BACEN2010 Econometria Barbosa Cunha Aula-3

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA
PONTO DOS CONCURSOS
Econometria BACEN
Aula 7
Alexandre Barbosa de Lima e Andr Cunha 08/01/2010
Este documento aborda os seguintes tpicos: distribuio dos estimadores de mnimos quadrados, Teorema de Gauss-Markov e Anlise de Varincia.
www.pontodosconcursos.com.br
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 2
Alexandre/Andr
BACEN 2k9
Contedo
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Introduo ........................................................................................................ 4 O modelo de RLM ........................................................................................... 4 Pressupostos do modelo de RLM ............................................................. 5 Valores esperados de 1, 2,..., k .......................................................... 6 Varincias e Covarincias ........................................................................... 7 O Teorema de Gauss-Markov.................................................................... 9 Anlise de Varincia (ANOVA) .................................................................. 9 Exerccios de Fixao.................................................................................. 11 Gabarito ........................................................................................................... 15 Resoluo dos Exerccios de Fixao ................................................... 15
Complemento de Sries Temporais .................................................................. 24
Alexandre/Andr
BACEN 2k9
1. Introduo
Nesta aula estenderemos o modelo de regresso linear simples, apresentado nas Aulas 3 e 5, para o modelo de regresso linear mltipla (RLM) Sugerimos comparar as propriedades da RLM com as da RLS, posto que a segunda pode ser interpretada como um caso particular da primeira. Ao final desta aula encontra-se um complemento sobre sries temporais que preparamos, junto com uma batelada de exerccios para fixao da matria.
2. O modelo de RLM
O modelo de RLM y i = 1 + 2 x 2i + 3 x3i + ... + k x ki + i , (1) sendo: y a varivel dependente x2,...,xk so as variveis independentes (ou explanatrias) 1 o intercepto t, t 2, o coeficiente da varivel xt i os termos de erro. xti a i-sima observao da varivel xt (y1, x21, x31,..., xk1), ... , (yn, x2n, x3n,..., xkn) so as n k-uplas ordenadas que queremos ajustar ao modelo. A vantagem do modelo de RLM sobre o de RLS o fato de o primeiro permitir que a varivel y dependa de mais de uma varivel independente, como na maioria dos problemas do mundo real. Quando k = 3 temos duas variveis dependentes (trs `s para estimar) e o modelo gera o grfico de um plano. Quando k 4 no possvel representar graficamente. Ainda que no possamos sempre representar graficamente uma equao de RLM, continuaremos a chamar 1 de intercepto. 1 o valor esperado de y quando todas as variveis explanatrias so iguais a zero, e o encontro do plano com o eixo y no caso particular quando k = 3.
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 5 t representa a variao estimada de y quando xt varia uma unidade, mantendo todos os outros x`s constantes.
3. Pressupostos do modelo de RLM

Os pressupostos do modelo de RLM so muito parecidos com os do modelo de RLS. So eles: 1. o valor de yi para cada valor de (x2i, x3i, ... , xki) y i = 1 + 2 x 2i + 3 x3i + ... + k x ki + i 2. no h relao linear exata entre duas ou mais variveis independentes 3. o valor mdio do erro aleatrio
E ( ) = 0
pois admitimos que E[ y / x 2 , x3 ,..., x k ] = E[ y ] = 1 + 2 x 2 + 3 x3 + ... + k x k 4. a varincia do erro aleatrio var( ) = 2 = var(Y ) 5. qualquer par de erros aleatrios i e j , i j, so independentes, o que implica
cov( i , j ) = cov(Yi , Y j ) = 0
6. (x2, x3, ... , xk) so variveis no aleatrias. 7. A varivel tm distribuio Normal
~ N (0, 2 )
Se Y tem distribuio Normal e vice-versa. O nico pressuposto novo em relao ao modelo de RLS o segundo, de que no h relao linear exata entre duas ou mais
Alexandre/Andr
BACEN 2k9
6 variveis independentes. Em outras palavras, o pressuposto afirma

que no existe (2,..., k) (0, ... ,0) de forma que
x
t =2 t
ti
=0.
4. Valores esperados de 1, 2, ... , k

Para calcular os `s da equao (1), assim como fizemos para o caso de k = 2 (RLS), temos de minimizar a soma dos quadrados dos erros residuais. Posto de outra forma,
min SQE = min ei2 = min ( y i y i ) 2 = min ( yi 1 2 x 2i 3 x3i ... k x ki ) 2

i i i
Vamos escrever n equaes usando (1) e as n observaes (y1, x21, x31,..., xk1), ... , (yn, x2n, x3n,..., xkn). Temos ento:
y1 = 1 + 2 x 21 + 3 x31 + ... + k x k1 + 1 y = + x + x + ... + x + 2 1 2 22 3 32 k k2 2 ................................................................ y n = 1 + 2 x 2 n + 3 x3n + ... + k x kn + n
(2)
Ou em notao matricial: Y = X + (3) Onde:

y1 1 x 21 y 2 , X = 1 x 22 Y= ... ... ... yn 1 x2n ... x k1 1 1 ... x k 2 2 , e = 2 , (4) , = ... ... ... ... ... x kn k n
Mantendo a notao matricial, facilmente verificvel que
Y = X , (5)
Alexandre/Andr
BACEN 2k9
7
1 onde = 2 ... k modelo.
y1 y e Y = 2 a matriz1 dos valores estimados pelo ... yn
Sendo = Y Y a matriz n x 1 dos resduos e t sua transposta,
nosso trabalho agora minimizar SQE = i2 = t .

i =1
Prova-se, e no trivial para quem no tem forte base matemtica, que a matriz k x 1
= ( X t X ) 1 ( X t Y ) ,2 (6)
Onde A-1 denota a inversa da matriz A. No caso de k = 3, o modelo fica y i = 1 + 2 x 2i + 3 x3i + i , e aplicando (6) temos
2 =
(x
2i
x 2 )( y i y ) ( x3i x3 ) 2 ( x3i x3 )( y i y ) ( x 2i x 2 )( x3i x3 )
(x
2i
x 2 ) 2 ( x3i x3 ) 2 ( ( x 2i x 2 )( x3i x3 )) 2
2 = ( x3i x3 )( yi y ) ( x2i x2 ) ( x2i x2 )( yi y ) ( x2i x2 )( x3i x3 ) 3 ( x2i x2 )2 ( x3i x3 )2 ( ( x2i x2 )( x3i x3 ))2
1 = y 2 x 2 3 x3
No se preocupe em memorizar essas frmulas. Ns as colocamos aqui apenas ilustrativamente, pois esperamos um mnimo de bom senso da banca examinadora em no cobr-las. Normalmente as estimativas dos parmetros da equao so fornecidas nas questes.
5. Varincias e Covarincias
1 2
Uma matriz que tenha apenas uma linha ou apenas uma coluna tambm recebe o nome de vetor. No acreditamos que o conhecimento da notao matricial ser cobrado em prova. Entretanto, caso os dados sejam apresentados na forma matricial, acreditamos que estaremos j familiarizados com essa notao.
Alexandre/Andr
BACEN 2k9
8
Usando a notao matricial de (4), prova-se que
2 ( X t X ) 1
var(1 ) cov( 1 , 2 ) cov(1 , 3 ) var( 2 ) cov( 2 , 3 ) cov(1 , 2 ) = cov( 1 , 3 ) cov( 2 , 3 ) var( 3 ) ... ... ... cov( , ) cov( , ) cov( , ) 1 k 2 k 3 k
... cov(1 , k ) ... cov( 2 , k ) ... cov( 3 , k ) (7) ... ... ) ... var( k
Mais uma vez, no trivial a demonstrao de (7) e nem esperamos que se exija o clculo das varincias. Veremos em questes de concursos passadas (na prxima aula) que a matriz (7), tambm chamada de matriz de varincia-covarincia, muitas vezes fornecida pela questo. Ilustrando para k = 3,
var( 2 ) = var( 3 ) =
(x
2
2i
x 2 ) 2 (1 r23 )
(8) , (9)
( x3i x3 ) 2 (1 r23 )
Onde r23, o coeficiente de correlao amostral entre x2 e x3, tal que
r23 =
( x x )( x x ) (x x ) (x x )
2i 2 3i 3 2 2i 2 3i 3
(10)
Repare que nas equaes (8) e (9), se fizermos r23 = 1 anulamos seus denominadores. Isso mostra as consequncias, para k = 3, da violao do pressuposto 2 do modelo de RLM. Quando h relao linear exata entre duas ou mais variveis independentes ocorre o que chamamos de multicolinearidade exata, e o processo de mnimos quadrados no pode ser aplicado. Para encerrar esse item, faltou mencionar o estimador no tendencioso de 2 , s2. Demonstra-se que
s =
2 2
e =
nk
SQE t = , nk nk
em que k o nmero de parmetros que queremos estimar, e n k os graus de liberdade (gl) da SQE.
Alexandre/Andr
BACEN 2k9
6. O Teorema de Gauss-Markov
O teorema de Gauss-Markov permanece vlido para o modelo de RLM. Dessa forma, os k estimadores contidos na matriz de (5) so os de menor varincia dentre todos os estimadores lineares possveis no viesados para os elementos da matriz . A demonstrao deste teorema mais uma vez foge ao escopo deste trabalho.
7. Anlise de Varincia (ANOVA)

