Aula 12

Conhecimentos Especficos Mtodos Quantitativos Anatel
Aula 12 Sries Temporais

Prof. Alexandre Lima
Aula 12
Sumrio
1
Modelagem de Sries Temporais .................................................................................... 2

1.1
Construo do Modelo ................................................................................................. 2
1.2
Estacionariedade e Invertibilidade ......................................................................... 5
1.2.1
Modelos Autorregressivos .............................................................................................. 5
1.2.2
Modelos de Mdias Mveis ............................................................................................ 6
1.2.3
Modelos ARMA.............................................................................................................. 6
Modelagem de Regresso com Erros Correlacionados ........................................... 8

2.1
Introduo ........................................................................................................................ 8
2.2
Modelos com Variveis Defasadas .......................................................................... 9
2.3
Testes Portmanteau ..................................................................................................... 9
2.4
Teste h de Durbin para Modelos Dinmicos ..................................................... 11
2.5
Teste d de Durbin-Watson ....................................................................................... 12
Testes de Razes Unitrias para Estacionariedade ................................................. 13
O Mnimo que Voc Precisa Saber ................................................................................ 20
Exerccios de Fixao ......................................................................................................... 23
Gabarito .................................................................................................................................. 27
Resoluo dos Exerccios de Fixao ........................................................................... 28
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima

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.
xt
h(.)
g(.) = h-1(.)
xt
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)
1.1
xt = h( t , t 1, t 2 ,...) .
Construo do Modelo
A metodologia de construo de um modelo baseada no ciclo iterativo

ilustrado pela Fig. 2:
2

(a)
uma classe geral de modelos considerada para a anlise

(especificao);
(b)
h a identificao de um modelo, com base em critrios

estatsticos;
(c)
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).
(d)
finalmente, h o diagnstico do modelo ajustado por meio de

uma anlise estatstica da srie t de resduos ( t compatvel
com um rudo branco?).
Postular a classe
geral
do modelo
Identificao
do modelo
Estimao dos
parmetros
Diagnstico
No
Sim
Figura 2: ciclo iterativo Box-Jenkins.

O processo xt de (3) linear quando dado por
3

(4)
xt = hk t k
k =0
= t + h1 t 1 + h2 t 2 + ...
= (1 + h1B + h2 B 2 + ...) t
= H ( B) t .
em que h0 = 1. A Eq. (4) tambm conhecida como representao de mdia
mvel de ordem infinita (MA()).
A modelagem da equao (4) supe que a srie temporal xt seja gerada
atravs de um sistema linear (filtro linear), cuja entrada um rudo branco t .
A funo
H ( B) = 1 + h1B + h2 B 2 + ...
denominada funo de transferncia do filtro.
A forma geral ARMA(p,q) de (4)
(5)
k =1
k =1
xt = k xt k + (t ) k t k .
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 1 B 2 B 2 ... p B p
e (B) denota o operador de mdia mvel de ordem q
( B) = 1 1B 2 B 2 ... q B q .
4

Voc 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. Daqui para frente, 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
Proposio1. Um processo linear ser estacionrio se a srie

H ( B) = 1 + h1B + h2 B 2 + ... convergir para | B | 1 ; ser invertvel se o sistema
inverso G( B) = H ( B) 1 convergir para | B | 1 .
1.2.1
Modelos Autorregressivos
Condio de Invertibilidade
Pode-se mostrar que G ( B ) = ( B) = 1 1 B 2 B 2 ... p B p para um modelo AR(p).

Como G(B) finito, no h restries sobre os parmetros para assegurar a
invertibilidade do filtro linear H (B) . Um modelo AR(p) sempre invertvel.
Condio de Estacionariedade
Um modelo AR (p) estacionrio se todas as razes da equao

caracterstica ( B) = 0 esto fora do crculo unitrio.
- Modelo AR(1) com mdia nula: X t = 1 X t 1 + t .
A prova dessa proposio no ser dada neste curso. Para uma demonstrao deste fato, veja o livro de Box, Jenkins e
Reinsel: Time Series Analysis: Forecasting and Control, third edition, Englewood Cliffs: Prentice Hall, 1994. Uma
sugesto: no perca tempo com o estudo da demonstrao!
5

Condio de estacionariedade do modelo AR(1) X t = X t 1 + t :
1 < < 1 ou | |< 1

1.2.2
Modelos de Mdias Mveis
Para um modelo MA(q), a funo de transferncia H ( B) = ( B) finita. Logo,

um processo MA(q) sempre estacionrio.
Um modelo MA(q) invertvel se todas as razes da equao

Condio de invertibilidade do modelo MA(1) X t = t t 1 = (1 B) t :

1 < < 1 ou | |< 1
1.2.3
Modelos ARMA
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)
(7)
( B) = 0, | B |> 1
( B) = 0, | B |> 1
Sendo assim, a regio de admissibilidade de um modelo ARMA(1,1)

dada por
6

(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 + g2 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, (10) afirma que possvel fazer
inferncias ou previses de valores futuros da srie.
Exemplo (MI-CENAD/ESAF/2012) Considere um processo autoregressivo
estacionrio Zt = 10 + 0,5Zt-1 + at, onde at rudo branco com varincia 2=
3. A mdia e a varincia de Zt so, respectivamente,
(A) 10 e 6
(B) 10 e 5
(C) 15 e 4,5
(D) 20 e 4
(E) 20 e 3
Resoluo
Clculo da mdia do processo Zt
Zt = 10 + 0,5.Zt-1 + at
E(Zt) = E(10 + 0,5Zt-1 + at) = E(10) + E(0,5.Zt-1) + E(at)
Mas E(Zt) = E(Zt-1) = , pois Zt um processo estacionrio. Alm disso, E(10)
= 10 (a mdia de uma constante a prpria constante) e E(at) = 0 (a mdia
do rudo branco suposta nula). Ento,
7

= 10 + 0,5. + 0
0,5. = 10 0,5. = 10 = 20
Clculo da varincia do processo Zt
Var(Zt) = Var(10 + 0,5.Zt-1 + at)
Faa Wt = 0,5.Zt-1 + at na igualdade acima:
Var(Zt)= Var(10 + Wt) = Var(Wt) = Var(0,5.Zt-1 + at)
Lembre que a varincia de uma varivel aleatria no se altera quando
somamos uma constante quela varivel!
Agora precisamos levar em conta que Zt-1 e at so variveis aleatrias
independentes (a varincia da soma de duas variveis igual soma das
varincias das duas variveis):
Var(Zt) = Var(0,5.Zt-1) + Var(at) = 0,52.Var(Zt-1) + Var(at)
Finalmente, temos que Var(Zt-1) = Var(Zt) = 2, haja vista que Zt
estacionrio. Logo,
2 = 0,25. 2 + Var(at)
0,75.2 = Var(at) = 3
2 = 4
GABARITO: D
Modelagem de Regresso com Erros Correlacionados
2.1
Introduo
Uma importante hiptese do modelo de regresso linear simples (RLS)

