Baixe o app para aproveitar ainda mais
Prévia do material em texto
13 autoregressivo é igual à unidade ou não através de uma transformação simples do modelo yt = yt-1 + t => yt = –1) yt-1 + t =>yt = yt-1 + t A hipótese nula é H0:=0, com Ha:<0, que é equivalente a H0:=1 com Ha:<1. A transformação da série é muito didática para mostrar que se não for presente uma raiz unitária o crescimento da série depende do patamar do mesmo. Isto gera uma reversão à média. Se a série estiver acima da média, a taxa de crescimento tenderá a ser negativa ( yt-1<0). Já se a série estiver abaixo da média, espera-se a taxa de crescimento positiva, fazendo a série voltar para perto do valor médio. A tabela para o teste é diferente da Normal, mesmo em grandes amostras, por causa da não estacionariedade sob a hipótese nula. A distribuição também depende da presença ou não de termos determinísticos como constante ou tendência. Isto levou à sugestão de uma metodologia de teste em que avalia-se o modelo mais geral, com constante e tendência e avalia-se se a tendência é significativa. Se não for, repete-se o teste utilizando uma regressão apenas com constante como acima. Se a constante não for significativa, repete-se o teste utilizando uma regressão sem constante e observa-se o resultado do teste neste caso. Para um modelo autoregressivo de ordem maior, como AR(2), a metodologia é a do teste ADF (Dickey-Fuller aumentado). Lembre-se que se há pelo menos uma raiz unitária, a soma dos coeficientes autoregressivos é igual a 1. Assim os autores proporam o seguinte teste para um modelo yt = 1 yt-1 2 yt-2+ t: yt = yt-1 1 yt-1+ t: Verifique as expressões de e 1. No caso de um AR(3) a regressão de teste seria yt = yt-11yt-12yt-2+t: Como um modelo MA pode ser escrito como AR, o teste ADF pode ser utilizado quando a série segue um ARMA(p,q) e quer se verificar se o modelo seria, na verdade ARIMA(p-1,1,q). A escolha do número de defasagens da diferença segue os seguintes critérios: i) melhor AIC ou SIC; ii) ausência de autocorrelação no correlograma dos resíduos; iii) significância das defasagens da diferença. O teste ADF embora muito popular pela sua simplicidade, é criticado pelo seu baixo poder (dificuldade de rejeitar uma hipótese nula falsa), ou seja tende a indicar a presença de raiz unitária quando em verdade ela não existe. Várias alternativas foram propostas, como o teste PP e ADF-GLS. Alternativas que partem de um modelo econométrico diferente, buscando testar a presença de raiz unitária (não estacionariedade) é o teste KPSS, cuja hipótese nula é de estacionariedade (não raiz unitária). Modelos com variáveis explicativas – Modelos Dinâmicos Fazer a previsão de uma série usando apenas a própria série (e informação qualitativa disponível, como sazonalidade) é limitar de modo significativo o conjunto de informações disponíveis. O mais razoável é considerar que existem variáveis xt que influenciam a variável yt. Desta forma o modelo ARIMA passa a ser chamado de função de transferência por alguns autores e passa a ser escrito como A(L) yt=a+C(L)xt+B(L)t. 14 Teoricamente, para estimação por MQ ser válida, E(xt t-s)=0 para s≥0, ou seja, xt é (fracamente) exógeno em relação à equação que está sendo estimada. Algumas vezes, xt é dito um indicador antecedente de yt. Um outro problema que deve ser tratado, se a estimação é por MQ é a existência de correlação serial nos erros e uma variável dependente defasada como explicativa. Neste caso, a estimação deve ser feita por variáveis instrumentais ou deve-se buscar a reespecificação dinâmica do modelo. Antes de passarmos para o modelo dinâmico, vale a pena revisar a análise da dinâmica temporal em um modelo de regressão yt=+xt+t , em geral, estudada a partir da autocorrelação dos erros t. A autocorrelação é apresentada como a