Inicialmente, SQT, SQE, SQR e o coeficiente de determinao R no modelo de RLM so definidos de forma idntica que vimos no modelo de RLS no item 7 da Aula 3. Reproduzimos abaixo alguns resultados, por convenincia.
2
SQT Onde
SQE
SQR
(11)
SQT = Soma dos quadrados total = Syy = (ou variao total) SQE = Soma dos quadrados dos erros = (ou variao residual) SQR = Soma dos quadrados da regresso = (ou variao explicada) Definimos (12)
R2 =
SQR SQE = 1 (13) SQT SQT

BACEN 2k9
Alexandre/Andr
10
Da definio, 0 R2 1 Assim como no caso da RLS, na RLM quanto mais R2 se aproxima de 1, mais a variao de y explicada pela regresso e melhor o ajuste equao. De forma oposta, quanto mais R2 se aproxima de 0, menos a variao de y explicada pela regresso e pior o ajuste equao. Entretanto, uma caracterstica indesejvel de R2 que ele pode ser aumentado artificialmente adicionando-se mais variveis ao modelo, mesmo que essa adio no seja suportada pela teoria econmica. Quando se acrescenta uma varivel explanatria ao modelo, SQE diminui ou permanece igual, desta forma o novo coeficiente de determinao no mnimo igual ao do modelo sem essa varivel. Para resolver esse problema definimos agora o R2 ajustado, ou R 2 , da seguinte forma:
R 2 = 1
SQE /(n k ) (14) SQT /(n 1)
A frmula de R 2 muito parecida com a de R2, com a diferena que em R 2 dividimos as somas dos quadrados por seus respectivos graus de liberdade, n k e n 1. Prova-se facilmente que R 2 = 1 (1 R 2 )
(n 1) (15) (n k )
Nota 1: R 2 no mais representa o percentual da variao explicada. Esse papel permanece com R2. Nota 2: R < R2.
2
De (14) ou de (15), segue que, se k > 1, ento
1.
Nota 3: R 2 pode ser negativo. Este resultado corrobora a Nota
Podemos montar agora tabela de ANOVA semelhante que fizemos na Aula 5, e que o ponto de partida para testes de hipteses que estudaremos na prxima aula. Retornemos aos graus de liberdade a) SQR tem k - 1 graus de liberdade (nmero de variveis explanatrias do modelo) b) SQE tem n - k graus de liberdade (nmero de observaes menos o nmero de parmetros)
Alexandre/Andr
BACEN 2k9
11 c) SQT tem n - 1 graus de liberdade (nmero de observaes menos 1 porque tivemos de calcular a mdia)
Vale ainda a seguinte relao: glSQT = glSQR + glSQE
Tabela de Anlise de Varincia Fonte da variao Regresso Erros residuais Total gl k-1 n-k n-1 Soma SQR SQE SQT Mdia da Soma SQR/(k-1) SQE/(n-k) Estatstica F
SQR /( k 1) SQE /( n k )
A estatstica F constante da tabela ser usada, como veremos, para testar a hiptese de que nenhuma varivel explanatria ajuda a explicar a variao total SQT ou Syy. De forma equivalente, testar a hiptese conjunta 2= 3= ... = k=0.
8. Exerccios de Fixao
Considere as seguintes informaes para resolver as questes de nmeros 1 e 2. Uma das principais aplicaes da Econometria tem sido sua utilizao na obteno de modelos que explicam a procura de produtos nos diversos setores da Economia. Por exemplo, em um determinado pas, adotou-se o modelo zi = + xi + yi + i para avaliar a demanda per capita de um determinado produto, com base em observaes nos ltimos dez anos. Dados:
zi = ln(Qi), em que ln o logaritmo neperiano (ln(e) = 1) e Qi um ndice representando a demanda per capita do produto no ano i; xi = ln(Pi), em que Pi o ndice de preo do produto no ano i; yi = ln(Ri), em que Ri a renda per capita do pas no ano i;
Alexandre/Andr
BACEN 2k9
12 , e so parmetros desconhecidos; i o erro aleatrio com as respectivas hipteses consideradas para o modelo de regresso linear mltipla.
Utilizando-se o mtodo dos mnimos quadrados, obteve-se a equao do plano:
z i = 4 0,12 xi + 0,76 y i
Dados obtidos do quadro de anlise de varincia: Soma dos quadrados referente regresso: 0,6160 Variao residual: 0,0140 1. (Analista BACEN 2006/FCC) Considerando a equao do plano obtida pelo mtodo dos mnimos quadrados para esse pas, o valor da previso em um determinado ano do ndice de demanda per capita Q do produto analisado em funo do ndice de preo P e uma renda per capita R (PxQ 0) pode ser obtido pela frmula:
e4 A) Q = 0,12 0,76 P R
B) Q =
0 ,12
4 R 0,76
e4 C) Q = 0,12 0,76 P R
D) Q = E) Q =
ln 4 P R 0,76
0 ,12
0 ,12
ln 4 R 0,76
2. (Analista BACEN 2006/FCC) Com relao equao do plano ajustado pelo mtodo dos mnimos quadrados e considerando o quadro de anlise de varincia correspondente, correto afirmar que: A) O coeficiente de determinao (R2) da regresso linear mltipla inferior a 97%. B) Para o teste de hiptese de existncia de regresso, tem-se que o nmero de graus de liberdade a considerar referente variao residual 9. C) Como na regresso linear simples, o coeficiente de determinao (R2) da regresso linear mltipla igual ao quociente da diviso da variao residual pela variao explicada pela regresso.
Alexandre/Andr BACEN 2k9
13 D) A relao entre o nmero de graus de liberdade referente variao residual e o nmero de graus de liberdade referente variao explicada pela regresso 3,5.
E) O valor da estatstica F (F calculado) utilizado para a comparao com o F tabelado (varivel F de Snedecor com m graus de liberdade no numerador e n graus de liberdade no denominador, ao nvel de significncia ) igual a 44. Julgue as questes 3 e 4, considerando o modelo de regresso linear mltipla para dados seccionais
y i = 0 + 1 x1i + 2 x 2i + L + k x ki + u i , i = 1,K , n.
3. (ANPEC 2003) Para que os estimadores de mnimos quadrados sejam os melhores estimadores lineares no-tendenciosos necessrio que os erros sejam normalmente distribudos. 4. (ANPEC 2003) A incluso de uma nova varivel explicativa no modelo reduzir o coeficiente de determinao R2. Julgue as questes 5 e 6, considerando o modelo de regresso mltipla
y = 0 + 1 x1 + 2 x 2 + 3 x3 + u ,
cujos parmetros tenham sido estimados pelo mtodo dos mnimos quadrados ordinrios. 5. (ANPEC 2008) Se o R2 = 1, ento y uma combinao linear de x1, x2 e x3. 6. (ANPEC 2008) Se o modelo satisfaz as hipteses do teorema de Gauss-Markov, ento 1 o estimador linear no viesado de 1 com menor varincia possvel. Considerando o modelo de regresso mltipla
Y j = 0 + 1 X 1 j + 2 X 2 j + K + k X kj + j
julgue as afirmaes das questes 7 a 10.
Alexandre/Andr
BACEN 2k9
14
7. (ANPEC 1993) A anlise de varincia da regresso testa se todos os coeficientes estimados da regresso ( $ j ) so significantes simultaneamente. 8. (ANPEC 1993) O vetor de solues para os parmetros j expresso por $ = ( X ' X ) 1 X ' Y . 9. (ANPEC 1993) Para estimar os parmetros j da regresso necessrio que as variveis explicativas sejam independentes entre si. 10. (ANPEC 1993) O coeficiente de determinao mltipla corrigido para graus de liberdade ( R 2 ) pode ser negativo. Utilize o seguinte modelo de regresso linear mltipla na forma matricial: Y = X . + , onde as dimenses das matrizes e dos vetores envolvidos so: Y => (n 1); X => (n k); => (k 1); e => (n 1). Ento, julgue as seguintes afirmaes: 11. (ANPEC 1993) Um dos pressupostos bsicos do modelo : Os elementos da matriz X so estocsticos com valores fixados em amostras repetidas. 12. (ANPEC 1993) Outro pressuposto bsico : nenhuma das variveis independentes deve estar perfeitamente correlacionada com qualquer outra varivel independente ou com qualquer combinao linear de outras variveis independentes. 13. (ANPEC 1993) Quando testamos a existncia do modelo de regresso, fazemos as seguintes hipteses sobre os coeficientes da regresso (admitindo que 1 0 , ou seja, a regresso no passa pela origem): Hiptese nula => Hiptese alternativa => 3,, k. 14. (ANPEC 1993) Os intervalos de confiana dos coeficientes da regresso podem ser calculados da seguinte maneira:
Alexandre/Andr
H0: 2 = 3 =... = k = 0
H1: Todos os i 0 , para i = 2,
BACEN 2k9
15
$ $ ( i t n k . s$ ; i + tn k . s$ )
i i
onde
$ i
= estimativa do coeficiente i ;
tn k =
abcissa de uma
distribuio t com (n - k) graus de liberdade, fixado o grau de confiana de intervalo; e
$ s$ = erro padro estimado de i .

