Econometria Stock Watson Capítulo 12

CA ~TU LO
12
Introduo Regresso de
Sries Temporais e Previso
s dados de sries temporais - dados celerados para uma nica entidade em mltiplos pontos no tempo
-podem ser utilizados para responder a questes quantitativas para as quais os dados de corte so inadequados. Uma dessas questes : qual o efeito causal sobre uma varivel de interesse, Y, de uma variao em outra varivel, X, ao longo do tempo? Em ou tras palavras, qual o efeito causal dinmico sobre Y de uma
variao em X? Por exemplo, qual o efeito de uma lei que torna obrigatrio o uso do cinto de segurana sobre
os acidentes fatais de trnsito assim que entra em vigor e o perodo que se segue medida que os motoristas se
ajustam lei' Outra dessas questes : qual sua melhor previso do valor de uma varivel em uma data futura;
Por exemplo, qual sua melhor previso da taxa de inflao, das taxas de juros ou do preo das aes no ms que
voem? Essas duas questes- urna sobre efeitos causais dinmicos, a outra sobre previso econmica - podem
ser respondidas utilizando dados de sries temporais. Mas esses dados colocam desafios especiais, e super-los
requer algumas tcnicas novas.
Nos captulos 12 a 14, apresentamos tcnicas para a anlise economtrica de dados de sri es temporais e aplicamos essas tcnicas aos problemas d~ previso e de estimao de efeitos causais dinmicos. Neste captulo, apresentamos conceitos e ferramentas bsicos da regresso de dados de s-ries temporais e os aplicamos previso
econmica. No Captulo 13. os conceitos e as ferramentas desenvolvidos so aplicados ao problema da estimao
de efeitos causais dinmicos utilizando dados de sries temporais. No Captulo 14, nos ocupamos de alguns tpicos mais avanados da anlise de sries temporais, incluindo a previso de sries temporais mltiplas e a modelagem de variaes na volatilidade ao longo do tempo.
O problema emprico estudado neste captulo a previso da ta}ca de inflao, isto , o aumento percentual
nos preos em geral. Embora por um lado a previso sej a apenas uma aplicao da anlise de regresso, ela completamente diferente da estimao de efeitos causais, o foco deste livro at agora. Conforme discutido na Seo
12.1, modelos teis para a previso no precisam ter uma interpretao causal: ao ver pedestres carregando guardachuvas, voc pode prever a chuva, ainda que carregar um guarda-chuva n~o cause a chu va. Na Seo 12.2, introduzimos alguns conceitos bsicos da anlise de sries temporais c apresentamos alguns exemplos de dados de sries
temporais econmicas. Na Seo 12.3, ap resentamos modelos de regresso de sries temporais em que os regressares so valores passados da varivel dependente; esses modelos "auto-regressivos" utilizam o histrico da inflao
para prever seu futuro. Freqentemente, previses baseadas em auto-regresses podem ser aperfeioadas pela
incluso de variveis de previso adicionaiS e seus valores passados, ou "9efasag_ens.:.:_,_ como regressares; esses modelos auto-regressivos de defasagem distribuda so apresentados na Seo 12.-t. Por exemplo, descobrimos que
previses de inflao feitas utilizando valores defasados da taxa de d-esempregojuntamente com a inflao defsada
- isto , previses baseadas em uma curva de Phillips emprica- apetfeioam as previses de inflao autoregressivas. Uma questo prtica a deciso de quantos valores passados devem ser includos nas auto-regresses
e nos modelos auto-regressivos ele defasagem d istribuda; na Seo 12.5 desc revemos mtodos que nos possibilitam tomar essa deciso.
A hiptese de que o futuro ser como o passado importante na regresso de sries temporais, importante o suficiente para receber um nome prprio, "estacionariedade'. ~ari~yei~_Qe sries temporais podem
2er no-estacionrias <;!~vrias maneiras, mas duas delas so especialmente relevantes para a anlise de regresso
de dadoSde s;i-es temporais econmicas: (1) as sries podem ter movimentos persistentes de longo prazo, isto
, podem ter tendncias; e (2) a regresso da populao pode ser instvel ao longo do tempo. isto , pode ter
quebras. Essas divergncias em relao estaciona riedade pem em risco as previses e as inferncias baseadas
na regt:esso de sries temporais. Felizmente, existem procedimentos estatsticos para detectar tendncias c quebras e, uma vez detectadas, para ajustar a especificao do modelo. Apresentamos esses procedimentos nas sees
12.6e 12.7.
292
ECONOMETRIA
12.. 1 Utilizando Modelos de Regresso para Previso

No Captulo 4, consideramos o problema da superintendente de escolas que desejava saber o quanto a pontuao nos exames aumentaria se o tamanho das turmas em sua diretoria de ensino fosse reduzido; isto , a superintendente queria saber o efeito causal de uma variao no tamanho das turmas sobre a pontuao nos exames.
Dessa forma, as partes 2 e 3 concentraram-se na utilizao da anlise de regresso para estimar efeitos causais utilizando dados observacionais.
Agora, considere um problema diferente, em_ que um pai muda-se para uma rea metropolitana e deseja escolher uma cidade nessa rea com base, em parte, no sistema escolar. O pai gostaria de saber o desempenho das diferentes diretorias de ensino nos exames padronizados. Suponha que os dados sobre pontuao nos exames no
estejam disponveis (talvez sejam confidenciais), mas que os dados sobre o tamanho das turmas estejam. O pai deve,
portanto, conjecturar qual o desempenho das diferentes diretorias nos exames padronizados com base em um
conjunto limitado de informaes. Isto , o problema do pai prever a pontuao mdia nos exames em dada
direroria com base em informaes relacionadas pontuao nos exames, COITlO o tamanho das turmas .
O problema da superintendente e o do pai so conceitualmente muito diferentes. A regresso mltipla
uma ferramenta poderosa para ambos, mas, como os problemas so diferentes, os critrios utilizados para avaliar
a adequao de um modelo de regresso em particular tambm so diferentes. Para obter estimativas com credibilidade dos efeitos causais desejados pela superintendente, devemos nos preocupar com as questes levantadas
no Captulo 7 : vis de omisso de variveis, seleo, causalidade simultnea e assim por diante. Em contraste, para
obter a previso confivel desejada pelo pai, importante que a regresso estimada tenha um bom poder explicativo, que seus coeficientes sejam estimados com preciso c que seja estvel no sentido de que a regresso estimada
com uma base de dados possa ser utilizada de forma confivel para fazer previses utilizando outros dados.
Por exemplo, lembre-se da regresso da pontuao nos exames sobre a razo aluno- professor (RA P) do Captulo 4:
PontExante = 698,9 - 2,28 x RAP.
(12.1)
Conclumos que essa regresso no til para a superintendente: o estimador de MQO da declividade
viesado em virtude das variveis omitidas, como a composio do corpo discente c as oportunidades de aprendizado fora da escola. A superintendente no pode mudar a renda mdia da diretoria ou a frao dos alunos que
no falam ingls, ambos afetando a pontuao nos exames. Como essas variveis tambm esto correlacionadas
com o tamanho das turmas, h vis de omisso de variveis . Assim, a regresso da pontuao nos exames sobre
a razo aluno-professor produz um estimador viesado do efeito de uma variao na razo aluno-professor sobre
a pontuao nos exames, e a Equao (12. 1) no responde pergunta da superintendente.
No entanto, a Equao (12.1) poderia ser til para o pai que vai escolher uma direroria. Certamente, o
tamanho das turmas no o nico determinante do desempenho nos exames, mas, sob a perspectiva do pai, o
que importa se ele um previsor confivel do desempenho nos exames. Q pai interess~~o em prever a pontuao nos exames no se importa se o coeficiente na Equao (1 2.1) estima o efeito causal do tama nho das turmas_
sobre a pontuao nos exames . Ele simplesmente quer que a regresso explique muito da variao na pontuao
nos exames entre as diretorias e que seja estvel, isto , que seja aplicvel s diretorias para as quais a mudana
esteja sendo considerada . Embora o vis de omisso de variveis torne a Equao (12.1) intil para responder
questo causal, ela ainda pode ser til para previso.
As aplicaes presentes neste captulo so diferentes do problema de previso pontuao nos exames/tamanho das turmas, uma vez que nele nos concentramos no uso de dados de sries temporais para prever
eventos futuros . Entretanto, a previso de sries temporais conceitualmente semelhante ao problema do pai:
a tarefa utilizar os valores conhecidos de algumas variveis (valores correntes e passados da taxa de inflao dos
preos em vez do tamanho das turmas) para prever o valor de outra varivel (a inflao futura em vez da pontuao nos exames) _Como no problema do pai, os modelos de regresso podem produzir previses confiveis.
mesmo que seus coeficientes no tenham interpretao causal. No Captulo 13, voltarcm.os a problemas como
o enfrentado pela superintendente da escola e discutiremos a estimao de efeitos causais utilizando variveis de
sries temporais.
