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 T }
Est completamente especificado se conhecermos
as funes de distribuio

F ( z1 ,...., zn ; t1 ,...., tn )
P Z (t1 ) z1 ,...., Z (tn ) zn
para todo n 1
 Processos estocsticos
estacionrios
Um processo estocstico Z {Z (t ), t T }
estritamente estacionrio se todas as funes de
distribuies permanecem as mesmas no decorrer
do tempo, ou seja,

F ( z1 ,...., zn ; t1 ,...., tn )
F ( z1 ,...., zn ; t1 ,...., tn )

para quaisquer t1,...,tn,

 Processo estocstico
estacionrio
Todas as distribuies univariadas so invariantes no
tempo:

(t)=,V(t)=2 para todo t T .

Podemos tambm supor que =0 ou, de forma

alternativa, considerar o processo {Z(t)-}

Como
(t1 , t2 ) (t1 t , t2 t ) (t1 t2 ,0) ( )
 Processo estocstico
estacionrio
Logo, em um processo estritamente
estacionrio, (t1 , t2 ) uma funo de um
nico argumento, ou seja, o valor da
covarincia depende apenas da defasagem
temporal.
 Processo estocstico
fracamente estacionrio
Processo estacionrio de 2a. ordem (ou em sentido amplo):

1) E{Z(t)}=(t)=, constante, para todo t T;

2) E{Z2(t)} < ; para todo t T;

3) (t1 , t2 ) cov{Z (t1 ), Z (t2 )} uma funo de

t1 t2
 Autocorrelao

o coeficiente de correlao entre

observaes defasadas no tempo:
n 1

( x x )( x
t 1 t 1 x2 )
r1 t 1
n 1

(x x ) (x
t 1
t 1
2
t 1 x2 ) 2
 Autocorrelao
onde as mdias amostrais so:

n 1 n

x1 xt (n 1) e x2 xt (n 1)
i 1 i 2
 Autocorrelao
Costuma-se simplificar a expresso anterior da
seguinte forma:

n 1

(x t x )( xt 1 x )
r1 t 1
n 1
(n 1) ( xt x ) 2 n
t 1
J que x1 x2 e assumindo varincia constante.
 Autocorrelao
A expresso anterior pode ser generalizada para k
perodos de tempo (defasagem):

nk

(x t x )( xt k x )
rk t 1
n 1

(x
t 1
t x) 2
 Sries aleatrias

Se x1,x2,...,xn so i.i.d (independentes e

identicamente distribudas) ento o
coeficiente de autocorrelao amostral rk
assintoticamente normalmente distribudo
com mdia e varincia dados 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)

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
=1

4
2
ruido

0
-2
-4

0 100 200 300 400 500

tempo
 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
0
sumz

-5
-10
-15

0 100 200 300 400 500

t
 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
Yt+0. No modelo anterior, passeio aleatrio
sem tendncia, a melhor previso da srie
t+1 Yt.
 Processo Passeio Aleatrio
O modelo de passeio aleatrio uma caso especial do
modelo AR(1) auto-regressivo de primeira ordem:
Yt=1Yt-1+at, at~N(0,2)
quando 1=1, o modelo AR no estacionrio e sua
varincia aumenta ao longo do tempo.
Na equao Yt=Yt-1+at, at~N(0,2)
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.2 : a varincia aumenta a medida que t
aumenta.

No caso de um modelo auto-regressivo de ordem p

(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
Dickey-Fuller
Consideremos o modelo AR(1):

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

Zt = 1Zt-1+at 1 = 1-1

H0 {1 = 0
H {1 < 0
 Testes de raiz unitria
Dickey-Fuller aumentado
Z t 0 Z t 1 1Z t 1 2 Z t 2 ... p Z t p ut
H 0 { 0 (Z t tem uma tendencia estocastica)
H A { 0 (Z t estacionaria)
O 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
Dickey-Fuller aumentado
use http://www.stata-press.com/data/r8/lutkepohl.dta
tsset 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
1000
800
Investment

600
400
200

1960q1 1965q1 1970q1 1975q1 1980q1 1985q1

qtr
 Testes de raiz unitria
Dickey-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

2
0
D.sumz

-2
-4

0 100 200 300 400 500

t
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 yt 1 i yt i 1 t
i 2
p
yt a0 yt 1 i yt i 1 t
i 2
p
yt a0 yt 1 a2t i yt i 1 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 B
Operador

soma
SZt= t j ...)Zt
2
Z Z t Z t 1 ... (1 B B
j 0

(1 B) Zt S= -1
 Modelos ARMA (Box-Jenkins)

ARMA(p,q)
Zt 1Zt 1 ... p Zt p at 1at 1 ... p at p
ou
( B) Z t ( B) Z t
onde
( B) 1 1B 2 B 2 ... p B p
( B) 1 1 B 2 B 2 ... p B p
 Modelos ARMA (Box-Jenkins)

Filtro linear
(B)
Filtro linear
at zt

Zt=+at+1at-1+ 2at-2+...=+ (B) at

Onde

(B)=1+1B+ 2B2+...
 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]
}
svmat Z, name(serie)
twoway (tsline serie2)
 Funo de autocorrelao
parcial
Seja um modelo autorregressivo AR(k):

Zt k1Zt 1 k 2 Zt 2 ... kk Zt k
j k1 j 1 k 2 j 2 ... kk j k , j = 1,...,k
Temos assim as equaes de Yule-Walker:
 Equaes de Yule-Walker

1 1 2 ... k 1
k1 1
1 ... k 2
1 2
k 2 2
.
... ...
.
kk k
k 1 k 2 k 3 ... 1
 Funo de autocorrelao
parcial
Resolvendo para k =1,2,3...

