Prévia do material em texto
Econometria de Séries Temporais: Vetor Autorregressivo Rodrigo De Losso da Silveira Bueno Outubro 2016 Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 1 / 69 INTRODUÇÃO O uso de modelos univariados é limitado para expressar modelos econômicos. O vetor autorregressivo permite que se expressem modelos econômicos completos e se estimem os parâmetros desse modelo. Os modelos em VAR de nem restrições entre as equações do modelo. Estudar essas restrições e usá-las para identi car os parâmetros estruturais do VAR constitui um objetivo fundamental da metodologia. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 2 / 69 FORMA ESTRUTURAL Pode-se expressar um modelo auto-regressivo de ordem p por um vetor com n variáveis endógenas, Xt , conectadas entre si por meio de uma matriz A: AXt = B0 + p ∑ i=1 BiXt�i + Bεt , (1) em que A é uma matriz n� n que de ne as restrições contemporâneas entre as variáveis que constituem o vetor n� 1, Xt ; B0 é um vetor de constantes n� 1; Bi são matrizes n� n; B é uma matriz diagonal n� n de desvios padrão; εt é um vetor n� 1 de perturbações aleatórias não correlacionadas entre si contemporânea ou temporalmente, isto é: εt � i .i .d . (0; In) . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 3 / 69 pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce FORMA REDUZIDA A equação (1) expressa as relações entre as variáveis endógenas, a partir de um modelo econômico teoricamente estruturado: forma estrutural. Os choques εt são os choques estruturais porque afetam individualmente cada uma das variáveis endógenas. Os choques estruturais são considerados independentes entre si. Esse modelo é normalmente estimado em sua forma reduzida: Xt = A�1B0 + p ∑ i=1 A�1BiXt�i + A�1Bεt = = Φ0 + p ∑ i=1 ΦiXt�i + et , em que Φi � A�1Bi , i = 0, 1, . . . , p Bεt � Aet . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 4 / 69 EXEMPLO Seja um modelo bivariado de ordem 1: yt = b10 � a12zt + b11yt�1 + b12zt�1 + σy εyt ; zt = b20 � a21yt + b21yt�1 + b22zt�1 + σz εzt . Não pode ser estimado diretamente, já que as variáveis contemporâneas zt e yt são individualmente correlacionadas com os erros εyt ou εzt . O objetivo do VAR é desenvolver técnicas para evitar esse problema, visando-se a encontrar a trajetória da variável de interesse ante um choque estrutural. Hipóteses: a ) yt e zt são ambos estacionários; b ) εyt � RB (0, 1) e εzt � RB (0, 1) ; c ) εyt ? εzt =) Cov (εyt , εzt ) = 0. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 5 / 69 EXEMPLO Em matrizes: � 1 a12 a21 1 � | {z } �A � yt zt � | {z } �Xt = � b10 b20 � | {z } �B0 + � b11 b12 b21 b22 � | {z } �B1 � yt�1 zt�1 � + � σy 0 0 σz � | {z } �B � εyt εzt � | {z } �εt =) AXt = B0 + B1Xt�1 + Bεt . A forma reduzida desse modelo simpli cado é: Xt = Φ0 +Φ1Xt�1 + et ; (2) Φ0 � A�1B0; Φ1 � A�1B1; Aet � Bεt . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 6 / 69 EXEMPLO Condição de estabilidade: os autovalores de (I �Φ1L) fora do círculo unitário. Observe que: � e1t e2t � � A�1Bεt = " σy εyt�a12σz εzt 1�a12a21 σz εzt�a21σy εyt 1�a12a21 # . Logo: E (et ) = 0; Cov (et ) � Σ = � σ21 σ12 σ21 σ 2 2 � = 24 σ2y+a212σ2z(1�a12a21)2 � a21σ2y+a12σ2z(1�a12a21)2 � a21σ2y+a12σ2z (1�a12a21)2 σ2z+a 2 21σ 2 y (1�a12a21)2 35 . Os erros não são autocorrelacionados, pois: Cov � eit , ei (t�j) � = E �� σi εit � aσ�i ε�it 1� a12a21 �� σi εi (t�j) � aσ�i ε�i (t�j) 1� a12a21 �� = 0, i = y , z ; j 6= 0; a = a12, a21;� representam negação. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 7 / 69 SIMULAÇÃO -8 -4 0 4 8 -8 -4 0 4 8 50 100 150 200 250 300 Figura: VAR (1): séries superiores - eixo à direita: Φ0 = 0; φ11 = φ22 = 0, 6 e φ12 = φ21 = 0, 2; séries inferiores: φ12 = φ21 = �0, 2. A série pontilhada: zt . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 8 / 69 SIMULAÇÃO -15 -10 -5 0 5 10 -10 0 10 20 30 40 50 100 150 200 250 300 Figura: VAR (1): séries inferiores - eixo à esquerda: Φ = 0; φ11 = φ22 = 0, 7 e φ12 = φ21 = 0, 3; séries superiores: φ10 = 0, 5. A série pontilhada: zt . Note que basta uma das constantes ser diferente de zero para que ambas as séries tenham um drift. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 9 / 69 VAR(P) As séries yt e zt movimentam-se conjuntamente, mesmo na presença de raiz unitária. Concentramo-nos na discussão sobre o caso de variáveis estacionárias, porém Sims (1980) e Sims, Stock e Watson (1990) admitem a mistura de variáveis estacionárias e não estacionárias num modelo VAR. O VAR é uma metodologia interessada nas inter-relações entre as variáveis. Generalização: Xt = Φ0 + p ∑ i=1 ΦiXt�i + GZt + et , em que Xt é um vetor n� 1 de variáveis endógenas, como anteriormente; G é uma matriz de coe cientes n� g ; Zt é um vetor g � 1 de variáveis exógenas que pode incluir variáveis determinísticas. