ordem do modelo; • FAC Alternando valores positivos e negativos; Modelo AR(p), usar a FACP para decidir a ordem do modelo; • FAC com um ou mais picos e o resto zero; MA(q), observe os picos da FAC para decidir a ordem; • Queda logo após poucas defasagens. ARMA(p,q) Modelos de Séries Temporais Univariados Modelos de Séries Temporais Univariados 6 1 8 O Método de BJ – Estimação e Diagnóstico • Os Critérios AIC e SBC Observar o ajuste do modelo pelos critérios AIC (Akaike Information Criterion) and SBC (Schwartz Bayesian Criterion); O aumento de defasagens de AR e MA que não contribuam para uma melhor previsão, deve implicar em um crescimento da soma do quadrado dos erros (SQE); AIC = T ln (soma do quadrado dos resíduos) + 2n SBC = T ln (soma do quadrado dos resíduos) + n ln (T) Onde, n = número de parâmetros estimados (p + q + possível termo constante) T = número de observações utilizáveis O Método de BJ – Estimação e Diagnóstico • Os Critérios AIC e SBC (continuando) Note que modelos com melhores ajustes mostram menores valores de AIC e SBC, inclusive do lado positivo da reta numérica. Ou seja, AIC e SBC aproximam-se de menos infinito quanto melhor o ajuste do modelo; Considerando que ln(T) será sempre maior do que 2, o custo marginal de adicionar um regressor (aumentar n) é maior para SBC. Deve-se ter sempre em mente o critério da parcimônia. Ou seja, para modelos com mesmo AIC e SBC prefere-se sempre o menor. O Método de BJ – Estimação e Diagnóstico O R-quadrado ajustado e as estatísticas t No modelos ARMA deve-se observar os valores do Rquadrado ajustado e significância dos parâmetros; A Estatística Q (Ljung-Box-Pierce) para os erros A regra geral é que modelos com melhor ajuste e poder de previsão têm erros não correlacionados no tempo. Assim, a estatística Q é usada para examinar autocorrelação conjunta para os termos de erro do modelo: Para s autocorrelações, p termos autorregressivos e q termos de média móvel, a estatística Q tem distribuição qui-quadrado com s – p – Escreva sobre tendência determinística e tendência estocástica; Uma equação da diferença estocástica é consistente com três partes distintas:yt = tendência + componente estacionário + ruído Uma tendência pode ser completamente determinística ou conter componentes estocásticos Um componente do crescimento do produto, por exemplo, é a inovação tecnológica, que é uma função de fatores aleatórios; Outras variáveis erráticas como preço internacional do petróleo ou decisão de políticasmacroeconômicas ESTOCASTICO Como identificar e eliminar das séries temporais as tendências determinísticas e estocásticas; tendência estocástica de uma série; Estacionariedade por Tendência (trend stationary): É uma série que pode ser transformada em estacionária removendo-se a tendência determinística; O método para remover a tendência determinística é regredir a variável contra uma série de tempo. O termo de erro dessa regressão representa a série sem tendência; É uma série que pode ser transformada em estacionária por diferenciação ; O método para remover a tendência estacionária é a diferenciação; O que você entende por regressão espúria; Considere o modelo a regressão a seguir: yt = a0 + a1zt + et A suposição do modelo clássico de regressão é de que as sequências {yt} e {zt} são estacionárias; Se essas variáveis forem não estacionárias é possível estarmos presente de um caso de regressão espúria (Ganger-Newbold, 1974); Na regressão espúria, o R2 é elevado e as estatísticas t de student mostram parâmetros estatisticamente significantes, mas os resultados são desprovidos de significado econômico; Para entender a regressão espúria, observa-se os resíduas do modelo de regressão acima. Se a série {et} for não estacionária, cada erro do modelo no tempo t nunca volta ao nível inicial nos momentos subsequentes. Assim, os desvios dos erros são permanentes; Um modelo de regressão com desvios permanentes de erros, não podem exibir parâmetros confiáveis; Conclusão: modelos de regressão com variáveis integradas de mesma ordem, e erros não estacionários, representam um caso de regressão espúria. Escreve sobre o teste Dickey-Fuller aumentado, para detecção de raiz unitária; O objetivo do teste Dickey-Fuller é testar estatisticamente a ocorrência de RU em uma processo