Curso de Séries Temporais e Teste de Co-Integração Johansen

CURSO DE SRIES
TEMPORAIS
Prof. Dr. Mario Antonio Margarido
Prof. Dr. Mario A. Margarido 2
TESTE CO-INTEGRAO JOHANSEN
A utilizao da metodologia uni-
equacional proposta por ENGLE e
GRANGER no indicada para testar
co-integrao quando se considera a
possibilidade de existir mais de um
vetor de co-integrao ou quando
existe endogeneidade do regressor
(relao causal no sentido da varivel
dependente para a(s) explicativa(s).
Sendo assim, quando da presena de
mais de um vetor de co-integrao
e/ou quando da existncia de
feedback entre a varivel dependente
e a(s) varivel(is) independente(s),
sugere-se a aplicao do mtodo
desenvolvido por JOHANSEN e
JUSELIUS (1990).
O procedimento de Johansen tm como
ponto de partida o modelo auto-
regressivo vetorial (VAR).
HARRIS (1995), definindo um vetor z
t
com n variveis endgenas, possvel
especificar o seguinte processo gerador e
modelar z
t
como um vetor auto-
regressivo (VAR) sem restrio
envolvendo k defasagens de z
t
.
Logo o modelo VAR pode ser
representado como:
Onde: ;
z
t
um vetor (nX1) e cada elemento A
i

uma matriz de parmetros de ordem
(nXn);
1 1 t t k t k t t
z A z A z D u

= + + + +
( )
0,
t
u IN :
D
t
representa termos
determinsticos, tais como,
constante, tendncia linear,
dummies sazonais, dummies de
interveno, ou qualquer outro
tipo de regressor que so
considerados fixos e no
estocsticos.
Exemplo Modelo VAR com 2 variveis e 2 defasagens
1 1 2 2
1 2 1 1 1 2 2
1 1 1 2 2 2 2
1 1 1 1 2 2 2 2 1
1 1 1 1 2 2 2 2 2
t t t t
t t t t
t t t t
t t t t t t
t t t t t t
z A z A z
x x x a b a b
y c d y c d y
x a x b y a x b y
y c x d y c x d y

= + +

= + +

= + + + +
= + + + +
HARRIS (1995) este tipo de modelo
VAR foi defendido principalmente por
SIMS (1980) como uma forma de estimar
relacionamentos dinmicos entre
variveis endgenas conjuntas sem a
necessidade de impor a priori fortes
restries (tais como relacionamentos
estruturais particulares e/ou a
exogeneidade de algumas das variveis).
Assim como acontece nos testes de raiz
unitria do tipo Dickey-Fuller Aumentado
(ADF), no caso da metodologia de Johansen
tambm torna-se necessrio determinar a(s)
ordem(ns) da(s) defasagem(ns) de z
t
, pois
esse procedimento tm como base a hiptese
de que ao se introduzir um nmero
suficiente de defasagens possvel se obter
uma estrutura de resduos bem
comportados, isto , estacionrios.
Para a tomada de deciso em
relao ao nmero de defasagens
que devem ser aplicadas para se
obter uma estrutura de rudo white
noise, utiliza-se os critrios AIC
(AKAIKE Information Criterion) ou
ento o SBC (SCHWARZ Bayesian
Criterion).
A equao anterior pode ser
modificada em termos de um
modelo de vetor de correo de
erro (VECM) cujo formato o
seguinte:
1 1 1 1 t t k t k t k t t
z z z z D u
+
= + + + + +
HARRIS (1995), a principal vantagem de se
escrever o sistema em termos do modelo de
correo de erro est relacionado ao fato de
que nesse formato so incorporadas
informaes tanto de curto quanto de longo
prazo via ajustes nas variaes em z
t
,
( ) ( )
( )
1
1
1, , 1
i
k
i
I A A i k
I A A
= =
=


Exemplo - VAR com 2 variveis e 2 defasagens:
Subtraindo Z
t-1
dos dois lados da equao acima:
Subtraindo e adicionando A
2
Z
t-1
do lado direito da equao anterior:
1 1 2 2 t t t t
Z A Z A Z

= + +
( )
1 1 1 1 2 2
1 1 2 2
t t t t t t
t t t t
Z Z A Z Z A Z
Z A I Z A Z

= + +
= + +
( )
1 1 2 1 2 1 2 2
1 2 1 2 1
( )
t t t t t t
t t t t
Z A I Z A Z A Z A Z
Z A A I Z A Z