violação da hipótese: E [t. t-s] = 0, para s > 0, como por exemplo, t=t-1+ut, onde ut é ruído branco. Neste caso E(´)=Ω≠I. Como esta hipótese é importante para demonstrar que V(b)=2(X´X)-1, se violarmos a hipótese de independência dos erros, os pacotes estatísticos irão errar no cálculo do desvio padrão dos coeficientes e errar nos valores dos testes de hipótese. Este é o principal problema da autocorrelação. O estimador de MQO ainda irá gerar estimativas não – viesadas, embora não mais eficientes (supondo a ordem de autocorrelação). Na verdade, V(b) = (X´X) -1 X´ΩX(X´X) -1 , onde Ω é uma matriz complexa (desenvolvida abaixo). Para identificar o problema, é necessário fazer testes de especificação. Este é o diagnóstico. Os testes mais comuns são os de Durbin-Watson e de Breush-Godfey. O uso do correlograma para os resíduos não é recomendado, embora indicado em alguns livros, pois as propriedades estatísticas do correlograma são conhecidas apenas para uma série observada, ao invés de uma série estimada, como os resíduos de uma regressão. Para entender o teste, vamos especificar uma forma de classificação dos erros autorregressivos. Há o caso geral de t = 1 t-1 +2 t-2 + +p t-p + ut chamado de modelo autoregressivo de ordem p (AR(p)), como visto acima. A regressão é sem constante, pois se mantém a hipótese de que E[t]=0. Para o caso especial de p=1, o modelo AR(1) para a variável t é dado por t = t-1 + erro, e a ausência de autocorrelação está associado ao parâmetro : H0: não há autocorrelação, => Ho: = 0. O teste de DW possui uma tabela específica, e o teste é calculado por DW = r e eeT t T t t tt 12~ 2 1 2 2 1 onde r = Tt=2(et - et-1) 2 /(tet-1 2 ), ou seja, uma regressão do resíduo em função do resíduo defasado um período. A regra de decisão é :Rejeitamos Ho se DW < D (Lower); Aceitamos Ho se DW > D (Upper) e Inconclusivo se D (lower) < DW < D (upper), onde D(upper) e D(lower) são os valores tabulados. Para o teste de Breusch-Godfrey, estimamos uma regressão do resíduo contra o residuo defasado p vezes e as explicativas e fazemos um teste F da significância dos coeficientes angulares dos resíduos defasados. Obs: se as explicativas não incluem a 15 dependente defasada yt-1, então o teste pode ser calculado da regressão de et contra et-1, ....,et-p apenas e pode-se usar o F de significância. Para entender melhor a matriz de variância-covariância dos coeficientes de regressão, tomemos o caso de um modelo de regressão com erros AR(1), escrita em : Y = X + , com t = t-1 + ut, onde ut ~ iid (0, Temos que b = (X´X)-1 X´Y, como sempre, mas V(b) ≠ (X´X)-1 e na verdade, V(b) = (X´X)-1X´ΩX(X´X)-1, onde Ω = E [´] = E 2 1 2 212 121 2 1 .. .. .. nn n Ω = u/(1- ) 1 .. .. 1 ..1 21 2 1 TT T T . As soluções para obter boas estimativas de e estimativas de V(b) corretas são, primeiro, o uso de uma matriz de variância-covariância que acomoda a Autocorrelação (também chamada matriz de Newey-West, e apresentada como opção nos softwares na estimação por MQ); segundo o uso de MQG, através de transformação das variáveis explicativas e explicada. Ou seja, como em heterocedasticidade, o problema matemático para encontrar os coeficientes da regressão usando MQ é Min (Y - X)´ Ω-1(Y - X), que gera estimativas bGLS = (X´ Ω -1 X) (X´ Ω –1 Y), com V(bGLS) = (X´ Ω -1 X) -1 . Estas podem ser obtidas através de bGLS = (X * ´X * ) -1 (X * ´Y * ), onde X * = PX Y * = PY e onde P´P=Ω –1 . Para o caso de autocorrelação de primeira ordem (para regressão simples) X * = 1 23 12 )1( .. .. )1( )1( TT rxxr rxxr rxxr Y * = 1 12 . . TT ryyryy As variáveis são ditas em quase-diferenças, pois ao invés de ser utilizado yt=yt–yt-1, emprega-se yt–ryt-1, onde r é a estimativa do coeficiente de autoregressão de 1ª ordem dos erros. As quase-diferenças seriam equivalentes a estimar um modelo