Sries temporais (ST)

Maurcio Vaz Lobo Bittencourt*

Um objetivo da anlise de dados econmicos a previso, ou predio, de valores futuros de variveis econmicas. A tcnica de construo de modelos econmicos consiste em: a) formular um modelo econmico que explique o comportamento de uma varivel de interesse; b) construir um modelo estatstico que seja coerente com os dados; c) utilizar uma amostra de dados e um processo adequado para estimar os parmetros desconhecidos do modelo estatstico; d) utilizar o modelo estimado para fazer a previso. Mas em lugar de se construir um modelo estatstico e econmico que relacione um conjunto de variveis econmicas entre si, veremos agora a tcnica das sries temporais (ST), que relaciona os valores correntes de apenas uma varivel econmica com seus valores passados (modelos de sries temporais univariadas), eventualmente com valores passados de outras variveis que tambm se queira prever e valores de erros aleatrios correntes e passados (modelos de sries temporais multivariadas). A anlise a ser feita nesta parte diz respeito somente aos modelos de sries temporais univariadas. A parte mais antiga desta literatura decompe uma ST em: tendncia, ciclo, sazonalidade e termo errtico. Uma srie de tempo pode, mas no necessariamente, ter todos os componentes, tal que: yt = Tt + Ct + St + t Dessa forma, uma srie de tempo resulta de uma combinao de funes determinsticas do tempo e de um termo aleatrio.
*

Prof. Dr. Maurcio Vaz Lobo Bittencourt PhD. em Economia pela The Ohio State University (OSU). Mestre em Economia pela OSU. Mestre em Economia Aplicada pela Escola Superior de Agricultura Luiz de Queirz (ESALQ USP). Engenheiro Agrnomo pela Universidade Federal do Paran (UFPR). Coordenador do Programa de Ps-Graduao em Desenvolvimento Econmico (PPGDE UFPR). Autor de diversas publicaes no mbito nacional e internacional.

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

Abordagem estocstica
Existe uma abordagem alternativa que considera que uma ST gerada integralmente por um processo estocstico, o qual, em cada perodo t, define possveis valores que a srie pode assumir, aos quais esto associadas probabilidades de ocorrncia. Ou seja, cada varivel aleatria y(t), onde pode ter mdia e varincias especficas. Processo estocstico definido por uma sequncia ordenada (no tempo) de variveis aleatrias definidas no mesmo espao de probabilidade. O problema descobrir qual o processo gerador dos dados, ou seja, qual o modelo que traduz o mecanismo de gerao da srie (Metodologia de Box-Jenkins (1976)). Mas, na prtica, s se pode obter a realizao do processo estocstico, ou seja, uma observao em cada perodo t. Assim, para se mostrar E(y(t)), deve-se utilizar a mdia dos valores efetivamente observados. No entanto, esse mtodo s vlido se o processo estocstico for estacionrio.

Estacionariedade
Um processo estocstico dito fracamente estacionrio se, e somente se: E(yt) = V(yt) = E(yt )2 = 2 E(yt )[y(tk) ] = (k) k = 1,2,.... Ou seja, a mdia e a varincia so invariantes no tempo. E as autocovarincias no dependem do tempo, apenas da distncia (k) que as separa. A maior parte das sries econmicas so no estacionrias.

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

Principais modelos estacionrios

AR Modelo Autorregressivo
aquele cuja varivel dependente funo dela mesma defasada de um ou mais perodos, ou seja, funo dela em um ou mais perodos no passado. No caso do nmero de defasagens ser de apenas um perodo, temos um processo autorregressivo de ordem 1. AR(1) : yt = yt1 + t E(t) = 0 Onde: = parmetro e E(t2) = 2 E(t s) = 0 para t s Ou seja, o resduo t tem mdia zero, varincia constante e no se apresenta serialmente correlacionado. Generalizando, temos que um AR(p) definido por: yt = 1yt1 + 2yt2 + ... + pytp + t