(11)
yt = + xt + t
em que yt e xt so sries temporais, e so parmetros e t denota o

termo de erro aleatrio, a de que no h autocorrelao ou correlao serial
entre as perturbaes t que entram na funo de regresso (11), ou seja, a
condio E[ij]=0 vlida para ij. O mtodo dos mnimos quadrados
usualmente utilizado para estimar os parmetros de (11). Se { t } um rudo
8

branco, ento o mtodo dos mnimos quadrados produz estimativas

consistentes2. Na prtica, entretanto, comum que o termo de erro t
apresente correlao serial. Neste caso, temos um modelo de regresso com
srie temporal de erros e as estimativas de mnimos quadrados de e
podem no ser consistentes. O modelo de regresso com srie temporal de
erros encontra grande aplicao em Economia e Finanas.
2.2
Modelos com Variveis Defasadas
Na anlise de regresso de dados de sries temporais, se o modelo de

regresso tambm incluir os valores defasados (passados) das variveis
explicativas (exgenas) ser denominado modelo de defasagem
distribuda. Deste modo,
(12)
yt = + 0 xt + 1 xt 1 + 2 xt 2 + t ,
em que , 0 , 1 , 2 denotam parmetros e t o erro aleatrio, um exemplo

de modelo de defasagem distribuda, pois inclui as variveis defasadas xt 1 e
xt 2 .
Quando o modelo de regresso incluir um ou mais valores defasados da
varivel dependente, como o caso do modelo
(13)
yt = + yt 1 + xt + t ,
ento diz-se que tal modelo auto-regressivo ou dinmico.

Observe que os modelos (12) e (13) so generalizaes do modelo de RLS
(11).
2.3
Testes Portmanteau
Em estatstica, um teste portmanteau testa se as autocorrelaes de

uma srie temporal so diferentes de zero.
As correlaes seriais da srie {t } de resduos do modelo (1) podem ser
verificadas por meio da estatstica Q de Box e Pierce
2
A varincia de um estimador consistente tende a zero quando o tamanho da amostra tende

a infinito.
9

(14)
Q(m) = n 2j ,
j =1
em que n denota o tamanho da amostra e j denota a autocorrelao de lag j

da srie {t } . A estatstica Q de (14) testa a hiptese nula3
H0: 1 = ... = m = 0 (ou seja, { t } um rudo branco H0: t ~ RB (0, 2 ) )
contra a hiptese alternativa
Ha: j 0 para algum j {1, 2, ..., m}.
Sob a premissa de que { t } seja um rudo branco, a estatstica Q (m )
assintoticamente uma varivel aleatria qui-quadrado com m graus de
2
liberdade ( (m
) ).
Numa amostra finita, a estatstica Q pode no ser bem aproximada pela
2
distribuio (m
) . Ljung e Box sugeriram a estatstica Q modificada
m
(15)
QM (m) = n(n + 2)
j =1
2j
n j
2
que melhor aproximada pela (m
) em amostras finitas. Logo, a estatstica Q
modificada tem um desempenho superior ao da estatstica Q.

A regra de deciso rejeitar H0 ( t ~ RB (0, 2 ) ) se Q (m ) for maior que o valor
crtico da distribuio qui-quadrado apropriada. Na prtica, programas de
computador calculam o valor-p de Q (m ) . Neste caso, a regra de deciso
rejeitar H0 se o valor-p for menor ou igual ao nvel de significncia do teste.
Exemplo 1. O programa R simulou uma realizao t com 250 amostras de
um rudo branco normal. Suponha que essa srie corresponda a uma srie de
resduos de um modelo ajustado. Foram obtidas as seguintes estatsticas
portmanteau (m=5) para t : Q (5) = 4,6733 com valor-p = 0,457 e QM (5) = 4,7849
com valor-p = 0,4427. Qual o comportamento das correlaes seriais do
rudo branco simulado de acordo com as estatsticas calculadas?
A hiptese nula a de que a srie simulada t seja uma realizao de um
rudo branco. Como os valores p das estatsticas Q de Box-Pierce e Q

3
A hiptese nula a hiptese que desejamos rejeitar (ou descartar).
10

modificada de Ljung-Box so 0,457 e 0,4427, respectivamente, no rejeitamos

a hiptese nula, a um nvel de significncia =1%, pois 0,457 e 0,4427 so
maiores que 1%. Portanto, a srie simulada um rudo branco.
2.4
Teste h de Durbin para Modelos Dinmicos
Suponha que a srie { t } de (13) seja gerada pelo processo AR(1)
t = t 1 + ut ,
(16)
em que o parmetro do processo AR(1)4 e ut um rudo branco.

Durbin props um teste estatstico para a deteco de correlao serial de
primeira ordem (ou lag 1) de modelos auto-regressivos como (13). Este
teste feito pela estatstica h, dada por
h =
(17)
n
1 n var( )
em que a estimativa da correlao serial de primeira ordem e n denota o

tamanho da amostra. Note que dada por
(18)
t t 1
2
t
Admitindo que n seja grande, demonstra-se que h segue a distribuio normal

padro5 N(0,1). Sabemos da distribuio N(0,1) que
P(-1,96 h 1,96) = 0,95
ou seja, a probabilidade de h estar entre -1,96 e 1,96 de aproximadamente
95%. Portanto, a regra de deciso do teste :
(a) se h > 1,96, rejeite a hiptese nula de que no h autocorrelao
positiva de primeira ordem ( > 0), e
(b) se h < -1,96, rejeite a hiptese nula de que no h autocorrelao
negativa de primeira ordem ( < 0), mas
(c)
se -1,96 < h < 1,96, no rejeite a hiptese nula de que no h

autocorrelao de primeira ordem.
Aprendemos que tambm representa o valor da autocorrelao de lag 1 de t (vide FAC do

modelo AR(1)).
Na verdade, a distribuio de h tende assintoticamente para a distribuio normal padro.
11

2.5
Teste d de Durbin-Watson
H uma outra estatstica, denominada estatstica d de Durbin-Watson, que

pode ser usada para detectar a correlao serial em modelos de
defasagem distribuda (observe que essa estatstica tambm pode ser
usada para testar se os resduos do modelo de RLS (11) so
correlacionados).
Seja o modelo genrico de defasagem distribuda
yt = + 0 xt + 1 xt 1 + 2 xt 2 + ... + k xt k + t
(19)
em que , 0 , 1 , 2 ,..., k denotam parmetros (coeficientes) do modelo e t

representa a perturbao aleatria. Ento a estatstica d de Durbin-Watson
definida como
n
d=
(20)
t 1 ) 2
t =2
t =2
em que a estimativa t denota o resduo do modelo. Repare que a estatstica

d simplesmente a razo entre a soma das diferenas ao quadrado nos
sucessivos resduos e a SQE (soma dos quadrados dos resduos).
importante observar as hipteses que fundamentam a estatstica d:
(i)
O modelo de regresso inclui um termo de intercepto. Se tal termo

no estiver presente, como no caso da regresso que passa pela
origem, importante rodar novamente a regresso incluindo o termo
de intercepto para obter a SQE.
(ii) As variveis explicativas so no estocsticas.

