Baixe o app para aproveitar ainda mais
Prévia do material em texto
SÉRIES TEMPORAIS CAP. 21 INTRODUÇÃO: 1 Métodos: i) Método de Domínio de Frequência (análise espectral) ii) Método de Domínio de Tempo Baseia-se na modelagem direta das relações defasadas entre uma série e seu passado 𝑌 = f 𝑌𝑡−𝑠 ∴ 𝑠 = 𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑑𝑒𝑓𝑎𝑠𝑎𝑔𝑒𝑛𝑠 Obs.: Uma série temporal é uma sequência de dados numéricos na qual cada informação é associada a um instante particular do tempo Variável aleatória (?) Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Conceitos Básicos: i) Processo estocástico: É um conjunto de variáveis aleatórias ordenadas no tempo Ex.: 𝑃1 = 0,50 (𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑑𝑎) 𝑃2 = 0,70 ⇒ 𝑃2= 0,50 + 0,20 ⇒ 𝑃2= 𝑃1+∈2 𝑃3 = 0,60 ⇒ 𝑃3= 0,50 + 0,20 − 0,10 ⇒ 𝑃3= 𝑃2+∈3 ⇒ 𝑃3= 𝑃1+∈2 +∈3 ∴ ∈ é 𝑢𝑚 𝑐ℎ𝑜𝑞𝑢𝑒 ii) Processo estocástico puramente aleatório: ➢ 𝐸 ∈𝑡 = 0 ∀ 𝑡 ➢ 𝑣𝑎𝑟 ∈𝑡 = 𝜎 2 ➢ 𝑐𝑜𝑣 ∈𝑖 , ∈𝑗 = 0 ➢ ∈𝑡 ~IIN[0, 𝜎 2] Processo ruído branco Estritamente ruído branco = Processo fracamente estacionário Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Conceitos Básicos: i) Processo estocástico estacionário: ➢ 𝐸 𝑌𝑡 = 𝜇 ∀ 𝑡 ➢ 𝑣𝑎𝑟 𝑌𝑡 = 𝜎 2 ➢ 𝑐𝑜𝑣 𝑌𝑡 , 𝑌𝑡−𝑠 = 0 ∴ 𝑠 ≠ 0 Estacionaridade fraca = Processo fracamente estacionário = Processo estacionário em covariâncias 𝑌89 = 0,5𝑌88 + ∈89 Ex. Suponha uma série que tenha o seguinte comportamento: 𝑌 = 0,5 𝑌𝑡−1+ ∈𝑡 . Considere: 𝑌1989 = 0 e a ocorrência de um choque positivo ∈1990= 20 ⇒ 0,5 0 + 0 = 0 𝑌90 = 0,5𝑌89 + ∈90 ⇒ 0,5 0 + 20 = 20 𝑌91 = 0,5𝑌90 + ∈91 ⇒ 0,5 20 + 0 = 10 𝑌92 = 0,5𝑌91 + ∈92 ⇒ 0,5 10 + 0 = 5 Y tende ao seu valor histórico. Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Conceitos Básicos: i) Processo estocástico não-estacionário: ➢ 𝐸 𝑌𝑡 ≠ 𝐸 𝑌𝑡−1 ≠ ⋯ ≠ 𝐸 𝑌𝑡−𝑠 𝑒/𝑜𝑢 𝑌1 = 𝑌0 + ∈1 Ex. Suponha que um processo começou em t = 0, com um valor de partida (𝑌0), e supondo que a cada período ocorra um choque ∈𝑡= 0,5 Considere: 𝑌1989 = 0 e a ocorrência de um choque positivo ∈1990= 20 ⇒ 0+ 0,5 = 0,5 𝑌2 = 𝑌1 + ∈2 ⇒ 0+ 0,5 + 0,5 = 1,0 ➢ 𝑣𝑎𝑟 𝑌𝑡 ≠ 𝑣𝑎𝑟 𝑌𝑡−1 ≠ ⋯ ≠ 𝑣𝑎𝑟 𝑌𝑡−𝑠 ⇒ 𝑌0 + ∈1 + ∈2 𝑌3 = 𝑌2 + ∈3 ⇒ 0+ 0,5 + 0,5 + 0,5 = 1,5⇒ 𝑌0 + ∈1 + ∈2+ ∈3 𝑌𝑡 = 𝑌0 + ∈𝑡 ∴ 𝑡 = 3 ⇒ 𝑡 ∈𝑡 = 3 𝑥 0,5 = 1,5 Y diverge de seu valor histórico Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 𝐸(𝑌𝑡) = 𝐸(𝑌0 + ∈𝑡) = 𝑌0 i) Média: 𝑣𝑎𝑟(𝑌𝑡) = 𝐸[𝑌𝑡 − 𝐸(𝑌𝑡)] 2 ii) Variância: = 𝐸[𝑌0 + ∈𝑡 − 𝑌0 ] 2 = 𝑡𝐸(∈𝑡) 2 = 𝑡𝜎2 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Tipos de processos estocásticos não-estacionários: 𝑌𝑡 = 𝛽1 + 𝛽2T + 𝛽3𝑌𝑡−1+ ∈𝑡 (1) Passeio aleatório (Método ingênuo de previsão): Considere o modelo: 𝛽1 = Parâmetro de deslocamento ∴ 𝑇 = Tempo = Componente de tendência 𝑌𝑡−1 = Componente auto-regressivo ∈𝑡 = Componente do erro (𝛽1= 𝛽2 = 0 𝑒 𝛽3 = 1) 𝒀𝒕 = 𝒀𝒕−𝟏 + ∈𝒕 Processo passeio aleatório puro Passeio aleatório sem deslocamento ➢ 𝑌𝑡 é uma série não estacionária em nível, porém é estacionária em suas primeiras diferenças 𝒀𝒕 − 𝒀𝒕−𝟏 = ∈𝒕 ∆𝒀𝒕 = ∈𝒕 ∴ ∆ = 𝑜𝑝𝑒𝑟𝑎𝑑𝑜𝑟 𝑑𝑒 𝑝𝑟𝑖𝑚𝑒𝑖𝑟𝑎𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛ç𝑎𝑠 Média: 𝐸(∆𝑌𝑡) = 𝐸( ∈𝑡) = 0 Variância: 𝑣𝑎𝑟(∆𝑌𝑡) = 𝐸[∈𝑡 − 𝐸(∈𝑡)] 2 = 𝜎2 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Tipos de processos estocásticos não-estacionários: 𝑌𝑡 = 𝛽1 + 𝛽2T + 𝛽3𝑌𝑡−1+ ∈𝑡 (1) Passeio aleatório com deslocamento: Considere o modelo: 𝛽1 = Parâmetro de deslocamento ∴ 𝑇 = Tempo = Componente de tendência 𝑌𝑡−1 = Componente auto-regressivo ∈𝑡 = Componente do erro (𝛽1 ≠ 0, 𝛽2 = 0 𝑒 𝛽3 = 1) 𝒀𝒕 = 𝜷𝟏 + 𝒀𝒕−𝟏 + ∈𝒕 Obs.: O sentido de 𝐘𝐭 vai depender do sinal de 𝛽1 Fazendo: ∴ 𝑌0 = 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑝𝑎𝑟𝑡𝑖𝑑𝑎𝒀𝟏 = 𝜷𝟏 + 𝒀𝟎 + ∈𝟏 ⇒ 𝛽1 + 𝛽1 + 𝑌0 + ∈1 + ∈2𝒀𝟐 = 𝜷𝟏 + 𝒀𝟏 + ∈𝟐 𝒀𝟑 = 𝜷𝟏 + 𝒀𝟐 + ∈𝟑 ⇒ 𝛽1 + 𝛽1 + 𝛽1 + 𝑌0 + ∈1 + ∈2 + ∈3 ⇒ 𝛽1 + 𝑌0 + ∈𝑡 ⇒ 𝑡𝛽1 + 𝑌0 + 𝑡 ∈𝑡 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Tipos de processos estocásticos não-estacionários: (2) Passeio aleatório com deslocamento: 𝒀𝒕 = 𝜷𝟏 + 𝒀𝒕−𝟏 + ∈𝒕 Logo, a média e a variância de um passeio aleatório com deslocamento são: 𝐸(𝑌𝑡) = 𝐸[σ𝛽1 + 𝑌0 + σ ∈𝑡] i) Média: ii) Variância: 𝑣𝑎𝑟(𝑌𝑡) = 𝑡𝜎 2 ⇒ 𝛽1 + 𝑌0 + ∈𝑡 ⇒ 𝑡𝛽1 + 𝑌0 + 𝑡 ∈𝑡 = 𝑡𝛽1 + 𝑌0 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 