11 1
1 1 1
1 1 1 1 2
1 2 2 12 2 1 3
22 33
1 1 1 12 1 1 2
1 1 1 1 1
2 1 1
e em geral,
*k Onde Pk a matriz de autocorrelaes e Pk* a matriz Pk com a ltima
kk coluna substituda pelo vetor de autocorrelaes (ver Morettin, 2004).
k
 Modelos ARMA
1. Um processo AR(p) tem fac que decai de
acordo com exponenciais e/ou senoides
amortecidas, infinita em extenso;
2. Um processo MA(q) tem fac finita, com um
corte aps o lag q;
3. 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. Um processo AR(p) tem facp kk0, para
kp e kk=0, para k >p;
2. Um processo MA(q) tem facp que se
comporta de maneira similar fac de um
processo AR(p);
3. Um processo ARMA(p,q) tem facp que se
comporta como a facp de um processo
MA puro (ver Morettin, 2004)
 Modelos ARMA
Vamos simular no Stata diversos processos ARMA e
verificar a sua fac e fapc. Para isto baixe o arquivo do-
file:
http://www.ecn26.ie.ufu.br/TEXTOS_ESTATISTICA/SIMULACAO%20ARMA.do
 Modelos ARMA

Processo AR(1) Processo MA(1)

3
4

2
2

1
serie2

serie3
0

0
-2

-2 -1
-4

0 50 100 150 200 0 50 100 150 200

tempo tempo

Processo ARMA(1)
4
2
serie4

0
-2
-4

0 50 100 150 200

tempo
Correlograma processo AR(1)
Correlograma processo MA(1)
Correlograma processo
ARMA(1,1)
 Identificao de modelos
ARMA
ARIMA(1,0,0) ARIMA(0,0,1)
k decai exponencialmente Somente 1 0
Somente 110 kk decai exponencialmente

ARMA(2,0,0) ARMA(0,0,2)
k mistura de exponenciais ou senoides 1 0 e 2 0
amortecidas kk mistura de exponenciais ou senoides
110 e 220 amortecidas

ARMA(1,0,1)
k decai exponencialmente aps o lag 1
kk decai exponencialmente aps o lag 1
 Outras alternativas de
identificao de modelos ARMA
Critrio de informao de Akaike:

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

onde:

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

ln N
BIC (k , l ) ln 2
k ,l (k l )
N
onde:

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
gdp 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 AIC SIC -2log No. de

likelihood parmetros

AR(1 8 9 12) 853.78007 875.97324 835.78007 9

MA(1 2 8 12)

ARMA(1,1) 865.28999 872.68771 859.28999 3

ARMA(2,1) 866.95925 876.82288 858.95925 3

ARMA(1,2) 867.10988 876.97351 859.10988 4

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.
Os resduos do modelo podem ser obtidos atravs do
comando predict:
arima d.gdp, ar(1) ma(1)
predict residuo, residuals
corrgram residuo
ac residuo
 Verificao da adequao do modelo -
diagnstico
0.40
0.20
0.00
-0.20
-0.40

0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands

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 11 yt 1 12 zt 1 yt
zt b20 b21 yt 21 yt 1 22 zt 1 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

y.
Podemos colocar este sistema na forma matricial:

1 b12 yt b10 11 12 yt 1 yt

b21 1 zt b20 21 22 zt 1 zt
ou
Bxt 0 1 xt 1 t
ou
xt A0 A1 xt 1 et
onde :
yt
xt , A 0 B 1 0 , A1 B 11 , et B 1 t
zt
A Funo de Impulso-Resposta
Considere um modelo VAR bi-variado:

yt 1 yt 1 t
onde:
y1,t 1,t 1,1 1,2
yt t 1
y2,t 2,t 2,1 2,2
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 1t y0 1t 11 ... 12 t 2 1 t 1 t

y1,t 1,1 1,2 1,t 1

1 y0 1 1 ... 1 t 2 t
t 1

t 2

y2,t 2,1 2,2 2,t 1

1,11,t 1 1,2 2,t 1
1 y0 1 1 ... 1 t 2
t t 1 2
t
2,11,t 1 2,2 2,t 1
Isto torna claro que o efeito de uma unidade no choque 1,t-1
sobre y1,t 1,1 e que o mesmo choque tem um efeito de 2,1
sobre y2,t.
 O impulso-resposta de segunda ordem obtido por:
1 1,22,1
2
1,11,2 1,22,2
1
2

2,11,1 2,22,1 2,11,2 2,2
2

y1,t 1 1,22,1
2
1,11,2 1,22,2 1,t 2
1 y0 1 1 ...
t 1

t

y 2
2,t 2,1 1,1 2,2 2,1 2,1 1,2 2,2 2, t 2

1 t 1 t

Generalizando: o efeito de uma unidade do choque 1,t-h

sobre y1,t dado pelo elemento superior esquerdo da matriz
1h. Em geral, o efeito sobre yi,t de uma unidade de choque
j,t-h dado pelo elemento (i,j) da matriz 1h.
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 auto-

correlao 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

modelo1, inf, inf modelo1, inf, m modelo1, inf, y

1

.5

-.5

modelo1, m, inf modelo1, m, m modelo1, m, y

1

.5

-.5

modelo1, y, inf modelo1, y, m modelo1, y, y

1

.5

-.5

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

step
95% CI impulse response function (irf)
Graphs by irfname, impulse variable, and response variable
 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

modelo1, inf, inf modelo1, inf, m modelo1, inf, y

1

.5

modelo1, m, inf modelo1, m, m modelo1, m, y

1

.5

modelo1, y, inf modelo1, y, m modelo1, y, y

1

.5

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

step
95% CI fraction of mse due to impulse
Graphs by irfname, impulse variable, and response variable