CAPiTuLo 12
Introduo Regresso de Sries Temporais e Previso
293
12.2 Introduo a Dados de Sries Temporais

e Correlao Serial
Nesta seo, apresentamos alguns conceitos bsicos e a terminologia que surge em econometria das sries
temporais. Um bom ponto para comear qualquer anlise de dados de sries temporais coloc-los em um grfico, de modo que por onde comeamos.
As Taxas de Inflao e de Desemprego nos Estados Unidos

A Figura 12.1a mostra a taxa de inflao nos Estados Unidos- a variao percentual anual nos preos
no pas, medida pelo ndice dos Preos ao Consumidor (I PC) - de 1960 a 1999 (os dados esto no Apndice
12.1). A taxa de inflao estava baixa na dcada de 1960, subiu ao longo da dcada de 1970 at atingir um pico
FIGURA 12.1
Inflao e Desemprego nos Estados Unidos, 196Q-1999
A inflao dos preos nos

Estados Unidos (Figuro 12.1 o)
subiu de 1 960 at 1980 e depois
caiu abruptamente durante o
incio do dcada de 1 980. A
taxo de desemprego (Figuro
12.1 b) sobe durante os recesses
(episdios sombreados) e cai
durante os expanses.
Percentual ao ano
16
~
14
12
10
8
6
4
o
-2
- 4
~~~~~J-LLJ-LL~LL~LL~LL~-L~-L~-L~-L~~L4~
1960
1965
1970
1975
1980
1985
1990
1995
2000
Ano
(a) Taxa de inflao dos Estados Unidos conforme o IPC

P ercentual
12
10
OLL~_L~_L~J_LL~-L~~~~_L~_L~J_LL~-L~~~
1960
1965
1970
1975
1980
1985
1990
1995
2000
Ano
(b) Taxa de desemprego nos Estados Unidos
294
ECON O METRIA
de 15,5 por cento no ps-gu erra, no primeiro trimestre de 1980, e caiu para menos de 3 por cento no fi nal da
d,cada de 1990. Como mostra a Figura 12.1a, a taxa de inflao tambm pode flutuar em um ponto percentual
ou mais de um trimestre para outro.
A taxa de desemprego nos Estados Unidos- a frao da fora de trabalho sem emprego, medida na Pesquisa
da Populao Corrente (Current Population Survey -veja o Apndice 3.1 ) - mostrada na Figura 12. 1b. As
variaes na taxa de desemprego esto associadas principalmente ao ciclo econmico (business cycle) dos Estados
Unidos. Por exemplo, a taxa de desemprego aumentou durante as recesses de 1960-1961, 1970, 1974-75, as
recesses gmeas de 1980 e 1981-82 e a recesso de 1990-91, episdios representados pelas reas sombreadas na
Figura 12. J b.
Defasagens, Primeiras D iferenas ,

Logari t mos e Taxas de Crescimento
A observao da varivel de srie temporal Y feita na data t representada por Y, e o nme ro total de observaes representado por T. O intervalo entre as observaes, isto , o perodo de tempo entre a observaco 1
e a observao I - 1 um-;-urudade de tempo, como semanas, meses, trimestres ou anos. Por exemplo. os d,ados
sobre inflao estudados neste captulo so trimestrais, portanto a unidade de tempo (um "perodo") um
trimestre de um ano.
Terminologia e notao especiais so utilizadas para indicar os valores futuros e passados de Y. Esse valor no
perodo anterior chamado de vaJor d a p rimeira defa sag em ou, simplesmente, sua p ri meir a defasagem ,
e representado por Y,_1 . O valor da j-sirna d efasag e m (o u simplesmente a j-sima d efasagem) o valor
j perodos atrs. que Y,-; De fo rma semelhante, Y,.,.1 representa o valor de Y em um perodo no futuro.
A va riao no valor de Y entre o perodo r- 1 e o perodo t Y,- Y,_ 1; essa variao chamada d~_primeira
diferena da varivel Y,. Nos dados de sries temporais, D. utilizado para representar a primeira diferena, de
modo que ,3Y, = Y,- 10-1.
Sries temporais econmicas freqentemente so analisadas aps o clculo de seus l ogarit mo~ ou das variaes em seus logaritmos. Um motivo para isso que muitas sries econ micas, tais como o produto interno bruto
(PIB), a~;nesentam um crescim~to a-proxi~damente exponencial, isto , no longo prazo a srie tende a aumentJr em mdia determinado percentual ao ano; se for esse o caso, o logaritmo da srie cresce ap roximadamente de
forma linear. O utra razo q~e 9 _desvio padro de muitas sries temporais econmicas aproximadarnen- _ - ---te proporcional a seu nvel, isto , ele bem expresso como um percentual do nvel da srie; se for esse o caso.
ento o desvio padro do logaritmo da srie aproximadamente constante. Em qualquer um dos casos, til
transformar a srie de modo que as variaes na srie transformada sejam variaes proporcionais (ou percentuais) na srie original, e isso obtido pelo clculo do logaritmo da srie. 1
Defasagens, primeiras diferenas e taxas de crescimento esto resumidas no Conceito-Chave 12. l.
As defasagens, variaes e variaes percentuais so ilustradas utilizando a taxa de inflao dos Estados U nidos
da Tabela 12. l . A primeira coluna mostra a data, ou perodo, em que o primeiro trimestre de 1999 representado por 1999:1, o segundo trimestre, por 1999:Il c assim por diante. A segunda col una mostra o valor do IPC
naquele trimestre e a terceira coluna m ostra a taxa de inflao. Por exemplo, do primeiro para o segundo trimestre
de 1999, o ndice cresceu de 164,9 para 166,0, um aumento percentual de 100 X (166,03- 164,87)/ 164,87 =
0.704 por cento. Esse o aumento percenmal de um trimestre para outro. uma conveno npresentar a taxa
de inElao (e outras taxas de crescimento em sries temporais macroeconmicas) em uma base anual, que o
aumento percentual nos preos que ocorreria ao longo de um ano, e a srie continuasse a aumentar na mesma
taxa. Como h quatro trimestres em um ano. a taxa de inflao anualizada em 1999: li de O, 70-tx 4 = 2.82. ou
2,8 por cento JO ano aps o arredondamento.
1
Lembre-se da Seo 6.2. em que voc viu que ,\ vanao no logaritmo de uma varivel apmxunadamenre 1gual i vanao proporCIOnal dessa vanvel; isto , ln(X- a) - ln(X) =a/.\. ondt! a aproximao funciona melhor quando a/X pt!qucno. Agora subsmua .\
por ) ;. 1 , 11 por D.1;, e observe que Y, = 1;_1 + D.Y,. Isso sJgmfica que:: a variao proporcional na srie 1~ e ntre os perodos 1 - I_~ 1 .;__;lproxunadamenre In();) -ln(};_1) = ln(Y,_1 + );) -ln(1;_1) 'l';fY,_1. Aexpresso ln(Y,) -ln(Y,_ 1) a pnmeira diferena de ln (Y,), Llln('IJ
Portanto. ln() ;) )/Y,_ 1. A variao percentual 100 vezes a variao fiacionria.logo a variao pc;:rcenualna srie )~ de aproXIlll3damente 1OUD.ln(Y;).
CAPiTuLo 12
295
Defasagens, Primeiras Diferenas,

Logaritmos e Taxas de Crescimento
A primeira defasagem de uma srie temporal Y 1 J'c_1; sua j-sima defasagem
l'r-J
A primeira diferena de uma srie, .6.1';, sua variao entre os perodos t - 1 e t, isto ,
t.-; = l'c -l'r-1
Conceito-
A primeira diferena do logaritmo de Y1 D.ln(l';)
= ln(l';) -
ln(J'c_1) .
Chave
A variao percentual de uma srie temporal Y 1 entre os perodos t - 1 e t aproximada-
mente 100D.ln(l';), onde a aproximao mais precisa quando a variao p ercentual

pequena.
12.1
Essa variao percentual tambm pode ser calculada utilizando a aproximao de diferenas-de-logaritmos
do Conceito-Chave 12.1. A diferena no logaritmo do IPC de 1999 :I a 1999:!1 ln(166,03)- ln(164,87) =
0,00701, produzindo a diferena percentual trimestral aproximada de 100 X 0,00701 = 0,701 por cento. Em uma
base anualizada, isso representa 0,701 X 4 = 2,80, ou 2,8 por cento aps o arredondamento, o mesmo que fo i
obtido pelo clculo direto do crescimento percentual. Esses clculos podem ser resumidos como
taxa de inflao anualizada = In],= 400[ln(JPCJ -
ln(JPCr-~)J
= 400D.ln(IPC,),
(12 .2)
onde IPC1 o valor do ndice de Preos ao Consumidor na data t. O fator 400 surge da converso da variao
fracionria para porcentagem (multiplicando por 100) e da converso da variao percentual trimestral para uma
taxa anual equivalente (multiplicando por 4).
