You are on page 1of 72

ANLISE DE SRIES TEMPORAIS ECONMICAS

Prof. Henrique Dantas Neder Universidade Federal de Uberlndia

Processos Estocsticos
Definio: Seja T um conjunto arbitrrio. Um processo estocstico uma famlia

Z ! { Z ( t ), t T },
tal que, para cada t T , Z ( t ) uma varivel aleatria. Um processo estocstico uma famlia de variveis aleatrias.

O processo estocstico

Z ! {Z (t ), t }

Est completamente especificado se conhecermos as funes de distribuio

F ( z1 ,...., zn ; t1 ,...., tn ) ! P _Z (t1 ) e z1 ,...., Z (tn ) e zn a


para todo

n u1

Processos estocsticos estacionrios


Um processo estocstico Z ! { Z ( t ), t } estritamente estacionrio se todas as funes de distribuies permanecem as mesmas no decorrer do tempo, ou seja,

( z1 ,...., z n ; t1  X ,...., tn  X ) ! F ( z1 ,...., z n ; t1 ,...., tn )


para quaisquer t1,...,tn,

Processo estocstico estacionrio


Todas as distribuies univariadas so invariantes no tempo: (t)=,V(t)=
2 para

todo t

Podemos tambm supor que =0 ou, de forma alternativa, considerar o processo {Z(t)-} {Z(t)Como

K (t1 , t2 ) ! K (t1  t , t2  t ) ! K (t1  t2 , 0) ! K (X )

Processo estocstico estacionrio


Logo, em um processo estritamente estacionrio, K (t1 , t2 ) uma funo de um nico argumento, ou seja, o valor da covarincia depende apenas da defasagem temporal. temporal.

Processo estocstico fracamente estacionrio


Processo estacionrio de 2a. ordem (ou em sentido amplo): amplo): 1) E{Z(t)}=(t)=, constante, para todo t E{Z(t)}=(t)=, 2) E{Z2(t)} < ; para todo t 3) K (t
1

T;

T; uma funo de

, t2 ) ! cov{Z (t1 ), Z (t2 )}

t1 t2

Autocorrelao
o coeficiente de correlao observaes defasadas no tempo: tempo:
n 1

entre

( x  x )( x
t 1

t 1

 x2 )  x2 )
2

r1 !

t !1 n 1

(x  x ) (x
2 t 1 t !1

t 1

Autocorrelao
onde as mdias amostrais so:
n 1
n

x1 ! xt (n  1)
i !1

x2 !

x
i!2

( n  1)

Autocorrelao
CostumaCostuma-se simplificar a expresso anterior da seguinte forma:
n 1

(x
r1 !
J que
t !1

 x )( xt 1  x )
n 1 2

( n  1) ( xt  x )

x1 } x2

t !1

e assumindo varincia constante.

Autocorrelao
A expresso anterior pode ser generalizada para k perodos de tempo (defasagem):

(x
rk !
t !1

nk

 x )( xt  k  x )

( xt  x ) 2
t !1

n 1

Sries aleatrias
Se x1,x2,...,xn so i.i.d (independentes e ...,x identicamente distribudas) ento o coeficiente de autocorrelao amostral rk assintoticamente normalmente distribudo com mdia e varincia dados por: por:

E ( rk ) } 1/ n e Var(rk ) } 1/ n

Processo rudo branco - Stata


* simulao de um processo rudo branco e um passeio aleatrio

drawnorm ruido, n(500) seed(500) n(500) seed(500) gene tempo = _n tsset tempo twoway (tsline ruido) wntestq ruido

Simulao de um processo rudo branco todas as variveis Xt tem distribuio normal com mdia =0 e =0 =1
4 -4 0 -2 ruido 0 2

100

20 0 tem po

3 00

400

5 00

Processo Passeio Aleatrio Stata


set obs 500 gen int t = _n gen sumz = sum(invnorm(uniform())) tset t twoway (tsline sumz) O passeio aleatrio no estacionrio. A sua especificao economtrica : Yt=Yt-1+at, at~N(0, 2)

Simulao de um processo passeio aleatrio (random walk)


5 s -1 5 0 -1 0 z -5 0

100

20 0 t

3 00

00

5 00

Processo Passeio Aleatrio Stata


Ou um passeio aleatrio com tendncia: Yt= 0+Yt-1+at, at~N(0, 2) Se 0, ento em mdia, Yt aumenta. A melhor previso da srie para t+1 t+1 Yt+ 0. No modelo anterior, passeio aleatrio sem tendncia, a melhor previso da srie t+1 t+1 Yt.