Modelo de mdias mveis (MA)

aquele cuja varivel dependente funo dos valores correntes ou passados do resduo ou termo aleatrio. No caso do nmero de defasagens ser de apenas um perodo, temos um processo de mdia mvel de ordem 1. O MA(1) definido por: yt = t t1

Modelo autorregressivo de mdias mveis (ARMA)

aquele cuja varivel dependente funo dela mesma defasada de um ou mais perodos e dos valores correntes ou passados do resduo ou termo aleatrio. No caso do nmero de defasagens ser de apenas um perodo para

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

a varivel dependente e para o resduo, temos um processo autorregressivo e de mdia mvel de ordem (1,1). Um modelo ARMA(1,1) definido por: yt = 1yt1 + t t1 Se uma srie apresenta tendncia estocstica, a mesma dita diferena estacionria, pois basta tomar a primeira diferena da mesma para torn-la estacionria. Por outro lado, se uma srie apresenta tendncia determinstica na mdia, a mesma dita tendncia estacionria, pois basta tirar a tendncia determinstica da mesma para torn-la estacionria, atravs da obteno do resduo da regresso da srie contra tendncia.

Testes de razes unitrias

Um modelo ARIMA (p, d, q), d > 0, uma srie que se torna estacionria aps a aplicao de d diferenas. Nesse caso, yt integrada de ordem d, ou seja, yt ~ I(d); a srie yt apresenta, assim, tendncia estocstica. Considere o seguinte modelo: yt = yt1 + t Se || <1, yt estacionria e yt AR(1). Se || = 1, yt no estacionria e yt um passeio aleatrio (random walk). Assim, temos que: t = (1 ) yt = 1 O teste de raiz unitria para o modelo consiste em testar: H0 : =1 H0 : <1 ^ = 1, este no tem distribuio t. No se usa a estatstica t aqui, pois se Os testes mais utilizados para se verificar a presena ou no de razes unitrias so os testes Dickey-Fuller e o Dickey-Fuller Aumentado.

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

Teste Dickey-Fuller (DF AR(1))

Consiste em testar nos modelos: (1) yt = + t + yt1 + t (2) yt = + yt1 + t (3) yt = yt1 + t Subtraindo yt-1, tem-se: (4) yt = + t + yt1 + t (5) yt = + yt1 + t (6) yt = yt1 + t Onde: = - 1 Assim, testar Ho: = 1 Ho: = 0 O teste consiste em estimar 4, 5 e 6 por Mnimos Quadrados Ordinrios (MQO) e testar utilizando a estatstica t, mas comparando aos valores crticos dados pela estatstica Dickey-Fuller.

Teste Dickey-Fuller Aumentado (ADF AR ())

Tem-se: yt - i + t (7) yt = + t + yt-1 + i =1 i yt - i + t yt = + yt-1 + i =1 i yt - i + t yt = yt-1 + i =1 i
p -1 p -1 p -1

(8) (9)

Modelos com variveis defasadas

Na anlise de regresso que envolve sries temporais, os modelos que incluem no apenas os valores correntes das variveis explicativas (os X), mas tambm os valores defasados (passados) dessas variveis, so chamados modelos de defasagens distribudas ou modelos com variveis defasadas.
Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br 5

Sries temporais (ST)

Se o modelo inclui um ou mais valores defasados da varivel dependente, ele chamado de modelo autorregressivo, que tambm conhecido como modelo dinmico, pois retrata a trajetria temporal da varivel dependente em relao aos seus valores passados. Assim, temos: Yt = + 1Xt + 2Xt - 1 + 3Xt - 2 + ut t = 1,...,T

(modelo de defasagem distribuda) Yt = + Xt + Yt - 1 + ut t = 1,...,T

(modelo dinmico ou autorregressivo) A justificativa para a existncia de tais categorias de modelos est no fato de que as consequncias de decises econmicas podem perdurar por longo tempo. Quando se aumenta o Imposto de Renda, os consumidores passam a ter menos renda disponvel, o que reduz suas despesas com bens e servios, reduzindo o lucro dos fornecedores, a demanda por insumos de produo, o lucro dos fornecedores de insumos, e assim por diante. Ou seja, os impactos de um aumento no Imposto de Renda se fazem sentir em toda a economia, o que no acontece de forma instantnea, mas de forma dispersa no tempo, se distribuindo por vrios perodos futuros de tempo. Na ilustrao abaixo podemos notar como as aes ou decises econmicas tomadas no ponto t do tempo afetam a economia no s no instante t, mas tambm nos instantes t+1, t+2 etc. Ao econmica no tempo t