As duas colunas finais da Tabela 12.1 ilustram defasagens e variaes. A primeira defasagem da inflao em
1999: II de 1,6 por cento, a taxa de inflao em 1999:I. A variao na taxa de inflao de 1999:I para 1999:lf
foi de 2,8 - 1,6 = 1,2 por cento.
Autocorrelao
Em dados de sries temporais, o valor de Y em um perodo est normalmente correlacionado com seu valor
no perodo seguinte. A correlao de uma srie com seus prprios valores defasados chamada de a utocorrelao ou correla o serial. A primeira autocorrelao (ou coeficiente de autocorrelao) a correlao
entre Y, e y;_ 1, ou seja, a correlao entre os valores de Y em duas datas adjacentes. A segunda aucocorrelao
a correlao entre Y, e J'c_2 , e aj-sima correlao a correlao entre Y, e 'l'r-1 De forma semelhante, aj-sima
TABELA 12.1
Inflao nos Estados Unidos em 1999 e no Primeiro Trimestre de 2000
Trimestre
IPC EUA
1999:1
164,87
1999:Il
166,03
1999:111
167,20
1999:1V
2000:1
Taxa de Inflao
Primeira Defasagem
Variao na
Atualizada (lnf,)
(lnf1-1)
Inflao (d/n/1)
1,6~2.0
----
168,53
170,27
-----
2,8~1,6
2,8~2,8
3.2~2,8
4,1
3,2
- -- - --
--
- 0,4
1,2
0,0
0,4
-
0,9
A taxa de inflao anualizada a variao percentual do !PC do trimestre anterior para o trimestre corrente multiplicada por quatro. A
pnmeira defasagem da inflao seu valor no trimestre anterior, e a variao na inflao a taxa de inflao corrente meno~ sua primeira
defasagem. Todos os dados foram arredondados para o nmero decimal mais prximo.
296
ECONOMETRIA
Autoc'orrelao (Correlao Serial) e Autocovarincia

A j-sima autocovarin cia de uma srie Y1 a covarincia entre Y 1 e sua j-sima defasagem,
'(,_1, e o j - simo coeficiente de auto correlao a correlao entre Y1 e Y,-:i. Isto ,
Conceito-
Chave
12.2
j - sima autocovarincia
j-sima autocorrelao
= cov(Y,, Y,-:i)
= p1 = corr(Y,, '(,_) = -
(12.3)
cov(Y,, Y,_;)
Y var( Y,)var( '(,_i
r=======
(12.4)
O j-simo coeficiente de autocorrelao s vezes chamado de j-simo coeficiente de correlao serial.
autocovarincia a covarincia entre Y1 e Y 1_}' Os conceitos de autocorrelao e auto-covarincia esto resum.idos no Conceito-Chave 12.2.
Asj-simas auto-covarincias e autocorrelaes da populao do Conceito-Chave 12.2 podem. ser estimadas
pelas j - simas auto- covarincias ~ autocorrelaes da amostra, cov(Y,, '(,_) e P/
c
(12 .5)
----
c ov (Y,, '(,_;)
(12.6)
v ar( 'r;)
----
onde lJ+t.T representa a mdia da amostra de Y1 calculada ao longo das observaes t = j + 1, ... , Te var('Y;)
a varincia da amostra de Y. (A Equao (12 .6) utiliza a hiptese de que var(Y1) e var(Y1. ) so iguais, uma implicao da hiptese de que Y estacionria, discutida na Seo 12.4.)
As quatro primeiras autocorrelaes da amostra da taxa de inflao e da variao na taxa de inflao esto
enumeradas na Tabela 12.2. Esses dados mostram que a inflao de modo forte positivamente autocorrelacionada: a primeira autocorrelao 0,83 . A autocorrelao da amostra d iminui medida que a defasagem
aumenta, mas permanece grande mesmo com uma defasagem de quatro trimestres. A variao na inflao negativamente autocorrelacionada: um aumento na taxa de inflao em um trimestre tende a estar associado a uma
queda no trimestre seguinte.
TABELA 12.2 Primeiras Quatro Autocorrelaes da Amostra da Taxa de Inflao nos Estados Unidos e
sua Variao, 1960:1-1999:1V
Autocorrela;o de:
Taxa de Inflao (lnf,)
Varioo na Taxo de Inflao (lnf,)
0,85
-0,24
0,77
-0,27
0,77
0,32
0,68
-0,06
Defcscgem
CAPTuLo 1 2
Introduo Regresso de Sries Tempora is e Previso
297
A princpio, pode parecer con traditrio que o nvel de inflao seja de modo for te positivamente correlacionado, mas que sua variao seja negativamente corrclacionada. Entretanto, essas duas autocorrelaes medem
coisas diferentes. A forte autocorrelao positiva na inflao reflete as tendncias de longo prazo da inflao evidentes na Figura 12.1: a inflao estava baixa no primeiro trimestre de 1965 e novamente no segundo; estava
baixa no primeiro trimestre de 1981 e novamente no segundo. Em contraste, a autocorrelao negativa da variao na inflao significa que, em mdia, um aumento na inflao em um trimestre est associado a uma queda
na inflao no prximo.
Outros Exemplos de Sries Temporais Econmicas

As sries temporais econmicas diferem muito. A Figura 12.2 mostra quatro exemplos de sries temporais
econmicas: a taxa de juros dos Fundos Federais dos Estados Unidos; a taxa de cmbio entre o dlar c a libra
esterlina; o logaritmo do produto interno bruto real do Japo, e o retorno dirio do ndice do mercado de aes
Standard and Poor's 500 (S&P 500).
A t<L'I:a dos Fundos Federais dos Estados Unidos (Figura 12.2a) a taxa de juros que bancos pagam uns aos outros por emprstimos executados de um dia para outro (overnigltt) . Essa taxa importante porque controlada pelo
Federal Reserve (Fed-o Banco Central dos Estados Unidos) e seu principal instrumento de poltica monetria.
Se voc comparar os grficos da taxa dos Fundos Federais e das taxas de desemprego e de inflao na Figura 12.1.
ver que aumentos acentuados na taxa dos Fundos Federais freqentemente esto associados a recesses posteriores.
A taxa de cmbio dlar-libra (igura 12.2b) o preo de uma libra esterlina (L) em dlares dos Estados Unidos.
Antes de 1972. as economias desenvolvidas adotavam um sistema de t~as de cmbio fixas- chamado de sistema
de "Bretton Woods" -por meio do qual os governos trabalhavam para impedir que as taxas de cmbio flutuassem.
FIGURA 12.2
Quatro Sries Temporais Econmicos
As quatro sries temporais

possuem padres
completamente difere ntes.
A taxa dos Fundos Federais
(Figura 12.2a) possui um
padro semelhante inAao
dos preos. A taxo de cmbio
entre o dlar dos Estados Unidos
e a libra esterlina {Figuro 12.2b)
mostra uma variao discreto
aps o colapso em 1972 do
sistema de Bretton Woods de
taxas de cmbio fixas.
O logaritmo do PIB real no
Japo {Figuro 12.2c) mostra um
crescimento relativamente suave,
embora a taxo de crescimento
diminuo na dcada de 1970 e
novamente no dcada de 1990.
Os retornos dirios do ndice de
preos dos aes do Bolso de
Valores de Novo York - NYSE
{Figura 12.2d) so
essencialmente imprevisveis,
mos suo varincio se altera:
essa srie mostra
"grupos de volatilidade"
("volotility clustering").
Percentual ao ano
Dlares por libra

3,0
25
20
1.0
0,5
1970
1980
1990
2000
o.oL-~-~~-~-~~-~~
1960
1970
1980
199n
2l~lil
Ano
Ano
(a) Taxa de juros dos Fundos Fcderm
(b) Taxa de cmbio entre o dbr dos

Estados Unidos/libra estrhna
Logaritmo
Percen tu al ao dia
5.0
i
:l, ~~~j~~~'r!J~
;r
4.5
4.0
3.5
I '
!!l)
-4
3.0
-6
2.5 '--~--"--~-~-~~--"--~
1960
2l)()(l
1970
1980
19?0
Ano
(c) Logantmo do PtB real no Japo
-SL-~~-~~~-~~~~
19?0
1993
19%
1999
Ano
(d) Vanaes percentuais nos vJlores d1Jr1os do nd1ce
C o mposto de Aes da Bo lsa de V.1lores de N ma Ymk
(NYSE Composite Stock lndex)
298
ECONOMETRIA
Em 1972, as presses inflacionrias levaram quebra desse sistema; depois disso, permitiu-se que as principais
moedas passassem ento a "flutuar", isto , seus valores foram determinados pela oferta e demanda por moedas
no mercado cambial. Antes de 1972, a taxa de cmbio era aproximadamente constante, com exceo de uma
nica desvalorizao em 1968, em que o valor oficial da libra, relativo ao dlar, diminuiu para US$ 2,40. Desde
1972 a taxa de cmbio rem flutuado amplamente.