(iii) As perturbaes t so geradas pelo modelo AR(1) t = t 1 + ut , em
que um coeficiente e ut um rudo branco.
(iv) O modelo de regresso no inclui valor(es) defasado(s) da varivel
dependente como uma das variveis explicativas. Assim, o teste d
no aplicvel a modelos auto-regressivos.
(v) No h observaes faltantes nos dados (missing values).
Pode-se demonstrar que
12

(21)
d 2(1 )
em que a correlao estimada de primeira ordem6 entre t e t 1 .

Portanto, os valores de d situam-se na faixa entre 0 e 4. Valores de d
prximos a 2 indicam que no h correlao serial nos erros; valores
menores do que 2 sugerem correlao serial positiva e valores maiores
do que 2 sugerem correlao serial negativa.
Como 1 d / 2 , podemos reescrever a frmula da estatstica h de Durbin
como
(22)
n
d
h 1
.
2 1 n var( )
Ressaltamos que a estatstica d de Durbin-Watson no pode ser usada

para detectar correlao serial de primeira ordem em modelos autoregressivos, porque o valor calculado de d em tais modelos tende geralmente
para 2, que o valor de d esperado para rudo branco.
Testes de Razes Unitrias para Estacionariedade
Podemos testar a estacionariedade de uma srie temporal por meio de um

teste de raiz unitria. Suponha o modelo AR(1)
(23)
yt = yt 1 + t ,
em que o coeficiente e t denota a perturbao aleatria do modelo, com

mdia zero e varincia 2 . Se = 1 em (23), ento temos o passeio aleatrio
yt = yt 1 + t , que possui uma raiz unitria, pois = 1 (lembre que o modelo (23)
estacionrio se | |< 1 ).
Podemos testar a estacionariedade do modelo (23), testando a hiptese nula
de que = 1 , contra a alternativa de que | |< 1 , ou simplesmente < 1 . Colocase o teste em uma forma conveniente subtraindo-se yt 1 de ambos os membros
de (23), obtendo-se
yt yt 1 = yt 1 yt 1 + t
yt = ( 1) yt 1 + t ,
Ou FAC amostral de lag 1 de
{ t } .
13

Logo,
(24)
yt = yt 1 + t
em que yt = yt yt 1 e = 1 . Ento,
(25)
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
(26)
yt = t
um rudo branco (processo estacionrio).

O estimador de mnimos quadrados de no modelo AR(1) (23) tem
distribuio assintoticamente normal quando (23) estacionrio. No caso de
razes unitrias, a aproximao normal no se aplica e a estatstica t
no possui distribuio t7. Portanto, no podemos aplicar a distribuio t
para testar (25). 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
(27)
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)).
A estatstica t foi apresentada pelo item 4.1.3 da aula 5.
14

Por razes tericas e prticas, o teste DF tambm aplicado a regresses nas

seguintes formas
(28)
yt = 1 + yt 1 + t
(29)
yt = 1 + 2t + yt 1 + t
em que t denota o tempo. Em cada caso, a hiptese nula a de que = 0 , ou

seja, h uma raiz unitria. As diferenas de (24) com relao a (28) e (29)
residem na incluso da constante 1 (intercepto) e do termo de tendncia 2t .
Os valores crticos do teste DF esto na Tabela 1. A segunda coluna (n)
indica o tamanho da amostra.
Tabela 1: valores crticos para o teste DF

n
1%
5%
10%
yt = yt 1 + t
100
-2,60
-1,95
-1,61
yt = yt 1 + t
>500
-2,58
-1,95
-1,62
yt = 1 + yt 1 + t
>500
-3,43
-2,86
-2,57
yt = 1 + 2t + yt 1 + t
>500
-3,96
-3,41
-3,13
Modelo
Exemplo 2 (adaptado de [HIL06]). Considere as sries macroeconmicas da

renda pessoal disponvel (RPD) mensal e do consumo pessoal real (DPC)
mensal em bilhes de dlares de 1992 nos EUA8. A Figura 3 ilustra os grficos
de RPD (parte superior) e DPC (parte inferior) no perodo de janeiro de 1970 a
agosto de 1999.
Os dados esto disponveis em http://www.economagic.com.
15

Figura 3: sries temporais econmicas.

A Figura 4 mostra os correlogramas de RPD (parte superior) e DPC (parte
inferior). Observe que os correlogramas de RPD e DPC decaem muito
lentamente; alm disso, todas as autocorrelaes mostradas so significativas,
com valores prximos da unidade at o lag 25, sugerindo que RPD e DPC so
sries no estacionrias ou integradas com uma raiz unitria (I(1)).
16

Figura 4: correlogramas das sries da Fig. 3.

Estimamos o modelo
RPDt = 1 + RPDt 1 + t
para a renda pessoal disponvel com o programa R e obtivemos os seguintes
resultados para a RLS:
(i)
= 0,0007151
(ii)
1 = 6,0715572
(iii) R 2 = 0,0003873
(iv) = +0,370
Os resultados obtidos para a declividade e para o coeficiente de determinao
de RPDt nos permitem afirmar que a hiptese nula = 0 (ou = 1 ) no pode
ser rejeitada, o que implica dizer que a srie RPD tem uma raiz unitria. O
17

teste DF refora este parecer, pois o valor da estatstica de Dickey-Fuller (

= +0,370 ) maior que todos os valores crticos da Tabela 1.
Ajustamos o modelo
DPCt = 1 + DPCt 1 + t
para o consumo pessoal real com o programa R e os seguintes resultados
foram obtidos:
(v) = 0,003035
(vi) 1 = 1,514361
(vii) R 2 = 0,018196
(viii) = +2,557
Os resultados obtidos para a declividade (v) e para o coeficiente de
determinao (vii) nos permitem afirmar que a hiptese nula = 0 (ou = 1 )
no pode ser rejeitada; logo, a srie DPC tem uma raiz unitria. Chegamos
a essa mesma concluso por meio do teste DF, pois = +2,557 maior que
todos os valores crticos da Tabela 1.
Ainda no terminamos! Analisaremos as sries das primeiras diferenas de
RPD ( RPDt ) e DPC ( DPCt ) - vide plots na Fig. 5. A Fig. 6 mostra as FACs
amostrais (correlogramas) de RPDt e DPCt . Note que as autocorrelaes
amostrais de RPDt e DPCt decaem rapidamente
(comportamento tpico de sries estacionrias).
para
zero
Aplicamos o teste DF para ambas as sries de diferenas9. Os resultados

obtidos utilizando o programa R foram os seguintes: RPD = 14,9106 e
DPC = 10,6128 . Repare que os dois valores so menores que os valores crticos
da Tabela 1. Logo, as sries de diferenas so do tipo I(0) (estacionrias) pelo
teste de razes unitrias DF.
Aplicamos uma verso melhorada do teste DF denominada teste de Dickey-Fuller

aumentado (augmented Dickey-Fuller test (ADF)).
18

Figura 5: sries das primeiras diferenas.
Figura 6: correlogramas das sries da Fig. 5.
19

O Mnimo que Voc Precisa Saber
Um modelo AR(p) sempre invertvel.