𝒀𝒕 = 𝜷𝟏 + 𝒀𝒕−𝟏 + ∈𝒕 Logo, a média e a variância de um passeio aleatório com deslocamento são: 𝐸(∆𝑌𝑡) = 𝐸[𝜷𝟏 + ∈𝒕] i) Média: ii) Variância: 𝑣𝑎𝑟(∆𝑌𝑡) = 𝐸[∆𝑌𝑡 − 𝐸(∆𝑌𝑡)] 2 = 𝛽1 ➢ Um passeio aleatório com deslocamento é não estacionária em nível, porém é estacionária em suas primeiras diferenças 𝒀𝒕− 𝒀𝒕−𝟏= 𝜷𝟏 + ∈𝒕 ⇒ ∆𝒀𝒕 = 𝜷𝟏 + ∈𝒕 𝑻𝒆𝒏𝒅ê𝒏𝒄𝒊𝒂 𝒆𝒔𝒕𝒐𝒄á𝒔𝒕𝒊𝒄𝒂 = 𝐸[𝛽1 + ∈𝑡 −𝛽1)] 2 = 𝐸(∈𝑡) 2 = 𝜎2 Y exibirá uma tendência positiva (𝛽1 > 0) ou negativa (𝛽1 < 0), o que depende do erro ➢ Um passeio aleatório com deslocamento é não estacionária em nível, porém é estacionária em suas primeiras diferenças Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Tipos de processos estocásticos não-estacionários: (3) Tendência determinísticas: 𝐸(𝑌𝑡) = 𝛽1 + 𝛽2T i) Média: ii) Variância: 𝑣𝑎𝑟(𝑌𝑡) = 𝜎 2 (𝛽1 ≠ 0, 𝛽2 ≠ 0 𝑒 𝛽3 = 0) 𝑌𝑡 = 𝛽1 + 𝛽2T + ∈𝑡 Y é não estacionária na média, mas é estacionária na variância. Conhecidos 𝛽1 e 𝛽2, a média será prevista com perfeição . Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Tipos de processos estocásticos não-estacionários: Obs.: Tendência determinísticas: os desvios em torno de uma linha de tendência (que representa a média não estacionária) são puramente aleatório e diminuem rapidamente, eles não contribuem para o desenvolvimento de longo prazo da série, que é determinado pelo componente de tendência. ➢ Um processo com tendência determinística é um processo estacionário em tendência (isto é, é estacionário pós remoção de tendência. Tendência estocástica: O componente aleatório ∈𝒕 afeta o curso de longo prazo da série Y 𝑌𝑡 − 𝐸(𝑌𝑡) = ∈𝑡 Logo: 𝐸 𝑦𝑡 = 0 𝑣𝑎𝑟 𝑦𝑡 = 𝜎 2 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Tipos de processos estocásticos não-estacionários: (4) Passeio Aleatório com Deslocamento e com Tendência Determinísticas: 𝐸(𝑌𝑡) = 𝛽1 + 𝛽2T + 𝑌𝑡−1 i) Média: ii) Variância: 𝑣𝑎𝑟(𝑌𝑡) = 𝐸[ 𝑌𝑡−1 −𝐸 𝑌𝑡 ] 2 (𝛽1 ≠ 0, 𝛽2 ≠ 0 𝑒 𝛽3 = 1) 𝑌𝑡 = 𝛽1 + 𝛽2T + 𝑌𝑡−1+ ∈𝑡 Y é não estacionária na média e na variância. 𝑣𝑎𝑟(𝑌𝑡) = 𝐸[𝛽1 + 𝛽2T + 𝛽3𝑌𝑡−1 + 𝑡 ∈𝑡− 𝛽1 + 𝛽2T + 𝑌𝑡−1] 2 𝑣𝑎𝑟(𝑌𝑡) = 𝑡σ 2 O𝑏𝑠. : ∆𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1 = 𝛽1 + 𝛽2T 𝑌𝑡 também é não-estacionário em diferenças. Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Tipos de processos estocásticos não-estacionários: (5) Tendência Determinísticas com Componente Auto-regressivo AR(1) Estacionário: 𝑌𝑡 − 𝐸(𝑌𝑡) = ∈𝑡 i) Média e Variância: Conclusão: As séries com tendência determinística não-estacionárias dos exemplos passaram aser estacionárias pós-remoção de tendência (remoção da média) (𝛽1 ≠ 0, 𝛽2 ≠ 0 𝑒 𝛽3 < 1) 𝑌𝑡 = 𝛽1 + 𝛽2T + 𝛽3𝑌𝑡−1+ ∈𝑡 Y é não estacionária na média e na variância. Porém, se subtrairmos 𝐸(𝑌𝑡), a série resultante será estacionária. Onde: 𝐸 𝑦𝑡 = 0 e 𝑣𝑎𝑟 𝑦𝑡 = 𝜎 2 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (1) Análise Gráfica: 2500 3000 3500 4000 4500 5000 1970 1975 1980 1985 1990 PI B PIB efetivo e ajustado efetivo ajustado (2) Função de Autocorrelação ou FAC (𝝆𝒌): ො𝜌𝑘 = ො𝛾𝑘 ො𝛾0 = σ 𝑌𝑡 − ത𝑌)(𝑌𝑡+𝑘 − ത𝑌 𝑛 σ 𝑌𝑡 − ത𝑌 𝑛 ∴ −1 ≤ ො𝜌𝑘 ≤ 1 Em que: K = nº de defasagens n = tamanho da amostra ത𝑌 = média de Y ➢ Como descobrir que uma série é não-estacionária? ➢ Se for não-estacionária, como torná-la estacionária? Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (3) Significância Estatística dos Coeficientes de autocorrelação (AC): ➢ Significância Parcial de AC: Estatística t ቇ𝑡 ෝ𝜌𝑘 = ො𝜌𝑘 )𝑒𝑝( ො𝜌𝑘 ∴ 𝑒𝑝 ො𝜌𝑘 = ൗ 1 𝑛 ො𝜌𝑘~(0, ൗ 1 𝑛 Em que: H0: 𝜌𝑘 = 0 Ha: 𝜌𝑘 ≠ 0 𝑄 = 𝑛 𝑘=1 𝑚 ො𝜌𝑘 2 ∴ 𝑚 = 𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑑𝑒𝑓𝑎𝑠𝑎𝑔𝑒𝑚; 𝑄 ~𝜒2 ; 𝑔𝑙 = 𝑚 (𝑎𝑚𝑜𝑠𝑡𝑟𝑎𝑠 𝑔𝑟𝑎𝑛𝑑𝑒𝑠) Em que: H0: 𝜌1 = 𝜌2 = 𝜌𝑘 = 0 Ha: 𝜌1 ≠ 𝜌2 ≠ 𝜌𝑘 ≠ 0 ➢ Significância Conjunta de AC: Estatística Q (Box e Pierce) Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (3) Significância Estatística dos Coeficientes de autocorrelação (AC): ➢ Significância Conjunta de AC: 𝐿𝐵 = 𝑛 𝑛 + 2 𝑘=1 𝑚 ො𝜌𝑘 𝑛 − 𝑘 ~ 𝜒2 𝑚 (𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 𝑑𝑒𝑓𝑎𝑠𝑎𝑔𝑒𝑚) Em que: H0: σ ො𝜌𝑘 2 = 0 Em pequenas amostras, o ideal é usar a estatística LB (Ljung e Box): Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (4) Correlograma: Função de autocorrelação para PIB ***, **, * indicam significância aos