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 10 / 69 VAR(P) Diferentemente dos modelos univariados, o VAR busca responder qual a trajetória da série, dado um choque estrutural. Por trajetória, deseja-se conhecer o tempo que um choque afeta uma série, se ela muda de patamar ou não, para que patamar vai, entre outras informações. O VAR resulta na estimação de uma in nidade de coe cientes. Um VAR (p) , por exemplo, com n variáveis endógenas teria n+ n2p coe cientes a estimar, já que as matrizes Φi têm dimensão n� n e as n primeiras variáveis referem-se à constante, sem contar ainda os coe cientes de possíveis variáveis exógenas. Muitas vezes os coe cientes estimados serão estatisticamente insigni cantes, até porque algumas variáveis são normalmente colineares, entretanto deve-se evitar impor restrições sobre os coe cientes, sob pena de perder informações relevantes, a menos que sejam restrições econômicas bem fundamentadas. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 11 / 69 pc1993 Nota do pi0 pc1993 Lápis pc1993 Nota coeficientes da matriz de covariancia? IDENTIFICAÇÃO Como selecionar a ordem p de um modelo VAR? Que critérios podem ser utilizados nessa tarefa? Usar tantas defasagens quantas forem necessárias para obter "resíduos brancos"em todas as variáveis endógenas. Critério de informação: considere um VAR (m), em que m = 0, 1, 2, . . . , pmax . O problema é escolher a ordem p que minimiza a seguinte fórmula geral do critério de informação: Cr (m) = ln ���bΓ0���+ cT ϕ (m) , em quebΓ0 = ∑Tt=1 betbe 0tT ; cT é uma seqüência que depende do tamanho da amostra; ϕ (m) é uma função que penaliza VAR de grandes ordens. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 12 / 69 IDENTIFICAÇÃO O tamanho amostral tem de ser mantido constante para tornar o critério de informação comparável. Logo, o tamanho da amostra, comum a todas as ordens, será T � pmax. A versão multivariada dos critérios AIC ,BIC e HQ é: AIC (m) = ln ���bΓ0 (m)���+ 2T mn2; BIC (m) = ln ���bΓ0 (m)���+ lnTT mn2; HQ (m) = ln ���bΓ0 (m)���+ ln lnTT 2mn2, em que mn2 é o número total de parâmetros estimados em todas as equações. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro2016 13 / 69 IDENTIFICAÇÃO Outra maneira de escolher a ordem de defasagem, é aplicar testes seqüenciais para de nir a ordem p do modelo VAR. Estabeleça o pmax e considere H0 : Φpmax = 0�H1 : Φpmax 6= 0. Se o teste não for rejeitado, repete-se o procedimento considerando pmax � 1. Quando a nula for rejeitada, ter-se-á encontrada a ordem de defasagem do modelo. Problema: estabelecer pmax. Se pmax é muito pequeno, os resíduos estimados não serão um ruído branco. Contudo, se pmax é muito grande, o impacto sobre a probabilidade de erros como um todo poderá ser severamente afetado, de modo que é difícil con ar nos intervalos de con ança gerados. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 14 / 69 EXEMPLO Seja Zt = [yt , et ,pit , it ], em que yt representa o hiato do produto, et a variação cambial, pit a taxa de inação e it a taxa de juros (Selic), todas as variáveis em base mensal. Os critérios de Akaike e Schwarz são: Defasagens Akaike Schwarz 1 �22, 088 �21, 451 2 �22, 498 �21, 342 3 �22, 026 �20, 343 4 �21, 366 �19, 146 5 �20, 943 �18, 179 6 �20, 788 �17, 470 Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 15 / 69 EXEMPLO Considere o exemplo de endogeneidade estudado no capítulo sobre GMM. Por conveniência, lembre-se de que o modelo foi simulado da seguinte forma: yt = φyt�1 + εt ; xt = δyt + νt , em que εt e νt são ambos ruídos brancos independentes. Pode-se reescrever esse modelo na forma matricial:� 1 0 �δ 1 � � yt xt � = � φ 0 0 0 � � yt�1 xt�1 � + � εt νt � . Reescrevendo o modelo na forma reduzida, tem-se:� yt xt � = � φ 0 δφ 0 � � yt�1 xt�1 � + � eyt ext � . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 16 / 69 EXEMPLO Ao estimar o modelo, a matriz Φ1 conterá quatro coe cientes estimados. Espera-se que os coe cientes da coluna 2 sejam insigni cantes e que os coe cientes da 1 satisfaçam aproximadamente a seguinte restrição: φ11,1 = φ; φ21,1 = δφ, em que δ e φ são valores usados na simulação. No caso da simulação, de niram-se δ = 0, 1 e φ = 0, 8. Estimando-se o VAR (1), obtêm-se: � yt xt � = 264 0, 794(0,035) 0, 097(0,063)0, 077 (0,032) �0, 002 (0,058) 375 � yt�1xt�1 � + � beytbext � . φ11,1 ' 0, 8; φ21,1 ' 0, 1� 0, 8 = 0, 08. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 17 / 69 TESTANDO HIPÓTESES Testar hipóteses em modelos multivariados é semelhante ao caso univariado. Diferença: em vez de calcular a soma dos quadrados dos resíduos, calcula-se o determinante da matriz de covariância dos resíduos do modelo restrito e do não restrito. Seja Xt = Φ0 + p ∑ i=1 ΦiXt�i + GZt + et . De nition O modelo anterior é estacionário se os autovalores da polinomial ∑pi=1 ΦiL i estiverem dentro do círculo unitário. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 18 / 69 TESTANDO HIPÓTESES 1 Estima-se o modelo sem restrição e calcula-se a matriz de covariância dos resíduos, bΣu ; 2 Estima-se o modelo com restrição, excluindo k � g variáveis exógenas e/ou m defasagens, e calcula-se bΣr ; 3 Calcula-se a razão de verossimilhança da seguinte forma: LR = (T � c) � log ���bΣr ���� log ���bΣu ����! χ2r , em que T é o número de observações utilizadas na regressão; c = 1+ g + np é o número de parâmetros estimados em cada equação do sistema não restrito, incluindo a constante e as variáveis exógenas ; r = mn2 + kn é o número de restrições no sistema. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 19 / 69 INFERÊNCIA A inferência sobre os coe cientes estimados em modelos multivariados tem algumas particularidades bastante diferentes dos modelos univariados. Pode-se proceder a inferências estatísticas sobre os coe cientes individual ou coletivamente, mesmo ante a existência de variáveis endógenas não estacionárias de ordem 1, sempre que o modelo puder ser reescrito de maneira que os coe cientes sob inspeção passem a multiplicar variáveis estacionárias (veja Sims, Stock e Watson, 1990). Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 20 / 69 EXEMPLO Sejam yt � I (1) e zt � I (1) da primeira linha de um VAR (2) bivariado: yt = φ11,1yt�1 + φ12,1zt�1 + φ11,2yt�2 + φ12,2zt�2 + εyt . É possível fazer inferências sobre os coe cientes φ11,2 e φ12,2 desse modelo. Para isso, adicione e subtraia φ11,2yt�1 e φ12,2zt�1: yt = φ11,1yt�1 + φ11,2yt�1 + φ12,1zt�1 + φ12,2zt�1+ +φ11,2yt�2 � φ11,2yt�1 + φ12,2zt�2 � φ12,2zt�1 + εzt = = � φ11,1 + φ11,2 � yt�1 + � φ12,1 + φ12,2 � zt�1+ �φ11,2∆yt�1 � φ12,2∆zt�1 + εyt . Como ∆yt�1 e ∆zt�1 são variáveis estacionárias, pode-se testar conjuntamente por F � Snedecor a hipótese φ11,2 = φ12,2 = 0. Pouco se pode dizer a respeito dos coe cientes que multiplicam as variáveis não estacionárias yt�1 e zt�1 depois da transformação. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 21 / 69 EXEMPLO Sob condições convencionais, a matriz de coe cientes estimadosbΦ = hbΦ1 : bΦ2 : � � � : bΦpi satisfaz: p Tvec �bΦ�Φ� d! N �0,ΣbΦ� . Por que se podem testar normalmente os coe cientes individuais de um modelo multivariado não estacionário? A não-estacionaridade emerge quando um dos autovalores da matriz de coe cientes está sobre ou fora do círculo unitário. Exemplo: Considere o seguinte VAR (1) Xt = � 0, 7 0, 3 0, 3 0, 7 � Xt�1 + εt . Os autovalores de Φ1 são 1 e 0, 4. Trata-se de um modelo não estacionário. Esses autovalores estão associados aos coe cientes da matriz Φ1 indiretamente. Logo, a estatística t permanece válida para a inferência individual dos coe cientes. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 22 / 69 VERIFICAÇÃO: TESTE DE LJUNG-BOX Generalização dos testes de resíduos dos modelos univariados H0 : E � ete 0t�j � = 0, para todo j = 1, 2, . . . , J > p. versus H1 : E � ete 0t�j � 6= 0, para algum j . A estatística do teste é parecida com a de Ljung-Box: Q = T J ∑ j=1 tr �bΓ0jbΓ�10 bΓ0jbΓ�10 � d! χ2n2(J�p), em que bΓj = ∑Tt=j+1 betbe 0t�jT é a autocovariância na defasagem j . Alternativamente, usa-se a estatística de Ljung-Box ajustada: Q = T 2 J ∑ j=1 1 T � j tr �bΓ0jbΓ�10 bΓjbΓ�10 � d! χ2n2(J�p). Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 23 / 69 pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce EXEMPLO: TESTE DE LJUNG-BOX Considere o modelo não estacionário sem drift já simulado. O Eviews permite calcular os valores do testes automaticamente: Defasagens Q-Stat Prob. Adj Q-Stat Prob. df 1 0, 196 NA 0, 197 NA NA 3 7, 057 0, 531 7, 121 0, 524 8 9 22, 362 0, 897 22, 751 0, 886 32 12 32, 360 0, 903 33, 139 0, 884 44 df representa o número de graus de liberdade para a distribuição χ2. Embora o modelo seja não estacionário, as autocorrelações caem rapidamente. Se J é muito pequeno, a aproximação à distribuição será bastante pobre, ao passo que um valor alto para J pode resultar em perda de poder. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 24 / 69 pc1993 Realce VERIFICAÇÃO: TESTE DE BREUSCH-GODFREY O objetivo é testar se existe autocorrelação de resíduos no modelo:bet = Θ1bet�1 +Θ2bet�2 + � � �+Θhbet�h + ut e veri car se: H0 : Θ1 = Θ2 = � � � = Θh = 0�H1 : Θ1 6= 0_Θ2 6= 0_ � � � _Θh 6= 0. Utiliza-se a regressão auxiliar:bet = Φ1Xt�1 +Φ2Xt�2 + � � �+ΦpXt�p + +Θ1bet�1 +Θ2bet�2 + � � �+Θhbet�h + ut . Trata-se de um teste LM. Para executá-lo, é necessárioestimar bet contra o gradiente da função de verossimilhança. Aqui, esse gradiente é dado pela matriz [Xt�1 Xt�2 � � � Xt�p bet�1 bet�2 � � � bet�h ]. Johnston e Dinardo comentam que uma importante característica desse teste é funcionar simultaneamente contra a hipótese alternativa de um processo MA (q) para os resíduos. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 25 / 69 VERIFICAÇÃO: TESTE DE BREUSCH-GODFREY No primeiro estágio, estima-se o modelo completo por MQO, de forma que os bets em que t < 0 são substituídos por zero. E calcula-se: bΣu = ∑Tt=1 butbu0tT . Em seguida, estima-se o modelo impondo a hipótese nula para obter os resíduos restritos, burt , e calcula-se: bΣr = ∑Tt=1 burt bur 0tT . O teste LM é de nido como: LMh = T h n� tr �bΣu bΣ�1r �i d! χ2hn2 . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 26 / 69 EXEMPLO: TESTE DE BREUSCH-GODFREY Continuando com o exemplo anterior. Estimado o modelo, veri cam-se os resíduos usando o teste LM: Defasagens Q-Stat Prob. df 1 1, 678 0, 795 4 3 6, 523 0, 887 12 9 4, 208 1, 000 36 12 4, 282 1, 000 48 O Eviews reporta o resultado das probabilidades com n2 graus de liberdade. Por isso, é preciso olhar a tabela correta. A tabela anterior contém as probabilidades corretas, mas, se fossem usados n2, a hipótese nula não seria rejeitada. No caso do exemplo, como não se rejeita a nula com menos graus de liberdade do que seria correto, com mais razão não se rejeitaria se o número de graus de liberdade fosse ainda maior. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 27 / 69 VERIFICAÇÃO: TESTE DE NORMALIDADE A assimetria e a curtose têm distribuição normal. De na os momentos 3 e 4 conforme segue: m3 = (m31,m32, . . . ,m3n) 0 , com m3i = ∑Tt=1 ε3it T ; m4 = (m41,m42, . . . ,m4n) 0 , com m4i = ∑Tt=1 ε4it T . Essas medidas têm a seguinte distribuição: p T � m3 m4 � 3n � � N � 0; � 6In 0 0 24In �� , em que 3n = (3, 3, . . . , 3) 0 é um vetor n� 1 de 3s. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 28 / 69 VERIFICAÇÃO: TESTE DE NORMALIDADE Na prática, primeiro deve-se obter a matriz de covariância dos resíduos estimados: bΣe = ∑Tt=1 �bet � bet� �bet � bet�0 T . Calcule a matriz raiz quadrada: bΣ 12e , para padronizar os resíduos: best = bΣ� 12e �bet � bet� . Calcule a assimetria, m3, e a curtose, m4, dos n resíduos: bm3 = (bm31, bm32, . . . , bm3n)0 , com bm3i = ∑Tt=1 (besit )3T ; bm4 = (bm41, bm42, . . . , bm4n)0 , com bm4i = ∑Tt=1 (besit )4T . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 29 / 69 VERIFICAÇÃO: TESTE DE NORMALIDADE As estatísticas são dadas por: s23 = T bm03 bm3 6 ; s24 = T (bm4 � 3n)0 (bm4 � 3n) 24 . Ambas as estatísticas têm distribuição χ2n sob a nula: s 2 3 = s 2 4 = 0. Alternativamente, pode-se usar a distribuição conjunta de ambos os testes, JB2n = s23 + s 2 4 : JB2n = s23 + s 2 4 d! χ22n. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 30 / 69 PREVISÃO Análoga aos processos univariados. Quando se conhece o processo gerador de dados, a previsão h passos à frente é dada por: E (Xt+h jIt ) � Xt+hjt = Φ1Xt+h�1jt +Φ2Xt+h�2jt + � � �+ΦpXt+h�pjt , em que Xt+j jt = Xt+j para j � 0 . Transformando Xt num modelo de médias móveis in nito: Xt+h = I � p ∑ j=1 ΦjLj !�1 et+h = et+h+Ψ1et+h�1+Ψpet+h�2+ � � � Conseqüentemente, a previsão correspondente é dada por: Xt+hjt = ∞ ∑ j=h Ψjet+h�j . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 31 / 69 pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce PREVISÃO Desse modo, o erro de previsão será obtido extraindo-se de Xt+h o termo Xt+hjt : Xt+h � Xt+hjt = h�1 ∑ j=0 Ψjet+h�j , em que Ψ0 = In. A expectativa de previsão dos erros é zero. O EQM é dado por: Σx (h) = E � Xt+h � Xt+hjt � � Xt+h � Xt+hjt �0 = h�1 ∑ j=0 ΨjΣΨ0j . No processo é estacionário, a incerteza da previsão é limitada. Os processos integrados têm erro de previsão indeterminado em horizontes longos, mas isso não exclui a possibilidade de que a previsão de alguns componentes de variáveis integradas tenha o erro de previsão limitado também. Na presença de variáveis exógenas, entre as quais algumas determinísticas, pode-se estender a fórmula anterior facilmente. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 32 / 69 pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce PREVISÃO Considere o VAR (1) estimado a partir do modelo simulado sem drift: Xt = � 0, 694 0, 332 0, 298 0, 676 � Xt�1. Prevendo 20 passos à frente na Figura 3: 3 4 5 6 7 8 9 10 11 12 280 285 290 295 300 305 310 315 320 Y Z Figura: Previsão de y e z 20 passos à frente. As variáveis são não estacionárias e convergem para a previsão multivariada do último valor. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 33 / 69 PREVISÃO Em contraposição, considere o seguinte modelo VAR (1), estimado a partir do modelo simulado estacionário: Xt = � 0, 578 0, 186 0, 284 0, 611 � Xt�1. Prevendo 20 passos à frente, a Figura 4 mostra que a convergência para a média de longo prazo. -5 -4 -3 -2 -1 0 1 2 3 4 280 285 290 295 300 305 310 315 320 Y Z Figura: Previsão de y e z 20 passos à frente. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 34 / 69 FUNÇÃO RESPOSTA AO IMPULSO O modelo VAR não permite identi car todos os parâmetros da forma estrutural, a menos que se imponham restrições adicionais. Para ver isso, observe que no sistema restrito dado pela equação (2) conseguem-se estimar os seis parâmetros na equação da média, Var (e1) ,Var (e2) e Cov (e1, e2). No sistema primitivo há dez parâmetros a calcular: além dos oito coe cientes estruturais, há ainda as variâncias de cada um dos choques. Sims (1980) sugere um sistema recursivo para identi car o modelo. Trata-se de impor que alguns coe cientes sejam iguais a zero. Geralmente, usam-se argumentos econômicos para de nir quais deles são iguais a zero. Sims impõe que o efeito feedback seja limitado. No caso mais simples, de um modelo bivariado, impor-se-ia, por exemplo, que a12 = 0: yt = b10 + b11yt�1 + b12zt�1 + εyt ; zt = b20 � a21yt + b21yt�1 + b22zt�1 + εzt . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 35 / 69 FUNÇÃO RESPOSTA AO IMPULSO Essa restrição é importante porque torna os parâmetros estruturais restantes identi cáveis, conforme se observa no exemplo bivariado: A�1 = � 1 0 �a21 1 � =) � yt zt � = � 1 0 �a21 1 � � b10 b20 � +� 1 0 �a21 1 � � b11 b12 b21 b22 � � yt�1 zt�1 � + + � 1 0 �a21 1 � � σy 0 0 σz � � εyt εzt � . Sabendo-se ainda que a12 = 0, então os erros reduzidos cam� e1t e2t � = � σy εyt σz εzt � a21σy εyt � , de modo que var (e1) = σ2y ; cov (e1, e2) = �a21σ2y ; e var (e2) = σ2z + a221σ2y . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 36 / 69 FUNÇÃO RESPOSTA AO IMPULSO Essas três equações combinam-se com as demais estimativas para identi car o modelo: φ10 = b10; φ20 = b20 � b10a21; φ11 = b11; φ12 = b12; φ21 = �a21b11 + b21; φ22 = �a21b12 + b22. A metodologia proposta por Sims pode ser generalizada para um vetor com n variáveis endógenas. Trata-se de uma maneira triangularde decompor os resíduos, chamada de decomposição de Choleski. No caso de n variáveis endógenas, a matriz de covariância é de dimensão n� n. As condições de identi cação requerem a imposição de n 2�n 2 restrições. O problema dessa imposição é de nir a ordenação das variáveis, que é arbitrária, ainda que atribuída a razões econômicas. A ordenação das variáveis de ne a forma das restrições, de modo que diferentes ordenações geram diferentes restrições. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 37 / 69 FUNÇÃO RESPOSTA AO IMPULSO Se os autovalores da polinomial � I �∑pi=1 ΦiLi � estiverem fora do círculo unitário, pode-se escrever um VAR (p) como um vetor de médias móveis in nito VMA (∞): Xt � X = ∞ ∑ i=0 Φi1et�i = ∞ ∑ i=0 Φi1 1� a12a21 � 1 �a12 �a21 1 � � σy εyt�i σz εzt�i � , em que X � (I �Φ1)�1 Φ0 é a média de longo prazo. Seja: Ψi = Φi1 1� a12a21 � 1 �a12 �a21 1 � . Desse modo: Xt = X + ∞ ∑ i=0 ΨiBεt�i = = X + ∞ ∑ i=0 � ψi ,11 ψi ,12 ψi ,21 ψi ,22 � � σy εyt�i σz εzt�i � . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 38 / 69 pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce FUNÇÃO RESPOSTA AO IMPULSO Os elementos da matriz Ψi são os multiplicadores de impacto de um choque sobre as variáveis endógenas. Assim, o impacto total de um choque de εyt sobre yt+h é dado pela soma dos coe cientes ψi ,11, i = 0, 1, 2, . . . , h. Veja os grá cos da função resposta ao impulso. Inicialmente, impõe-se à simulação que a12 = 0 e a21 = 0, 8. Em seguida, estima-se o modelo simulado e gera-se a função resposta ao impulso usando a decomposição de Choleski que assume a12 = 0. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 39 / 69 pc1993 Realce INTERVALO DE CONFIANÇA A função resposta ao impulso é calculada mediante coe cientes estimados. Logo, é claro que há um intervalo de con ança a ser considerado nessas estimativas. Esse intervalo pode ser calculado de forma analítica ou por métodos de experimentos de Monte Carlo. O método analítico torna-se bem complicado quando se imagina um problema multivariado, em razão das covariâncias cruzadas. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 40 / 69 pc1993 Realce INTERVALO DE CONFIANÇA 1 Estime o modelo multivariado e armazene os resíduos estimados, fbetg; 2 Sorteie os resíduos armazenados com reposição e simule uma nova série usando as matrizes Φ estimadas no passo anterior. Por exemplo, no caso de um VAR (1): bXt = bΦ0 + bΦ1 bXt�1 + bet ; 3 Reestime o modelo e a nova função resposta ao impulso; 4 Repita o processo milhares de vezes; 5 Para construir um intervalo com 95% de con ança, exclua 2, 5% das menores e maiores respostas. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 41 / 69 pc1993 Nota experimentos de monte carlonull DECOMPOSIÇÃO DA VARIÂNCIA Considere o exemplo das seções anteriores, VAR (1) com duas variáveis endógenas, y e z : Xt+h = X + ∞ ∑ i=0 Ψi εt+h�i . Calcule o erro de previsão: Xt+h � Et (Xt+h) = h�1 ∑ i=0 Ψi εt+h�i . Esmiuçando apenas yt+h: yt+h � Et (yt+h) = ψ0,11εyt+h + ψ1,11εyt+h�1 + � � �+ ψh�1,11εyt+1 + +ψ0,12εzt+h + ψ1,12εzt+h�1 + � � �+ ψh�1,12εzt+1. Logo: σ2y (h) = σ 2 y � ψ20,11 + ψ 2 1,11 + � � �+ ψ2h�1,11 � + +σ2z � ψ20,12 + ψ 2 1,12 + � � �+ ψ2h�1,12 � . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 42 / 69 pc1993 Realce pc1993 Realce pc1993 Realce pc1993 Realce DECOMPOSIÇÃO DA VARIÂNCIA Agora, pode-se decompor a variância do erro de previsão em seus diversos elementos. Dividindo-se ambos os lados por σ2y (h): 1 = σ2y � ψ20,11 + ψ 2 1,11 + � � �+ ψ2h�1,11 � σ2y (h) + + σ2z � ψ20,12 + ψ 2 1,12 + � � �+ ψ2h�1,12 � σ2y (h) . Decomposição da variância de yt+h � Et (yt+h) h σy (h) σ2y (ψ20,11+ψ21,11+���+ψ2h�1,11) σ2y (h) σ2z(ψ20,12+ψ21,12+���+ψ2h�1,12) σ2y (h) 1 0, 956 100, 00 0, 00 2 1, 063 94, 53 5, 47 3 1, 116 88, 09 11, 91 4 1, 152 83, 24 16, 76 5 1, 176 80, 03 19, 97 Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 43 / 69 pc1993 Realce DECOMPOSIÇÃO DA VARIÂNCIA O mesmo é feito com a variável zt+h: Decomposição da variância de zt+h � Et (zt+h) h σz (h) σ2y (ψ20,21+ψ21,21+���+ψ2h�1,21) σ2z (h) σ2z(ψ20,22+ψ21,22+���+ψ2h�1,22) σ2z (h) 1 1, 244 32, 96 67, 04 2 1, 404 25, 51 74, 49 3 1, 462 29, 04 70, 96 4 1, 490 27, 07 72, 93 5 1, 506 26, 06 73, 94 Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 44 / 69 pc1993 Realce TESTE DE GRANGER-CAUSALIDADE uma variável é capaz de prever outra? em que condições? Em outras palavras, a questão fundamental é saber se o escalar y ajuda a prever o escalar z . Se isso não acontece, então diz-se que y não-Granger-causa z . O teste tem o sentido de previsão, não de causalidade econômica, apesar do nome. A forma de responder a essa pergunta é usando um teste F convencional, válido quando os coe cientes de interesse puderem ser escritos de modo a multiplicar variáveis estacionárias. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 45 / 69 TESTE DE GRANGER-CAUSALIDADE O teste é feito da seguinte maneira: 1 Estime zt = φ20 +∑ p i=1 φi ,21yt�i +∑ p i=1 φi ,22zt�i + e2t ; 2 Teste se y não-Granger-causa z usando o teste de F , sob: H0 : φ1,21 = φ2,21 = � � � = φp,21 = 0�H1 : φi ,21 6= 0, i = 1, 2, . . . , p, em que a estatística do teste é dada por: S1 = (e2r �e2u) p e2u T�2p�1 d! F (p,T � 2p � 1) , em que r representa restrito e u, não restrito. Se S1 > F 5%, rejeita-se a hipótese nula de que y não-Granger-causa z . 3 Um teste equivalente é: S2 = T � e2r � e2u � e2u d! χ2p . Rejeita-se a nula se S2 > χ2p (5%). Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 46 / 69 TESTE DE GRANGER-CAUSALIDADE Teste de causalidade de Granger não é a mesma coisa que teste de exogeneidade. Para que zt seja exógeno a yt , é preciso que zt não seja afetado contemporaneamente por yt . A forma reduzida do VAR não permite que se faça esse tipo de teste. O teste de causalidade de Granger inclui, pois, valores correntes e passados de yt sobre zt . Pode-se fazer o mesmo teste em contextos de mais variáveis, cujo nome é teste de bloco-exogeneidade. Estima-se o modelo com e sem restrição e utiliza-se o teste F , como visto anteriormente. É importante observar que, em sistemas com n > 2 , o teste de causalidade é mais complicado de ser feito, e a interpretação necessita de maiores cuidados. O problema que pode ocorrer ao não rejeitar a nula é não perceber a dinâmica mais complicada do modelo em que uma variável, apesar de não causar diretamente outra (por exemplo, y2t não Granger-causa y1t), pode causá-la indiretamente. Isso ocorrerá quando y2t causar y3t , que, por sua vez, causa y1t . O teste de Granger-causalidade não foi desenvolvido para esse tipo de caso. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 47 / 69 EXEMPLO Se o Banco Central, de fato, determina a taxa Selic, então alterações na taxa efetiva praticada no mercado nanceiro deveriam responder às alterações na meta de nida pelo Banco Central. Por outro lado, não há razões para acreditar que alterações nas taxas de mercado afetem a meta de nida pelo Banco Central. Teste Ng-Perron MZa MZt MSB MPT Meta - Nível �5, 706 �1, 440 0, 252 5, 030 Meta - Primeira Diferença �943, 032 �21, 714 0,023 0, 025 Efetiva - Nível �5, 153 �1, 345 0, 261 5, 420 Efetiva - Primeira Diferença �14, 426 �2, 685 0, 186 1, 698 1% �13, 800 �2, 580 0, 174 1, 780 5% �8, 100 �1, 980 0, 233 3, 170 10% �5, 700 �1, 620 0, 275 4, 450 Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 48 / 69 EXEMPLO Como os dados são diários e apenas os para dias úteis, utilizam-se 20 defasagens de cada variável. As variáveis estão em primeira diferença, então os resultados informam se a variação de uma variável ajuda a explicar a variação da outra defasagem. Teste de Causalidade de Granger Hipótese Nula Obs Estatística F Probabilidade META não-Granger-causa EFETIVA 1858 4, 503 0, 000 EFETIVA não-Granger-causa META 0, 395 0, 992 Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 49 / 69 VAR ESTRUTURAL Existem outras formas de de nir restrições sobre a matriz A, de modo a identi car os parâmetros estruturais. Usa-se a teoria econômica para de nir as restrições da matriz A completamente, com risco de sobreidenti cação. Para entender o procedimento, considere um VAR (1) com n variáveis: AXt = B0 + B1Xt�1 + Bεt . Quando se estima a forma reduzida, obtêm-se os resíduos bet , tal que: Bbεt = Abet . O problema é restringir o sistema, de forma a recuperar εt conforme a hipótese de que cada resíduo do sistema estrutural é independente um do outro. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 50 / 69 VAR ESTRUTURAL Considere a matriz de covariância dos erros da forma reduzida: Σ = 26664 σ11 σ12 � � � σ1n σ21 σ22 � � � σ2n ... ... . . . ... σn1 σn2 � � � σnn 37775 , bσij = 1T T∑t=1 beitbejt . Σ é simétrica ! n(n+1)2 elementos diferentes. Elementos da diagonal de A são unitários ! �n2 � n� elementos desconhecidos. Desconhecem-se as n variâncias de ε. Logo, há n2 elementos desconhecidos e n(n+1)2 conhecidos. Restrições a impor: n2 � n(n+1)2 = n(n�1)2 , embora insu ciente para identi cação exata, pois existem não-linearidades no sistema de equações. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 51 / 69 Exemplo Logo: BB 0 = Var (Aet ) = AVar (et )A0. Suponha o seguinte sistema de equações, em que se admite conhecer a matriz de covariância de et :� σ2ε1 0 0 σ2ε2 � = � 1 a12 a21 1 � � 0, 5 0, 4 0, 4 0, 6 � � 1 a21 a12 1 � = = � 0, 5+ 0, 4a12 0, 4+ 0, 6a12 0, 5a21 + 0, 4 0, 4a21 + 0, 6 � � 1 a21 a12 1 � = � 0, 5+ 0, 8a12+0, 6a212 0, 5a21+0, 4a12a21+0, 4+ 0, 6a12 0, 5a21+0, 4+ 0, 4a12a21+0, 6a12 0, 5a221+0, 8a21+0, 6 � Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 52 / 69 Exemplo Há três equações independentes com quatro incógnitas (a12, a21, σ2ε1 , σ 2 ε2): σ2ε1 = 0, 5+ 0, 8a12 + 0, 6a 2 12; 0 = 0, 5a21 + 0, 4+ 0, 4a12a21 + 0, 6a12; σ2ε2 = 0, 5a 2 21 + 0, 8a21 + 0, 6. Impondo a restrição de Choleski, a12 = 0, calculam-se: σ2ε1 = 0, 5; 0 = 0, 5a21 + 0, 4 =) a21 = �0, 8 σ2ε2 = 0, 5a 2 21 + 0, 8a21 + 0, 6 =) σ2ε2 = 0, 28. A função resposta ao impulso. No caso de um VAR (1) bivariado, essa função é: Ψi = Φi1 � 1 0 �a21 1 � . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 53 / 69 Exemplo Outra restrição: uma inovação em ε2t pode ter um efeito unitário em y1t ! a12 = 1: σ2ε1 = 1, 9; a21 = �109 ; σ2ε2 = 0, 5 100 81 � 0, 810 9 + 0, 6 = 0, 328. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 54 / 69 Exemplo Há casos em que as restrições podem não gerar resultados únicos. Por exemplo: a correlação cruzada no modelo bivariado estrutural é única, a12 = a21 = a: 0 = 1, 1a+ 0, 4+ 0, 4a2 =) a = � �0.173 �0.928 ; σ2ε1 = 0, 5+ 0, 8a+ 0, 6a 2 =) σ2ε1 = � 0.414 0.460 ; σ2ε2 = 0, 5a 2 + 0, 8a+ 0, 6 =) σ2ε2 = � 0.477 0.288 . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 55 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Forma de identi cação com base em restrições determinadas pela teoria econômica. Imposição de restrições a respeito do comportamento de longo prazo de uma variável a partir do choque estrutural em uma outra variável. Suponha um vetor Xt = (∆yt , ut ) 0, em que yt representa o logaritmo do produto, e ut , a taxa de desemprego. As variáveis respondem a um vetor de choques dado por εt = (εt ,d , εt ,s ). O produto é afetado por choques de demanda, e o desemprego, por choques de oferta. Os choques entre oferta e demanda não são correlacionados. Os choques de demanda têm efeitos temporários; os choques de oferta têm efeitos permanentes. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 56 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Normalizando B = I , considere AXt = p ∑ j=1 BjXt�j + εt , em que var (εt ) = I . O modelo na forma reduzida ca: Xt = p ∑ j=1 A�1BjXt�j + A�1εt = p ∑ j=1 ΦjXt�j + et , em que A�1Bj � Φj ; Aet = εt . Há duas representações equivalentes de Xt , dependendo de o modelo partir da forma reduzida ou estrutural. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 57 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Partindo da forma reduzida, pode-se escrevê-lo como: I � p ∑ j=1 ΦjLj ! Xt = et =) Xt = I � p ∑ j=1 ΦjLj !�1 et =) Xt = ∞ ∑ j=0 CjLj ! et , (3) em que C0 � I ;� I �∑pj=1 ΦjLj ��1 � ∑∞j=0 CjLj ; var (et ) = Σ. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 58 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Partindo da forma estrutural, obtém-se: A� p ∑ j=1 BjLj ! Xt = εt =) Xt = A� p ∑ j=1 BjLj !�1 εt =) Xt = ∞ ∑ j=0 AjLj ! εt , (4) em que � A�∑pj=1 BjLj ��1 � ∑∞j=0 AjLj . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 59 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Dado que C0 = I , das equações (4) e (3) resultam as seguintes relações: A0εt = et =) A0εt�j = et�j ; Aj εt�j = Cjet�j =) Aj εt�j = CjA0εt�j ) Aj = CjA0, j > 0. Além disso, A0εt = et =) A0εt = A�1εt =) A0 = A�1. Essa relação é importante porque vão ser impostas restrições à matriz A0. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 60 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Do termo A0εt , veri ca-se que: A0εt = et =) A0A00 = Σ. Esse sistema de equações resulta, como já foi visto, em n(n+1)2 equações. No caso bivariado, são explicitamente dadas por: a211,0 + a 2 12,0 = var (e1) ; a11,0a21,0 + a12,0a22,0 = cov (e1, e2) ; a221,0 + a 2 22,0 = var (e2) . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 61 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Aqui introduzem-se as restrições de longo prazo. Considere a equação (4) no modelo bivariado: Xt = ∞ ∑ j=0 � a11,j a12,j a21,j a22,j � εt�j . Para que o choque de demanda não tenha efeitos de longo prazo sobre o produto, impõe-se: ∞ ∑ j=0 a11,j = 0. Tendo-se A0 e Cj , este obtido da estimação do modelo reduzido, e valendo a relação Aj = CjA0, pode-se obter Aj . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 62 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Para operacionalizar o procedimento: 1 Estime o modelo VAR (p) e obtenha as matrizes bΦj ; 2 Obtenha as matrizes Cj resolvendo: ∞ ∑ j=0 bCjLj ! = I � p ∑ j=1 bΦjLj !�1 ; 3 Sabendo que Aj = CjA0, imponha a restrição de longo prazo; 4 Resolva o sistema de equações e encontre os coecientes de A0. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 63 / 69 EXEMPLO � a11,j a12,j a21,j a22,j � = � c11,j c12,j c21,j c22,j � � a11,0 a12,0 a21,0 a22,0 � = = � a11,0c11,j + a21,0c12,j a12,0c11,j + a22,0c12,j a11,0c21,j + a21,0c22,j a12,0c21,j + a22,0c22,j � Impondo a restrição de longo prazo: ∞ ∑ j=0 a11,j = 0 = a11,0 ∞ ∑ j=0 c11,j + a21,0 ∞ ∑ j=0 c12,j . Logo, as equações a serem resolvidas para obter os coe cientes de A0 são: a211,0 + a 2 12,0 = var (e1) ; a11,0a21,0 + a12,0a22,0 = cov (e1, e2) ; a221,0 + a 2 22,0 = var (e2) ; a11,0 ∞ ∑ j=0 c11,j + a21,0 ∞ ∑ j=0 c12,j = 0. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 64 / 69 DECOMPOSIÇÃO DE BLANCHARD E QUAH Uma vez obtida a matriz A0, podem-se recuperar os erros estruturais da seguinte relação: εt = A�10 et , e, assim, encontrar a função resposta ao impulso e a decomposição da variância. Não se devem associar choques de demanda ao componente transitório do ciclo de negócios, e choques de oferta, ao componente permanente de tendência. O componente transitório pode ocorrer devido a uma combinação de choques na oferta e demanda, assim como choques de oferta afetarão simultaneamente os componentes cíclico e permanente da economia. Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 65 / 69 ESTIMAÇÃO DO MODELO ESTRUTURAL* Considere mais uma vez o modelo estrutural: AXt = p ∑ i=1 BiXt�i + Bεt , εt � i .i .d .N (0, In) . Empilham-se as matrizes Xi s, de modo que Yt = � X 0t�1 X 0t�2 � � � X 0t�p �0 ,A = A�1 [B1,B2, . . . ,Bp ]: Xt = AYt + A�1Bεt , em que B é a matriz de desvio padrão de dimensão n� n. A função de verossimilhança será dada por: ln (A,A,B) = �n (T � p) 2 ln 2pi � (T � p) 2 ln ��A�1BB 0A�10��� �1 2 T ∑ t=p+1 (Xt �AYt )0 � A�1BB 0A�10 ��1 (Xt �AYt ) . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 66 / 69 ESTIMAÇÃO DO MODELO ESTRUTURAL* T ∑ t=p+1 (Xt �AYt )0 � A�1BB 0A�10 ��1 (Xt �AYt ) = = (T � p)tr h (X �AZ )0 �A�1BB 0A�10��1 (X �AZ )i em que X = h X 0p+1,X 0p+2, . . . ,X 0T i0 e Z = h Y 0p+1,Y 0p+2, . . . ,Y 0T i0 . Logo ln (A,A,B) = constante + (T � p) 2 � ln jAj2 � ln jB j2 � � � (T � p) 2 tr � A0B 0�1B�1A (X �AZ )0 (X �AZ )� . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 67 / 69 ESTIMAÇÃO DO MODELO ESTRUTURAL* Se não houver restrições sobre as matrizes A e B, pode-se estimarbΣ = (X�bAZ )(X�bAZ )0T , em que �X � bAZ� são os resíduos do VAR reduzido, bA = XZ 0 (ZZ 0)�1. Daí, é possível concentrar a função anterior para maximizar: lnc (A,B) = constante + (T � p) 2 � ln jAj2 � ln jB j2 � � � (T � p) 2 tr h A0B 0�1B�1AbΣi . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 68 / 69 TESTE LR PARA SOBREIDENTIFICAÇÃO 1 Estimada a matriz de covariância não restrita, bΣ, e como se sabe que BB 0 = AbΣA0, reescrever bΣ:bΣ = A�1BB 0A0�1. 2 Imponha as restrições sobre A e B e maximize : �T2 ln ��A�1BB 0A0�1��� 12 ∑Tt=1 be 0t �A�1BB 0A0�1��1 bet . 3 Calcule a nova matriz de covariância restrita: bΣr = bA�1bB bB 0bA0�1. 4 Proceda ao teste estatístico de razão de verossimilhança dado por: LR = T � ln ���bΣr ���� ln ���bΣ���� d�! χ2q , em que q é o número de restrições acima de n(n�1)2 . 5 Se há dois conjuntos de restrições tais que q1 > q2, pode-se testar a hipótese de as restrições serem equivalentes pelo teste: LR = T � ln ���bΣr1 ���� ln ���bΣr2 ���� d�! χ2q1�q2 . Rodrigo De Losso da Silveira Bueno () Capítulo 6: Vetor Autorregressivo Outubro 2016 69 / 69 INTRODUÇÃO ESPECIFICAÇÃO DE MODELO TESTANDO HIPÓTESES INFERÊNCIA VERIFICAÇÃO PREVISÃO FUNÇÃO RESPOSTA AO IMPULSO DECOMPOSIÇÃO DA VARIÂNCIA TESTE DE GRANGER - CAUSALIDADE VAR ESTRUTURAL DECOMPOSIÇÃO DE BLANCHARD E QUAH ESTIMAÇÃO DO MODELO ESTRUTURAL* TESTE LR PARA SOBREIDENTIFICAÇÃO