O PIB real trimestral japons (Figura 12.2c) o valor total dos bens e servios produzidos 110 Japo durante
um trimestre, ajustado pela inflao. O PIB a medida mais abrangente da atividade econmica total. O logaritmo
da srie mostrado na Figura 12.2c; variaes nessa srie podem ser interpretadas como taxas de crescimento (decimais) . Durante a dcada de 1960 e o incio da dcada de 1970, o PIB real japons cresceu rapidamente, porm
esse crescimento tornou-se mais len to no final da dcada de 1970 e durante a dcada de 1980. O crescimento
tornou-se ainda mais lento na dcada de 1990, com uma mdia de apenas 1,5 por cento ao ano de 1990 a 1999.
O retorno dirio do ndice de preo das aes da Bolsa de Valores de Nova Yo rk (NYSE) (Figura 12.2d)
a variao percentual de um dia de prego para o prximo no ndice de mercado NYSE Composite, um ndice
amplo dos preos das aes de tadas as empresas negociadas na Bolsa de Valores de Nova York. A Figura 12.2d
mostra esses retornos dirios de 2 de janeiro de 1990 a 31 de dezembro de 1998 (em um total de 1.771 observaes). Ao contrrio das outras sries da Figura 12.2, h muito pouca correlao serial nesses retornos dirios:
do contrrio, voc poderia prev-los utilizando retornos dirios passados e ganhar dinheiro comprando quando
espera que o m ercado suba e vendendo quando espera que ele caia. Embora o retorno em si seja essencialmente
imprevisvel, a Figura 12.2d revela padres na volatilidade dos retornos. Por exemplo, o desvio padr~o dos retornos
era relativamente grande em 19QJ e 1998 e relativamente pequeno em 1995. Esses "grupos de volatilidade"
("volatility clustering") so encontrados em muitas sries temporais fJnanceiras, e os modelos econo mtricos para
modelar esse tipo especial de heteroscedasticidade so discutidos na Seo 14.5.
12.3 Auto- Regresses

Qual ser a taxa de inflao dos preos- o aumento percentual nos preos em geral- no ano que vem?
Os investidores de Wall Street baseiam-se nas previses da inflao quando decidem o quanto pagar por ttulos.
Os economistas dos bancos centrais, como o Federal Reserve Bank nos Estados Unidos, utilizam as previses de
inflao quando estabelecem a poltica monetria. As empresas utilizam as previses de inflao quando projetam as vendas de seus produtos, e governos locais utilizam as previses de inflao quando elaboram seu oramento para o ano seguinte. Nesta seo, consideramos as previses feitas por meio de uma a uto-regresso, um
modelo de regresso que relaciona uma varivel de srie temporal a seus valores passados.
O Modelo Auto-Regressivo de Primeira Ordem

Se voc deseja prever o futuro de uma srie temporal, um bom ponto de partida o passado imediato. Por
exemplo, se deseja prever a variao na inflao deste trimestre para o prximo, pode verificar se a inflao aumentou ou diminuiu no trimestre passado. Uma forma sistemtica de prever a variao na inflao, 6 lnfr, utilizando
a variao no trimestre anterior, /::,. lnfr_1 , estimar uma regresso de MQO de /::,..Infr sobre !::,..lnfr_1 Estimada com
dados de 1962 a 1999, essa regresso
---
Mnfr
= 0,02- 0,211 Mrif,_ 1,

- (0, 14) (0,106)
(12.7)
---
onde, como de costume, os erros padro esto entre parnteses abaixo dos coeficientes estimados, e 6.l11fr o
valor previsto de .::.Infr com base na reta de regresso estimada. O modelo na Equao (12. 7) chamado de autoregresso de primeira ordem: uma auto-regresso porque uma regresso da srie sobre sua prpria defasagem.
/:;.Infc_ 1, e de primeira ordem porque somente uma defasagem utilizada como regressar. O coeficiente na Equao
(12.7) negativo, portanto um aumento na taxa de inflao em um trimestre est associado a um declnio na taxa
de inflao 110 trimestre seguinte.
CAPiTuLo 12
299
Uma auto-regresso de primeira ordem abreviada por AR(1), onde o " 1" indica que ela de primeira
ordem. O modelo AR(l) da populao para a srie Y 1
(12.8)
onde
11 1
um termo de erro.
--previses e erro de previso.
Suponha que voc tenha dados histricos sobre Y e queira prever seu valor
futuro. Se Y 1 segue o modelo AR(1) da Equao (12 .8) e se {3 0 e {3 1 so conhecidos, a previso de Y 1 baseada em
Yr-1 f3o + {31 l't- 1
Na prtica, {3 0 e {3 1 so desconhecidos, portanto as previses devem se basear em estimativas de {3 0 e {3 1. Utilizaremos os estimadores de MQO /3 0 e /3 1, que so construdos utilizando dados histricos. Em geral, Y, 11_ 1
representar a previso de Y1 baseada em informaes at o perodo t - 1 utilizando um modelo estimado com
dados at o perodo t- 1. Assim, a previso baseada no modelo AR(l ) da Equao (12.8)
(12.9)
onde /3 0 e /31 so estimados utilizando dados histricos at o perodo t- 1.
O erro de previso o erro cometido pela previso; essa a diferena entre o valor de Y 1 que efetivamente
ocorreu e o valor previsto baseado em J:-;_ 1:
erro de previso
= 1';-
Y,. 1~ 1
( l 2.10)
Previses v e rsus valores previstos. A previso no um valor previsto de MQO, e o erro de previso no
um resduo de MQO. Os valores previstos de MQO so calculados para as observaes da amostra utilizada
para estimar a regresso. A previso, por sua vez, feita para alguma data alm da base de dados utilizada para estimar a~~esso, ckP1od;<i."i"los dadas s;b~e o valor efetivo da varivel dependnte.prevista no esto na amostra
utili~da para estimar a regresso. e forma sem~lhante, o rcsiduo de MQ - diferena entre o valor efetivo
de Y e seu valor previsto para observaes da amostra, .ao passo que o erro de previso a diferena entre o valor
futuro de Y, que no est na amostra da estimao, e a previso desse valor futuro. Dito de outra forma, previses
e erros de previso dizem respeito a observaes " fora da amostra", enquanto valores previstos e resduos dizem
respeito a observaes" dentro da amostra".
Raiz do erro de previso quadrtico mdio.
A raiz do erro de previso quadrtico mdio (REPQM)

uma medida do tamanho do erro de previso, isto , da magnitude de um erro tpico cometido utilizando um
modelo de previso. A REPQM a raiz quadrada do erro de previso quadrtico mdio:
REPQM
= YE[(Y,- f; lr-lf)
( 12.11 )
A REPQM tem duas fontes de erro : o erro que surge porque os valores futuros de 11 1 so desconhecidos
e o erro cometido na estimao dos coeficientes {3 0 e {3 1. Se a primeira fonte de erro muito maior do que
a segunda, o que pode ocorrer se o tamanho da amostra grande, ento a REPQM aproximadamente
~. o desvio padro do erro 11 1 na auto-regresso da populao (veja a Equao (12.8)). O desvio padro
de 111 , por sua vez, estimado pelo erro padro da regresso (EPR; veja a Seo 5.10) . Assim, se a incerteza que
surge da estimao dos coeficientes da regresso pequena o suficiente para ser ignorada, a REPQl\/1 pode ser
estimada pelo erro padro da regresso. A estimao da REPQM incluindo as duas fontes de erro de previso
objeto da Seo l2.4.
A plicao inflao.
Qual a previso de inflao para o primeiro trimestre de 2000 (2000:1) que um analista teria feito em 1999:IV, com base no modelo AR(1) estimado da Equao (12.7) (que foi estimado utilizando
dados at 1999: IV)? Segundo a Tabela 12.1, a taxa de inflao em 1999: IV era de 3,2 por cento (portanto, 11!.{; 999:1v
= 3,2 por cento) , um aumento de 0,4 pontos percentuais em relao a 1999:1II (portanto, ~lnf1 999 :IV = 0,4).
300
ECON OMETRIA
Substituindo esses valores na Equao (12.7), a previso da variao na inf1ao de 1999: IV para 2000:1 ;ff;;r.,
-':1)()():!