Um modelo AR (p) estacionrio se todas as razes da equao
Condio de estacionariedade do modelo AR(1) X t = X t 1 + t : 1 < < 1 ou
| |< 1 .
Um processo MA(q) sempre estacionrio.
Um modelo MA(q) invertvel se todas as razes da equao caracterstica
( B) = 0 esto fora do crculo unitrio.
Condio de invertibilidade do modelo MA(1) X t = t t 1 = (1 B) t :
1 < < 1 ou | |< 1
Um modelo ARMA(p,q) estacionrio e invertvel se todas as razes de (B)

e (B) esto fora do crculo unitrio (regio de admissibilidade):
( B) = 0, | B |> 1
( B) = 0, | B |> 1
A regio de admissibilidade de um modelo ARMA(1,1) dada por
1 < < 1
1 < < 1
Modelo de defasagem distribuda = modelo de regresso que tambm
inclui os valores defasados ou passados das variveis explicativas ou
exgenas. Exemplo: Yt = + 0 X t + 1 X t 1 + 2 X t 2 + t , em que X t 1 e X t 2 denotam
as variveis defasadas, , 0 , 1 , 2 so parmetros e t o erro aleatrio do

modelo.
Modelo auto-regressivo ou dinmico = modelo de regresso que
tambm inclui um ou mais valores defasados da varivel dependente.
Exemplo: Yt = + Yt 1 + X t + t , em que Yt 1 denota a varivel dependente
defasada no tempo, , , so parmetros e t o erro aleatrio do modelo.
20

Os modelos de defasagem distribuda e auto-regressivo so generalizaes

do modelo de regresso linear simples.
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 na equao acima, ento temos o passeio aleatrio
Yt = Yt 1 + t , que possui uma raiz unitria, pois = 1 (lembre que o modelo

AR(1) estacionrio se | |< 1 ).
Podemos testar a estacionariedade do modelo AR(1), testando a hiptese
nula de que = 1 , contra a alternativa de que | |< 1 , ou simplesmente < 1 . O
modelo AR(1) pode ser expresso na forma Yt = Yt 1 + t , em que Yt = Yt Yt 1 e
= 1 . Logo,
H 0 : = 1 H 0 : = 0
H1 : < 1 H1 : < 0
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) tem distribuio
assintoticamente normal quando o modelo estacionrio. No caso de razes
unitrias, a aproximao normal no se aplica e a razo t no possui
distribuio t de Student. 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.
Estatstica :
DP( )
1
, em que DP denota o desvio padro.
DP( )
Aps ter calculado o valor de , consultamos a tabela de Dickey-Fuller para ver

se a hiptese nula = 1 rejeitada.
Critrio do teste DF:
21

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)).
Por razes tericas e prticas, o teste DF tambm aplicado a regresses nas

seguintes formas
yt = 1 + yt 1 + t
yt = 1 + 2t + yt 1 + t
em que t denota o tempo. Em cada caso, a hiptese nula a de que = 0 , ou
seja, h uma raiz unitria.
Se o termo de erro t correlacionado, modificamos a ltima equao como
segue
m
yt = 1 + 2t + yt 1 + i yt i + t
i =1
em que yt 1 = ( yt 1 yt 2 ) , yt 2 = ( yt 2 yt 3 ) etc., ou seja, usamos termos de

diferenas defasados. O nmero de termos de diferena defasados a incluir
muitas vezes determinado empiricamente: a ideia incluir termos suficientes
de modo que o termo de erro da equao seja serialmente no correlacionado.
A hiptese nula ainda a de que = 0 ou = 1 . Quando o teste DF
aplicado a modelos como o dado acima, chamado de teste
aumentado de DF (Augmented Dickey-Fuller).
A estatstica do teste ADF tem a mesma distribuio assinttica que a
estatstica DF, de modo que podem ser usados os mesmos valores crticos.
22

Exerccios de Fixao
(ANAC/Cespe-UnB/2009/Adaptada) 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 + at 0,5at 1 , em que Zt 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 = Zt Zt 1 , julgue os prximos itens.
1. A srie temporal {Zt } 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.
t
6. A varincia do passeio aleatrio St = Yk igual a

k =1
32t
.
3
7. (MPE-PE/FCC/2006) Seja Z = {Z(t), t T} um processo estocstico,

considere as seguintes condies
(i)
E{Z(t)} = (t) = = constante, para todo t T;
(ii)
E{Z(t)} = 0, para todo t T;
(iii)
E{Z2(t)} < , para todo t T;
(iv)
E{Z2(t)} = t, para todo t T;
(v)
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)
23

8. (MPE-PE/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
9. (MPE-PE/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.
(ANPEC/2009/Adaptada) Julgue os itens a seguir (V ou F).
10. 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.
11. 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 .
12. Seja a funo de autocorrelao do processo AR(1) definido no item (10)
dada por j. correto afirmar que j = 1j .
(ANAC rea 4/CESPE-UnB/2012)
temporais, julgue os itens a seguir.
Acerca
dos modelos de
sries
13. Sabendo-se que a funo de autocorrelao de um processo de mdia

mvel MA(1) assume o valor 1/5 no lag 1, ento correto afirmar que o
processo em questo descrito pela equao X t = wt + 2 1 wt 1 ; wt ~ N (0, 2 ) .
14. O processo de mdias mveis X t = wt 1,5wt 1 ; wt ~ N (0, 2 ) invertvel.
24

15. (ANTT Economia/CESPE-UnB/2013) Um modelo autorregressivo de

1 ordem Yt = c + Yt 1 + t , com | |< 1 , pode ser reescrito como um processo de
mdia mvel de ordem infinita.
16. (MI-CENAD/ESAF/2012) Uma varivel Yt segue um modelo estacionrio
ARMA(1,1) sem termo constante, com um coeficiente autoregressivo e um
coeficiente do termo de mdia mvel . Sendo B o operador tal que BYt = Yt-1,
e sendo at o rudo branco, uma representao compatvel desse modelo
(A) (1 B) BYt = (1 B)at
(B) (1 ) BYt = (1 ) Bat
(C) Yt = Bat
(D) BYt = Bat
(E) (1 B)Yt = (1 B)at
17. (Analista do BACEN/2002/ESAF) Considere o ajuste do modelo
economtrico com a varivel dependente defasada
yt = + yt 1 + xt + t
onde yt a observao da varivel dependente, xt a observao da varivel
exgena, , e so parmetros desconhecidos e t = t 1 + ut , onde ut o
rudo branco normal. Sabe-se que | |< 1 e que | |< 1 . A varivel exgena se
comporta propriamente, de sorte que sob a hiptese = 0 os estimadores de
mnimos quadrados ordinrios, do modelo economtrico, so consistentes e
assintoticamente normalmente distribudos. Para uma amostra de tamanho
100, a abordagem dos mnimos quadrados ordinrios produziu os valores de
0,6 para a estimativa de , 3/400 para a sua varincia e 0,8 para o coeficiente
de autocorrelao de primeira ordem dos resduos. Assinale a opo que d o
valor da estatstica de Durbin para o teste de hiptese = 0 .
A) 2,0
B) 16,0
C) 1,0
D) 0,4
E) 0,8
25