estocástíco Subtraindo-se yt-1 dos dois lados da equação acima, podese reescrever o modelo da seguinte forma: Δyt = γyt-1 + εt Considerando que γ =(a1 – 1), testar a hipótese a = 1 é a mesma coisa que testar a hipótese γ = 0; Dickey and Fuller (1979) apresenta três diferentes equações de regressão para testar a ocorrência de raiz unitária: i) modelo sem intercepto e sem tendência, ii) modelo com intercepto e iii) modelo com intercepto e com tendência; Qual a importância de identificar quebras estruturais em uma série temporal; Na processo de realização de um teste para RU, deve-se ter atenção especial para a possibilidade da ocorrência de quebra estrutural; Se houver quebra estrutural na séria em questão, as estatísticas do teste Dickey-Fuller podem estar viesadas no sentido da não rejeição da hipótese de RU; A diferença no nível médio da série, em segmentos estacionários diferentes da sequência, pode levar a um resultado à conclusão de que a série tem tendência; É possível também que a série seja não estacionária em seus sub-segmentos. Ou seja, a série completa é formada por segmentos não estacionários com níveis médios diferentes Considere a sequência de 100 valores gerados por simulação, utilizando-se a fórmula: yt = 0,5yt-1 + et (de 1 a 50) yt = 4 + 0,5yt-1 + et (de 51 a 100) A sequência, portanto, é constituída de duas subsequências estacionárias em níveis diferentes; É possível que a mudança estrutural não seja aparente como é mostrada na figura. Dessa forma, é necessário um teste estatístico para diferenciar entre a ocorrência de RU e quebra estrutural (QE); É possível também que tanto RU quanto QE ocorram em uma sequência de dados (figura 01, painel da direita); Escreva sobre o teste de Perron para quebra estrutural; O teste de quebra estrutural examina duas hipótese distintas: a hipótese nula de um pulso em um processo com RU, contra a hipótese alternativa de uma mudança de nível em um processo estacionários; O trabalho de Perron examinou se a hipótese nula de que quebra da bolsa em 1929 nos EUA foi um pulso que causou uma mudança permanente de nível em um processo estocástico com RU, contra a hipótese alternativa de uma mudança de nível em um processo estacionários; Para testar essa hipótese Perron usou o seguinte modelo: Onde yt é o produto dos EUA (ver tabela), DL é a dummy de nível, Dp é a dummy de pulso e t a tendência linear; O ano que marca a mudança de nível ou o pulso é 1930; Sob a pressuposição de uma mudança de pulso em um processo estocástico com RU, a1 = 1, a0 = 0 e μ2 ≠ 0; Sob a hipótese alternativa de uma mudança de nível permanente em uma processo estacionário, a1 < 1 e μ1 ≠ 0; Escreva sobre os modelos ARIMA (autoregressivo integrado de média móvel); Os modelos univariados de séries temporais do tipo ARMA não podem ser utilizados para fazer previsão se os dados não estacionários; Através do processo de diferenciação, pode-se transforma uma série não estacionária com raiz unitária em uma série estacionária; As vezes é necessário mais de uma diferenciação para se obter estacionariedade em uma série com RU; Não se deve usar mais de duas diferenciação para efeitos de obter uma serie estacionária; Os modelos de previsão univariados do tipo ARMA, quando a série é diferenciada, são chamados ARIMA (auto regressivo integrado de média móvel); Qual a importância do teste Portmanteau (Box-Ljung) para a escolha de modelos do tipo ARMA/ARIMA; O Método de Box-Jenkins (p, d, q) Identificação Estimação Diagnóstico Previsão software AIC, SBC, R2-ajustado, t, Q Previsão ex-post, escolher o melhor modelo Qual a importância de se realizar a previsão ex-post na construção de um modelo de previsão de séries temporais. previsão Escreva sobre sazonalidade nas séries temporais; Escreva como estimar os modelos do tipo ARMA/ARIMA a presença de sazonalidade; Os modelos ARIMA-S se aplicam a dados sazonais. Ou seja, que foram gerados de acordo com padrões que se repetem periodicamente (anual); yt =ΔsDYt =(1−Ls )DYt Onde: yt é a série diferenciada sazonalmente, Yt é a série sazonal, D é o número de diferenciação sazonais (1 ou 2), e s é o período sazonal (geralmente 12). Exemplo: Para D = 1 yt =ΔsYt =Yt −Yt−s Para D = 2 yt =Δ2sYt =ΔYt −ΔYt−s =(Yt −Yt−s )−(Yt−s −Yt−2s ) Seja o modelo ARIMA(p,d,q)(P,D,Q): 11 4 15