i
9. Gabarito
1C 2D 3 FALSO 4 FALSO 5 VERDADEIRO 6 VERDADEIRO 7 FALSO 8 VERDADEIRO 9 FALSO 10 VERDADEIRO 11 FALSO 12 VERDADEIRO 13 FALSO 14 VERDADEIRO
10. Resoluo dos Exerccios de Fixao

Considere as seguintes informaes para resolver as questes de nmeros 1 e 2. Uma das principais aplicaes da Econometria tem sido sua utilizao na obteno de modelos que explicam a procura de produtos nos diversos setores da Economia. Por exemplo, em um determinado pas, adotou-se o modelo zi = + xi + yi + i para
Alexandre/Andr BACEN 2k9
16 avaliar a demanda per capita de um determinado produto, com base em observaes nos ltimos dez anos.
Dados:
zi = ln(Qi), em que ln o logaritmo neperiano (ln(e) = 1) e Qi um ndice representando a demanda per capita do produto no ano i; xi = ln(Pi), em que Pi o ndice de preo do produto no ano i; yi = ln(Ri), em que Ri a renda per capita do pas no ano i;
, e so parmetros desconhecidos;
i o erro aleatrio com as respectivas hipteses consideradas para o modelo de regresso linear mltipla.
Utilizando-se o mtodo dos mnimos quadrados, obteve-se a equao do plano:
z i = 4 0,12 xi + 0,76 y i
Dados obtidos do quadro de anlise de varincia: Soma dos quadrados referente regresso: 0,6160 Variao residual: 0,0140 1. (Analista BACEN 2006/FCC) Considerando a equao do plano obtida pelo mtodo dos mnimos quadrados para esse pas, o valor da previso em um determinado ano do ndice de demanda per capita Q do produto analisado em funo do ndice de preo P e uma renda per capita R (PxQ 0) pode ser obtido pela frmula: A) Q = B) Q = C) Q = D) Q = E) Q =
e4 P 0,12 R 0,76 P
0 ,12
4 R 0,76
e4 P 0,12 R 0,76 ln 4 P R 0,76

0 ,12
0 ,12
ln 4 R 0,76
Resoluo
Alexandre/Andr
BACEN 2k9
17
z = 4 0,12 x + 0,76 y
Substituindo com as informaes fornecidas:
ln(Q) = 4 0,12 ln( P) + 0,76 ln( R)
Q = e 40,12 ln( P )+0,76 ln( R ) = e 4 e 0,12 ln( P ) e 0,76 ln( R ) = e 4 e ln P

Usando a relao e ln( x ) = x,
0 ,12
e ln R
0 , 76
Q = e 4 P 0,12 R 0, 76 =
e4 P 0,12 R 0,76
GABARITO: C 2. (Analista BACEN 2006/FCC) Com relao equao do plano ajustado pelo mtodo dos mnimos quadrados e considerando o quadro de anlise de varincia correspondente, correto afirmar que: A) O coeficiente de determinao (R2) da regresso linear mltipla inferior a 97%. B) Para o teste de hiptese de existncia de regresso, tem-se que o nmero de graus de liberdade a considerar referente variao residual 9. C) Como na regresso linear simples, o coeficiente de determinao (R2) da regresso linear mltipla igual ao quociente da diviso da variao residual pela variao explicada pela regresso. D) A relao entre o nmero de graus de liberdade referente variao residual e o nmero de graus de liberdade referente variao explicada pela regresso 3,5. E) O valor da estatstica F (F calculado) utilizado para a comparao com o F tabelado (varivel F de Snedecor com m graus de liberdade no numerador e n graus de liberdade no denominador, ao nvel de significncia ) igual a 44. Resoluo H 10 observaes e 3 parmetros estimados. Logo, glSQE = n k = 10 3 = 7 H 2 variveis independentes.
Alexandre/Andr
BACEN 2k9
18
Logo, glSQR = k 1 = 3 1 = 2
Portanto,
gl SQE gl SQR
7 = 3,5 2
GABARITO: D
Julgue as questes 3 e 4, considerando o modelo de regresso linear mltipla para dados seccionais
y i = 0 + 1 x1i + 2 x 2i + L + k x ki + u i , i = 1,K , n.
3. (ANPEC 2003) Para que os estimadores de mnimos quadrados sejam os melhores estimadores lineares no-tendenciosos necessrio que os erros sejam normalmente distribudos. Resoluo Antes de resolver essa questo, um alerta: Ns baseamos todas as frmulas no modelo dado na equao (1), com k parmetros e k-1 variveis independentes. Na equao deste exerccio, e isso pode acontecer na prova do BACEN, o modelo conta com k+1 parmetros e k variveis independentes. Essa diferena no tem importncia neste exerccio, mas com certeza teria em um no qual teramos de calcular gl ou estatsticas F. Vamos questo agora. Assim como no modelo de RLS, no modelo de RLM, para que os estimadores de mnimos quadrados sejam BLUE, a hiptese de normalidade dos erros a nica no necessria dentre as 7 enunciadas no item 3. GABARITO: FALSO 4. (ANPEC 2003) A incluso de uma nova varivel explicativa no modelo reduzir o coeficiente de determinao R2.
Alexandre/Andr
BACEN 2k9
19
Resoluo Vimos que ocorre exatamente o contrrio: A incluso de uma nova varivel explicativa no modelo no reduzir o coeficiente de determinao R2, podendo aument-lo ou no alter-lo. GABARITO: FALSO Julgue as questes 5 e 6, considerando o modelo de regresso mltipla
y = 0 + 1 x1 + 2 x 2 + 3 x3 + u ,
cujos parmetros tenham sido estimados pelo mtodo dos mnimos quadrados ordinrios. 5. (ANPEC 2008) Se o R2 = 1, ento y uma combinao linear de x1, x2 e x3. Resoluo Se R2 = 1, ento 100% da variao de y explicada pelo modelo. Isso s ocorre se y for combinao linear das variveis independentes. GABARITO: VERDADEIRO 6. (ANPEC 2008) Se o modelo satisfaz as hipteses do teorema de Gauss-Markov, ento 1 o estimador linear no viesado de 1 com menor varincia possvel. Resoluo A afirmao o prprio enunciado do teorema. GABARITO: VERDADEIRO
Alexandre/Andr
BACEN 2k9
20
Considerando o modelo de regresso mltipla
Y j = 0 + 1 X 1 j + 2 X 2 j + K + k X kj + j ,
julgue as afirmaes das questes 7 a 10. 7. (ANPEC 1993) A anlise de varincia da regresso testa se todos os coeficientes estimados da regresso ( $ j ) so significantes simultaneamente. Resoluo A estatstica F dada na tabela de ANOVA serve para testar a hiptese conjunta H0: 2= 3= ... = k=0. A hiptese alternativa a de que pelo menos um (no todos) i (que no o intercepto) seja diferente de 0, ou seja, significante. GABARITO: FALSO 8. (ANPEC 1993) O vetor de solues para os parmetros j expresso por $ = ( X ' X ) 1 X ' Y . Resoluo a equao (6). GABARITO: VERDADEIRO 9. (ANPEC 1993) Para estimar os parmetros j da regresso necessrio que as variveis explicativas sejam independentes entre si. Resoluo As variveis explicativas podem estar correlacionadas. O que o pressuposto 2 do modelo de RLM exige que no haja relao linear exata entre duas ou mais variveis independentes.
Alexandre/Andr
BACEN 2k9
21
GABARITO: FALSO 10. (ANPEC 1993) O coeficiente de determinao mltipla corrigido para graus de liberdade ( R 2 ) pode ser negativo. Resoluo Ver Nota 3 do item 7. GABARITO: VERDADEIRO Utilize o seguinte modelo de regresso linear mltipla na forma matricial: Y = X . + , onde as dimenses das matrizes e dos vetores envolvidos so: Y => (n 1); X => (n k); => (k 1); e => (n 1). Ento, julgue as seguintes afirmaes: 11. (ANPEC 1993) Um dos pressupostos bsicos do modelo : Os elementos da matriz X so estocsticos com valores fixados em amostras repetidas. Resoluo Pressuposto 6: (x2, x3, ... , xk) so variveis no aleatrias. Portanto, no estocsticas. GABARITO: FALSO 12. (ANPEC 1993) Outro pressuposto bsico : nenhuma das variveis independentes deve estar perfeitamente correlacionada com qualquer outra varivel independente ou com qualquer combinao linear de outras variveis independentes.
Resoluo Ver resoluo da questo 9. GABARITO: VERDADEIRO