= + + +
= + +
as quais so dadas pelas estimativas
dos parmetros: e ,
respectivamente.
Visto com maior nvel de detalhes, o
termo representado como:
i
=
= velocidade de ajustamento dos
parmetros da matriz no curto prazo;
= matriz de coeficientes de co-
integrao de longo prazo;
= representa as n - 1 relaes de
co-integrao no modelo multivariado,
assegurando dessa forma que z
t
converge para uma soluo de
equilbrio no longo prazo.
t k
z


Resumidamente, a metodologia
de co-integrao de Johansen
apresenta trs situaes distintas:
se o posto de completo (isto
, h r = n colunas linearmente
independentes) ento as variveis
em z
t
so I (0);

se o posto de zero ento no
h relacionamento de co-integrao
(longo prazo);
Nenhum desses dois casos so
particularmente interessantes. Mais
importante, quando tem posto
reduzido; isto , h vetores
de co-integrao presentes.
( )
1 r n
Portanto, quando r = n, isto significa
que z
t
estacionrio, e nesse caso o
ajuste do modelo deve ser efetuado
com as variveis em nvel.
Quando r = 0, implica que
estacionrio e conseqentemente o
modelo deve ser ajustado com as
variveis diferenciadas.
t
z
Finalmente, quando 0 < r < n isto equivale a
testar quais colunas de
so iguais a zero, ou seja, dado que
pode ser formulado como
onde e correspondem a matrizes de
dimenso (n X r) , isto implica que
estacionrio, o que leva a concluso
de que existem r vetores de co-integrao,
que so exatamente as r colunas de .

t
z

Dois so os testes propostos por
JOHANSEN e JUSELIUS (1990), para
testar a hiptese nula de que existem
pelo menos r vetores de co-integrao.
A hiptese nula representada
matematicamente como:
0
: 0 1, ,
i
H i r n = = +
ou seja, somente os primeiros r
autovalores so diferentes de zero.
Essa restrio pode ser imposta para
diferentes valores de r.
O prximo passo, consiste na
comparao do valor do logartmo da
funo de verossimilhana do modelo
com restrio relativamente ao
( )

logaritmo da funo de
verossimilhana do modelo sem
restrio. Esse teste denominado de
estatstica trao e representada em
termos algbricos como:
( )
( )
1
2log log 1
0,1,2, , 2, 1.
n
trace i
i r
Q T
r n n

= +
= =
=


onde Q = (funo de verossimilhana
restrita maximizada funo de
verossimilhana sem restrio
maximizada). Os valores crticos dessa
estatstica encontram-se em
JOHANSEN e JUSELIUS (1990).
Enquanto que, os valores tabelados
para modelos contendo intercepto
encontram-se em OSTERWALD-
LENUM (1992).
O segundo teste de significncia a
estatstica , tambm denominada
de mximo autovalor , a qual
representada como:
MAX
( )
1
log 1
0,1,2, , 2, 1.
MAX r
T
r n n

+
=
=
onde so os valores estimados
dos autovalores. Nesse caso, a
hiptese nula de que existem r
vetores de co-integrao, enquanto
que a hiptese alternativa de que
existem r + 1 vetores de co-
integrao.

Quando os valores calculados de
so maiores que os respectivos valores
tabelados, isto quer dizer que a
hiptese nula de no co-integrao
rejeitada.
trace MAX
e
Para se determinar o nmero de vetores de
co-integrao, esse teste deve ser realizado
at o momento em que a hiptese nula passa
a ser no rejeitada.
JOHANSEN (1995) chama a teno para o
fato de que os componentes do processo
vetorial no necessariamente precisam ter a
mesma ordem, ou seja, na construo do
modelo pode-se utilizar variveis com
diferentes ordens de integrao.
A razo para isto ao analisar modelos
econmicos as variveis so escolhidas por
sua importncia econmica e no por suas
propriedades estatsticas.
Conseqentemente, somos capazes, por
exemplo, de analisar variveis I(0) como
I(1) no mesmo modelo, de forma que
possibilite descrever relacionamentos de
longo prazo, assim como, ajustamentos de
curto prazo (JOHANSEN, 1995, p.34).
Exemplo - Modelo VAR com
trs variveis e k defasagens:
1 2 1
1 1 2 2 2
1 2 3
t t t t k t
t t t k t k t
t t t t k t
x x x x
y A y A y A y
w w w w