Efeito no tempo t

Efeito no tempo t + 1

Efeito no tempo t + 2

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

Algebricamente, podemos representar esse efeito de defasagem, o retardamento, dizendo que uma modificao com uma varivel Xt tem efeito sobre resultados econmicos Yt, Yt+1, Yt+2,... Ou seja, podemos inverter ligeiramente a situao dizendo que Yt afetado pelo valor presente e pelos valores passados de x, tal que: Yt = f(Xt,Xt-1,Xt-2,...) Uma questo relevante nesses tipos de modelos o quanto devemos retroceder no tempo, ou seja, qual o tamanho ideal da defasagem distribuda a ser considerada. Para isso, existem duas categorias de modelos:  modelos de defasagem distribuda infinita que retratam os efeitos como se durassem para sempre. Esses modelos so baseados na teoria econmica e tm a vantagem prtica de evitar a questo sobre quo longo o efeito de defasagem poderia ser.  modelos de defasagem distribuda finita so aqueles usados quando o efeito de uma modificao em uma varivel Xt afeta os resultados econmicos Yt somente durante um certo perodo fixo de tempo. A definio desse perodo feita atravs de critrios de escolha baseados, principalmente, nos chamados critrios de Akaike e Schwarz. Essas medidas so teis para comparar diferentes perodos de defasagens de modelos alternativos estimados com o mesmo nmero de observaes.

Vetores autorregressivos
Um modelo de vetores autorregressivos (VAR) um modelo de srie temporal usado para prever valores de duas ou mais variveis econmicas. uma extenso de um modelo autorregressivo, que considerava apenas uma varivel de cada vez. Nesses tipos de modelos, todas as variveis so consideradas endgenas e estimadas simultaneamente. O termo autorregressivo se deve ao aparecimento do valor defasado da varivel dependente no lado direito da equao, sendo que o termo vetorial refere-se a tratarmos de um vetor de duas ou mais variveis.

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

Como exemplo, suponha que Yt e Xt sejam variveis econmicas cujos valores queremos prever. Temos, assim, o seguinte modelo VAR:

Yt = 0 + 1Yt - 1 + ... + pYt - p + 1Xt - 1 + 22Xt - 2 + ... + pXt - p + et Xt = 0 + 1Yt - 1 + ... + pYt - p + 1Xt - 1 + 22Xt - 2 + ... + pXt - p + ut
Nesse exemplo, a varivel Yt explicada por valores defasados dela prpria e por valores defasados da varivel X, mais um termo estocstico et. Note que o valor corrente de Yt no depende diretamente do valor corrente Xt, o que caracteriza o modelo de equaes acima como no sendo um modelo de equaes simultneas. Assume-se que et tenha mdia zero, varincia constante e no seja serialmente correlacionada. Da mesma forma, temos que Xt explicada por valores defasados de Y, e pelo resduo ut. Admite-se que ut tambm tenha mdia zero, varincia constante e no seja serialmente correlacionada. Cada uma das variveis Yt e Xt explicada por seus valores passados, mas no esto em jogo outras variveis econmicas. Assim, o modelo VAR capta os padres histricos de cada varivel e seu relacionamento com a outra. Os erros et e ut incluem choques econmicos para Yt e Xt oriundos de fatores externos ao sistema de duas equaes. Esses choques podem ser devidos s mudanas na poltica governamental, eventos nacionais e internacionais, e fatores aleatrios estranhos ao modelo. Como muitos desses choques podem estar includos simultaneamente em et e ut, possvel que esses dois erros aleatrios sejam correlacionados. Apesar de o sistema exemplificado apresentar as mesmas variveis explicativas, a estimao conjunta no melhor do que a estimao por mnimos quadrados separada para cada equao. Assim, os parmetros do modelo VAR podem ser estimados consistentemente por mnimos quadrados, para uma equao de cada vez. O modelo VAR exemplificado aqui chamado de vetor autorregressivo bidimensional de ordem p e denota-se por VAR(p). dito bidimensional por conter duas variveis e duas equaes, embora sua dimenso possa ser aumentada mediante acrscimo de mais variveis e mais equaes. de ordem p porque contm defasagens de ordem at p. Utiliza-se os critrios de Akaike e Schwarz para definio da defasagem adequada.