Alexandre/Andr
BACEN 2k9
22
13. (ANPEC 1993) Quando testamos a existncia do modelo de regresso, fazemos as seguintes hipteses sobre os coeficientes da regresso (admitindo que 1 0 , ou seja, a regresso no passa pela origem): Hiptese nula => Hiptese alternativa => 3,, k. Resoluo Testar a existncia do modelo testar se pelo menos uma varivel independente relevante. Em outras palavras, se pelo menos um i (que no o intercepto) diferente de 0, no todos. GABARITO: FALSO 14. (ANPEC 1993) Os intervalos de confiana dos coeficientes da regresso podem ser calculados da seguinte maneira: H0: 2 = 3 =... = k = 0
H1: Todos os i 0 , para i = 2,
$ $ ( i tn k . s$ ; i + tnk . s$ )
i i
onde
$ i
= estimativa do coeficiente i ;
tn k =
abcissa de uma
distribuio t com (n - k) graus de liberdade, fixado o grau de confiana de intervalo; e
$ s$ = erro padro estimado de i .

i
Resoluo Questo antecipada da Aula 8. Se os pressupostos do modelo se verificam, inclusive o da normalidade dos erros, ento prova-se que
t nk =
onde
i i s
i
segue distribuio t com (n k) graus de liberdade,
o desvio padro amostral do estimador i de i .
Alexandre/Andr
BACEN 2k9
23 Seguindo o mesmo raciocnio do item 3 da Aula 5, conclumos que a afirmao verdadeira.

GABARITO: VERDADEIRO
Alexandre/Andr
BACEN 2k9
24
PONTO DOS CONCURSOS
Econometria BACEN
Complemento de Sries Temporais
Alexandre Barbosa de Lima e Andr Cunha 08/01/2010
Este documento aborda o seguinte tpico: modelagem temporais: construo do modelo e regio de admissibilidade. Alexandre/Andr
de
sries
BACEN 2k9
25
Contedo
1. Modelagem de Sries Temporais ............................................................... 26 1.1. 1.2. 2. 3. 4. Construo do Modelo ......................................................................... 26 Estacionariedade e Invertibilidade.................................................. 29
Exerccios Extras .............................................................................................. 31 GABARITO ........................................................................................................... 34 Resoluo dos Exerccios Extras ................................................................ 35
Alexandre/Andr
BACEN 2k9
26
1.
Modelagem de Sries Temporais

A modelagem de uma srie temporal xt consiste na estimao
de uma funo invertvel h(.) , denominada modelo de xt , tal que (1)
xt = h(..., t 2 , t 1 , t , t +1 , t + 2 ,...)
em que t ~ IID (seqncia independente e identicamente distribuda) e (2)
g (..., xt 2 , xt 1 , xt , xt +1 , xt + 2 ,...) = t
em que g (.) = h(.) 1 . As Eqs. (1) e (2) esto ilustradas na Fig. 1.
Figura 1: modelagem de uma srie temporal. O processo t a inovao no instante t e representa a nova informao sobre a srie que obtida no instante t. Na prtica, o modelo ajustado causal, ou seja, (3)
xt = h( t , t 1 , t 2 ,...) .
1.1. Construo do Modelo

A metodologia de construo de um modelo baseada no ciclo iterativo ilustrado pela Fig. 2 [BOX94], [MOR04]:
Alexandre/Andr
BACEN 2k9
27
(a) (b) (c) uma classe geral de modelos considerada para a anlise (especificao); h a identificao de um modelo, com base em critrios estatsticos; segue-se a fase de estimao, na qual os parmetros do modelo so obtidos. Na prtica, importante que o modelo seja parcimonioso. Diz-se que um modelo parcimonioso quando o mesmo utiliza poucos parmetros. A utilizao de um nmero excessivo de parmetros indesejvel porque o grau de incerteza no procedimento de inferncia estatstica aumenta com o aumento do nmero de parmetros (Princpio da Parcimnia). finalmente, h o diagnstico do modelo ajustado por meio de uma anlise estatstica da srie t de resduos ( t compatvel com um rudo branco?).
(d)
Postular a classe geral do modelo
Identificao do modelo
Estimao dos parmetros
Diagnstico
No
Sim
Alexandre/Andr
BACEN 2k9
28
Figura 2: ciclo iterativo Box-Jenkins. O processo xt de (3) linear quando corresponde convoluo de um processo t ~ IID com uma seqncia determinstica xt (4)
xt = ht t = hk t k
k =0
= t + h1 t 1 + h2 t 2 + ... = (1 + h1 B + h2 B 2 + ...) t = H ( B ) t .
em que o smbolo denota a operao de convoluo e h0=1. A Eq. (4) tambm conhecida como representao de mdia mvel de ordem infinita (MA()) [BRO96]. A forma geral ARMA(p,q) de (4) (5)
xt = k xt k + (t ) k t k .
k =1 k =1 p q
A seqncia ht denominada resposta impulsiva do modelo ARMA(p,q) (5). Numa forma mais compacta, tem-se que (6)
( B) xt = ( B) t
em que ( B) o operador auto-regressivo de ordem p
( B ) = 1 1B 2 B 2 ... p B p
e ( B) denota o operador de mdia mvel de ordem q
( B) = 1 1 B 2 B 2 ... q B q .
O leitor mais atento deve ter percebido que o processo de inovao { t } foi definido simplesmente como uma seqncia IID. Fizemos assim por que as definies apresentadas at o momento so bastante gerais: elas englobam, por exemplo, a classe das sries
Alexandre/Andr
BACEN 2k9
29 ARMA(p,q) de varincia infinita . Daqui para frente, restringiremos { t } classe dos processos IID com varincia finita, e isto quer dizer
3
que a inovao t passa a ser do tipo t ~RB(0,2) (rudo branco de mdia zero e varincia 2)
1.2. Estacionariedade e Invertibilidade

Demonstra-se que um modelo ARMA(p,q) estacionrio e invertvel se todas as razes de ( B) e ( B) esto fora do crculo unitrio (regio de admissibilidade) [MOR04], [MOR08] (7)
( B) = 0, | B |> 1 ( B) = 0, | B |> 1
Sendo assim, a regio de admissibilidade de um modelo ARMA(1,1) dada por (8)
1 < < 1 1 < < 1
Como os modelos estimados na prtica so invertveis (ou seja, a condio (7) vlida), pode-se definir o operador inverso (9)
G ( B ) = H 1 ( B )
e reescrever (4) na forma auto-regressiva de ordem infinita (AR()) (10)
xt = g1 xt 1 + g 2 xt 2 + ... + t
= g k xt k + t
k =1
Portanto, xt pode ser interpretado como uma soma ponderada de seus valores passados xt-1, xt-2, ..., mais uma inovao t. O modelo equivalente AR() sugere que pode-se calcular a probabilidade de um valor futuro xt+k estar entre dois limites especificados, ou seja, (9) afirma que possvel fazer inferncias ou previses de valores futuros da srie.
Vide SAMORODNITSKY, G; TAQQU, M. S. Stable non-Gaussian random processes. London: Chapman & Hall, 1994.
Alexandre/Andr
BACEN 2k9
30
Bibliografia [BOX94] BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time Series Analysis: Forecasting and Control. 3rd ed. Prentice Hall, 1994. [BRO96] BROCKWELL, P. J.; DAVIS, R. A. An Introduction to Time Series and Forecasting. Springer-Verlag, 1996. [BUE08] BUENO, Rodrigo de Losso da Silveira. Econometria de Sries Temporais. So Paulo: Cengage Learning, 2008. [GUJ00] GUJARATI, Damodar N. Econometria Bsica, 3 Edio. So Paulo: Pearson Makron Books, 2000. [MOR04] MORETTIN, Pedro A.; TOLOI, Cllia M. C. Anlise de Sries Temporais. So Paulo: Editora Edgard Blcher, 2004. [MOR08] MORETTIN, Pedro A. Econometria Financeira Um Curso em Sries Temporais Financeiras. So Paulo: Editora Blcher, 2008. [PER93] PERCIVAL, Donald B.; Walden, Andrew T. Spectral Analysis for Physical Applications. Cambridge, 1993. [SHU06] SHUMWAY, Robert H.; STOFFER, David S. Time Series Analysis and Its Applications with R Examples. Springer, 2006. [TSA05] TSAY, Ruey S. Analysis of Financial Time Series. 2nd ed. Wiley-Interscience, 2005. [ZIV03] ZIVOT, Eric; WANG, Jiahui. Modeling Financial Time Series with S-PLUS. Springer, 2003.
Alexandre/Andr
BACEN 2k9
31
2.
Exerccios Extras
Considere que o nmero de pousos e decolagens em um aeroporto siga um processo autorregressivo na forma Z t = 1,5Z t 1 0,5Z t 2 + a1 0,5at 1 , em que Z t representa o nmero observado de pousos e decolagens no tempo t ( t = 0,1,2,3,..., ) e at representa um rudo branco com mdia igual a zero e varincia igual a 8. Com base nessas informaes e considerando que Yt = Z t Z t 1 , julgue os prximos itens.4 (Especialista em Regulao de Aviao Civil rea 4 ANAC/CESPE/2009) 1. A srie temporal {Z t } no estacionria. 2. A srie diferenciada {Yt } segue um rudo branco. 3. A varincia do processo {Yt } igual 8. 4. A autocorrelao entre Yt e Yt 1 superior a 0,01. 5. A autocorrelao entre Yt e Yt 2 igual a zero. 6. A varincia do passeio aleatrio St = Yk igual a
k =1 t
32t . 3
7. (MPE-PE/Analista Ministerial rea Estatstica/FCC/2006) Seja Z = {Z(t), t T} um processo estocstico, considere as seguintes condies (i) (ii) (iii) (iv) (v) E{Z(t)} = (t) = = constante, para todo t T; E{Z(t)} = 0, para todo t T; E{Z2(t)} < , para todo t T; E{Z2(t)} = t, para todo t T; Cov{Z(t1), Z(t2)} um funo de |t1-t2|
Dizemos que Z estacionrio de segunda ordem ou fracamente estacionrio se e somente se estiverem satisfeitas as condies, alm da (v) A) (i) e (ii)
4
So 6 itens.
Alexandre/Andr
BACEN 2k9
32
B) (ii) e (iv) C) (i) e (iii) D) (i) e (iv) E) (ii) e (iii) 8. (MPE-PE/Analista Ministerial rea Estatstica/FCC/2006) De um modo geral, a anlise espectral de sries temporais estacionrias decompe a srie em A) componentes correlacionados. senoidais com coeficientes aleatrios
B) um componente de tendncia e uma componente sazonal. C) uma componente polinomial, uma componente cclica e uma componente sazonal. D) componentes senoidais com coeficientes aleatrios correlacionados e componentes cossenoidais com coeficientes aleatrios no correlacionados. E) componentes correlacionados. senoidais com coeficientes aleatrios no
9. (MPE-PE/Analista Ministerial rea Estatstica/FCC/2006) Seja Z = {Zt, t T} um processo AR(1) dado por Zt = Zt-1 + at, onde at o rudo branco com mdia zero e varincia um. Seja j, j 1 a funo de autocorrelao do processo Zt. correto afirmar: A) 1= e j=0, se j2 B) j=j, j1 C) j=1/(1-j), j1 D) j=j/(1-j), j1 E) j=1/j, j1 10.(MPE-PE/Analista Ministerial rea Estatstica/FCC/2006) Para o processo ARIMA(1,d,1), onde o coeficiente autoregressivo e o coeficiente de mdias mveis, correto afirmar: A) a funo de autocorrelao parcial s diferente de zero no lag 1 B) a funo de autocorrelao s diferente de zero nos lags 1 e 2. C) Se d=1, o processo estacionrio. D) A regio de admissibilidade dada por ||<1 e ||<1 E) A funo de autocorrelao dominada por senides amortecidas.
Alexandre/Andr
BACEN 2k9
33 (Exame Nacional ANPEC/Prova de Estatstica/2009) Julgue os itens a seguir.