Questes para reviso da matria

(ANCINE Cargo 5 rea 2/Cespe-UnB/2013) Em relao ao modelo de
regresso linear, julgue os itens a seguir.
18. O modelo de regresso pela origem
de .
gera estatsticas no viesadas
19. Havendo autocorrelao dos resduos, os estimadores de mnimos

quadrados ordinrios sero no viesados e ineficientes.
20. Nas estimativas por mnimos quadrados ordinrios, se a varivel
dependente for multiplicada por uma constante
0, o intercepto e a
inclinao da regresso tambm sero multiplicados por .
(ANCINE Cargo 5 - rea 2/CESPE-UnB/2013) Tendo como base a teoria
da probabilidade, julgue os itens seguintes.
21. Sendo
uma varivel aleatria com esperana e varincia finitas, ento
tambm tem esperana finita.
22. Sendo
e
variveis aleatrias contnuas cuja funo de distribuio
acumulada conjunta
,
pode ser fatorada como
,
.
em que
e
so as distribuies marginais, correto afirmar que
e
so
independentes.
23. Dados os eventos A: o filme permanece em cartaz por mais de quinze
dias desde a sua estreia e B: o filme de terror, correto afirmar, no que
|
diz respeito a probabilidades condicionais que
| .
26

Gabarito
1C
2C
3C
4E
5C
6E
7C
8B
9D
10 F
11 V
12 V
13 E
14 E
15 C
16 E
17 B
18 E
19 C
20 C
21 C
22 C
23 E
27

Resoluo dos Exerccios de Fixao
(ANAC/Cespe-UnB/2009/Adaptada) 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 + at 0,5at 1 , em que Zt 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 = Zt Zt 1 , julgue os prximos itens.
1. A srie temporal {Zt } no estacionria.
Resoluo
Comentrios preliminares
Vimos 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 1B 2 B 2 ... q B q .
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.
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
28

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
X t = (1 0,5 B) 1 (1 0,5 B) X t = (1 0,5 B) 1 (1 0,5 B ) t = t
que o modelo original.

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.
Observe
que
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.
Voltemos resoluo do item. O enunciado diz que o nmero de pousos e
decolagens Zt modelado por
Zt = 1,5Zt 1 0,5Zt 2 + at 0,5at 1 ,

29

em que at ~ RB(0,8).
Zt 1,5Zt 1 + 0,5Zt 2 = at 0,5at 1

0,5Zt 2 1,5Zt 1 + Zt = 0,5at 1 + at
(0,5 B 2 1,5 B + 1) Z t = (0,5 B 1)at
(0,5B 2 1,5B + 1) Z t (2) = (0,5 B 1)at (2)
( B 2 3B + 2) Z t = ( B 2)at
Fatorando o polinmio do lado esquerdo da ltima equao acima, temos que
( B 1)( B 2)Zt = ( B 2)at

e, assim, constatamos a presena do fator comum ( B 2) nos dois lados da
equao. Simplificando o modelo redundante, obtemos
( B 1) Zt = at
Zt 1 Z t = at
Zt = Zt 1 + at passeio aleatrio.
O passeio aleatrio no estacionrio porque possui uma raiz unitria. Logo,
o item CORRETO.
GABARITO: C
2. A srie diferenciada {Yt } segue um rudo branco.
Resoluo
Zt = Zt 1 + at Zt Zt 1 = at Yt = at . Logo {Yt } segue um rudo branco e o item

correto.
GABARITO: C
3. A varincia do processo {Yt } igual 8.
30

Resoluo
Yt = at . Logo var[Yt ] = var[at ] = 8 CERTO.

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 a autocovarincia de lag 1 ( 1 ) do pseudoprocesso ARMA(1,1)?
Clculo de 0 e 1 de uma ARMA(1,1):
Seja o modelo ARMA(1,1)
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
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,
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
31

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 ]

1 = E[Yt 21 ] + 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
0 =
1 + 2 2 2
1 2
1 =
(1 )( ) 2
.
1 2
Agora, observe que
1 + 0,52 2 0,5 0,5

8 = 8 o que confirma a resoluo dada para a questo
1 0,52
e o problema da redundncia do modelo.
0 =
GABARITO: C
4. A autocorrelao entre Yt e Yt 1 superior a 0,01.
32

Resoluo
Como Yt um rudo branco, tem-se que E[YtYt ] = 0 . Logo, a autocorrelao
entre Yt e Yt 1 nula item ERRADO.
Podemos chegar ao mesmo resultado aplicando a frmula
1 =
1 =
1
0
(1 )( ) 2
1 2
(1 0,52 )(0,5 0,5)

8 = 0 1 = 0 como = 1 , > 1 , ento = 0 para
1 =
1 0,52
> 1 Yt um rudo branco.
GABARITO: E
5. A autocorrelao entre Yt e Yt 2 igual a zero.
Resoluo
A questo aborda o tema da Identificao do modelo.
Os processos AR(p), MA(q) e ARMA(p,q) apresentam FAC com caractersticas
especiais. Assim:
(i)
Um processo AR(p) tem FAC que decai de acordo com

exponenciais e/ou senides amortecidas, infinita em
extenso;
(ii)
Um processo MA(q) tem FAC finita, pois igual a zero para

lag superior a q;
(iii)
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.
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.
33

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.
Existe um procedimento alternativo de identificao baseado na funo de
autocorrelao parcial (FACP).
Pode-se demonstrar que, para os processos AR(p), MA(q) e ARMA(p,q), temos:
(i)
Um processo AR(p) tem FACP kk 0 , para k p e kk = 0 para

k > p;
(ii)
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;
(iii)
Um processo ARMA(p,q) tem FACP que se comporta como a

FACP de um processo MA puro.
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.
GABARITO: C
t
6. A varincia do passeio aleatrio St = Yk igual a

k =1
32t
.
3
Resoluo
t
Seja um processo estacionrio Yt . A soma St = Yk denominada tendncia

k =1
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: E
34

7. (MPE-PE/FCC/2006) Seja Z = {Z(t), t T} um processo estocstico,

considere as seguintes condies
(i)
E{Z(t)} = (t) = = constante, para todo t T;
(ii)
E{Z(t)} = 0, para todo t T;
(iii)
E{Z2(t)} < , para todo t T;
(iv)
E{Z2(t)} = t, para todo t T;
(v)
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
Um processo estocstico {Z (t ), t T } fracamente
estacionrio de segunda ordem se e somente se
estacionrio
ou
a) E[ Z (t )] = (t ) = , constante, para todo t T ;

b) E[Z 2 (t )] < , para todo t T ;
c) (t1 , t2 ) uma funo apenas do valor absoluto da defasagem | t1 t2 | .
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 t2 | entre as observaes.
GABARITO: C
8. (MPE-PE/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:
35