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

Cointegrao e correo de erros

A maioria das sries temporais econmicas apresenta algum tipo de tendncia. A existncia de tendncia pode levar a regresses esprias, ou seja, a aceitao da relao entre variveis geradas por processos inteiramente independentes (GRANGER ; NEWBOLD, 1974). de se esperar que um termo aleatrio t (ou resduo) no seja integrado de ordem 1, ou seja I(1), pois se assim for, o mesmo ser serialmente correlacionado e apresentar varincia varivel no tempo. Nesse caso, teramos: t = t -1 + t Onde vt um erro aleatrio estacionrio, no necessariamente no correlacionado serialmente. Podemos tambm escrever a equao anterior como um AR(1) com raiz unitria, tal qual: t = 1t -1 + t onde 1 = 1 Essas propriedades de t significam que o mtodo de Mnimos Quadrados Ordinrios no deveria ser usado nesses casos. O uso desse mtodo pode ocasionar um relacionamento altamente significativo entre as variveis do modelo estimado mesmo quando os coeficientes de regresso so nulos, o que Granger e Newbold chamaram de regresses esprias. No caso de t ser I(0), ou seja, estacionrio, quando as variveis envolvidas so I(1), integradas de ordem 1, dizemos que as variveis dependentes e independentes so cointegradas. A cointegrao significa que as variveis tm tendncias estocsticas anlogas. Alm disso, exibem uma relao de equilbrio de longo prazo, sendo t um desvio de curto prazo da relao de equilbrio. A regresso nas primeiras diferenas reduz ou elimina a tendncia, mas esconde ou omite as propriedades de longo prazo da relao entre as variveis econmicas. Assim, para haver cointegrao, necessrio que todas as variveis sejam integradas de mesma ordem.

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

Como vimos, para garantir o equilbrio de longo prazo, necessrio que as duas variveis se movam conjuntamente, ou seja, t deve ser I(0) estimar o modelo com as variveis em nvel por MQO, mas s se as variveis forem cointegradas. As principais abordagens para se testar a cointegrao entre variveis so a abordagem de Engle e Granger, baseada em seu estudo de 1987, e o procedimento de Johansen (JOHANSEN, 1988; JOHANSEN ; JUSELIUS, 1990). A existncia de cointegrao tem implicaes para a especificao de modelos VAR. Se as variveis so cointegradas, o modelo VAR deve ser especificado e estimado como um modelo de correo de erro, em que as mudanas nas variveis dependem de desvios em relao a um equilbrio de longo prazo, definido pela relao de cointegrao. Considere a relao entre consumo de bens no durveis (C) e a renda disponvel (RD) expressa na forma de um VAR(1).

Ct = 0 + 1Ct - 1 + 1RDt - 1 + et RDt = 0 + 1Ct - 1 + 1RDt - 1 + ut

Se as sries Ct e RDt cointegram, a representao correta desse VAR passa a se chamar modelo de correo de erro, e representada por:
* Ct = Ct - Ct-1 = 0 + 1 (Ct - 1 1 2RDt - 1) + et * RDt = RDt - RDt-1 = 0 + 2 (Ct - 1 1 2RDt - 1) + ut

O modelo de correo de erro nos diz que as variaes em C e RD do perodo t-1 para o perodo t dependem, nos dois casos, da grandeza do desvio da relao de longo prazo C = 1 2RD:

t - 1 = Ct - 1 1 2RDt - 1
Assim, as variaes em C e RD (ou as correes em C e RD) dependem da magnitude do desvio do sistema em relao ao seu equilbrio de longo prazo no perodo anterior. Os choques et e ut conduzem a desvios de curto prazo da trajetria de equilbrio de cointegrao. H, ento, uma tendncia a uma correo de volta ao equilbrio.