= + + + +


Reformulando o modelo VAR
anterior, tem-se:
1 1 1 1
1 1 1 1 1 2
1 1 1 3
t t t t k t
t t t k t k t
t t t t k t
x x x x
y y y y
w w w w
+

+
+

= + + + +


A matriz , cujas dimenses
so 3x3, pode ser expressa
como o produto de duas
matrizes:
Note que uma matriz
quadrada e e devem ter
a mesma ordem cada um.

Desde que a matriz tm trs
colunas, ento seu rank (posto)
mximo igual a 3, por sua vez,
o rank mnimo igual a zero.
Vamos analisar os quatro casos
possveis.

Caso 1:
Nesse caso todos os elementos da
matriz so iguais a zero.
( )
0 r =
1 1 1
1 1 1 1 2
1 1 3
t t t k t
t t k t k t
t t t k t
x x x
y y y
w w w
+

+
+

= + + +


Se o rank da matriz zero,
ento, um sistema de equaes
do tipo VAR, onde todas as
variveis so I(1) pode ser
estimado nas diferenas sem
perda de informaes
relevantes.

Dado que todas as variveis do
sistema so estacionrias, testes
estatsticos, tais como, teste t,
etc. so vlidos em termos de
hipteses nulas e suas
respectivas distribuies so
devidamente definidas.
Caso 2:
Se o rank da matriz igual a
um, ento ele pode ser
representado como o produto
de dois vetores e no
nulos. Desde que o rank do
vetor no nulo igual a um.
( )
1 r =

a matriz pode ser escrita
como . Substituindo em
tem-se:
=

[ ]
1 11
1 1 21 11 12 13 1
31 1
t
t t t
t
x
Z Z y
w
= =

A primeira linha da expresso anterior pode
ser escrita como:
Conseqentemente, a primeira equao do
sistema pode ser escrita como:
( )
11 11 1 12 1 13 1 t t t
x y w

+ +
( ) ( )
11 11 1 12 1 13 1 1
, ,
t t t t t i t i t i t
x x y w f x y w

= + + + +
onde representa
todos os termos defasados e
diferenciados do modelo.
Dado que todos os termos so
estacionrios toda equao ser
estacionria se
tambm for estacionrio.
( )
, ,
t i t i t i
f x y w

11 1 12 1 13 1 t t t
x y w

+ +
De fato deve ser estacionrio,
desde que, o lado esquerdo
do sistema por definio
estacionrio, pois possu
somente variveis
diferenciadas.
Partindo da definio de co-
integrao, ento, se o
vetor o vetor de
co-integrao, isto :
com o seguinte
vetor de co-integrao:
( )
1 r =
11 1 12 1 13 1 t t t
x y w

+ +
( ) ( )
, , 1,1
t t t
x y w CI :
[ ]
11 12 13
, ,
Evidentemente, no termo
no conhecemos qual
varivel descrita pelo processo de
longo prazo.
Em outras palavras, qual das variveis
est do lado esquerdo da relao de co-
integrao?
11 1 12 1 13 1 t t t
x y w

+ +
Nesse caso torna-se necessrio
determinar qual ser a varivel
dependente.
Esse um processo arbitrrio e
conhecido como normalizar a
varivel. Nesse caso, vamos
normalizar em relao a x
t-1
.
Onde:
O vetor denominado de
vetor de co-integrao
normalizado.
( ) ( )
11 1 12 1 13 1 1 1
, ,
t t t t t i t i t t
x x y w f x y w

= + +
13 12
12 13
11 11
,

= =
[ ]
12 13
1, ,
Caso 2, onde h um vetor
de co-integrao, o qual entra
nas trs equaes de curto
prazo do VAR atravs dos
coeficientes de ajustes:
( )
1 r =
11 21 31
, ,
Caso 3:
( )
2 r =
1 11 12
11 12 13
1 1 21 22 1
21 22 23
31 32 1
t
t t t
t
x
Z Z y
w