11. A estatstica de Dickey-Fuller para testar a presena de raiz unitria em sries temporais possui sempre distribuio Normal. 12. O teste t em regresses envolvendo variveis no-estacionrias no ser vlido caso a regresso seja espria. 13. No processo AR(1), yt = 0 + 1Yt 1 + et , , em que |1|<1 e et um
rudo branco de mdia nula e varincia 2, a mdia de yt ser igual a 0. 14. O processo MA(1), yt = et + et 1 , , em que et um rudo branco de mdia nula e varincia constante, ser estacionrio mesmo que | |> 1 . 15. (Adaptada) Seja a funo de autocorrelao do processo AR(1) definido no item (13) dada por j. correto afirmar que j = 1j .
Alexandre/Andr
BACEN 2k9
34
3.
GABARITO
1 CERTO 2 CERTO 3 CERTO 4 ERRADO 5 CERTO 6 ERRADO 7C 8E 9B 10 - D 11- FALSO 12 VERDADEIRO 13 FALSO 14 VERDADEIRO 15 - VERDADEIRO
Alexandre/Andr
BACEN 2k9
35
4.
Resoluo dos Exerccios Extras
Considere que o nmero de pousos e decolagens em um aeroporto siga um processo autorregressivo na forma Z t = 1,5Z t 1 0,5Z t 2 + a1 0,5at 1 , em que Z t representa o nmero observado de pousos e decolagens no tempo t ( t = 0,1,2,3,..., ) e at representa um rudo branco com mdia igual a zero e varincia igual a 8. Com base nessas informaes e considerando que Yt = Z t Z t 1 , julgue os prximos itens5 (Especialista em Regulao de Aviao Civil rea 4 ANAC/CESPE/2009) Comentrios preliminares Primeiramente, preciso notar que h um erro tipogrfico no enunciado, uma vez que aparece o termo a1 em vez de at no lado direito da equao que define o modelo Z t . Lembre que um processo ARMA(p,q) X t de mdia nula definido pela equao de diferenas6
X t = 1 X t 1 + ... + p X t p + t 1 t 1 ... q t q
em que 1 ,2 ,..., p denotam coeficientes auto-regressivos, 1 , 2 ,..., q representam parmetros de mdias mveis e t ~RB(0,2) (rudo branco de mdia zero e varincia 2). Logo, no faz sentido definir o processo da forma como est no enunciado. Por este motivo, os seis itens que dependem deste enunciado deveriam ter sido anulados (no foram, at onde do nosso conhecimento). No obstante, prossigamos com a questo, porque ela tem valor didtico. Ns j aprendemos que o operador auto-regressivo de ordem p dado por
( B ) = 1 1B 2 B 2 ... p B p
e que o operador de mdias mveis de ordem q definido como
( B) = 1 1 B 2 B 2 ... q B q .
5 6
So 6 itens. Aula 4.
Alexandre/Andr
BACEN 2k9
36
Deste modo, o modelo ARMA(p,q)
X t = 1 X t 1 + ... + p X t p + t 1 t 1 ... q t q
pode ser escrito na forma compacta
( B) X t = ( B) t .
Observao: a definio
( B) X t = ( B) t
requer que os polinmios ( B) e ( B) no tenham fatores comuns [SHU06, pg. 95]. Explicaremos o que isto quer dizer por meio do Exemplo A abaixo. Exemplo A. Considere um rudo branco X t = t . Tambm podemos defini-lo na forma equivalente 0,5 X t 1 = 0,5 t 1 (para tal, basta i) aplicar o operador atraso unitrio nos dois lados de X t = t e ii) multiplicar os dois membros por 0,5). Subtraindo as duas representaes obtemos
X t 0,5 X t 1 = t 0,5 t 1 ,
ou
X t = 0,5 X t 1 + t 0,5 t 1 ,
que tem a aparncia (enganosa!) de um processo ARMA(1,1). claro que X t continua a ser um rudo branco, pois X t = t a soluo de
X t = 0,5 X t 1 + t 0,5 t 1 .
Diz-se que
X t = 0,5 X t 1 + t 0,5 t 1
uma representao sobre-
parametrizada ou com parmetros redundantes do rudo branco X t = t . Desta forma, demonstra-se que a sobre-parametrizao mascara a caracterstica de rudo branco de Xt. A forma compacta do modelo redundante
(1 0,5B) X t = (1 0,5B) t .
Se aplicarmos o operador ( B) 1 = (1 0,5B) 1 em ambos os lados do modelo acima obtemos
Alexandre/Andr
BACEN 2k9
37
X t = (1 0,5B) (1 0,5 B) X t = (1 0,5 B) (1 0,5B) t = t

1 1
que o modelo original. Observe que o modelo (1 0,5B) X t = (1 0,5B) t redundante porque os polinmios ( B) e ( B) tm o fator comum (1 0,5B ) , o qual, diga-se de passagem, o nico fator presente. Se descartarmos o fator comum, tem-se que ( B) = ( B) = 1 e deduzimos que o modelo representa um rudo branco. A considerao da sobre-parametrizao crucial para a estimao de modelos ARMA. O exemplo acima mostrou que possvel ajustar um modelo ARMA(1,1) para dados provenientes de um rudo branco e supor que as estimativas dos parmetros so significativas. Se no estivermos cientes do fenmeno da redundncia, estamos sujeitos a afirmar que os dados so correlacionados quando na verdade no so. Assumiremos, para os 6 itens que se seguem, que o nmero de pousos e decolagens Zt seja modelado por
Z t = 1,5Z t 1 0,5Z t 2 + at 0,5at 1

De acordo com os dados, tem-se que at ~RB(0,8). 1. A srie temporal {Z t } no estacionria. Resoluo
Z t = 1,5Z t 1 0,5Z t 2 + at 0,5at 1 Z t 1,5Z t 1 + 0,5Z t 2 = at 0,5at 1 0,5Z t 2 1,5Z t 1 + Z t = 0,5at 1 + at