com as variáveis em primeiras diferenças apenas no caso em que r=1, o que indicaria erros não estacionários. Este caso exige um tratamento especial da autocorrelação como veremos abaixo. Há dois modos alternativos a MQG. O primeiro é o método de Máxima Verossimilhança, que envolve uma estimação não linear do modelo de regressão com 16 autocorrelação. O segundo é uma Transformação do Modelo de Regressão. Tomando o exemplo de regressão simples, yt = + xt+ t e t = t-1 + ut (§) onde ut ~ iid (0, et = 1,..., T Substituindo t = yt - - xt na segunda equação, temos: yt – – xt = (yt-1 – – xt-1) + ut (*)yt = – yt-1 + xt – xt-1 + ut (**)yt = yt-1 + xt + xt-1 + ut O termo não observado (ut ) nos modelos (*) e (**) são independente no tempo, i.e., não possuem autocorrelação. Por isto, podem ser estimado por MQO sem problemas, sob a hipótese de exogeneidade (não correlação contemporânea entre a explicativa e o termo de erro) usual do modelo de regressão. Note que se , o modelo (*) pode ser escrito como (§), sendo então o modelo de regressão com autocorrelação de 1ª ordem um caso especial de um modelo mais geral. O modelo (**) é chamado ADL(1,1) – Autoregressive Distributed Lag de ordem 1 e 1. O teste de COMFAC (common factor) é um teste para avaliar se um modelo dinâmico (**) pode ser escrito como um modelo estático com erro autoregressivo (§). O modelo autoregressivo (onde COMFAC é válido, isto é ) apresenta uma peculiaridade em relação aos efeitos de curto e longo prazo [qual?]. Esta peculiaridade nos permite identificá-los. O teste COMFAC é não linear e recomenda-se que seja feito via um teste de razão de verossimilhança Q=–2[loglikADL(p,p) – loglikAR(p)], que segue uma distribuição qui-quadrado com p graus de liberdade. Muito freqüentemente séries econômicas apresentam forte autocorrelação, associadas a presença de tendências ou demora para reversão à “média de longo prazo”. Nestes casos de séries não estacionárias, os modelos de regressão apresentam erros com fortíssima autocorrelação. No caso extremo ||=1, ou seja o processo autoregressivo apresenta raiz unitária. Esta forte autocorrelação pode levar a conclusões de inferência errônea, pois os estimadores apresentam distribuição limite diferente da Normal. Desta forma, deve-se testar, além da presença de autocorrelação, a ausência de autocorrelação extrema, através do teste de co-integração dos resíduos de uma regressão com séries com tendência estocástica. O teste de cointegração possui uma tabela específica, apresentada por Engle e Granger (ganhadores do prêmio Nobel em Economia). É importante testar co-integração para evitarmos o problema de regressão espúria. De acordo com Granger e Newbold, uma regressão é espúria quando, erroneamente, o modelo e testes estatísticos sugerem uma correlação entre variáveis quando em realidade tal correlação não existe. Os autores mostraram que a regressão de dois passeios aleatórios não correlacionados terá testes de significância do coeficiente de regressão próximos a 2 com chance bem acima do nível de significância. Um sintoma seria um R 2 maior que a estatística Durbin-Watson. 17 O teste Engle-Granger é realizado em duas etapas: i) estima-se o modelo de regressão estático, sem correção para autocorrelação e salvam-se os resíduos; ii) procede-se a um teste de raiz unitária com a metodologia do teste ADF, mas utilizando uma tabela específica de valores críticos. A hipótese nula é de não-cointegração, ou seja =1. Se o teste de não-cointegração não for rejeitado, deve-se estimar o modelo com as variáveis em diferenças (taxas de variação). yt = + xt+ t e t = ut (FD) Se o teste de não-cointegração for rejeitado, deve-se estimar o modelo na forma de modelo de correção de erros descrito acima: yt = + xt+ t e t =( –1)t-1 + ut yt = + xt+ ( –1)t-1 + ut yt = + xt+ ( yt-1 – – xt-1) + ut (ECM) Há outros dois tipos de teste de cointegração. O segundo, explora o modelo ADL e o terceiro a estimação por um VAR. Vejamos agora o modelo ADL em detalhe. Como visto acima, o caso mais simples de modelo dinâmico é yt = yt-1 +xt + xt-1 + ut onde ut ~ (0, 2 u). Este é um modelo ADL (1,1) ou Autoregressive Distributed Lags (1,1). O caso geral de ADL(p,q) é yt = yt-1 ++ pyt-pxt + … + qxt-q +ut A partir de um ADL(1,1) podemos avaliar os impactos de curto e longo prazo de x sobre y. Para o ADL(1,1), eles são, respectivamente, 0 e (0+1)/(1–). Em mais detalhe, os coeficientes podem ser interpretados a partir das seguintes expressões: E [yt| yt-1, xt, xt-1] = yt-1 + xt – xt-1 ∂E[yt| . ]/∂xt = (efeito de curto prazo limt->∞ ∂E[yt| . ]/∂xt = ((efeito de longo prazoonde || < 1 Para entender, lembre-se que, no steady-state (longo prazo), yt = yt-1 = .. = y e xt = xt-1 = .. = x na média da regressão. Substituindo na expressão da média condicional, y = + y+ x – x e y = x Há uma forma alternativa de representar os efeitos de curto e longo prazo em um modelo dinâmico, que seria o modelo de correção de erros (MCE ou ECM em inglês). Da equação acima é possível chegar na equação yt = + xt - (1-)[yt-1 - xt-1] +ut onde yt =yt -yt-1. O coeficiente , como acima, mede o efeito de curto prazo. Já o coeficiente mede o efeito de longo prazo, onde: +(1-. A demonstração é a seguinte: yt = + yt-1 + xt + xt-1 + ut yt =+yt-1+xt+xt-1+ut +(yt-1-yt-1)+(xt-1-xt-1) yt - yt-1 = -(1-yt-1+xt-xt-1+xt-1+xt-1+ut yt = -(1-yt-1 + xt + (+xt-1 + ut yt = -(1-yt-1+xt+(1-(1- (+xt-1+ut yt = + xt - (1-)[yt-1 - xt-1] + ut 18 Para estimar o MCE, no lugar do termo em colchetes, estimamos o modelo estático, yt = + xt + t , salvamos o resíduo e usamos no MCE o resíduo daquela regressão defasado um período, pois observe que t =yt -xt - , então t-1=yt-1-xt-1- . Esta forma de estimação remete ao teste de cointegração de Engle-Granger. Outra forma, sem imposição de restrições sobre os coeficientes, envolve estimar yt = + xt +1 yt-1 - 2 xt-1 + ut. () Note que no MCE se =1 isso implica que a velocidade de ajustamento (1 –)=0. Ou seja, choques passados não são ajustados na trajetória de longo prazo entre y e x. Em outras palavras, não há relação de longo prazo entre o valor das variáveis, apenas uma relação entre as taxas de crescimento. Como mencionado, o conceito de relação de longo prazo entre duas variáveis também é conhecido como co-integração, quando as variáveis, individualmente, são não-estacionárias. Isto implica que uma combinação linear das variáveis é estacionária. Por várias razões, inclusive o viés dos estimadores em pequenas amostras (mesmo havendo consistência nos estimadores em amostras infinitas), a tabela para teste de cointegração não é a tabela t. Há várias tabelas dependendo do teste. O mais comum é o teste Engle-Granger visto acima. Um menos comum, mas ainda baseado em um modelo de apenas uma regressão, é o teste do termo de correção de erros (teste ECM). Um terceiro, mais complexo, é o teste de Johansen. O teste de co-integração via ECM envolve estimar () e utilizar uma tabela específica para um teste de significância de *1,utilizando uma tabela de valores críticos específicos, apresentado em Ericssone MacKinnon (2002). Referências BUENO, R. L. Econometria de Séries Temporais. São Paulo: Cengage, 2009. ENDERS, W. Applied Econometric Time Series, 3 rd Ed. New York:Willey, 2011 ERICSSON, N. e MACKINNON, J. (2002) Distributions of error correction tests for cointegration. Econometrics Journal 5, 285-318. GRANGER, C. e NEWBOLD, Forecasting Economic Time Series. San Diego: Academic Press, 1986. MADDALA, G.S. Introdução à Econometria 3ª Ed. Rio de Janeiro:LTC, 2003. WOOLDRIDGE, J. Introdução à Econometria 2ª Ed. São Paulo:Cengage, 2010.
Compartilhar