= =

Conseqentemente, em
cada equao de
representao de curto
prazo do modelo VAR h
agora dois vetores de co-
integrao ao invs de
apenas um vetor.
Para a primeira equao, tem-se:
( )
( )
( )
11 11 1 12 1 13 1
12 21 1 22 1 23 1
1
, ,
t t t t
t t t
t i t i t i t
x x y w
x y w
f x y w

= + + +
+ + + +
+ +
Caso 4:
Se h trs vetores de co-
integrao em trs equaes do
modelo VAR, os
relacionamentos normalizados
de longo prazo podem ser
escritos da seguinte forma:
( )
3 r =
12 13 1
21 23 2
31 32 3
t t t t
t t t t
t t t t
x y w u
y x w u
w x y u

= + +
= + +
= + +
Desde que toda relao de co-
integrao estacionria e
dado que:
( )
( )
( )
1
2
3
0 ,
0 ,
0
t
t
t
u I
u I
u I
:
:
:
As equaes anteriores podem
ser resolvidas para x
t
, y
t
e w
t
.
( )
( )
( )
1 1 2 3
2 1 2 3
3 1 2 3
, , ,
, , ,
, , .
t t t t
t t t t
t t t t
x f u u u
y f u u u
w f u u u
=
=
=
A partir das equaes
anteriores verifica-se
que x
t
, y
t
e w
t
so
funes somente de
variveis I(0).
Conseqentemente, desde
que no h termos no
estacionrios do lado direito
do sistema de equaes,
ento, as variveis do lado
esquerdo necessariamente
tambm so estacionrias.
Portanto, se o rank pleno, e
nesse caso igual a 3, ou
seja, , ento todas as
variveis do modelo VAR
devem ser estacionrias, ou
seja, I(0).
( )
3 r =
O teste de co-integrao de Johansen
determina o nmero de colunas
linearmente independentes, ou seja,
diferentes de zero na matriz .
Mais precisamente necessrio
determinar quais colunas da matriz
dos elementos de curto prazo so
iguais a zero.
( )

Quando se elabora o Modelo
Vetorial de Correo de Erro de
ordem (p) (VEC(p)) a partir de um
Modelo Auto-regressivo Vetorial
de ordem (p) (VAR(p)), os termos
determinsticos no VEC(p) podem
ser diferentes daqueles do modelo
VAR(p).
Quando as relaes de co-
integrao so
determinsticas entre as
variveis, os termos
determinsticos no VAR(p)
podem no estar presentes no
VEC(p).
Por sua vez, se as relaes de
co-integrao so estocsticas,
ento, os termos determinsticos
podem aparecer no VEC(p) a
partir do termo de correo de
erro ou como um termo
independente no VEC(p).
Componentes determinsticos no
Modelo Multivariado:
Partindo de um Modelo Vetorial de
Correo de Erro, com apenas uma
defasagem e omitindo demais variveis
determinsticas do tipo dummies, vrias
opes podem ser consideradas se
intercepto e/ou tendncia devem entrar
no modelo de curto e/ou longo prazo.
Utilizando a decomposio dos termos
determinsticos, o modelo pode ser
escrito da seguinte forma:
( )
( )
1 1 1 1 2 2
1
1 1
0,
,1,
t t t t
t
t t
Z Z Z t
Z Z t

= + + + +

( )
( )
1 1 1 1 2 2
1
1 1
0,
,1,
t t t t
t
t t
Z Z Z t
Z Z t

= + + + +


Resumindo: So Cinco casos possveis
Caso 1: No h nenhum drift (intercepto),
tanto no VEC (Curto Prazo) quanto no
Termo de Correo de Erro (Longo Prazo).
1
1
1
1 2 1 2
0
p
t t i t i t
i
z z z

= + +
= = = =
Restries
Caso 2: No h nenhum drift (intercepto) no VEC
(Curto Prazo), mas o intercepto entra somente via
( )( )
( )
1
1 1
1
1
1
1
1
2 1 2
, ,1
,
1
0
p
t t i t i t
i
p
t
t i t i t
i
z z z
z
z z

= + +
= + +

= = =
Restries
Caso 3: H somente um drift (ou
intercepto) no VEC (Curto Prazo).
1
1 2
1
1 2
0
p
t t i t i t
i
z z z

= + + +
= =

Restries
Caso 4: H um drift (intercepto) no VEC
(Curto Prazo), e tendncia linear no Termo de
Correo de Erro (Longo Prazo).
( )( )
( )
1
1 1 2
1
1
1
1 2
1
1 2
, ,
,
0
p
t t i t i t
i
p
t
t i t i t
i
z z t z
z
z z
t