(0,5B 2 1,5B + 1) Z t = (0,5 B 1)at (0,5 B 2 1,5B + 1) Z t (2) = (0,5B 1)at (2) ( B 2 3,0 B + 2) Z t = ( B 2)at
Fatorando o polinmio do lado esquerdo da ltima equao acima, temos que
( B 1)( B 2) Z t = ( B 2)at
e, assim, constatamos a presena do fator comum ( B 2) nos dois lados da equao. Simplificando o modelo redundante, obtemos
Alexandre/Andr
BACEN 2k9
38 ( B 1) Z t = at Z t 1 Z t = at
Z t = Z t 1 + at passeio aleatrio.
O passeio aleatrio no estacionrio porque possui uma raiz unitria. Logo, o item est CORRETO (supondo-se que Z t = 1,5Z t 1 0,5Z t 2 + at 0,5at 1 ). GABARITO: CERTO 2. A srie diferenciada {Yt } segue um rudo branco. Resoluo
Z t = Z t 1 + at Z t Z t 1 = at Yt = at . Logo {Yt } segue um rudo branco e

o item est CERTO (supondo-se que Z t = 1,5Z t 1 0,5Z t 2 + at 0,5at 1 ). Observe que o gabarito oficial definitivo do CESPE ERRADO (tudo leva a crer que o examinador enrolou-se com a sua prpria questo, tendo classificado {Yt } como um pseudo-ARMA(1,1)!). GABARITO: CERTO 3. A varincia do processo {Yt } igual 8. Resoluo
Yt = at . Logo var[Yt ] = var[at ] = 8 CERTO. Observe que o gabarito

oficial definitivo do CESPE ERRADO. Suponha que voc no tivesse identificado que o modelo redundante. Como voc calcularia a varincia 0 do pseudo-processo ARMA(1,1)? Indo mais longe, como voc determinaria autocovarincia de lag 1 ( 1 ) do pseudo-processo ARMA(1,1)? Clculo de 0 e 1 de uma ARMA(1,1): Seja o modelo ARMA(1,1) a
Yt = Yt 1 + at at 1 .
A autocovarincia de lag 0, denotada por 0 = var[Yt ] = E[YtYt ] (pois a mdia de Yt nula) dada por
Alexandre/Andr
BACEN 2k9
0 = E[Yt 1Yt + atYt at 1Yt ] 0 = E[Yt 1Yt ] + E[atYt ] E[at 1Yt ] 0 = E[Yt 1Yt ] + E[atYt ] E[at 1Yt ]
Observe que E[Yt 1Yt ] = 1 . Logo,
39
0 = 1 + E[atYt ] E[at 1Yt ] . Note que preciso calcular as esperanas E[atYt ] e E[at 1Yt ] (tratam-se de covarincias cruzadas).
CLCULO DE E[atYt ] :
E[atYt ] = E[at (Yt 1 + at at 1 )] = E[atYt 1 ] + E[at2 ] E[at at 1 ]

mas E[at at 1 ] = 0 (at rudo branco) e E[atYt 1 ] = 0 , pois Yt 1 s depende dos choques aleatrios passados {..., at 3 , at 2 , at 1} , ou seja, Yt 1 no depende dos choques aleatrios futuros {at , at +1 , at + 2 ,...} . Sendo assim,
E[atYt ] = E[at2 ] = 2
CLCULO DE E[at 1Yt ] :
E[at 1Yt ] = E[at 1 (Yt 1 + at at 1 )] = E[at 1Yt 1 ] + E[at 1at ] 2 E[at21 ])] E[at 1Yt ] = 2 + 0 2 2 = ( ) 2
Voltando ao clculo da varincia,
0 = 1 + 2 ( ) 2
(1)
A autocovarincia de lag 1 dada por
1 = E[Yt 21 + atYt 1 at 1Yt 1 ] 2 1 = E[Yt 1 ] + E[atYt 1 ] E[at 1Yt 1 ] 1 = 0 + 0 2 = 0 2 (2)

Chegamos ao seguinte sistema de duas equaes a duas incgnitas:
0 = 1 + 2 ( ) 2 1 = 0 2
cujas solues so
Alexandre/Andr
BACEN 2k9
40
0 =
e
1 + 2 2 1 2
2
1 =
Agora, observe que
(1 )( ) 2 . 1 2
1 + 0,5 2 2 0,5 0,5 8 = 8 o que confirma a resoluo dada para a 1 0,5 2 questo e o problema da redundncia do modelo.
0 =
GABARITO: CERTO 4. A autocorrelao entre Yt e Yt 1 superior a 0,01. Resoluo Como Yt um rudo branco, tem-se que
E[YtYt ] = 0 . Logo, a
autocorrelao entre Yt e Yt 1 nula item ERRADO. Observe que o gabarito oficial definitivo do CESPE CERTO. Podemos chegar ao mesmo resultado aplicando a frmula
1 = 1 =
1 =
(1 )( ) 2 1 2
1 0
(1 0,52 )(0,5 0,5) 8 = 0 1 = 0 como = 1 , > 1 , ento = 0 1 0,52 para > 1 Yt um rudo branco.
GABARITO: ERRADO 5. A autocorrelao entre Yt e Yt 2 igual a zero. Resoluo A questo aborda o tema da Identificao do modelo.
Alexandre/Andr
BACEN 2k9
41 Os processos AR(p), MA(q) e ARMA(p,q) apresentam FAC com caractersticas especiais. Assim [MOR08]:
(i) Um processo AR(p) tem FAC que decai de acordo com exponenciais e/ou senides amortecidas, infinita em extenso; Um processo MA(q) tem FAC finita, pois igual a zero para lag superior a q; Um processo ARMA(p,q) tem FAC infinita em extenso, que decai de acordo com exponenciais e/ou senides amortecidas aps o lag q-p.
(ii) (iii)
Estas observaes so teis no procedimento de identificao do modelo que ser ajustado srie observada; calculando-se as estimativas das FAC que acreditamos reproduzir adequadamente as verdadeiras FAC desconhecidas e comparando seu comportamento com o descrito acima, para cada modelo, tentamos escolher um (ou mais) modelo(s) que descreva(m) a srie dada. Em particular, a FAC til para identificar modelos MA, dada a caracterstica (ii) acima, no sendo til para identificar modelos ARMA, que tm FAC complicada [MOR08]. Box, Jenkins e Reisel [BOX94] propuseram um procedimento alternativo de identificao baseado na funo de autocorrelao parcial (FACP). Pode-se demonstrar ARMA(p,q), temos: (i) (ii) que, para os processos AR(p), MA(q) e
Um processo AR(p) tem FACP kk 0 , para k p e kk = 0 para k > p ; Um processo MA(q) tem FACP que se comporta de maneira similar FAC de um processo AR(p): dominada por exponenciais e/ou senides amortecidas; Um processo ARMA(p,q) tem FACP que se comporta como a FACP de um processo MA puro.
(iii)
Segue-se que a FACP til para identificar modelos AR puros, no sendo to til para identificar modelos MA e ARMA. Ora, a funo de autocorrelao parcial (FACP) de um rudo branco igual a zero para qualquer lag maior que zero CERTO.
Alexandre/Andr
BACEN 2k9
42
GABARITO: CERTO 6. A varincia do passeio aleatrio St = Yk igual a
k =1 t
32t . 3
Resoluo Seja um processo estacionrio Yt . A soma St = Yk denominada

k =1 t
tendncia estocstica. Se Yt ~ RB(0, 2 ) ento St conhecido como passeio aleatrio, pois
St = St 1 + Yt .
Demonstra-se que a varincia do passeio aleatrio dada por
t2 = t 2 logo o item est ERRADO.