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) Zt = Zt 1 + at . Vimos que podemos expressar a
autocovarincia de defasagem na forma
2
=
2
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
9. (MPE-PE/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
36

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).
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:
(a)
Verificar se existe necessidade de uma transformao na srie

original, com o objetivo de estabilizar sua varincia.
(b)
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 Dickey-Fuller) para verificar a existncia de razes
unitrias no polinmio auto-regressivo, pode ser de grande utilidade.
(c)
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:
37

(1,d,0)
(0,d,1)
k
kk
decaimento exponencial
somente 110
regio de
admissibilidade
-1<<1
somente 10
decaimento
exponencial
dominante
-1<<1
(estacionariedade10)
(2,d,0)
(invertibilidade11)
(0,d,2)
mistura de exponenciais somente 10 e 20
ou senides amortecidas
somente 110 e 220
kk
regio de
admissibilidade
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
(1,d,1)
k
kk
regio de
admissibilidade
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.
(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
(ANPEC/2009/Adaptada) Julgue os itens a seguir (V ou F).
10. 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.
10
11
Qualquer processo AR(p) invertvel.

Qualquer processo MA(q) estacionrio.
38

Resoluo
Tomando a esperana de ambos os membros de yt = 0 + 1Yt 1 + et , obtemos
E[ yt ] = 0 + 1E[ 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: F
11. 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: V
12. Seja a funo de autocorrelao do processo AR(1) definido no item (10)
dada por j. correto afirmar que j = 1j .
Resoluo
Para o modelo AR(1) do item (10), 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: V
39

(ANAC rea 4/CESPE-UnB/2012)

temporais, julgue os itens a seguir.
Acerca
dos modelos de
sries
13. Sabendo-se que a funo de autocorrelao de um processo de mdia

mvel MA(1) assume o valor 1/5 no lag 1, ento correto afirmar que o
processo em questo descrito pela equao X t = wt + 2 1 wt 1 ; wt ~ N (0, 2 ) .
Resoluo
Para um processo MA(1), dado por
X t = [1 B]wt ,
em que wt ~ N (0, 2 ) um rudo branco gaussiano (i.e., com distribuio
normal) de mdia nula e varincia 2 e B denota o operador atraso unitrio, a
condio de invertibilidade
1 < < 1
e a FAC (funo de autocorrelao) se obtm de

,
j = 1 + 2
0,
j = 1,
j 2.
Um processo de mdias mveis sempre estacionrio, porque o modelo

no recursivo.
Para o item, temos que
X t = wt + 2 1 wt 1 = [1 (0,5) B ]wt
O processo invertvel, pois = 0,5 .

O item diz que a FAC assume o valor 1/5 no lag 1. Substituindo = 0,5 na
frmula da FAC, obtemos
1 =
1
2
2 1
=
=
2
1
1+
5 5
1+
4
Ento incorreto afirmar que o processo em questo descrito pela equao

X t = wt + 2 1 wt 1 .
40

Nota: o gabarito definitivo considerou que o item certo, mas discordamos da

posio da banca.
GABARITO: E
14. O processo de mdias mveis X t = wt 1,5wt 1 ; wt ~ N (0, 2 ) invertvel.
Resoluo
Condio de invertibilidade para o processo MA(1) descrito pela equao
X t = [1 B]wt :
1 < < 1
Para o item, = 1,5 . Logo, o processo no invertvel. Item errado.

GABARITO: E
15. (ANTT Economia/CESPE-UnB/2013) Um modelo autorregressivo de
1 ordem Yt = c + Yt 1 + t , com | |< 1 , pode ser reescrito como um processo de
mdia mvel de ordem infinita.
Resoluo
Um modelo AR(1) Yt = c + Yt 1 + t sempre invertvel. Logo, pode ser
reescrito como um processo de mdia mvel de ordem infinita. Item certo.
Nota: o modelo AR(1) Yt = c + Yt 1 + t , com | |< 1 estacionrio
GABARITO: C
16. (MI-CENAD/ESAF/2012) Uma varivel Yt segue um modelo estacionrio
ARMA(1,1) sem termo constante, com um coeficiente autoregressivo e um
coeficiente do termo de mdia mvel . Sendo B o operador tal que BYt = Yt-1,
e sendo at o rudo branco, uma representao compatvel desse modelo
(A) (1 B) BYt = (1 B)at
(B) (1 ) BYt = (1 ) Bat
(C) Yt = Bat
(D) BYt = Bat
41

(E) (1 B)Yt = (1 B)at

Resoluo
Seja Yt uma srie estacionria, sem termo constante, modelada pelo processo
ARMA(p,q) e at o processo rudo branco.
Vimos que a forma geral do modelo ARMA(p,q)
( B)Yt = ( B)at
em que (B) o operador auto-regressivo de ordem p
( B) = 1 1 B 2 B 2 ... p B p
e (B) denota o operador de mdia mvel de ordem q
( B) = 1 1B 2 B 2 ... q B q .
O enunciado diz Yt segue um modelo estacionrio ARMA(1,1) sem termo
constante. Ou seja, o operador auto-regressivo de ordem 1
( B) = 1 B
em que fizemos 1 = (coeficiente autoregressivo) e o operador de mdia
mvel de ordem 1
( B) = 1 B
em que 1 = (coeficiente do termo de mdia mvel).
Portanto, uma representao compatvel desse modelo
(1 B)Yt = (1 B)at
GABARITO: E
17. (Analista do BACEN/2002/ESAF) Considere o ajuste do modelo
economtrico com a varivel dependente defasada
yt = + yt 1 + xt + t
42

onde yt a observao da varivel dependente, xt a observao da varivel

exgena, , e so parmetros desconhecidos e t = t 1 + ut , onde ut o
rudo branco normal. Sabe-se que | |< 1 e que | |< 1 . A varivel exgena se
comporta propriamente, de sorte que sob a hiptese = 0 os estimadores de
mnimos quadrados ordinrios, do modelo economtrico, so consistentes e
assintoticamente normalmente distribudos. Para uma amostra de tamanho
100, a abordagem dos mnimos quadrados ordinrios produziu os valores de
0,6 para a estimativa de , 3/400 para a sua varincia e 0,8 para o coeficiente
de autocorrelao de primeira ordem dos resduos. Assinale a opo que d o
valor da estatstica de Durbin para o teste de hiptese = 0 .
A) 2,0
B) 16,0
C) 1,0
D) 0,4
E) 0,8
Resoluo
Trata-se de uma questo sobre a correlao serial ou autocorrelao que
pode existir entre as perturbaes t da srie temporal
yt = + yt 1 + xt + t ,
a qual pode ser interpretada como uma generalizao do modelo de
regresso linear
yt = + xt + t
j estudado neste curso.
Antes de resolver a questo, precisamos entender a natureza do modelo
economtrico yt = + yt 1 + xt + t .
Na anlise de regresso de dados de sries temporais, se o modelo tambm
incluir os valores defasados (passados) das variveis explicativas (exgenas)
ser denominado modelo de defasagem distribuda. Deste modo,
yt = + 0 xt + 1 xt 1 + 2 xt 2 + t
um exemplo de modelo de defasagem distribuda.
43