= + + +
= + + +

= =
Restries
Caso 5: H uma tendncia linear e tambm h
uma constante no VEC (Curto Prazo). Tambm,
h um intercepto e uma tendncia linear no
( )
1
1
1 1 2 2
1
, , 1
t
p
t i t i t
i
z
z z t
t

= + + + +

Decomposio da Varincia dos Erros
de Previso
A decomposio dos erros de previso mostra o
comportamento dinmico apresentado pelas
variveis econmicas.
Mais especificamente, este instrumental permite
separar a varincia do erro de previso para cada
varivel em componentes que podem ser
atribudos pelas demais variveis endgenas
isoladamente, ou seja, revela em termos
percentuais qual o efeito que um choque no
antecipado sobre determinada varivel tem sobre
as demais variveis pertencentes ao sistema.
Decomposio da Varincia dos Erros de Previso
Ao utilizar os modelos VAR ou VEC, um dos principais
objetivos examinar os efeitos de choques individuais
sobre a dinmica do sistema, sendo assim, torna-se
necessrio efetuar alguns ajustes em relao a matriz de
varincia-covarincia dos resduos , pois
geralmente essa no uma matriz diagonal, o que
implica que os choques u
1t
, u
2t
, ... , u
nt
, podem ocorrer
simultaneamente com probabilidade diferente de zero,
ou seja, podem estar contemporaneamente
correlacionados, sendo que, torna-se necessrio
diagonalizar a matriz de varincia-covarincia para
evitar que choques sobre determinada varivel
contamine todo o sistema, impedindo dessa maneira que
se possa analisar somente o efeito individual desse
choque sobre o comportamento da varivel de interesse .
( )

de Previso
O procedimento mais utilizado para
diagonalizar essa matriz consiste em
efetuar a decomposio de Cholesky. A
partir desse procedimento possvel
verificar o efeito, perodo a perodo, que
um choque unitrio de um desvio padro,
em s uma das variveis do modelo, tm
sobre todas demais variveis do mesmo.
de Previso
No entanto, importante frisar que, apesar da
ortogonalizao dos erros pela decomposio de
Cholesky resultar em uma matriz de varincia-
covarincia de inovaes diagonal, isto , no
apresentar correlao serial entre os termos de erro,
ainda assim, um mtodo arbitrrio pois atribui
efeitos comuns, ou seja, mudando a ordem das
equaes tal procedimento pode levar a mudanas
na funo de resposta de impulso, fato esse que exige
muito cuidado na interpretao de seus resultados.
de Previso
Em outras palavras, uma das principais
vantagens das inovaes ortogonalizadas
sobre as demais a de serem no
correlacionadas. No entanto, h uma
decomposio diferente para cada
ordenao das variveis, sendo que a
direo do efeito captado decorre da seleo
arbitrria da ordem das variveis no vetor
analisado.
de Previso
Logo, quanto menor a covarincia
contempornea (menor correlao entre
os resduos) menor a importncia da
ordem selecionada. Portanto, mesmo no
havendo sentido de causalidade entre
duas variveis, ainda assim, pode haver
efeito de um choque em uma delas sobre
a outra em funo da presena da
covarincia entre seus respectivos erros.

Curso de Séries Temporais e Teste de Co-Integração Johansen

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Curso de Séries Temporais e Teste de Co-Integração Johansen

Caricato da

Copyright:

Formati disponibili

CURSO DE SRIES

Prof. Dr. Mario A. Margarido 13

Prof. Dr. Mario A. Margarido 16

Prof. Dr. Mario A. Margarido 17

Prof. Dr. Mario A. Margarido 20

Prof. Dr. Mario A. Margarido 22

Prof. Dr. Mario A. Margarido 23

Prof. Dr. Mario A. Margarido 26

Prof. Dr. Mario A. Margarido 30

Prof. Dr. Mario A. Margarido 31

Prof. Dr. Mario A. Margarido 33

Prof. Dr. Mario A. Margarido 34

Prof. Dr. Mario A. Margarido 35

Prof. Dr. Mario A. Margarido 57

Prof. Dr. Mario A. Margarido 62

Prof. Dr. Mario A. Margarido 79

Potrebbero piacerti anche