GABARITO: ERRADO 7. (MPE-PE/Analista Ministerial rea Estatstica/FCC/2006) Seja Z = {Z(t), t T} um processo estocstico, considere as seguintes condies (i) (ii) (iii) (iv) (v) E{Z(t)} = (t) = = constante, para todo t T; E{Z(t)} = 0, para todo t T; E{Z2(t)} < , para todo t T; E{Z2(t)} = t, para todo t T; Cov{Z(t1), Z(t2)} um funo de |t1-t2|
Dizemos que Z estacionrio de segunda ordem ou fracamente estacionrio se e somente se estiverem satisfeitas as condies, alm da (v) A) (i) e (ii) B) (ii) e (iv) C) (i) e (iii) D) (i) e (iv) E) (ii) e (iii) Resoluo
Alexandre/Andr
BACEN 2k9
43
Um processo estocstico {Z (t ), t T } fracamente estacionrio ou estacionrio de segunda ordem se e somente se a) E[ Z (t )] = (t ) = , constante, para todo t T ; b) E[ Z 2 (t )] < , para todo t T ; c) (t1 , t 2 ) uma funo apenas do valor absoluto da defasagem | t1 t 2 | . A primeira condio afirma que a mdia igual para todo perodo, mesmo que a distribuio da varivel aleatria v se alterando ao longo do tempo. A segunda condio afirma apenas que o segundo momento no centrado deve ser finito, ainda que desigual em diferentes instantes. A terceira condio estabelece que a varincia sempre igual para todo instante de tempo e que a autocovarincia no depende do tempo, mas apenas da distncia temporal (defasagem) | t1 t 2 | entre as observaes. GABARITO: C 8. (MPE-PE/Analista Ministerial rea Estatstica/FCC/2006) De um modo geral, a anlise espectral de sries temporais estacionrias decompe a srie em A) componentes correlacionados. senoidais com coeficientes aleatrios
B) um componente de tendncia e uma componente sazonal. C) uma componente polinomial, uma componente cclica e uma componente sazonal. D) componentes senoidais com coeficientes aleatrios correlacionados e componentes cossenoidais com coeficientes aleatrios no correlacionados. E) componentes correlacionados. Resoluo Primeiramente, importante ressaltar que o tpico Anlise Espectral de Sries Temporais no aparece de forma explcita no contedo programtico da prova de Econometria do BACEN, o que nos leva a crer que a probabilidade desse assunto ser cobrado na prova praticamente nula. Mas vamos resoluo, por via das dvidas. Vejam s o seguinte pargrafo da pg. 415 do livro de Morettin e Toloi [MOR04]:
Alexandre/Andr
senoidais
com
coeficientes
aleatrios
no
BACEN 2k9
44
De uma forma geral, a anlise espectral de sries temporais estacionrias {Zt} decompe a srie em componentes senoidais com coeficientes aleatrios no correlacionados. Juntamente com essa decomposio, existe a correspondente decomposio, em senides, da funo de autocovarincia (t). Assim, a decomposio espectral de um processo estacionrio um anlogo representao de Fourier de funes determinsticas. A afirmao feita por Morettin e Toloi est baseada no Teorema da Representao Espectral de Cramr7. O Cap. 4 do livro [PER93] de Percival e Walden apresenta a motivao do Teorema e o discute em profundidade. Entretanto, a prova rigorosa do teorema no dada8, pois ela muito (mas muito mesmo) complicada! Vamos analisar brevemente cada uma das alternativas. (A) est errada porque diz que os coeficientes aleatrios das senides so correlacionados. (B) est errada porque refere-se a uma anlise que pertence ao domnio do tempo (a questo trata da anlise de sries no domnio da freqncia). (C) est errada pelo mesmo motivo da alternativa acima. (D) est errada pelo mesmo motivo da alternativa (A). (E) correta, conforme explicado acima. Enfim, para a prova, basta memorizar o enunciado do teorema da representao espectral. Aproveitamos a oportunidade para apresentar a definio da funo densidade espectral de um processo aleatrio estacionrio. Seja {Z (t )} , t = 0,1,2,... , um processo estacionrio com mdia zero e funo de autocovarincia ( ) , em que denota lag. A funo densidade espectral f() ou, simplesmente, espectro de Zt, definida como a transformada de Fourier de ( ) , dada por
Cramr, H. (1942) On Harmonic Analysis in Certain Functional Spaces. Arvik fr Matematik, Astronomi och Fysik, 28B, 1-7 8 Ela pode ser encontrada em: Priestley, M. B. (1981) Spectral Analysis and Time Series. London: Academic Press.
Alexandre/Andr
BACEN 2k9
45
f ( ) =
1 2
( )e
=
com ei = cos + sin e i = 1 . A definio dada acima est de acordo com a notao de Morettin e Toloi em [MOR04, pg. 416]. Percival e Walden [PER93] usam o smbolo S(f), em que f=/2, para denotar o espectro de Z(t). Neste caso a definio de espectro fica na forma
S( f ) =
( )e
=
i 2f
Resumindo para a prova: a funo de autocovarincia ( ) de Z(t) e a funo densidade espectral de Z(t) possuem uma relao de Fourier (ou formam um par de Fourier)
( ) S ( f ) .
A funo de autocovarincia ( ) uma caracterizao de Z(t) no domnio do tempo. O espectro S(f) uma caracterizao (equivalente) que feita no domnio da freqncia. GABARITO: E 9. (MPE-PE/Analista Ministerial rea Estatstica/FCC/2006) Seja Z = {Zt, t T} um processo AR(1) dado por Zt = Zt-1 + at, onde at o rudo branco com mdia zero e varincia um. Seja j, j 1 a funo de autocorrelao do processo Zt. correto afirmar: A) 1= e j=0, se j2 B) j=j, j1 C) j=1/(1-j), j1 D) j=j/(1-j), j1 E) j=1/j, j1 Resoluo Seja o processo AR(1) Z t = Z t 1 + at . Vimos na Aula 4 que podemos expressar a autocovarincia de defasagem na forma
2 1 2
Alexandre/Andr
BACEN 2k9
46
em que
2
denota a varincia de at.
A FAC de um processo AR(1) satisfaz
= 1 , > 0 .
Como 0 = 1 , temos que
= , 1 .
Este resultado nos diz que o valor absoluto da FAC de um modelo estacionrio AR(1) decai exponencialmente taxa com valor 0 = 1 . O decaimento exponencial da FAC de um modelo AR(1) com positivo monotnico. Por outro lado, o plot da FAC de um modelo AR(1) com negativo mostra que h dois decaimentos exponenciais alternados (um positivo e outro negativo) com taxa 2 . GABARITO: B 10.(MPE-PE/Analista Ministerial rea Estatstica/FCC/2006) Para o processo ARIMA(1,d,1), onde o coeficiente autoregressivo e o coeficiente de mdias mveis, correto afirmar: A) a funo de autocorrelao parcial s diferente de zero no lag 1 B) a funo de autocorrelao s diferente de zero nos lags 1 e 2. C) Se d=1, o processo estacionrio. D) A regio de admissibilidade dada por ||<1 e ||<1 E) A funo de autocorrelao dominada por senides amortecidas. Resoluo As alternativas sugerem que a questo aborda os seguintes tpicos: procedimento de identificao e critrios de estacionariedade e invertibilidade (regio de admissibilidade) de processos ARIMA(p,d,q). Segue-se transcrio de parte do item 6.2 de Morettin e Toloi [MOR04]. O objetivo da identificao determinar os valores de p, d e q do modelo ARIMA(p,d,q), alm de estimativas preliminares dos parmetros a serem usadas no estgio de estimao. O procedimento de identificao consiste de 3 partes:
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA (a) (b)
47 Verificar se existe necessidade de uma transformao na srie original, com o objetivo de estabilizar sua varincia.
Tomar diferenas da srie obtida no item (a), tantas vezes quantas necessrias para se obter uma srie estacionria, de modo que o processo dZ(t) seja reduzido a um ARMA(p,q). O nmero de diferenas, d, necessrias para que o processo se torne estacionrio, alcanado quando a FAC amostral de Wt = dZ(t) decresce rapidamente para zero. Neste estgio a utilizao de um teste (como o teste tau de DickeyFuller) para verificar a existncia de razes unitrias no polinmio auto-regressivo, pode ser de grande utilidade. Identificar o processo ARMA(p,q) resultante, atravs da anlise das autocorrelaes e autocorrelaes parciais estimadas, cujos comportamentos devem imitar os comportamentos das respectivas quantidades tericas, conforme resumido pela Tabela abaixo: (1,d,0)
(c)
k kk
regio de admissibilidade
decaimento exponencial somente 110
(0,d,1) somente 10
decaimento exponencial dominante -1<<1
k kk
ou senides amortecidas somente 110 e 220
(invertibilidade10) (0,d,2) mistura de exponenciais somente 10 e 20
(estacionariedade9) (2,d,0)
-1<<1
dominada por mistura de exponenciais ou senides amortecidas
1 < 2 < 1 2 1 < 1 + <1 2 1
1 < 2 < 1 2 1 < 1 + < 1 2 1
k kk
(1,d,1)
decai exponencialmente aps o lag 1 dominada por decaimento exponencial aps o lag 1 -1<<1 -1<<1
Anlise das alternativas: (A) errada. A FACP de uma ARIMA(1,d,1) dominada por decaimento exponencial aps o lag 1.
9 10
Qualquer processo AR(p) invertvel. Qualquer processo MA(q) estacionrio.
Alexandre/Andr
BACEN 2k9
48
(B) errada. A FAC de uma ARIMA(1,d,1) decai exponencialmente aps o lag 1. (C) errada. Se d =1 o processo integrado, logo no estacionrio. (D) certa, conforme a Tabela acima. (E) errada. A FAC decai exponencialmente aps o lag 1 GABARITO: D (Exame Nacional ANPEC/Prova de Estatstica/2009) Julgue os itens a seguir. 11. A estatstica de Dickey-Fuller para testar a presena de raiz unitria em sries temporais possui sempre distribuio Normal. Resoluo Podemos testar a estacionariedade de uma srie temporal por meio de um teste de raiz unitria. Suponha o modelo AR(1)
yt = yt 1 + t ,
em que o coeficiente e t denota a perturbao aleatria do modelo, com mdia zero e varincia 2 . Se = 1 , ento temos o passeio aleatrio yt = yt 1 + t , que possui uma raiz unitria, pois = 1 (lembre que o modelo AR(1) acima estacionrio se | |< 1 ). Podemos testar a estacionariedade do modelo yt = yt 1 + t , testando a hiptese nula de que = 1 , contra a alternativa de que | |< 1 , ou simplesmente < 1 . Coloca-se o teste em uma forma conveniente subtraindo-se yt 1 de ambos os membros do modelo, obtendo-se
yt yt 1 = yt 1 yt 1 + t
yt = ( 1) yt 1 + t , yt = yt 1 + t
em que yt = yt yt 1 e = 1 . Ento logo
Alexandre/Andr
BACEN 2k9
49
H 0 : = 1 H 0 : = 0 H a : < 1 H a : < 0
Ns j aprendemos que yt = yt yt 1 a primeira diferena de yt . Se yt um passeio aleatrio, ento = 0 e
yt = t
um rudo branco (processo estacionrio). O estimador de mnimos quadrados de no modelo AR(1) mencionado anteriormente tem distribuio assintoticamente normal quando o modelo estacionrio. No caso de razes unitrias, a aproximao normal no se aplica e a estatstica t no possui distribuio t. Portanto, no podemos aplicar a distribuio t para o teste de hipteses. Quando isto acontece, a estatstica t passa a ser chamada de estatstica (tau), a qual deve ser comparada com valores crticos tabelados. Originalmente, estes valores crticos foram calculados por Dickey e Fuller com base em simulaes de Monte Carlo e o teste que usa esses valores crticos tornou-se conhecido como teste tau ou teste de Dickey-Fuller (DF). Note que, se a hiptese nula = 1 (passeio aleatrio) for rejeitada, podemos usar o teste t (de Student) da forma usual. A estatstica dada por
Aps ter calculado o valor de , consultamos a tabela de Dickey-Fuller para ver se a hiptese nula = 1 rejeitada. O critrio a ser usado o seguinte: se o valor da estatstica menor que os valores crticos c de DF, ento a srie estacionria, ou seja, se < c srie sob teste estacionria. Se, por outro lado, for maior que o valor crtico c de DF, ento a srie temporal no estacionria, isto , se > c srie sob teste tem raiz unitria ( no estacionria do tipo I(1)). O item falso porque a estatstica de Dickey-Fuller nunca tem distribuio Normal. Ela poder ter distribuio t-Student caso a srie seja estacionria. GABARITO: FALSO
Alexandre/Andr
BACEN 2k9
50 12. O teste t em regresses envolvendo variveis no-estacionrias no ser vlido caso a regresso seja espria.
Resoluo Aprendemos na Aula 6 que os procedimentos de teste t e F no so vlidos caso a regresso seja espria item verdadeiro. GABARITO: VERDADEIRO 13. No processo AR(1), yt = 0 + 1Yt 1 + et , , em que |1|<1 e et um
rudo branco de mdia nula e varincia 2, a mdia de yt ser igual a 0. Resoluo Tomando a esperana de ambos os membros de yt = 0 + 1Yt 1 + et , obtemos
E[ yt ] = 0 + 1 E[ yt 1 ] ,
pois E[et ] = 0 . Como o modelo estacionrio, pois foi dito que |1|<1, tem-se que E[ yt ] = E[ yt 1 ] = e portanto
= 0 + 1 ou
E[ yt ] = =
0 0 portanto o item FALSO. 1 1
GABARITO: FALSO 14. O processo MA(1), yt = et + et 1 , , em que et um rudo branco de mdia nula e varincia constante, ser estacionrio mesmo que | |> 1 . Resoluo Um processo MA(q) estacionrio por definio, pois yt = et + et 1 sempre ser uma srie limitada, ou seja, | yt |< M < . Contudo a srie no invertvel se | |> 1 . GABARITO: VERDADEIRO
Alexandre/Andr
BACEN 2k9
51 15. (Adaptada) Seja a funo de autocorrelao do processo AR(1) definido no item (13) dada por j. correto afirmar que j = 1j .
Resoluo Para o modelo AR(1) do item (13), vale j = 1j ,
j 1 . O enunciado
no especificou a condio j 1 . Apesar disso, no vemos motivo para considerar o item como sendo falso. GABARITO: VERDADEIRO
Alexandre/Andr
BACEN 2k9