Quando o modelo de regresso generalizada incluir um ou mais valores

defasados da varivel dependente, como o caso do modelo do enunciado
yt = + yt 1 + xt + t ,
ento diz-se que tal modelo auto-regressivo ou dinmico.
Uma pergunta fundamental que o econometrista deve responder a
seguinte: o processo estocstico { t } (perturbao aleatria do
modelo) apresenta correlao serial?
Observe que esta questo pede para testarmos se a perturbao aleatria t
pode ser modelada pelo processo aleatrio AR(1)
t = t 1 + ut
em que denota o coeficiente de autocorrelao de primeira ordem do erro
aleatrio.
Durbin props um teste estatstico especfico para a correlao serial
de primeira ordem em modelos dinmicos. Este teste feito pela
estatstica h, dada por
h =
n
1 n var( )
em que n denota o tamanho da amostra.

Para a questo, temos que a estatstica h de Durbin vale
h =
n
1 n var( )
= 0,8
100
3
1 100
400
= 16,0 .
comum encontrar na literatura da rea o smbolo no lugar de . Neste

caso, a frmula da estatstica h fica na forma
h =
n
1 n var( )
em que representa a estimativa da correlao serial de primeira ordem ,

que dada por
44

t t 1
2
t
Admitindo que n seja grande, demonstra-se que h segue a distribuio normal

padro12 N(0,1). Sabemos da distribuio N(0,1) que
P(-1,96 h 1,96) = 0,95
ou seja, a probabilidade de h estar entre -1,96 e 1,96 de aproximadamente
95%. Portanto, a regra de deciso :
(a) se h > 1,96, rejeite a hiptese nula de que no h autocorrelao
positiva de primeira ordem ( > 0), e
(b) se h < -1,96, rejeite a hiptese nula de que no h autocorrelao
negativa de primeira ordem ( < 0), mas
(c)
se -1,96 < h < 1,96, no rejeite a hiptese nula de que no h

autocorrelao de primeira ordem.
Como foi obtido um h = 16, podemos afirmar, ao nvel de significncia

de 5% (= 100% - 95%), que h autocorrelao positiva de primeira
ordem.
Aproveitamos a oportunidade para revisar a estatstica d de Durbin-Watson,
usada para detectar a correlao serial em modelos de defasagem
distribuda.
Seja o modelo genrico de defasagem distribuda
yt = + 0 xt + 1 xt 1 + 2 xt 2 + ... + k xt k + t
em que , 0 , 1 , 2 ,..., k denotam parmetros (coeficientes) do modelo e t
representa a perturbao aleatria. Ento a estatstica d de Durbin-Watson
definida como
n
d=
t 1 ) 2
t =2
t =2
12
Na verdade, a distribuio de h tende assintoticamente para a distribuio normal padro.
45

em que a estimativa t denota o resduo do modelo. Repare que a estatstica

d simplesmente a razo entre a soma das diferenas ao quadrado nos
sucessivos resduos e a SQE (soma dos quadrados dos resduos).
importante observar as hipteses que fundamentam a estatstica d:
(i)
O modelo de regresso inclui um termo de intercepto. Se tal termo

no estiver presente, como no caso da regresso que passa pela
origem, importante rodar novamente a regresso incluindo o termo
de intercepto para obter a SQE.
(ii) As variveis explicativas so no estocsticas.

(iii) As perturbaes t so geradas pelo modelo AR(1) t = t 1 + ut , em
que um coeficiente e ut um rudo branco.
(iv) O modelo de regresso NO inclui valor(es) defasado(s) da varivel
dependente como uma das variveis explicativas. Assim, o teste
NO aplicvel a modelos auto-regressivos.
(v) No h observaes faltantes nos dados (missing values).
No difcil mostrar que
d 2(1 )
em que a correlao estimada entre t e t 1 . Portanto, os valores de d

situam-se na faixa entre 0 e 4. Valores de d prximos a 2 indicam que
no h correlao serial nos erros; valores menores do que 2 sugerem
correlao serial positiva e valores maiores do que 2 sugerem
correlao serial negativa.
Como 1 d / 2 , podemos reescrever a frmula da estatstica h de Durbin
como
n
d
h 1
2 1 n var( )
Ressaltamos que a estatstica d de Durbin-Watson no pode ser usada

para detectar correlao serial de primeira ordem em modelos autoregressivos, porque o valor calculado de d em tais modelos tende geralmente
para 2, que o valor de d esperado para rudo branco.
GABARITO: B
(ANCINE Cargo 5 rea 2/Cespe-UnB/2013) Em relao ao modelo de
regresso linear, julgue os itens a seguir.
46

18. O modelo de regresso pela origem

de .
gera estatsticas no viesadas
Resoluo
A inclinao da regresso pela origem pode ser calculada pelos seguintes
estimadores:
X iYi
1. 1 = 2 1 o estimador no viesado de MQO.
Y
2. 2 =
2 um estimador viesado e no o de MQO.
X
Ento possvel que o modelo de regresso pela origem

gere
estatsticas viesadas de . Para tal, basta que se utilize o estimador 2 . Item
errado.
GABARITO: E
19. Havendo autocorrelao dos resduos, os estimadores de mnimos
quadrados ordinrios sero no viesados e ineficientes.
Resoluo
O fato de o modelo de regresso ser heterocedstico (isto , quando o modelo
permite que a varincia seja diferente para diferentes observaes) e de os
resduos serem correlacionados no elimina as propriedades de inexistncia de
vis e de consistncia do estimador de mnimos quadrados ordinrios (MQO).
Mas esse estimador deixa de ter mnima varincia e eficincia. Ou seja ele no
Melhor Estimador Linear No Viesado (MELNV). O estimador MELNV ser
fornecido pelo mtodo de Mnimos Quadrados Generalizados (MQG).
Portanto, correto afirmar que, havendo autocorrelao dos resduos, os
estimadores de mnimos quadrados ordinrios sero no viesados (justos) e
ineficientes (porque no sero os estimadores de varincia mnima). Item
certo.
GABARITO: C
20. Nas estimativas por mnimos quadrados ordinrios, se a varivel
dependente for multiplicada por uma constante
0, o intercepto e a
inclinao da regresso tambm sero multiplicados por .
47

Resoluo
Sejam e
as variveis dependente e independente do modelo de regresso
linear
, respectivamente ( e
so os parmetros e denota o
erro aleatrio do modelo). Os estimadores de mnimos quadrados ordinrios
(MQO) de (intercepto) e (inclinao) so dados por:
!
Inclinao:
"
Intercepto: #
$%
Faa a transformao linear
( , em que
+#
,
O coeficiente de correlao
linear
(*).
$$$$
)
*
0 uma constante. Ento,

