Baixe o app para aproveitar ainda mais
Prévia do material em texto
Modelo VAR Motivação e Definições: · O que o VAR traz de novo para nós? · Para fazer previsão univariada (uma única série ou variável) usamos o modelo ARMA. · Para fazer análise de sensibilidade (ex.: de em em ) contemporânea (num único período de tempo ) usamos o modelo de regressão. · O VAR faz previsão conjunta para e ao mesmo tempo, quando e tem feedback no tempo. · Exemplo de um VAR simples com 3 variáveis Considere a seguinte relação entre é inflação, é o hiato do produto e a taxa nominal de juros Podemos rescrever este sistema de equação na forma matricial como onde definimos Ou seja, · é simplesmente um modelo para vetores: Seja um vetor com variáveis . O modelo na forma reduzida coloca todas as variáveis como função dos valores passados de todas elas na forma onde é um vetor de tamanho e cada é uma matrix quadrada dos coeficientes. Ou, usando o polinômio matricial no operador lag onde · Ruído Branco Vetorial: O vetor de erros é uma variável aleatória multivariada, ou seja, um vetor aleatório com as seguintes propriedades: · Todos os erros tem média zero, , . · Todas as variâncias são constantes, · Não tem correlação no tempo . · Mas podem ter correlação contemporânea entre eles · Em notação vetorial podemos resumir as propriedades acima dizendo que é um ruído branco vetorial, ou seja: onde é uma matriz positiva definida. VAR Forma Reduzida vs. Forma Estrutural: · VAR Forma Reduzida vs. Forma Estrutural: Note que, na nossa definição de VAR, somente relações lineares entre uma variável e o passado de todas as outras (incluindo o passado dela mesma) podem ser modeladas. Ou seja (e isso é IMPORTANTE!) não modelamos explicitamente relações contemporâneas entre as variáveis (Ex.: afeta ou vice-versa?). Esse formato é conhecido como VAR na forma reduzida (ou simplesmente VAR). Uma outra abordagem (chamada de VAR na forma estrutural, ou SVAR) toma a seguinte forma onde modela as possíveis relações contemporâneas entre as variáveis. · Exemplo de um SVAR: Considere o seguinte modelo de oferta e demanda Podemos reescrever como , onde Ou seja, Considerando que B é invertível (), teríamos onde e . · VAR Forma Reduzida vs. Forma Estrutural: A diferença entre um VAR na forma reduzida e na forma estrutural se resume às restrições impostas nas matrizes (na forma reduzida não existem restrições!) . Muitas vezes a teoria econômica diz alguma coisa a respeito dos coeficientes: · Variáveis monetárias não podem ter efeito no longo prazo; · Equação de estoque no modelo de oferta e demanda; · Função de reação do banco central; · Quando impomos essas restrições o modelo passa a ser chamado de VAR na forma estrutural; · Por enquanto vamos focar na forma reduzida, que é ateórica e tem como função primordial a previsão conjunta. Trataremos de modelos SVAR em detalhes no futuro. VAR = Correlação; SVAR = Causalidade Propriedades e Estimação · como um : Considere um padrão dado por Podemos representar esse modelo sem perda de generalidade como um . Isso facilita em algumas demonstrações. Para ver isso, note que o modelo acima é equivalente à onde é o vetor que empilha as variáveis na forma e e são definidos de maneira apropriada (exemplo no próximo slide). · Representação de um : Na forma : Onde Note que a primeira equação (matricial) é o próprio e as demais são apenas identidades do tipo para . · Condição de Estacionariedade: Na forma temos . Fazendo substituição recursiva idênticas a que fizemos para o Suponha que todos autovalores de são menores que em módulo. Então . estacionariedade · Para entender esse ponto suponha que é diagonalizável. Então temos onde é a matriz diagonal contendo todos autovalores de e é a matriz dos autovetores correspondentes. · E se F não for diagonalizável? · Momentos de um Estacionário: Sob estas condições temos que o tem um representação na forma assim fica fácil calcular a média e a estrutura de covariância onde é uma matriz com um bloco com a diagonal dada por . · Estacionariedade do VAR: · Condição de estacionariedade do VAR: quando os autovalores da matriz forem todos menores do que em módulo, o processo será fracamente estacionário. · Isso é equivalente a dizer que todas as “raízes” do polinômio matricial na representação estão fora do círculo unitário. · Caso algum autovalor é análogo a presença de raiz unitária em um . Distribuição multivariada não trivial. Nunca é testado na prática conjuntamente. As pessoas testam cada série individualmente (não é a mesma coisa!) · Se a condição de