BACEN2010 Econometria Barbosa Cunha Aula-3

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

BACEN2010 Econometria Barbosa Cunha Aula-3

Hochgeladen von

Copyright:

Verfügbare Formate

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA

PONTO DOS CONCURSOS

Complemento de Sries Temporais .................................................................. 24

3. Pressupostos do modelo de RLM

6 variveis independentes. Em outras palavras, o pressuposto afirma

4. Valores esperados de 1, 2, ... , k

min SQE = min ei2 = min ( y i y i ) 2 = min ( yi 1 2 x 2i 3 x3i ... k x ki ) 2

y1 = 1 + 2 x 21 + 3 x31 + ... + k x k1 + 1 y = + x + x + ... + x + 2 1 2 22 3 32 k k2 2 ................................................................ y n = 1 + 2 x 2 n + 3 x3n + ... + k x kn + n

Ou em notao matricial: Y = X + (3) Onde:

Mantendo a notao matricial, facilmente verificvel que

Sendo = Y Y a matriz n x 1 dos resduos e t sua transposta,

nosso trabalho agora minimizar SQE = i2 = t .

x 2 )( y i y ) ( x3i x3 ) 2 ( x3i x3 )( y i y ) ( x 2i x 2 )( x3i x3 )

Onde r23, o coeficiente de correlao amostral entre x2 e x3, tal que

7. Anlise de Varincia (ANOVA)

SQR SQE = 1 (13) SQT SQT

SQE /(n k ) (14) SQT /(n 1)

De (14) ou de (15), segue que, se k > 1, ento

Nota 3: R 2 pode ser negativo. Este resultado corrobora a Nota

H1: Todos os i 0 , para i = 2,

distribuio t com (n - k) graus de liberdade, fixado o grau de confiana de intervalo; e

$ s$ = erro padro estimado de i .

10. Resoluo dos Exerccios de Fixao

Utilizando-se o mtodo dos mnimos quadrados, obteve-se a equao do plano:

e4 P 0,12 R 0,76 ln 4 P R 0,76

ln(Q) = 4 0,12 ln( P) + 0,76 ln( R)

Q = e 40,12 ln( P )+0,76 ln( R ) = e 4 e 0,12 ln( P ) e 0,76 ln( R ) = e 4 e ln P

Resoluo Ver resoluo da questo 9. GABARITO: VERDADEIRO

H1: Todos os i 0 , para i = 2,

distribuio t com (n - k) graus de liberdade, fixado o grau de confiana de intervalo; e

$ s$ = erro padro estimado de i .

segue distribuio t com (n k) graus de liberdade,

o desvio padro amostral do estimador i de i .

23 Seguindo o mesmo raciocnio do item 3 da Aula 5, conclumos que a afirmao verdadeira.

PONTO DOS CONCURSOS

Modelagem de Sries Temporais

de uma funo invertvel h(.) , denominada modelo de xt , tal que (1)

em que t ~ IID (seqncia independente e identicamente distribuda) e (2)

em que g (.) = h(.) 1 . As Eqs. (1) e (2) esto ilustradas na Fig. 1.

1.1. Construo do Modelo

Postular a classe geral do modelo

Estimao dos parmetros

em que ( B) o operador auto-regressivo de ordem p

1.2. Estacionariedade e Invertibilidade

Sendo assim, a regio de admissibilidade de um modelo ARMA(1,1) dada por (8)

1 < < 1 1 < < 1

e reescrever (4) na forma auto-regressiva de ordem infinita (AR()) (10)

33 (Exame Nacional ANPEC/Prova de Estatstica/2009) Julgue os itens a seguir.

Resoluo dos Exerccios Extras

uma representao sobre-

X t = (1 0,5B) (1 0,5 B) X t = (1 0,5 B) (1 0,5B) t = t

Z t = 1,5Z t 1 0,5Z t 2 + at 0,5at 1

Z t = 1,5Z t 1 0,5Z t 2 + at 0,5at 1 Z t 1,5Z t 1 + 0,5Z t 2 = at 0,5at 1 0,5Z t 2 1,5Z t 1 + Z t = 0,5at 1 + at

Z t = Z t 1 + at Z t Z t 1 = at Yt = at . Logo {Yt } segue um rudo branco e

Yt = at . Logo var[Yt ] = var[at ] = 8 CERTO. Observe que o gabarito

E[atYt ] = E[at (Yt 1 + at at 1 )] = E[atYt 1 ] + E[at2 ] E[at at 1 ]

A autocovarincia de lag 1 dada por

1 = E[Yt 21 + atYt 1 at 1Yt 1 ] 2 1 = E[Yt 1 ] + E[atYt 1 ] E[at 1Yt 1 ] 1 = 0 + 0 2 = 0 2 (2)

Resoluo Seja um processo estacionrio Yt . A soma St = Yk denominada

tendncia estocstica. Se Yt ~ RB(0, 2 ) ento St conhecido como passeio aleatrio, pois

t2 = t 2 logo o item est ERRADO.

denota a varincia de at.

A FAC de um processo AR(1) satisfaz

decaimento exponencial somente 110