::r 0,02-0,21 1 X Mn};
- 0,1 (a rredondada p ara a casa decimal mais
9991 v = 0,02-0,211 x 0,4 = -0,06
prxima) . A taxa de inflao prevista a taxa de inflao passada m ais sua variao prevista:
(12.12)
Como
l11}; 999 , 1v
---
= 3,2 por cento e a var iao prevista na taxa de inflao de 1999:IV a 2000:1
...-.... 000 ,1 = InJ;

Irif-2
de -0,1, a
taxa de inflao prevista para 2000:1 de

999 , 1v + !J.In.f2ooo: r = 3,2- O, 1 = 3,1 por cento. Portanto,
o m odelo AR(1) previu q ue a inflao teria um a pequena queda de 3,2 por cento em 1999:IV para 3,1 por cento
em 2000:1.
Quo precisa essa previso do AR(l)? Segundo a Tabela 12. 1, o valo r efetivo da inflao em 2000: ! foi de
..J., 1 por cento, portanto a previso do AR(1) mais baixa em um ponto percentual; isto , o erro de previso
de 1,0 por cento. O R 2 do modelo AR(l) da Equao (12.7) de apenas 0,04, portanto a variao da inflao
defasada explica uma frao muito pequena da variao na inflao da amostra utilizada para ajustar a autoregresso. Esse R2 baixo consistente com a previso medocre da inflao para 2000 :I produzida uti lizando a
Equao (12.7). De modo mais geral, o R2 baixo sugere que o m odelo AR(1) i r prever somente um montante
pequeno da variao na m udan a da inflao.
O erro padro da regresso d,a Equao (12.7) de 1,67; ignorando a incerteza originada da estimao dos
coeficientes, nossa estimativa da REPQM para previses baseadas-na Equao (12.7) , portanto. de 1,67 ponto
percentual.
O Modelo Auto-Regressivo de p-sima Ordem

O modelo AR(l) utiliza y;_ 1 para prever YP porm informaes potencialmente teis do passado mais distante so ignoradas. Urna forma de incorporar essas informaes incluir defasagens adicionais no modelo AR(1);
isso produz o modelo auto-regressivo de p-sima o rdem, ou AR(p).
O mod elo auto-regressivo d e p-sima ordem (o modelo AR(p)) representa Y1 como uma funo linear de p dos seus valo res defasados; isto , no modelo AR(p), os regressares so YH, y;_2, ... , y;_P mais um intercepto. O nmero de defasagens, p, includas em um modelo AR (p) chamado de ordem, ou tamanho da
defasagem, da auto-regresso.
Por exemplo, um m odelo AR(4) da variao na inflao utiliza quatro defasagens da variao na inflao
como regressares. Estimado por MQO ao longo do periodo 1962-1999, o modelo AR(4)
---
:::.Irifr =
0,02- 0,21D.Itifr_ 1 - 0,32c,.Jnfr_2 + O, 1961Iifr_3 - 0,04Mnfr-4

(0,12) (0, 10)
(0,09)
(0,09)
(12 .13)
(0, 10)
Os coeficientes das trs ltimas defasagens adicionais na Equao (12. 13) so, em conjunto, significativamente diferentes de zero ao nvel de significncia de 5 por cento: a estatstica F 6,43 (valor p < 0,00 1). Isso
reflete-se em uma melhora no R2 de 0,04 no modelo AR(1) da Equao (12.7) para 0,21 no AR (..J.). De forma
semelhante, o EPR do modelo AR (4) da Equao (12.13) 1,53, uma melhora em relao ao EPR do modelo
AR(1), que 1,67.
O modelo AR(p) est resumido no Conceito-Chave 12.3.
Propriedades da previso e do termo de erro no modelo AR(p).
A hip tese de q ue a expectativa condi(isto , E(u 1 y;_1, y;_2, .. ) = O) tem d uas implicaes
cional de u, igual a zero dados os valores passados de Y,

importantes.
A primeira implicao a de que a melhor previso de Y1 baseada em toda a sua histria depende apenas de
~eus p valores passados mais recentes. Especificamente, seja y; 11_ 1 = E( 'r; I y;_ 1, y;_2 , ... ) a m dia condicional de r,
1
CAPITULo
12
301
Auto-regresses
0 modelo auto-regressivo de p-sima ordem (o modelo AR (p)) representa Y 1 como uma
funo linear de p de seus valores defasados:
(1 2 14 )
onde E(u1 1~-l J't_2 , .. .)=O. O nmero de defasagens p chamado de ordem, ou tamanho da
defasagem, da auto-regresso.
ConceitoChave
12.3
dado seu histrico inteiro. Ento, J't r-1 tem a menor REPQM de qualquer previso baseada no histrico de Y
(veja o Exerccio 12.5). Se Y, segue um AR(p), sua mdia condicional
(12.15)
que resulta do modelo AR(p) da Equao (1~.14) e da hip tese de que E(u1 I t;_1 , t;_2, .. .) = O. Na prtica, os coeficientes {3 0 , {3 1, .. . , f3p so desconh'cidos, de modo que as previses efetivas de um AR(p) utilizam a Equao
(12.15) com coeficientes estimados.
A segunda implicao a de que os erros 11 1 no so serialmente correlacionados, um resultado que resulta
da Equao (2.25) (veja o Exerccio 12.5) .
Aplicao inflao.
Com base no modelo de inflao AR(4) da Equao (12. 13), qual a previso de
inflao para 2000:1 utilizando dados at 1999: IV? Para calcular essa previso, substitua os valores da variao na
inflao em cada um dos quatro trimestres de 1999 na Equao (12.13): 6 l rif2 ooo:I 11999 :1v = 0,02- 0,216In.J; 999:1v
- 0,326Jnj1999:III + 0,196ilif1999:II- 0,046JI'!f; 999 :I = 0,02-0,21 X 0,4- 0,32 X 0,0 + 0,19 X 1,1-0,04 X
(-0,4) :: 0,2, onde os valores de 1999 da variao na inflao so extrados da coluna final da Tabela 12.1.
A previso de inflao correspondente para 2000: [ o valor da inflao em 1999:1\T, mais a variao prevista,
isto , 3,2 + 0,2 = 3,4 por cento. O erro de previso o valor efetivo, 4, 1 por cento, menos a previso, ou 4,1
-3,4 = 0,7 por cento, um pouco menor do que o erro de previso de 1,0 por cento do AR(l).
--
12.4 Regresso de Sries Temporais com Previsores Adicionais

e o Modelo Auto-Regre ssivo de Defasagem Distribuda
A teoria econmica freqenteme nte sugere outras variveis que poderiam ajudar a prever a varivel de interesse. Essas outras variveis, ou previsores, podem ser includas em uma auto-regresso para produzir um modelo
de regresso de sries temporais com mltiplos previsores. Q uando outras variveis e suas defasagens so includas em uma auto-regresso, o resultado um modelo auto- regressivo de defasagem distribuda.
Prevendo Variaes na Taxa de Inflao Utilizando

Taxas de Desemprego Passadas
Um valor alto da taxa de desemprego tende a estar associado a um declnio futuro da taxa de inflao. Essa
relao negativa, conhecida como curva de Phillips de curto prazo, evidente no grfico de disperso da Figura
12.3, em que as variaes anuais na taxa de inflao dos preos so mostradas contra a taxa de desemprego no
ano anterior. Por exemplo, em 1982 a taxa de desemprego foi em mdia de 9,7 por cento, e durante o ano
seguinte a taxa de inflao caiu em 2,9 por cento. No total, a correlao na Figura 12.3 de -0,40.
302
EcoNOMETRIA
FIGURA 12.3 Grfico de Disperso da Variao na Inflao entre o Ano te o ano t + 1 versus
Taxa de Desemprego no Ano t
Variao na inflao
entre o ano t e o
ano t + 1
Em 1982, a taxa de desemprego

nos Estados Unidos foi de 9,7 por
:;r-
cento, e a taxa de inflao em

1983 caiu em 2,9 por cento
4f-
3r-
lo ponto grande). Em geral,

valores altos da taxa de
desemprego no ano t tendem a
2 f-
..
..
1 f-
ser seguidos de diminuies

na taxa de inflao dos preos no
Of-1 r--
ano seguinte, ano t + 1, com
-2 f-
uma correlao de --,40.