níveis de 1%, 5% e 10% usando erro padrão 1/T^0,5 Defas. FAC FACP Estat. Q [p-valor] 1 0,9685 *** 0,9685 *** 85,3853 [0,000] 2 0,9356 *** -0,0375 166,0018 [0,000] 3 0,9015 *** -0,0364 241,7311 [0,000] 4 0,8657 *** -0,0456 312,3887 [0,000] 5 0,8295 *** -0,0233 378,0440 [0,000] 6 0,7907 *** -0,0603 438,4339 [0,000] 7 0,7512 *** -0,0319 493,6096 [0,000] 8 0,7116 *** -0,0222 543,7371 [0,000] 9 0,6737 *** 0,0082 589,2436 [0,000] 10 0,6369 *** -0,0069 630,4275 [0,000] 11 0,6002 *** -0,0195 667,4773 [0,000] 12 0,5642 *** -0,0122 700,6507 [0,000] 13 0,5309 *** 0,0189 730,4137 [0,000] 14 0,4986 *** -0,0088 757,0250 [0,000] 15 0,4664 *** -0,0259 780,6248 [0,000] 16 0,4356 *** -0,0016 801,4984 [0,000] 17 0,4039 *** -0,0394 819,6933 [0,000] -1 -0,5 0 0,5 1 0 2 4 6 8 10 12 14 16 18 defasagem FAC para PIB +- 1,96/T^0,5 -1 -0,5 0 0,5 1 0 2 4 6 8 10 12 14 16 18 defasagem FACP para PIB +- 1,96/T^0,5 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (5) Raiz Unitária: Em que: 𝜌 = 1 ⇒ Omodelo possui uma raiz unitária (𝑖. 𝑒, é 𝑛ã𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛á𝑟𝑖𝑎 𝑜𝑢 𝑝𝑎𝑠𝑠𝑒𝑖𝑜 𝑎𝑙𝑒𝑎𝑡ó𝑟𝑖𝑜) 𝑌𝑡 = 𝜌𝑌𝑡−1+ ∈𝑡 𝜌 < 1 ⇒ 𝜖𝑡~IIDN 0,1 , logo 𝜖𝑡 é ruído branco e a série 𝑌𝑡 é estacionária. Assim: 𝐸 𝑌𝑡 = 0 𝑒 = 𝜌2𝑣𝑎𝑟 𝑌𝑡 + 1𝑣𝑎𝑟 𝑌𝑡 = 𝑣𝑎𝑟 𝜌𝑌𝑡−1 + 𝑣𝑎𝑟 ∈𝑡 𝑣𝑎𝑟 𝑌𝑡 − 𝜌 2𝑣𝑎𝑟 𝑌𝑡 = 1 (1 − 𝜌2)𝑣𝑎𝑟 𝑌𝑡 = 1 𝑣𝑎𝑟 𝑌𝑡 = ൗ 1 1−𝜌2 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (5) Raiz Unitária: 𝑌𝑡 = 𝜌𝑌𝑡−1+ ∈𝑡 Estimação do Modelo Usando a Variável PIB (EUA) Modelo 20: Cochrane-Orcutt, usando as observações 1970:3-1991:4 (T = 86) Variável dependente: PIB rho = 0,232959 Coeficiente Erro Padrão razão-t p-valor PIB_1 1,00583 0,00137878 729,5096 <0,0001 *** Estatísticas baseadas nos dados rô-diferenciados: Média var. dependente 3887,258 D.P. var. dependente 616,7049 Soma resíd. quadrados 124107,4 E.P. da regressão 38,21109 R-quadrado 0,996220 R-quadrado ajustado 0,996220 F(1, 85) 538520,8 P-valor(F) 2,3e-163 rô −0,017174 h de Durbin −0,159281 Série do PIB dos EUA – Tabela 21.1 (Gujarati) Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (5.1) Raiz Unitária – Teste de