10

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

Sries temporais (ST)

Para estimar o modelo de correo de erros, deve-se aplicar MQO para estimar a relao de cointegrao entre C e RD e, ento, tomar os resduos defasados dessa estimao como variveis do membro direito em ambas as equaes, como ilustrado no exemplo anterior.

Dicas de estudo
Sries temporais SARTORIS, A. Estatstica e Introduo Econometria. Saraiva, 2003. Captulo 10. GUJARATI, D. Econometria Bsica. So Paulo: Makron Books, 2006. Captulos 21 e 22. WOOLDRIDGE, J. Introduo Econometria: uma abordagem moderna. So Paulo: Thomson. 2006. Captulo 10. Modelos com variveis defasadas GUJARATI, D. Econometria Bsica. So Paulo: Makron Books, 2006. Captulo 17. WOOLDRIDGE, J. Introduo Econometria: uma abordagem moderna. So Paulo: Thomson. 2006. Captulo 18. Vetores autoregressivos SARTORIS, A. Estatstica e Introduo Econometria. Saraiva, 2003. Captulo 9. GUJARATI, D. Econometria Bsica. So Paulo: Makron Books, 2006. Captulos 22. Cointegrao e correo de erros SARTORIS, A. Estatstica e Introduo Econometria. Saraiva, 2003. Captulo 10. GUJARATI, D. Econometria Bsica. So Paulo: Makron Books, 2006. Captulo 21. WOOLDRIDGE, J. Introduo Econometria: uma abordagem moderna. So Paulo: Thomson. 2006. Captulo 18.

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br

11

Sries temporais (ST)

Referncias
BOX, G. & JENKINS, G. Time Series Analysis, Forecasting, an Control. San Francisco, California: Holden Day. 1976. ENDERS, W. Applied Econometric Analysis. New York: John Wiley and Sons Inc, 1995. GRANGER, C. & NEW BOLD, P. Spurious regressions in Econometrics. Journal of Econometrics 2, 1974, 111-120. GUJARATI, D. Econometria Bsica. So Paulo: Makron Books, 2006. Hill, C.; GRIFFITHS, W. ; JUDGE, G. Econometria. So Paulo: Saraiva, 1999. HOFFMANN, R. Estatstica para Economistas. 3 ed. So Paulo: Thomson, 2006. HOFFMANN, R. ; VIEIRA, S. Anlise de Regresso Uma introduo econometria. So Paulo: Hucitec, 1987. JOHANSEN, S. Statistical Analysis of Cointegration Vectors. Journal of Economic Dynamics and Control 12, 1988, 231-54. JOHANSEN, S. ; JUSELIUS, K. Maximum Likelihood Estimation and Inference on Cointegration with Application to the Demand for Money. Oxford Bulletin of Economics and Statistics 52, 1990, 169-209. MADDALA, G.S. Introduo Econometria. So Paulo: Prentice-Hall, 1995. MATOS, O.C. Econometria Bsica: teoria e aplicaes. So Paulo: Atlas, 1997. MORETTIN, P. ; TOLLOI, C. Previso de Sries Temporais. So Paulo: Atual, 1985. PINDYCK, R.S. ; RUBINFELD, D.L. Econometria. Rio de Janeiro: Campus, 2004. SARTORIS, A. Estatstica e Introduo Econometria. So Paulo: Saraiva, 2003. VASCONCELLOS, M.A., ALVES, D. Manual de Econometria: nvel intermedirio. So Paulo: Saraiva, 1999. WOOLDRIDGE, J. Introduo Econometria: uma abordagem moderna. So Paulo: Thomson, 2006.

12

Este material parte integrante do acervo do IESDE BRASIL S/A., mais informaes www.iesde.com.br