Professional Documents
Culture Documents
TEMPORAIS ECONMICAS
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 )
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):
t1 t2
Autocorrelao
( 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
4
2
ruido
0
-2
-4
Yt=Yt-1+at, at~N(0,2)
Simulao de um processo passeio aleatrio (random
walk)
5
0
sumz
-5
-10
-15
Yt=1Yt-1+2Yt-2+...+pYt-p+at, at~N(0,2)
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.
600
400
200
2
0
D.sumz
-2
-4
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
(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
3
4
2
2
1
serie2
serie3
0
0
-2
-2 -1
-4
Processo ARMA(1)
4
2
serie4
0
-2
-4
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:
onde:
ln N
BIC (k , l ) ln 2
k ,l (k l )
N
onde:
0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands
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
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 1,22,1
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
use http://www.ecn26.ie.ufu.br/DADOS/money.dta
varlmar
.5
-.5
.5
-.5
.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.
.5
.5
.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