Dickey-Fuller(DF): 𝑌𝑡 = 𝜌𝑌𝑡−1+ ∈𝑡 subtraindo 𝑌𝑡−1 de ambos os lados da equação: Δ𝑌𝑡 = 𝜌 − 1 𝑌𝑡−1+ ∈𝑡 ∴ Δ é o operador das primeiras diferenças (i) Modelo 1: Δ𝑌𝑡 = 𝛿𝑌𝑡−1+ ∈𝑡 ∴ 𝛿 = 𝜌 − 1 (ii) Modelo 2: : Δ𝑌𝑡 = 𝛽1 + 𝛿𝑌𝑡−1+ ∈𝑡 (iii) Modelo 3: Δ𝑌𝑡 = 𝛽1 + 𝛽2𝑇 + 𝛿𝑌𝑡−1+ ∈𝑡 (iv) Estima 𝛿 por MQO (v) Usando a distribuição assintótica 𝜏 𝑡𝑎𝑢 , da estatística de DF: Testa H0: 𝛿 = 0 contra Ha: 𝛿 ≠ 0 𝑌𝑡 é 𝑢𝑚 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛á𝑟𝑖𝑜 𝑐𝑜𝑚 𝑚é𝑑𝑖𝑎 𝑧𝑒𝑟𝑜; É𝑢𝑚 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛á𝑟𝑖𝑜𝑐𝑜𝑚 𝑚é𝑑𝑖𝑎 𝑞𝑢𝑎𝑙𝑞𝑢𝑒𝑟; É 𝑢𝑚 𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛á𝑟𝑖𝑜 𝑒𝑚 𝑡𝑜𝑟𝑛𝑜 𝑑𝑎 𝑡𝑒𝑛𝑑ê𝑛𝑐𝑖𝑎 𝑌𝑡 − 𝑌𝑡−1 = 𝜌𝑌𝑡−1 − 𝑌𝑡−1+ ∈𝑡 𝐶𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑛𝑑𝑜 𝑐𝑜𝑣 ∈𝑖∈𝑗 = 0 Obs: δ = 𝜌 − 1 Como −1 ≤ 𝜌 ≤ 1 então 𝜌 = 1 δ = 0 e 𝜌 < 1 δ ≠ 0 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (5.1) Raiz Unitária – Teste de Dickey-Fuller Aumentado (pressupõe 𝑐𝑜𝑣 ∈𝑖∈𝑗 ≠ 0) : (i) Modelo 1: ∆𝑌𝑡 = 𝛿𝑌𝑡−1 + σ𝑖=1 𝑚 𝛼𝑖∆𝑌𝑡−𝑖+∈𝑖 (ii) Modelo 2: :∆𝑌𝑡 = 𝛽1 + 𝛿𝑌𝑡−1 + σ𝑖=1 𝑚 𝛼𝑖∆𝑌𝑡−𝑖+∈𝑖 (iii) Modelo 3:∆𝑌𝑡 = 𝛽1 + 𝛽2𝑇 + 𝛿𝑌𝑡−1 + σ𝑖=1 𝑚 𝛼𝑖∆𝑌𝑡−𝑖+∈𝑖 ∴ ∈𝑖 é 𝑢𝑚 𝑡𝑒𝑟𝑚𝑜 𝑟𝑢í𝑑𝑜 𝑏𝑟𝑎𝑛𝑐𝑜 𝑝𝑢𝑟𝑜 (iv) Estima 𝛿 e testa sua significância usando a mesma distribuição de DF Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade: (5.1) Raiz Unitária – Teste de Dickey-Fuller Aumentado: Teste Aumentado de Dickey-Fuller para PIB incluindo 1 defasagem de (1-L)PIB (o máximo foi 11, critério AIC) dimensão de amostragem 86 hipótese nula de raiz unitária: a = 1 teste com constante modelo: (1-L)y = b0 + (a-1)*y(-1) + ... + e valor estimado de (a - 1): -0,00311976 estatística de teste: tau_c(1) = -0,462459 p-valor assintótico 0,896 coeficiente de 1ª ordem para e: -0,017 com constante e tendência modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e valor estimado de (a - 1): -0,0862796 estatística de teste: tau_ct(1) = -2,18766 p-valor assintótico 0,496 coeficiente de 1ª ordem para e: -0,037 Teste Aumentado de Dickey-Fuller para d_PIB incluindo 0 defasagens de (1-L)d_PIB (o máximo foi 11, critério AIC) dimensão de amostragem 86 hipótese