Processo Passeio Aleatrio


O modelo de passeio aleatrio uma caso especial do modelo AR(1) auto-regressivo de primeira ordem: autoYt= 1Yt-1+at, at~N(0, 2) quando 1=1, o modelo AR no estacionrio e sua varincia aumenta ao longo do tempo. tempo. Na equao Yt=Yt-1+at, at~N(0, 2) ~N(0 Var(Yt) = Var(Yt-1)+Var(at) Para que Yt seja estacionrio Var(Yt) = Var(Yt-1), mas para isto Var(at) = 0

Processo Passeio Aleatrio


Y0=0 , Y1=a1, Y2=a1+a2,Yt=a1+a2+...+at Var(Yt)=t. aumenta.
2

: a varincia aumenta a medida que t

No caso de um modelo auto-regressivo de ordem p auto(AR(p)): Yt= 1Yt-1+ 2Yt-2+...+ pYt-p+at, at~N(0, 2) Para ser estacionrio todas as razes do polinmio 1- 1z- 1z2-... pzp devem ser maiores do que 1 em valor absoluto.

Testes de raiz unitria DickeyDickey-Fuller


Consideremos o modelo AR(1): Zt = Zt = H0 { H {
1

Zt-1+at , at~N(0, 2) 1
1Zt-1+at 1

1- 1

=0 1< 0

Testes de raiz unitria DickeyDickey-Fuller aumentado


( Z t ! F 0  H Z t 1  K 1( Z t 1  K 2 ( Z t  2  ...  K p ( Z t  p  ut H 0 {H ! 0 (Z t tem uma tendencia estocastica) H A {H
O

0 (Z t estacionaria)

nmero de defasagens p pode ser obtido utilizando os critrios AIC (Akaike) ou Schwarz que veremos adiante. A estatstica ADF no tem distribuio normal, mesmo para amostras grandes.

Testes de raiz unitria DickeyDickey-Fuller aumentado


use http://www.stata-press.com/data/r8/lutkepohl.dta http://www.statatsset qtr twoway (tsline investment) dfuller investiment dfuller D.investment dfuller D.investment, lags(4) fitstat dfuller D.investment, lags(3) fitstat dfuller D.investment, lags(2) fitstat

Evoluo temporal da srie investimento antiga Alemanha Ocidental


1 00 0 I 2 00 19 60 q1 00 st 6 00 t 8 00

1965 q1

19 70 q1 qtr

1 975 q1

198 0q1

1 985 q1

Testes de raiz unitria DickeyDickey-Fuller aumentado


Com a seguinte seqncia de comandos Stata, verifique a estacionariedade de um passeio aleatrio: set obs 500 gen int t = _n gen sumz = sum(invnorm(uniform())) tset t dfuller sumz dfuller D.sumz twoway (tsline D.sumz)

Evoluo temporal da diferena de um passeio aleatrio

D.sum z -4 0 -2

100

20 0 t

3 00

400

5 00

Existem alguns problemas adicionais com relao a testes de raiz unitria: 1) Eles tem baixo poder para discriminar entre uma raiz unitria e um processo prximo de raiz unitria. 2) Eles podem usar um conjunto inapropriado de regressores determinsticos. 3) Para os testes deve ser considerada a possibilidade de quebra estrutural.

Os testes ADF devem considerar o seguinte conjunto de equaes:


p

(yt ! K yt 1  Fi (yt i 1  I t
i !2 p

(yt ! a0  K yt 1  Fi (yt i 1  I t
i !2 p

(yt ! a0  K yt 1  a2t  Fi (yt i 1  I t


i !2

Operadores para sries temporais


Operador translao para o passado BZt=Zt-1 BmZt=Zt-m Operador diferena Zt=Zt-Zt-1=(1-B)Zt =(1=1 B Operador soma g 2 SZt= Z t  j ! Z t  Z t 1  ... ! (1  B  B  ...) Z t
j !0

! (1  B ) Z t

@ S=(

-1

Modelos ARMA (Box-Jenkins) (Box

ARMA(p,q)

Z t ! J1Z t 1  ...  J p Z t  p  at  U1at 1  ...  U p at  p ou

J ( B) Zt ! U ( B) Zt
onde

J ( B ) ! 1  J1 B  J2 B 2  ...  J p B p U ( B ) ! 1  U1 B  U 2 B  ...  U p B
2 p

Modelos ARMA (Box-Jenkins) (Box

Filtro linear
(B)
Filtro linear

at Zt= +at+
Onde 1at-1+ 2at-2+...=

zt + (B) at

(B)=1+

1B+

2B

2+...