-3 r--
Linha de regresso estimada
-4 f-5 ~----~------L-----~------L------L----~
4
2
6
8
LO
12
Reta de regresso esti mada taxa de desemprego n o ano t
<
O grfico de disperso da Figur a 12.3 sugere que os valores passados da taxa de desemprego podem comer
informaes sobre a trajetria futura da inflao que j no esto contidas nas variaes passadas na inflao. Essa
conjectura prontamente verificada ampliando-se o modelo AR(4) da Equao (12. 13) para incluir a primeira
defasagem da taxa de desemprego:
---- =
Mt!fr
1,42- 0,26Mnft_1 - 0,40M nft_2

(0,53) (0.09)
(0, 1O)
+ O,l1Mf!fr_3 (0.08)
0,09Mnft-~- 0,23Desemp1_ 1
(0. 1O)
(0, 1O)
(12.16)
A estatstica t de Desemp 1_ 1 de -2,33, de modo que esse termo significante ao nvel de 5 por cento. O R1
dessa regresso 0,22, uma pequena melhora em relao ao R 2 de 0,21 do AR(4).
A previso da variao na inflao em 2000:I obtida substitui ndo- se os valores de 1999 da variao na
inflao na Equao (12.16), juntamente com o valor da taxa de desemprego em 1999: IV (que de 4 ,1 por
cento); a previso resultante 6.Jrif2000, 111999, 1v = 0, 5. Assim, a previso de inflao para 2000:1 de 3,2 + 0,5 =
3,7 por cento, e o erro de previso de 0,4 por cento. Essa previso mais prxima da inflao efetiva em 2000:1
do que a previso do AR(-+).
Se uma defasagem da taxa de desemprego ajuda a prever a inflao, muitas defasagens podem ajudar ainda
mais; a incluso de mais trs defasagens da taxa de desemprego produz
----
---- =
Mr!fr
1,32- 0,366.I1!fr_1 - 0,34i:::.il!fr_2 + 0,07M nft_3 - 0,03Mr!fr-4

(0,47) (0.09)
(0,10)
(0,08)
(0,09)
- 2,68Desemp1_ 1 + 3,43Desemp1_ 2 - 1,04Desemp1_ 3 + 0,07 Desemp1-4.

(0,47)
(0,89)
(0,89)
(12.17)
(0,44)
A estatstica F testando a significncia conjunta da segunda quarta defasagens da taxa de desemprego de

4, 93 (valor p = 0,003), Jogo elas so conjuntamente significantes. O R2 da regresso na Equao (12 . 17)
de 0,35, uma melhora consistente em relao ao 0,22 da E quao (12.16). A estatstica F de todos os coeficientes
do desemprego de 8,51 (valor p < 0,001), indicando que esse modelo representa uma melhora estatisticamente
significante em relao ao modelo AR(4) da Seo 12.3 (Equao (12.1 3)) . O erro padro da regresso na Equao
(1 2.17) de 1,37, uma melhora substancial em relao ao EPR de 1,53 do AR(4).
CAPTuLo 12
303
Modelo Auto-Regressivo de Defasagem Distribuda

O modelo auto-regressivo de defasagem distribuda com p defasagens de Y1 e q defasagens de
X, representado por ADD(p,q) ,
(12.18)
onde {30, {J 1, ... ,
/3p, 81, .. , ~1 so coeficientes desconhecidos e
Y,_z, ..., X,_,, X,_2, ... ) = O.
u1 o termo de erro com E(u1 IY,_1,
ConceitoChave
12.4
A va riao prevista na inflao de 1999: IV a 2000:I utilizando a Equao (12 .17) calculada pela substituio dos valores das variveis na equao. A taxa de desemprego foi de 4,3 por cento em 1999:I e 1999:II, de 4,2
por cento em 1999:III e de 4,1 por cento em 1999:IV A previso da variao na inflao de 1999:IV a 2000:1
com base na Equao (12 .1 7)
---
j.Jiifznoo 1 1999JV = 1,32- 0,36 X 0,4- 0,34

X
(-0,4) - 2,68
4,1 + 3,43
4,2 - 1.04
0,0
+ 0,07 X 1,1 - 0,03
4.3 + 0,07
4,3 = 0,5
(12.19)
Portanto, a previso da inflao para 2000:1 de 3,2 + 0,5 = 3,7 por cento. O erro de previso pequeno,
0,4. A incluso de mltiplas defasagens da taxa de desemprego parece m elhorar as previses d~ inflao em relao
s de um AR(4).
O modelo auto-regressivo de defasagem distribuda.
Os modelos nas equaes ( 12.16) e (12. 17) so modelos auto-regressivos de defasagem distribuda (ADD): "auto-regressivos" porque os valores defasados da
varivel dependente so includos como regressares, como em uma amo-regresso, e " de defasagem distribuda.,
porque a regresso tambm inclui mltiplas defasagens (uma "defasagem distribuda'') de um previsor adicional.
Em ge ral, um modelo auto-regressivo de defasagem distribuda com p defasagens da varivel dependente Y, c q
defasagens de um previsor adicio nal X 1 chamado de modelo ADD(p,q). Nessa notao, o modelo da Equao
(12.1 6) um modelo ADD(4, L) e o modelo da Equao (12.17) um modelo ADD(4,4).
O modelo auto-regressivo de defasagem distribuda est resumido no Conceito-Chave 12.4. Com lodos
esses regressares. a notao na Equao (12.18) fica um tanto pesada; no Apndice 12.3, aprese ntamos uma
notao opcional alternativa baseada no operador defasagem.
A hiptese de que os erros no modelo ADD possuem uma mdia condicional igual a zero dados todos os
valores passados de y e de X, isto , que E( u i I Y,-1 Y,-2>... , xt-1' xt-2 ... ) = O, implica que nenhuma defasagem
adicional tanto de Y q uanto de X pertencem ao m odelo ADD. Em o utras palavras , os tamanhos de defasagem p
e q so os verdadeiros e os coeficientes das defasagens adicionais so iguais a zero.
O modelo ADD contm defasagens da varivel dependente (o componente auto-regressivo) e uma defasagem
distribuda de um nico pre\'isor adicional. X Em geral. contudo, as previses podem ser aperfeioadas utilizandose mltiplos previsores. Porm, antes de passarmos para o modelo geral de regresso de sries temporais com
m lti plos previsores, vamos introduzir o conceito de estacionariedade. que ser utilizado naquela discusso.
Estacionariedade
A anlise de regresso de dados de sries temporais necessariamente utiliza dados do passado para quantificar
relaes histricas. Se o futuro igual ao passado, ento essas relaes histricas podem ser utilizadas para prever
o futuro. Mas se o futuro difere fundamentalmente do passado, essas relaes histricas podem no ser guias confiveis para o futuro.
304
EcoNOMETRIA
Conce itoChave
12.5
Uma srie temporal Y1 estacionria se a sua distribuio de probabilidade no muda ao

longo do tempo, isto , se a distribuio conjunta de (Y,+1 , Y,+2 , ... , Y,+r) no depende de s;
caso contrrio, diz-se que Y, no estacionria. Diz-se que um par de sries temporais y
I
e X, conjuntamente estacionrio se a distribuio conj unta de (Xs+l, Y,+1 , Xs+2 , Y,+2 , . . . ,
x,+T, Y,+T) no depende de 5. A estacionariedade requer que o futuro seja igual ao passado,
pelo menos em um sentido probabilstico.
No contexto da regresso de sries temporais, a idia de que as relaes histricas po dem ser generalizadas
para o futuro formalizada pelo conceito de estacio nariedade . A definio precisa de estacionariedade, presente no Conceito-Chave 12.5, de que a distribuio da varivel de srie temporal no muda ao longo do
tempo.
Regresso de Sries Temporais com Mltiplos Previsores

O modelo geral de regresso de sries temporais com mltjplos previsores estende o modelo ADD para
incluir mltiplos previsores e suas defasagens. O modelo resumido no Conceito-Chave 12.6. A presena de
mltiplos previsores e suas defasagens leva a um duplo subscrito dos coeficientes e regressares da regresso.
Hipteses do modelo de regresso de sries temporais. As hipteses do Conceito-Chave 12.6 modificam as quatro hipteses de mnimos quadrados do modelo de regresso m ltipla para dados de corte (veja o Conceito-Chave 5.4), adaptando-as para o caso de dados de sries temporais.
A primeira hiptese de que H 1 possui uma mdia condicional igual a zero, dados todos os regressares e as
defasagens adicionais dos regressares alm das defasagens includas na regresso. Essa hiptese estende a hiptese
utilizada nos modelos AR e ADD e implica que a melhor previso de Y1 utilizando todos os valores passados do
Y e dos Xs fornecida pela regresso da Equao (12.20).
A segunda hiptese de mnimos quadrados para dados de corte (Conceito-Chave 5.4) de que (Xll, ... ,X,."
