Baixe o app para aproveitar ainda mais
Prévia do material em texto
Modelo ARDL Motivação: · Relações entre séries Temporais: Até o momento nos concentramos em estudar a dinâmica de uma série temporal por vez. Contudo, grande parte do estudo de séries temporais envolve justamente a relação entre elas assim como sua relação com seu passado. Assim, sejam e duas séries temporais quaisquer. Poderíamos postular um modelo de regressão linear simples como: Isso faz sentido? Qual a interpretação de ? Como estimá-lo? São algumas perguntas que vamos tentar responder. · Modelo Estático: Para ajudar a fixar os conceitos, imagine que você está interessado na relação entre o preço da gasolina e o preço do petróleo e você postula um modelo estático linear na forma Ou seja, estamos modelando a relação de duas séries, de tal forma que uma afeta a outra em um único período. Quem é ? Pode ser qualquer coisa... mas se for o parâmetro da melhor projeção linear de em , então e pode ser consistentemente estimado por MQO (desde que as séries sejam ergódicas). E se for definido como uma causalidade? Neste caso, não pode estar relacionado com . · Modelo de Defasagens Distribuídas: Pode ser que o preço da gasolina não seja apenas contemporaneamente influenciado pelo preço do petróleo, afinal, pode ser que o preço do petróleo passado afete o preço da gasolina hoje. Neste caso podemos modelar como Neste caso, temos um efeito dinâmico já que, se assumirmos , então e: · Modelo Autoregressivos de Defasagens Distribuídas: Ainda podemos vislumbrar a possibilidade do próprio preço passado da gasolina afetar o preço corrente, mesmo levando em consideração o impacto do preço contemporâneo do petróleo e seus possíveis lags. Neste caso podemos modelar como Neste caso temos um efeito dinâmico tanto via quanto via que em geral vai ser equivalente a um efeito de toda a série passada dos preços do petróleo na gasolina já que Formalização do Modelo ARDL · Modelo de Defasagens Distribuidas (DL): Um modelo genérico é escrito na forma não sabemos nada sobre , mas sabemos que sua série afeta . Assim, apresenta correlação serial, mas não podemos dizer nada sobre . Usando o operador lag , Em um · Modelo ARDL: Um modelo é a combinação de um : ou usando o operador lag , CUIDADO: A estrutura é parecida com o , mas a parte está aplicada na variável e não no termo de erro . Além disso, o erro nem sempre é assumido ruído branco como no caso do . Em geral, é assumido estacionário. · Invertendo um : Se todas as raízes da parte (zeros de ) estiverem fora do círculo unitário, podemos inverter a parte do processo e obter se definirmos e lembrando que (aplicar defasagem em uma constante, pelo fato de ser uma constante, é a mesma coisa que aplicar no próprio período. Não há mudanças ao longo do tempo) temos Exemplo: Tal que e Tal que Soma de PG. · Multiplicadores de um ARDL Se para todo (exogeneidade estrita) então Assim fica fácil definir o multiplicador de impacto no instante : Ou ainda o impacto de longo prazo Para a última igualdade lembre-se que Gráfico de é muito informativo, e é o que interessa. · Modelo com mais de uma variável explicativa: Podemos generalizar a classe de modelos para variáveis explicativas na forma onde é o polinômio autoregressivo de para . Se é invertível então temos: onde Se para todo então Assim fica fácil definir o multiplicador de impacto da variável no instante como: onde e. E o impacto de longo prazo de é dado por · Relação de Equilíbrio de Longo Prazo: Se e são estacionários podemos passar o operador esperança de ambos ao lados de e concluir que , ou o que representa uma relação de longo prazo entre e já que a havíamos definido como o multiplicador de longo prazo da variável . A média de é uma constante somada à média de multiplicada pelo multiplicador de longo prazo. Modelagem e Estimação: · Estimação: Suponha que seja o DGP (modelo verdadeiro – com dinâmica). O que representa os parâmetros de um modelo linear (erroneamente assumido – sem dinâmica) do tipo: Se for inversível temos que o DGP se torna onde e. Se e são estacionários e: · apresenta correlação serial (viés de variável omitida) e/ou (endogeneidade), temos inconsistência do estimador de MQO (para ). · apresenta correlação serial somente via mas para todo então temos que corrigir o erro padrão das estimativas. Se estimarmos um ARDL menor que o razoável, os estimadores serão inconsistentes (como é o caso acima). · Estimação do Modelo Verdadeiro: Suponha que estimemos por MQO o modelo verdadeiro, ou seja Mesmo com a especificação correta, e assumindo um ruído branco precisamos de algo que nos garanta que para todo . (se isso é verdade, é uma relação causal). Intuitivamente isso acontece porque será correlacionado com infinitos lags de nessa formulação, e todos eles devem ser não correlacionados com o erro. ARDL é uma correlação · Escolha da ordem e do : Os procedimentos para a ordem de e nos modelos é muito similar a escolha da ordem de um . Temos procedimentos complementares · Utilizando um critério de Informação (AIC, BIC, HQ); · Teste de não correlação dos resíduos (LM, Box Pierce,..); · Começa com um lag grande para p e q e vai reduzindo e testando a exclusão no maior lag um por vez. Como vocês já viram nem sempre esses critérios dizem a mesma coisa. Eu diria: “Um bem especificado é o menor que você não rejeita a hipótese nula de que não há autocorrelação nos resíduos. ARDL para solucionar autocorrelação nos erros: · como correção de autocorrelação : A visão mais ortodoxa sobre autocorrelação nos resíduos é má especificação. De fato, considere o seguinte modelo Substituindo no modelo linear estático temos (): Rearranjando ficamos um modelo com a restrição de que . Note ainda que podemos escrever · como correção de autocorrelação : Este mesmo argumento pode ser usado caso o erro seja um para Substituindo o temos: O que nada mais é que um modelo com as restrições . Note ainda que podemos escrever Ou, mais concisamente: · como correção de autocorrelação : Mesmo um modelo com os resíduos na forma Onde e . Multiplicando por temos onde e, o que nada mais é que um modelo . · como correção de autocorrelação : Se o a estrutura de correlação do erro, além da parte , tem também um componente , ou seja, o termo de erro é se for invertível, podemos escrever onde . Multiplicando por temos onde e , o que nada mais é que um modelo . Se há autocorrelação no resíduos, seu modelo está mal especificado, você deve colocar mais lags.
Compartilhar