Modelo ARMA(1,1)
            

Zt=0,8Zt-1+at-0,3at-1 Simulao no Stata: drawnorm a, n(50) seed(500) gene tempo = _n tsset tempo set matsize 800 gene z = 0 mkmat a z,matrix(Z) forvalues i = 2(1)50 { matrix Z[`i',2]=.8*Z[`i'-1,2]+Z[`i',1]-.3*Z[`i'-1,1] Z[`i',2]=.8*Z[`i'-1,2]+Z[`i',1]-.3*Z[`i'} svmat Z, name(serie) twoway (tsline serie2)

Funo de autocorrelao parcial


Seja um modelo autorregressivo AR(k):

Z t ! Jk 1Z t 1  Jk 2 Z t  2  ...  Jkk Z t  k

V j ! Jk1 V j 1  Jk 2 V j  2  ...  Jkk V j  k , j


Temos assim as equaes de Yule-Walker:

1,...,k

Equaes de Yule-Walker YuleV1 V 2 ... 1 V1 1 V 2 ... . . V k 1 V k  2 V k  3 ... V k 1 Jk1 Vk 2 Jk 2 ... J kk 1 V1 V2 ! ... V k

Funo de autocorrelao parcial


Resolvendo para k =1,2,3... =1
J11 ! V1

1 1
J22 ! V1 V1 V2 V 2  V12 ! V1 1  V12 J33 ! V1 V2

V1

V1 V2 V3 V2 V1

1
V1 V1

1
V1

1
V1 V2

1
V1

e em geral,
Jkk ! 6* k 6k
Onde Pk a matriz de autocorrelaes e Pk* a matriz Pk com a ltima coluna substituda pelo vetor de autocorrelaes (ver Morettin, 2004).

Modelos ARMA
1.

2.

3.

Um processo AR(p) tem fac que decai de acordo com exponenciais e/ou senoides amortecidas, infinita em extenso; extenso; Um processo MA(q) tem fac finita, com um corte aps o lag q; Um processo ARMA(p,q) tem fac infinita em extenso, que decai de acordo com exponenciais e/ou senoides amortecidas aps o lag q-p

Modelos ARMA
1.

2.

3.

Um processo AR(p) tem facp kk 0, para k p e kk=0, para k >p; >p; Um processo MA(q) tem facp que se comporta de maneira similar fac de um processo AR(p); AR(p); Um processo ARMA(p,q) tem facp que se comporta como a facp de um processo MA puro (ver Morettin, 2004) 2004)

Modelos ARMA
Vamos simular no Stata diversos processos ARMA e verificar a sua fac e fapc. Para isto baixe o arquivo dodofile:
http://www.ecn26.ie.ufu.br/TEXTOS_ESTATISTICA/SIMULACAO%20ARMA.do

Modelos ARMA
Pr oc e s s o A R (1 )
4 2 3

P roc e s s o M A( 1)

s e ri e 2 0 2

-2

50

10 0 tem p o

15 0

200

-2 0

-4

-1

s e r ie 3 0 1

50

10 0 te m po

15 0

20 0

Pr oc e s s o A R M A (1 )
4 -4 0 -2 s e ri e 4 0 2

50

10 0 tem p o

15 0

200

Correlograma processo AR(1)

Correlograma processo MA(1)

Correlograma processo ARMA(1,1)

Identificao de modelos ARMA


ARIMA(1,0,0)
decai exponencialmente Somente 11 0
k

ARIMA(0,0,1)
Somente 1 0 kk decai exponencialmente

ARMA(2,0,0)
mistura de exponenciais ou senoides amortecidas 11 0 e 22 0
k

ARMA(0,0,2)
0e 2 0 kk mistura de exponenciais ou senoides amortecidas
1

ARMA(1,0,1)
decai exponencialmente aps o lag 1 kk decai exponencialmente aps o lag 1
k

Outras alternativas de identificao de modelos ARMA




Critrio de informao de Akaike:

k2,l  2(k  l  2) AIC (k , l ) ! N ln W


onde:

W k2,l

a estimativa de mxima verossimilhana da varincia dos resduos do modelo ARMA(k,l) ajustado s N observaes da srie.

Outras alternativas de identificao de modelos ARMA




Critrio de informao Bayesiano


2 k ,l

BI (k , l ) ! ln W
onde:

 (k  l )

ln

W k2,l a estimativa de mxima verossimilhana da varincia dos resduos do modelo ARMA(k,l) ajustado s N observaes da srie.