estacionariedade acima for satisfeita, a LLN e o CLT para vetores se aplicam de maneira análoga ao caso univariado na presença de algum tipo de ergodicidade. · Estimação de VAR na Forma Reduzida: · Estimado por quasi-verossimilhança (assume ). · Como sempre em modelos lineares, isso se traduz em minimizar a soma do quadrado dos resíduos · O caso de estimador de OLS com heterocedasticidade desconhecida. · Em tese estimaríamos por FGLS, mas no caso em que todas as equações tem exatamente os mesmos regressores, FGLS é numericamente igual ao OLS, equação a equação. · É possível provar que existe uma bijeção dos erros originais para uma forma alternativa, onde a matriz Σ é diagonal (detalhes em Hamilton pag 260-261). · Na prática, então, podemos estimar por OLS cada equação do VAR e obter as matrizes . · Calculamos, então, os resíduos de cada equação e obtemos um estimador para como sendo · E se o lag foi subestimado no VAR, o que acontece? · Estimação se torna inconsistente pela mesma razão discutida do . · É importante escolhermos a ordem do VAR portanto. Como fazer? · Encontrando a ordem do VAR: Usamos novamente os critérios de informação onde é o determinante neste caso. · Seguimos novamente o protocolo 1. Escolhe um grande o suficiente. 2. Calcula o e/ou e/ou para todo . 3. Escolhe com o menor e/ou e/ou . Previsão e Causalidade Granger · Causalidade de Granger: a variável Granger-causa a variável se a variável pode ser usada para melhorar as previsões futuras de . Em termos matemáticos: A ideia de Granger ao propor esse teste é que se um evento é a causa de um evento , então o evento deveria preceder o evento . O que vocês acham disso? · Antes de explorar mais a parte “filosófica” dessa “causalidade”, vamos discutir como testar isso! Pensem em um . Alguma ideia? · Para testar a hipótese nula de não-causalidade de Granger, basta testar a restrição nos parâmetros das matrizes fora da diagonal via um teste ! · Causalidade de Granger: Exemplos (1) · Seja e o preço de um ativo e seu total de dividendos em e a taxa de juros. Considere o modelo padrão de precificação de ativos Seja e dois ruídos brancos e que os dividendos se comportem da seguinte maneira Logo: . Substituindo acima: Em palavras: preço do ativo é a soma de um ruído branco com uma constante e logo não pode ser previsto pelo passado. Porém, isolando na equação de e aplicando temos: Assim, substituindo a equação acima na de dividendos temos: Ou seja, rejeitaríamos que Granger-causa mas não o contrário, o que é o oposto do que a teoria nos diz! Alguma intuição do porque isso acontece? Aqui reage ao valor futuro esperado de ! Ou seja, o preço carrega informação sobre dividendos futuros. O teste de causalidade de Granger seria um teste de mercados eficientes e não de causalidade em si! · Causalidade de Granger: Exemplos (2): Considere o seguinte modelo de variáveis onde os erros de cada equação são homocedásticos e não autocorrelacionados Ou seja, não melhora a projeção nem de ou , além do que conseguimos usando lags dessas variáveis. Mas o que aconteceria se testássemos causalidade no sentido de Granger entre e ? Como é correlacionado com e com não rejeitariamos causalidade no sentido de Granger (ainda que a causalidade no sentido convencional não existisse). Problema aqui é o clássico variável omitida. · Causalidade de Granger – Notas: Os exemplos mostram que causalidadee causalidade de Granger são coisas bem distintas. Isso quer dizer que o conceito é inútil? Não necessariamente. Pense no exemplo de choques do petróleo e atividade econômica. Podemos verificar que a primeira Granger-causa a segunda e a segunda não Granger-causa a primeira. Nesse caso parece fazer sentido pensar em “causalidade”. Isso posto, só faz sentido estimar VAR se houver causalidade de Granger. Um com variáveis sem causalidade de Granger é equivalente a “independentes”. · Previsão com VAR: É muito tedioso e complicado fazer previsão diretamente no . É bem mais fácil trabalhar com sua representação Previsão pontual se faz como no , ou seja, para um horizonte de tempo dado informação até temos O erro de previsão populacional para o horizonte é definido como e, é dado, em analogia com o caso , por Assim a variância do erro de previsão de um á dada por · Se os erros forem normalmente distribuídos, podemos seguir os mesmos passos da aula para ver que assintóticamente Onde é o estimador de . · Se os erros não forem normalmente distribuídos, temos que usar Bootstrap. · Se quiser retornar à variável original, basta definir tal que e portanto
Compartilhar