Y,), i = 1, ... , n so independente e identicamente distribudas (i.i.d). A segunda hiptese para a regresso de sries
temporais substitui a hiptese i.i.d. por uma mais apropriada, composta de duas partes. Na parte (a), os dados so
selecionados de uma distribuio estacionria de modo que a distribuio dos dados atuais igual sua distribuio
no passado. Essa hiptese uma verso de sries temporais da parte "identicamente distribuda" da hiptese i.i.d.:
o requisito de corte de que cada seleo identicame nte distribuda substitudo pelo requisito de sries temporais de que a distribuio conjun ta das variveis, incluindo as difasagens, no muda ao longo do tempo. Na prtica,
muitas sries temporais econmicas parecem ser no estacionrias, o que significa que essa hiptese pode no ser
vlida em aplicaes. Se as variveis de sries temporais so no estacionrias, um ou mais problem as podem surgir na regresso de sries temporais: a previso pode ser viesada, ineficiente (podem existir previses alternativas
baseadas nos mesmos dados m as com varincia menor) ou as inferncias estatsticas convencionais baseadas em_
MQO (por exemplo, a realizao de um teste de hiptese comparando a estatstica t de MQO a 1 ,96) podem
ser enganosas. Precisamente quais desses problemas ocorrem, e suas solues, dependem da fonte da no-estacionariedade. Nas sees 12.6 e 12.7, estudamos os problemas, os testes e as solues para do is tipos de noestacionariedade importantes empiricamente em sries temporais econmicas, tendncias e quebras . Por ora.
contudo, simplesmente supomos que as sries so conjuntamente estacionrias e, portanto, nos concentramos nas
regresses com va riveis estacionrias.
A parte (b) da segunda hiptese requer que as variveis aleatrias tornem -se independenteme nte distribudas quando o intervalo de tempo que as separa se torna grande. Isso substitui o requisito de corte de que as variveis sejam independentemente distribudas de uma observao para outra pelo requisito de sries temporais de
que elas sejam independentemente distribudas quando estiverem separadas por longos perodos de tempo. Essa
CAPiTuLo 12
305
Regresso de Sries Temporais com Mltiplos Previsores

O modelo geral de regresso de sries temporais leva em conta k previsores adicionais, onde
q1 defasagens do primeiro previsor so includas, q2 defasagens do segundo previsor so includas e assim por diante:
1'; = f3o + {31Y,-I + {32Y,-2 + ... + f3pl';-p + 811Xlr-1 + 812XIr-2 + ... + 81q1X1r-q 1 +
(12.20)
ConceitoChave
12.6
onde
1. E(u,jY,_I,Y,-2, ... , Xlr-1 Xtr-2 ... , Xkr-1 Xkr-2 ... )=O;

2. (a) As variveis aleatrias (J'r, X 1r> , X 1) possuem uma distribuio estacionria e (b)
(J't, XII' ... , xkt) e (Y,_jJ xlt-j ... , x kr-) tornam-se independentes m edida que j torna-se
grande;
3. XII' ... , xkt e yr possuem quartos momentos finitos diferentes de zero; e
4. no existe multicolinearidade perfeita.
hiptese s vezes chamada de dependncia fraca , e ela assegura que em amostras grandes h aleato riedade
suficiente nos dados para que a lei dos grandes nmeros e o teorema central do limite sejam vlidos. No fornecemos uma expresso matemtica precisa da condio de dependncia fraca, mas o leitor pode recorrer a Hayas hi
(2000, Captulo 2).
A terceira hiptese, que igual terceira hiptese de mnimos quadrados para dados de corte, de que todas
as variveis possuem quartos momentos finitos diferentes de zero.
Finalmente, a quarta hiptese, que tambm igual dos dados de corte, de que os regressares no so perfeitamente multicolineares .
Inferncia estats tica e o teste de causalidade de Granger. Sob as hipteses do Conceito-Chave 12.6, a
inferncia sobre os coeficientes da regresso utilizando MQO se d da mesma forma que a inferncia feita utilizando dados de corte.
Uma aplicao til da estatstica F na previso de sries temporais testar se as defasagens de um dos regressares includos possuem um contedo preditivo til, muico superior ao dos outros regressares no modelo. A afirmao de qu e uma varivel no possui contedo preditivo corresponde hiptese nula de que os coeficientes de
todas as defasagens daquela varivel so iguais a zero. A estatstica F testando essa hiptese nula chamada de
estatstica de causalidade de Granger, e o teste associado a ela chamado de teste de causalidade de
Granger (Granger (1969)). Esse teste resumido no Conceito-Chave 12.7.
A causalidade de Granger tem pouca relao com a causalidade no sentido empregado em outras partes deste
livro. No Captulo 1, causalidade foi definida em termos de um experimento controlado aleatrio ideal em q ue
diferentes valores de X so aplicados experimentalmente, e observamos o efeito posterior sobre Y. Em contraste,
a causalidade de Granger significa que, se X causa Y no sentido de Granger,* ento X um p revisor til de Y,
dadas as outras variveis na regresso. Embora "previsibilidade de Granger" seja um termo mais prec iso do que
"causalidade de Granger", este ltimo foi incorporado ao jargo da econometria.
Como exemplo, considere a relao entre a variao na taxa de inflao e seus valores passados e os valores
passados da taxa de desemprego. Com base nas estimativas de MQO na Equao (12.1 7) , a estatstica F testando
a hiptese nula de gue os coeficientes das quatro defasagens da taxa de desemprego so iguais a zero de 8,51
Alguns economecnstas preferem utilizar a expresso mais concisa "X Cra11ger-causa Y" em vez de "X causa Y 110 sel/(irlo de Cra11ger"(N.
do R.T.).
306
ECONOMETRIA
Chave
12.7
(p < 0,001) : no jargo do Conceito-Chave 12.7, podemos concluir (ao nvel de significncia de 1 por cento) que
a taxa de desemprego causa variaes na taxa de inflao no sentido de Granger. Isso no significa necessariamente que uma variao na taxa de desemprego causar- no sentido do Captulo 1 - uma variao posterior
na taxa de inflao. Significa que os valores passados da taxa de desemprego parecem conter informaes teis para
prever variaes na taxa de inflao, alm daquelas contidas nos valores passados da taxa de inflao.
Incerteza na Previso e Intervalos de Previso

Em qualquer problema de estimao, uma boa prtica apresentar uma medida da incerteza dessa estimativa, e a previso no uma exceo. Uma medida da incerteza de uma previso sua raiz do erro de previso
quadrtico mdio. Sob a hiptese adicional de que os erros ur so normalmente distribudos, a REPQM pode
ser utilizada para construir um intervalo de previso, isto , um intervalo que contm o valor futuro da varivel
com uma determinada probabilidade.
Incerteza da previso.
O erro de previso consiste de dois cornponentes : a incerteza que surge da estimao

dos coeficientes da regresso e a incerteza associada ao valor desconhecido futuro de "Ir. Para regresses com
poucos coeficientes e muitas observaes, a incerteza que su rge do 11r futuro pode ser muito maior do que a
incerteza associada estimao dos parmetros. Em geral, contudo, ambas as fontes de incerteza so importantes,
ele modo que agora desenvolvemos uma expresso para a REPQM que incorpora essas duas fontes de incerteza.
Para manter a notao simples, considere as previses de YT+l baseadas em um modelo ADD(1, 1) com um
nico previsor, isto , Y, = {30 + {3 1Y,_1 + 8 1XH + ur> e suponha que u1 seja h omoscedstico. A previso Yr- i!T
= /30 + (1 1Yy + 61X -r, e o erro de previso
(12 .21)
Como un 1 possui mdia condicional igual a zero e homoscedstico, JtT+l possui varincia u} e no est
correlacionado com a expresso final entre colchetes da Equao (12.21 ). Portanto, o erro de previso quadrtico
mdio (EPQM)
EPQM = E[(Yr+t- Yr+ttrf]
= ,~ + var[(/30 -
{30 ) + (/3 1 - {3 1) Yr + (6,- o1)Xr],
(J 2.22)
e REPQM a raiz quadrada do EPQM.

A estimao do EPQM envolve a estimao das duas partes da Equao (12 .22) . O primeiro termo, a,~ , pode
ser estimado pelo quadrado do erro padro da regresso, conforme discutido na Seo 12.3. O segundo termo
requer a estimao da varincia de uma mdia ponderada dos coeficientes da regresso, conforme os mtodos
discutidos na Seo 6.1 (veja a discusso aps a Equao (6.7)) .
Um mtodo alternativo para estimar o EPQM utilizar a varincia das pseudoprevises fora da amostra, um
procedimento discutido na Seo 12.7.
CAPTuLo 12
307
Intervalos de previso.
Um intervalo de previso como um intervalo de confiana, exceto pelo fato de

que diz respeito a uma previso. Isto , um intervalo de previso de 95 por cento um intervalo que contm
valor futuro da srie em 95 por cento das aplicaes.