Aplicao dos critrios AIC e BIC atravs do Stata- aplicados a srie Statagdp diferenciada(produto interno bruto) dos EUA Exemplo Gujarati

Aplicao dos critrios AIC e BIC atravs do Stata

Aplicao dos critrios AIC e BIC atravs do Stata Modelo


AR(1 8 9 12) MA(1 2 8 12) ARMA(1,1)

AIC
853.78007

SIC
875.97324

-2log likelihood
835.78007

No. de parmetros
9

865.28999

872.68771

859.28999

ARMA(2,1)

866.95925

876.82288

858.95925

ARMA(1,2)

867.10988

876.97351

859.10988

Verificao da adequao do modelo diagnstico


Para verificar a adequao do modelo aos dados, um dos procedimentos utilizados verificar se os resduos so auto-correlacionados. auto-correlacionados.  Os resduos do modelo podem ser obtidos atravs do comando predict: predict: arima d.gdp, ar(1) ma(1) ar(1 ma(1 predict residuo, residuals corrgram residuo ac residuo


Verificao da adequao do modelo diagnstico


i f r rr t .4 . l ti . . .4

4 L

B r tl t t' f r l f r ( ) 9 % fi

Aparentemente, os resduos do modelo ARMA(1,1) no so auto-correlacionados (com exceo do lag 8, as correlaes dos resduos defasados no so significativas).

     

 

Introduo a Anlise VAR Vector Autoregressive Regression


Considere o sistema bi-variado simples:

yt ! b10  b12 zt  K 11 yt 1  K 12 zt 1  I yt zt ! b20  b21 yt  K 21 yt 1  K 22 zt 1  I zt


Assume-se que: 1) yt e zt so sries estacionrias 2) yt e zt so erros aleatrios rudo branco com desvios-padroes y e z respectivamente. 3) yt e zt so sries no auto-correlacionadas b12 o efeito contemporneo de uma mudana unitria de zt em yt.

Podemos colocar este sistema na forma matricial:

1 b12 yt b10 K 11 K 12 yt 1 I yt  !  b21 1 zt b20 K 21 K 22 zt 1 I zt ou Bxt ! + 0  +1 xt 1  I t


ou xt ! A0  A1 xt 1  et onde :

yt 1 1 1 xt ! , A 0 ! B + 0 , A1 ! B +1 , et ! B I t zt

A Funo de Impulso-Resposta
Considere um modelo VAR bi-variado:

yt ! J1 yt 1  I t onde:

y1,t yt ! y 2,t

I1,t It ! I 2,t

J1,1 J1,2 J1 ! J2,1 J2,2

Considere os efeitos dos choques correntes e passados na serie yt. Por exemplo, um choque unitrio 1,t tem um efeito de aumentar y1,t em uma unidade e 2,t tem um efeito similar sobre y2,t. Mas examinemos os efeitos de outros choques e choques passados.

Fazendo repetidas substituies para trs:

yt ! J1t y0  J1t 1I1  ...  J12 I t  2  J1I t 1  I t y1,t J1,1 J1,2 I1,t 1 t t 1 2 J J I J I  It ! y ! 1 y0  1 1  ...  1 t  2  J2,1 J2,2 I 2,t 1 2,t J1,1I1,t 1  J1,2 I 2, t 1 t t 1 2 J1 y0  J1 I1  ...  J1 I t  2   It J I  J2,2 I 2,t 1 2,1 1,t 1
Isto torna claro que o efeito de uma unidade no choque sobre y1,t 1,1 e que o mesmo choque tem um efeito de sobre y2,t.
1,t-1 2,1

O impulso-resposta de segunda ordem obtido por: J12  J1,2J2,1 J1,1J1,2  J1,2J2,2 2 J1 ! 2 J J  J J J2,1J1,2  J2,2 2,1 1,1 2,2 2,1 y1,t J12  J1,2J2,1 J1,1J1,2  J1,2J2,2 I1,t  2 t t 1 2 y ! J1 y0  J1 I1  ...  J J  J J I J2,1J1,2  J2,2 2,t  2 2,t 2,1 1,1 2,2 2,1  J1I t 1  I t Generalizando: o efeito de uma unidade do choque 1,t-h sobre y1,t dado pelo elemento superior esquerdo da matriz h. Em geral, o efeito sobre y i,t de uma unidade de choque 1 h j,t-h dado pelo elemento (i,j) da matriz 1 .