nula de raiz unitária: a = 1 teste com constante modelo: (1-L)y = b0 + (a-1)*y(-1) + e valor estimado de (a - 1): -0,77477 estatística de teste: tau_c(1) = -7,31573 p-valor 4,941e-008 coeficiente de 1ª ordem para e: -0,016 com constante e tendência modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + e valor estimado de (a - 1): -0,774803 estatísticade teste: tau_ct(1) = -7,27281 p-valor 8,487e-008 coeficiente de 1ª ordem para e: -0,016 Teste DF aumentado para a Variável PIB (EUA) Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Integração e Co-Integração Processo Estocástico Integrado Propriedades de Séries Integradas Se 𝑌𝑡 é 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑑𝑎 𝑑𝑒 𝑜𝑟𝑑𝑒𝑚 𝑑 ⇒ 𝑌𝑡 ~ 𝐼(𝑑) Sejam Xt, Yt e Zt, três séries temporais: (1) 𝑆𝑒 𝑋𝑡 ~ 𝐼 0 𝑒 𝑌𝑡 ~ 𝐼 1 ⇒ 𝑍𝑡 = 𝑋𝑡 + 𝑌𝑡 = 𝐼(1) (2) 𝑆𝑒 𝑋𝑡 ~ 𝐼 𝑑 ⇒ 𝑍𝑡 = 𝑎 + 𝑏𝑋𝑡 = 𝐼(𝑑) (3) 𝑆𝑒 𝑋𝑡 ~ 𝐼 𝑑1 𝑒 𝑌𝑡 ~ 𝐼 𝑑2 ⇒ 𝑍𝑡 = 𝑎𝑋𝑡 + 𝑏𝑌𝑡 ~ 𝐼 𝑑2 ∴ 𝑑1 > 𝑑2 (4) 𝑆𝑒 𝑋𝑡 ~ 𝐼 𝑑 𝑒 𝑌𝑡 ~ 𝐼 𝑑 ⇒ 𝑍𝑡 = 𝑎𝑋𝑡 + 𝑏𝑌𝑡 ~ 𝐼 𝑑 ∗ ∴ 𝑑∗ = 𝑑 𝑜𝑢 𝑑∗ < 𝑑 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Regressão Espúria: Estimação do Modelo Dividendos X Renda Pessoal Disponível (RPB) - EUA Modelo 15: MQO, usando as observações 1970:1-1991:4 (T = 88) Variável dependente: Dividendos Coeficiente Erro Padrão razão-t p-valor const −151,787 4,65855 −32,5824 <0,0001 *** RPB 0,0788897 0,00164031 48,0943 <0,0001 *** Média var. dependente 69,11364 D.P. var. dependente 38,34315 Soma resíd. quadrados 4585,129 E.P. da regressão 7,301743 R-quadrado 0,964153 R-quadrado ajustado 0,963736 F(1, 86) 2313,063 P-valor(F) 6,06e-64 Log da verossimilhança −298,8090 Critério de Akaike 601,6180 Critério de Schwarz 606,5727 Critério Hannan-Quinn 603,6141 rô 0,901240 Durbin-Watson 0,135735 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Integração e Co-Integração Processos Estocásticos Co-Integrado Sejam Xt, e Yt duas séries temporais: (1) 𝑆𝑒 𝑋𝑡 ~ 𝐼 1 𝑒 𝑌𝑡 ~ 𝐼 1 (2) 𝑆𝑒 𝑌𝑡= 𝛽1 + 𝛽2𝑋𝑡 + 𝑢𝑡 𝑐𝑜𝑚 ො𝑢𝑡 ~ 𝐼 0 ⇒ Xt, e Yt têm integração de mesma ordem Logo, se: ⇒ 𝐴 𝑟𝑒𝑔𝑟𝑒𝑠𝑠ã𝑜 é 𝑣á𝑙𝑖𝑑𝑎 Assim: 𝑌𝑡= 𝛽1 + 𝛽2𝑋𝑡 + 𝑢𝑡 é 𝑢𝑚𝑎 𝑟𝑒𝑔𝑟𝑒𝑠𝑠ã𝑜 𝑐𝑜 − 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑛𝑡𝑒 𝛽2 = parâmetro co-integrante = mede o efeito de longo prazo ou de equilíbrio. Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Correlograma dos Resíduos do Modelo (Dividendos X RPB) Função de autocorrelação dos resíduos ***, **, * indicam significância aos níveis de 1%, 5% e 10% usando erro padrão 1/T^0,5 Defas. FAC FACP Estat. Q [p-valor] 1 0,8799 *** 0,8799 *** 70,4774 [0,000] 2 0,7382 *** -0,1592 120,6663 [0,000] 3 0,5990 *** -0,0630 154,0986 [0,000] 4 0,4525 *** -0,1230 173,4009 [0,000] 5 0,3369 *** 0,0480 184,2318 [0,000] 6 0,2668 ** 0,0981 191,1092 [0,000] 7 0,2236 ** 0,0346 195,9992 [0,000] 8 0,1943 * -0,0104 199,7383 [0,000] 9 0,1668 -0,0452 202,5275 [0,000] 10 0,1357 -0,0300 204,3970 [0,000] 11 0,0942 -0,0462 205,3106 [0,000] 12 0,0746 0,0999 205,8901 [0,000] 13 0,0493 -0,0537 206,1463 [0,000] 14 0,0208 -0,0343 206,1925 [0,000] 15 -0,0029 -0,0341 206,1934 [0,000] 16 -0,0013 0,0998 206,1936 [0,000] 17 -0,0009 -0,0147 206,1936 [0,000] -1 -0,5 0 0,5 1 0 2 4 6 8 10 12 14 16 18 defasagem FAC dos Resíduos +- 1,96/T^0,5 -1 -0,5 0 0,5 1 0 2 4 6 8 10 12 14 16 18 defasagem FACP dos Resíduos +- 1,96/T^0,5 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino SÉRIES TEMPORAIS CAP. 21 Teste de Estacionaridade dos Resíduos do Modelo de Dividendos X RPB: Teste de Raiz Unitária – Teste de Dickey-Fuller Aumentado: Teste Aumentado de Dickey-Fuller para uhat15 incluindo 1 defasagem de (1-L)uhat15 (o máximo foi 11, critério AIC) dimensão de amostragem 86 hipótese nula de raiz unitária: a = 1 teste com constante modelo: (1-L)y = b0 + (a-1)*y(-1) + ... + e valor estimado de (a - 1): -0,106768 estatística de teste: tau_c(1) = -2,68704 p-valor assintótico 0,07623 coeficiente de 1ª ordem para e: -0,022 com constante e tendência modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e valor estimado de (a - 1): -0,108061 estatística de teste: tau_ct(1) = -2,74397 p-valor assintótico 0,2187 coeficiente de 1ª ordem para e: -0,012 Universidade Federal de Sergipe UFS/DEE Econometria Profa. Heliana Quintino
Compartilhar