Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
* Modelando PassThrough no Brasil * Refs: http://www.scielo.br/pdf/ee/v46n2/0101-4161-ee-46-02-0343.pdf * http://www.scielo.br/pdf/rec/v18n3/1415-9848-rec-18-03-00333.pdf * https://www.anpec.org.br/encontro/2017/submissao/files_I/i7-4f9f3aa77740343b1ae17ed47a4e67c1.pdf * Copie o caminho da pasta onde estão os dados cd "C:\Users\Lenovo\Documents\cursos\econometria III UFRJ" import excel "pass through 2017.xls", sheet("Dados") firstrow rename Data data saveold "ppp_passth2017.dta", replace use "ppp_passth2017.dta", clear ** Arrumando as datas (quando data é um string) destring data, replace gen time=_n gen year=int(data) gen uno=1 sort year by year: gen mes=sum(uno) gen Data=ym(year, mes) format Data %tm * há um erro na variável IPA nos EUA replace US_IPA=US_IPA*10 if data<2009.01 * definindo time series tsset Data * Criando variⷥis em logs para modelagem * Usando minúsculas para logs gen ipca=log(IPCA) gen e=log(E) * variáveis em diferenças gen infl=d.ipca gen de=d.e ******************** An�lise ARIMA para inflação twoway (line ipca Data, sort) (line infl Data , yaxis(2)), scheme(s2mono) * Análise posterior a 2004 para evitar pico de inflação de 2003. drop if data<2005.01 twoway (line ipca Data, sort) (line infl Data , yaxis(2)), scheme(s2mono) * Correlogramas em nivel e em diferenças corrgram ipca , yw corrgram infl , yw * para referencia: intervalo de confiança para significância ACD display 1/sqrt(_N) display 1.96*1/sqrt(_N) *gerando tendência gen trend=_n * I. Modelo simples, com tendência linear e sazonalidade reg ipca trend i.mes predict resipca_TS,r estat ic * Modelo com tendência não elimina raiz unitária corrgram resipca_TS, yw drop resipca_TS * II. y~ARIMA(1,1,0) e Dy~ARIMA(1,0,0) são equivalentes * Modelo simples para ipca - ARIMA(1,1,0) arima ipca, arima(1,1,0) predict resipca_ARIMA110,r * Modelo equivalente para ipca: infl - ARIMA(1,0,0) arima infl, arima(1,0,0) predict resinfl_ARIMA100,r *Veja que no gráfico os resíduos são iguais twoway (line resipca_ Data) (line resinfl_ Data) drop resipca_ARIMA110 resinfl_ARIMA10 * III. SELEÇÂO DE MODELOS ARIMA - baseado na série estacionária - infl corrgram infl, yw * Correlogama inflação sugere ARIMA(1,0,0) com sazonalidade OU ARIMA(12,0,0) * III.1 - Modelos para infl - ARIMA(1,0,0) arima infl, arima(1,0,0) estimates store ARIMA100 estat ic predict resinfl_ARIMA100,r * resíduos ruído branco? corrgram resinfl_ARIMA100 , yw * III.2 - Modelos para infl - ARIMA(2,0,0) arima infl, arima(2,0,0) estimates store ARIMA200 estat ic predict resinfl_ARIMA200,r * resíduos ruído branco? corrgram resinfl_ARIMA200 , yw * III.3 - Modelos para infl - ARIMA(0,0,1) arima infl, arima(0,0,1) estimates store ARIMA001 estat ic predict resinfl_ARIMA001,r * resíduos ruído branco? corrgram resinfl_ARIMA001 , yw * III.4 - Modelos para infl - ARIMA(1,0,0) com dummies sazonais xi: arima infl i.mes, arima(1,0,0) estimates store ARIMA100S estat ic predict resinfl_ARIMA100S,r * resíduos ruído branco? corrgram resinfl_ARIMA100S , yw * III.5 - Modelos para infl - ARIMA(12,0,0) xi: arima infl, arima(12,0,0) estimates store ARIMA1200 estat ic predict resinfl_ARIMA1200,r * resíduos ruído branco? corrgram resinfl_ARIMA1200 , yw ** Olhando o critérios AIC qual dos modelos é o mais recomendado? ** Olhando o critérios SIC qual dos modelos é o mais recomendado? estimates stat ARIMA100 ARIMA200 ARIMA001 ARIMA100S ARIMA1200 ** Olhando critério de resíduos ruído branco qual dos modelos deve ser usado? corrgram resinfl_ARIMA100 , yw l(24) corrgram resinfl_ARIMA200 , yw l(24) corrgram resinfl_ARIMA001 , yw l(24) corrgram resinfl_ARIMA100S , yw l(24) corrgram resinfl_ARIMA1200 , yw l(24) drop resinfl_* estimates drop ARIMA100 ARIMA200 ARIMA001 ARIMA100S ARIMA1200 *********************************************** ******************** An⭩se ARIMA para câmbio twoway (line e Data, sort) (line de Data , yaxis(2)), scheme(s2mono) * Correlogramas em nivel e em diferenças corrgram e , yw corrgram de , yw * para referencia: intervalo de confiança para significância ACD display 1/sqrt(_N) display 1.96*1/sqrt(_N) * I. Modelo simples, com tendência linear e sazonalidade reg e trend i.mes predict rese_TS,r estat ic * Modelo com tendência não elimina raiz unitária corrgram rese_TS, yw drop rese_TS * II. SELEÇÂO DE MODELOS ARIMA - baseado na série estacionária - de corrgram de, yw * Correlogama deação sugere passeio aleatório (ou ARIMA(2,0,0)) * II.1 - Modelos para e - ARIMA(0,1,0) arima e, arima(0,1,0) estimates store ARIMA010 estat ic predict resde_ARIMA010,r * resíduos ruído branco? corrgram resde_ARIMA010 , yw * II.2 - Modelos para de - ARIMA(1,0,0) arima de, arima(1,0,0) estimates store ARIMA100 estat ic predict resde_ARIMA100,r * resíduos ruído branco? corrgram resde_ARIMA100 , yw * III.3 - Modelos para de - ARIMA(2,0,0) arima de, arima(2,0,0) estimates store ARIMA200 estat ic predict resde_ARIMA200,r * resíduos ruído branco? corrgram resde_ARIMA200 , yw * III.4 - Modelos para de - ARIMA(0,0,1) arima de, arima(0,0,1) estimates store ARIMA001 estat ic predict resde_ARIMA001,r * resíduos ruído branco? corrgram resde_ARIMA001 , yw ** Olhando o critérios AIC qual dos modelos é o mais recomendado? ** Olhando o critérios SIC qual dos modelos é o mais recomendado? estimates stat ARIMA010 ARIMA100 ARIMA200 ARIMA001 ** Olhando critério de resíduos ruído branco qual dos modelos deve ser usado? corrgram resde_ARIMA010 , yw l(24) corrgram resde_ARIMA100 , yw l(24) corrgram resde_ARIMA200 , yw l(24) corrgram resde_ARIMA001 , yw l(24) drop resde_* estimates drop ARIMA010 ARIMA100 ARIMA200 ARIMA001
Compartilhar