Para as aplicaes a seguir iremos utilizar o arquivo de dados Stata obtido atravs do comando: use http://www.ecn26.ie.ufu.br/DADOS/money.dta Este comando ir carregar atravs da web o arquivo de dados para o Stata. Para obter um modelo VAR o primeiro passo a ser executado a obteno de seu nmero de lags. Isto conseguido atravs do comando varsoc: set matsize 800 varsoc y m inf, maxlag(7)

Determinao do nmero de lags de um modelo VAR irrestrito

Pelo resultado anterior, de acordo com os critrios de AKAIKE (AIC), Final Predction Error (FPE) e Likelihood Ratio Test (LR) a melhor estrutura de lags corresponde ao modelo de 4 lags. Rodamos ento o modelo VAR com 4 lags atravs do comando: var y m inf, lags(1/4) O resultado em si das estimativas MQO do modelo no tem valor analtico para o tipo de anlise que iremos fazer a seguir. Portanto, para suprimir a sada das estimativas do modelo, iremos executar o comando: quietly var y m inf, lags(1/4)

Teste de normalidade dos resduos para modelo VAR

Pelos resultados do teste Jarque-Bera, os resduos para as equaes das variveis y e m so normais ao passo que para a equao da varivel inf rejeitada a hiptese nula de normalidade dos resduos. importante tambm verificar a condio de no autocorrelao dos resduos do modelo. Utiliza-se para isto o comando: varlmar Pelos resultados da sada Stata a seguir, os resduos do modelo apresentam auto-correlao de primeira ordem, mas no apresentam auto-correlao de segunda ordem.

Teste de auto-correlao dos resduos do modelo VAR

Para realizar a anlise das funes impulso-resposta e decomposio de varincia no Stata temos uma seqncia de comandos: irf set arquivo1 irf create modelo1 irf table irf fevd Com estes comandos especificamos a sada para as funes impulso-resposta e decomposio de varincia, mostradas a seguir.

Funes impulso-resposta e decomposio de varincia para modelo VAR

Decomposio de varincia
Diferentemente da anlise de impulso-resposta, na decomposio de varincia estamos interessados em avaliar a importncia relativa (percentual) sobre os erros de previso para uma determinada varivel. Na anlise de impulso-resposta podemos verificar o sentido dos efeitos de cada varivel (impulso) sobre as outras variveis (resposta). O efeito neste caso pode ser positivo ou negativo. No caso da decomposio de varincia esta noo de sentido dos efeitos j no existe, mas apenas o valor relativo dos efeitos de cada varivel sobre o erro de previso de uma determinada varivel.

Funes Impulso-Resposta para Modelo VAR


m odel o1, i nf, inf 1 .5 0 -.5 m odel o1, m , i nf 1 .5 0 -.5 m odel o1, y , inf 1 .5 0 -.5 0 2 4 6 8 0 2 4 6 8 0 2 4 6 8 m ode lo1, y , m m odelo 1, y , y m ode lo1, m, m m odelo 1, m , y m ode lo1, inf , m m odelo 1, in f, y

step 95% CI impulse response function (irf)

Graphs by ir fname, impulse var iable, and response var iable

Nos grficos da primeira coluna do slide anterior vemos as respostas das trs variveis sobre a inflao. No primeiro grfico desta coluna vemos o efeito resposta de uma variao unitria do choque exgeno na equao da inflao sobre a prpria inflao quando transmitido atravs dos seus efeitos multiplicadores pelo conjunto do sistema. Ele mostra que a inflao tem efeitos sobre seus prprios valores futuros at o terceiro ou quarto lags. Observando a segunda linha de grficos verifica-se que a oferta monetria no produz efeito futuro sobre as variveis inflao (inf) e Produto Interno Bruto (y). Ela apresenta um impacto significativo sobre a prpria oferta monetria at o segundo lag. Isto sugere que h uma fraca relao dinmica entre as variveis do modelo.

Um comando apropriado para o Stata para grficos de decomposio de varincia : irf graph fevd, irf(modelo1) Isto tambm pode ser obtido atravs do menu: Statistics => Multivariate time series => IRF & FEDV Analysis => Graphs by Impulse or response (e especifique em Statistics to graph: fevd)

Decomposio de varincia para Modelo VAR


mo delo1 , i f , i f mod elo1, i f , m m ode lo1, i f ,

0 0 2 4 6 8 0 2 4 6 8 0 2 4 6 8

step I
Graphs

ti on of mse due to impulse

ir fname, impulse ar iable, and response ar iable

 

mo delo1 , , i f

mod elo1,

,m

m ode lo1,

mo delo1 , m , i f

mod elo1, m, m

m ode lo1, m,