$
+#
+#
-
-+#
entre
+#
no afetado pela transformao
Os estimadores de MQO do novo modelo

Inclinao:
Intercepto: #*
.! / 0
"
2* % .
1.
so dados por:
"
$%
$%
.#
Logo, correto dizer que nas estimativas por mnimos quadrados ordinrios,
se a varivel dependente for multiplicada por uma constante
0, o intercepto
e a inclinao da regresso tambm sero multiplicados por .
(*) Para entender porque isso verdade, basta lembrar que o coeficiente de
correlao r um nmero entre -1 e 1 que mede a fora da associao linear
entre X e Y, isto , o grau de aglomerao dos pontos (Xi,Yi), i = 1, 2, ..., n, em
torno de uma linha reta. O coeficiente de correlao no muda quando:
1. adicionamos uma constante
a uma das variveis. O coeficiente de
correlao entre
e
(ou entre
e
) igual ao coeficiente
de correlao entre e .
2. multiplicamos uma das variveis por uma constante positiva . O
coeficiente de correlao entre
e (ou entre
e
) igual ao
coeficiente de correlao entre e .
48

O coeficiente de correlao troca de sinal quando multiplicamos uma das

variveis por uma constante negativa k.
Item certo.
GABARITO: C
(ANCINE Cargo 5 - rea 2/CESPE-UnB/2013) Tendo como base a teoria
da probabilidade, julgue os itens seguintes.
21. Sendo
uma varivel aleatria com esperana e varincia finitas, ento
tambm tem esperana finita.
Resoluo
Foi dito que
possui esperana )
Por conseguinte, a esperana )

$ finita. Item certo.
$ e varincia +#
tambm finita, pois )
% $ finitas.
+#
GABARITO: C
22. Sendo
e
variveis aleatrias contnuas cuja funo de distribuio
acumulada conjunta
,
,
.
em que
e
so as distribuies marginais, correto afirmar que
e
so
independentes.
Resoluo
,
Se a funo de distribuio acumulada conjunta
,
.
ento e so independentes por definio. Item certo.
GABARITO: C
23. Dados os eventos A: o filme permanece em cartaz por mais de quinze
dias desde a sua estreia e B: o filme de terror, correto afirmar, no que
|
diz respeito a probabilidades condicionais que
| .
Resoluo
Os eventos A e B so independentes quando o conhecimento de que o evento
|
| ) de o evento A
B (A) tenha ocorrido no muda a probabilidade
(
(B) ocorrer.
49

Dados os eventos A: o filme permanece em cartaz por mais de quinze dias

desde a sua estreia e B: o filme de terror, no podemos garantir que A e B
|
sejam independentes, ou seja, que
| .
Item errado.
GABARITO: E
Bons estudos e at a prxima aula.
Alexandre Lima
alexandre@pontodosconcursos.com.br
50

Aula 12

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

Aula 12

Hochgeladen von

Copyright:

Verfügbare Formate

Conhecimentos Especficos Mtodos Quantitativos Anatel

Aula 12 Sries Temporais

Modelagem de Sries Temporais .................................................................................... 2

Construo do Modelo ................................................................................................. 2

Estacionariedade e Invertibilidade ......................................................................... 5

Modelos Autorregressivos .............................................................................................. 5

Modelos de Mdias Mveis ............................................................................................ 6

Modelagem de Regresso com Erros Correlacionados ........................................... 8

Modelos com Variveis Defasadas .......................................................................... 9

Testes Portmanteau ..................................................................................................... 9

Teste h de Durbin para Modelos Dinmicos ..................................................... 11

Teste d de Durbin-Watson ....................................................................................... 12

Testes de Razes Unitrias para Estacionariedade ................................................. 13

O Mnimo que Voc Precisa Saber ................................................................................ 20

Exerccios de Fixao ......................................................................................................... 23

Resoluo dos Exerccios de Fixao ........................................................................... 28

Conhecimentos Especficos Mtodos Quantitativos Anatel

Modelagem de Sries Temporais

A modelagem de uma srie temporal xt consiste na estimao de uma

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

em que g (.) = h(.)1 .

Figura 1: modelagem de uma srie temporal.

A metodologia de construo de um modelo baseada no ciclo iterativo

Conhecimentos Especficos Mtodos Quantitativos Anatel

uma classe geral de modelos considerada para a anlise

h a identificao de um modelo, com base em critrios

segue-se a fase de estimao, na qual os parmetros do modelo

finalmente, h o diagnstico do modelo ajustado por meio de

Figura 2: ciclo iterativo Box-Jenkins.

Conhecimentos Especficos Mtodos Quantitativos Anatel

A seqncia ht denominada resposta impulsiva do modelo ARMA(p,q)

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

Conhecimentos Especficos Mtodos Quantitativos Anatel

Voc deve ter percebido que o processo de inovao { t } foi definido

Proposio1. Um processo linear ser estacionrio se a srie

Pode-se mostrar que G ( B ) = ( B) = 1 1 B 2 B 2 ... p B p para um modelo AR(p).

Um modelo AR (p) estacionrio se todas as razes da equao

Conhecimentos Especficos Mtodos Quantitativos Anatel

Condio de estacionariedade do modelo AR(1) X t = X t 1 + t :

1 < < 1 ou | |< 1

Modelos de Mdias Mveis

Para um modelo MA(q), a funo de transferncia H ( B) = ( B) finita. Logo,

Um modelo MA(q) invertvel se todas as razes da equao

Condio de invertibilidade do modelo MA(1) X t = t t 1 = (1 B) t :

Demonstra-se que um modelo ARMA(p,q) estacionrio e invertvel se

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

Conhecimentos Especficos Mtodos Quantitativos Anatel

Como os modelos estimados na prtica so invertveis (ou seja, a condio (7)

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

Conhecimentos Especficos Mtodos Quantitativos Anatel

Modelagem de Regresso com Erros Correlacionados

Uma importante hiptese do modelo de regresso linear simples (RLS)

em que yt e xt so sries temporais, e so parmetros e t denota o

Conhecimentos Especficos Mtodos Quantitativos Anatel

branco, ento o mtodo dos mnimos quadrados produz estimativas

Modelos com Variveis Defasadas

Na anlise de regresso de dados de sries temporais, se o modelo de

em que , 0 , 1 , 2 denotam parmetros e t o erro aleatrio, um exemplo

ento diz-se que tal modelo auto-regressivo ou dinmico.

Em estatstica, um teste portmanteau testa se as autocorrelaes de

A varincia de um estimador consistente tende a zero quando o tamanho da amostra tende

Conhecimentos Especficos Mtodos Quantitativos Anatel

em que n denota o tamanho da amostra e j denota a autocorrelao de lag j

modificada tem um desempenho superior ao da estatstica Q.