0
Uma diferena importante entre um intervalo de previso e um intervalo de confiana que a frmula usual
para um. intervalo de confiana de 95 por cento (o estimado r 1, 96 erros padro) justificada pelo teorema central do limite e, portanto, vlida para uma ampla gama de distribuies do termo de erro. Em contraste, como
o-erro de previso na Equao (12.21) inclui o valor futuro do erro uT+ 1 , o clculo de um intervalo de previso
requer que se estime a distribuio do termo de erro ou que se faa alguma hiptese sobre essa distribuio.
Na prtica, conveniente supor que uT+l normalmente distribudo. Se for esse o caso, a Equao (12 .21)
e 0 teorema central do limite aplicados a /J0 , /J1 e 81 implicam que o erro de previso a soma de dois termos
independentes normalmente distribudos, de modo que esse erro normalmente distribudo, com varincia igual
ao EPQM. Segue-se que um intervalo de confiana de 95 por cento dado por YT+l iT 1,96 EP(YT+1 - f;-+ li T),
onde EP(YT+l- YT+liT) um estimador da REPQM.
Essa discusso concentrou-se no caso em que o termo de erro, uT+l homoscedstico. Se, em vez disso, uT+ I
heteroscedstico, ento preciso desenvolver um modelo da heteroscedasticidade de modo que o termo a} da
Cquao (12.22) possa ser estimado, dados os valores mais recentes de Y e X; os mtodos para modelar essa heteroscedasticidade condicional so apresentados na Seo 14.5.
Em virtude da incerteza sobre eventos futuros- isto , a incerteza sobre uT+ I - , os intervalos de previso de
95 por cento podem ser to grandes que possuem utilizao limitada na tomada de decises. Os analistas, portanto,
freqentem.ente apresentam intervalos de previso mais restritos do que 95 por cento, por exemplo intervalos de
previso de um erro padro (que so intervalos de previso de 68 por cento se os erros so normalmente distribudos). Alternativamente, alguns analistas apresentam mltiplos intervalos de previso, como fazem os economistas do
Banco da Inglaterra (Bank ofEngland) quando publicam suas previses de inflao (veja o quadro "Rio de Sangue").
12.5 Seleo do Tamanho da Defasagem

Utilizando Critrios de Informao
As regresses estimadas da inflao nas sees 12.3 e 12.4 possuem uma ou quatro defasagens dos previsores .
Uma defasagem faz algum sentido, mas por que quatro 1 Generalizando, quantas defasagens deveriam ser includas em uma regresso de sries temporais? Nesta seo, discutimos mtodos estatsticos para a escolha do nmero
de defasagens, primeiro em uma auto-regresso, depois em um modelo de regresso de sries temporais com
mltiplos previsores.
Determinando a Ordem de uma Auto-Regresso

Na prtica, a escolha da ordem p de uma auto-regresso requer o equilbrio do beneficio da incluso de mais
defasagens contra o custo da incerteza adicional da estimao. Por um lado, se a ordem de uma auto-regresso
estimada for muito baixa, voc omitir informaes potencialmente valiosas contidas nos valores defasados mais
distantes. Por outro lado, se for demasiadamente alta, estimar mais coeficientes do que o necessrio, o que por
sua vez introduz erros de estimao adicionais em suas previses.
Enfoque da estatstica F. Um enfoque utilizado para escolher p comear por um modelo com muitas
defasagens e realizar testes de hiptese sobre a ltima defasagem . Por exemplo, voc pode comear a estimar
um AR(6) e testar se o coeficiente da sexta defasagem significante ao nvel de 5 por cento; se no for, exclua
a defasagem e estime um AR(5), teste o coeficiente da quinta defasagem e assim por diante . A desvantagem
desse mtodo que ele produzir, pelo menos algumas vezes, um modelo grande demais: mesmo que a verdadeira ordem do AR seja cinco, d e modo que o sexto coeficiente seja zero, um teste de 5 por cento utilizando
a estatstica t para um nvel de 5 por cento rejeitar incorretamente essa hiptese nula em 5 por cento das vezes
por acaso. Portanto, quando o valor verdadeiro de p for cinco, esse mtodo estimar p como seis em 5 por
cento das vezes.
308
Ec oNOMETRIA
O Rio de Sangue
'
orno parre de seus esforos para informar o pblico

sobre suas decises relativas poltica monetria, o
Banco da Inglaterra publica regularmente previses de
inflao. Essas previses combinam resultados de modelos
economtricos mantidos por econometristas profissionais
do banco com o julgamento especializado dos membros
do pessoal superior do banco e do Comit de Poltica
Monetria. As previses so apresentadas como um conjunto de intervalos de previso projetados que refletem o
que esses economistas consideram ser o intervalo de caminhos provveis que a inflao pode tomar. No R elatrio
da Inflao (biflatioll Report) publicado pelo banco, esses
intervalos esto impressos em vermelho, com o vermelho
mais escuro representando a banda central. Embora o
banco prosaicamente se refira a isso como o "grfico em
leque.,, a imprensa denominou essas tonalidades difusas de
vermelho de "rio de sangue."
"
A Figura 12.4 mostra o rio de sangue para fevereiro de
200 l (nesta figura, o sangue cinza, no vermelho, de modo
que voc precisar uti.lizar sua imaginao). O grfico mostra
que, a partir de fevereiro de 2001 , os economistas do banco
esperavam que a inflao permanecesse basicamente estvel
em aproximadamente 2 por cento ao longo do ano seguinte,

mas que ento aumentaria. Existe, contudo, uma considervel incerteza em relao a essa previso. Em seu
relatrio, eles citaram em particular a possibilidade de uma
desacelerao maior nos Estados Unidos- que na verdade
se transformou na recesso de 2001 - que poderia levar a
uma inflao mais bai.;.;:a no Reino Unido. De acordo com
os acontecimentos, sua previso foi boa: no quarto trimestre
de 2001, a taxa de inflao foi de 2 por cento.
O Banco da Inglaterra foi pioneiro no movimento
rumo a uma maior abertura pelos bancos centrais, e outros desses bancos passaram a publicar previses de mflao. As decises tomadas por elaboradores de polticas
monetrias so dificeis e afetam as vidas- e os bolsosde muitos cidados. Em uma democracia na era da informao, argumentaram os economistas do Banco da
Inglaterra, particularmente importante que os cidados
entendan{ o ponto de vista econmico do banco e o
raciocnio por trs de suas dificeis decises.
Para ver o r io de sangue em sua cor original, visite o
site do Banco da Inglaterra em www.bankofengbnd.
co. uk/ inflationreport.
FIGURA 12.4 O Rio de Sangue
O grfico em leque do Banco da

Inglaterra para fevereiro de 2001
Aumento percentual n os
preos em relao ao ano anterio r
mostra intervalos de previso paro o

inflao.
1996 1997 1 998 1 999 2000 200 1 2002

Ano
CAPiTuLo 12
309
C/B. uma forma de contornar esse problema estimar p minimizando um "critrio de informao". Um
de~ses critrios o critrio de informao de Bayes (CIB),* tambm chamado de critrio de informao
de Schwarz (CIS), que
BIC(p)
= ln( SQ~(p)) +
1,
(p + 1) 1
(12.23)
onde SQR(p) a soma dos quadrados dos resduos no AR(p) estimado. O estimador cIB de p, p, o valor que
minimiza CIB(p) entre as escolhas possveis p = O, 1, ... , Pmlrx onde Pmx o maior valor de p considerado.
A frmula para o CIB pode parecer um tanto enigmtica a princpio, mas tem um apelo intuitivo. Considere
o primeiro termo da Equao (12 .23). Como os coeficientes da regresso so estimados por MQO, a soma dos
quadrados dos resduos necessariamente diminui (ou pelo menos no aumenta) quando voc acrescenta uma
defasagem. Em contraste, o segundo termo o nmero de coeficientes estimados da regresso (o nmero de
defasagens, p, mais um do intercepto) multiplicado pelo fator (ln 1)/ T. Esse segundo termo aumenta quando voc
acrescenta uma defasagem. O CIB contrabalana essas duas foras de modo que o nmero de defasagens que
minimiza o CIB seja um estimado r consistente do tamanho verdadeiro da defasagem. No Apndice 12.5, apresentamos a matemtica desse argumento.
Como exemplo, considere a estimao da ordem do AR para uma auto- regresso da variao na taxa de
inflao. Os vrios passos para o clculo do CIB so conduzidos na Tabela 12.3 para auto-regresses de ordem
mxima seis (p,,x = 6). Por exemplo, para o modelo AR(1) da Equao (12.7), SQR(l) I T = 2,726, de modo que ln(SQR(l)/T) = 1,003. Como T = 152 (38 anos, quatr trimestres por ano), In (T)IT = 0,033 e
(p + l)ln(T)/T= 2 x 0,033 = 0,066. Portanto, BIC(l) = 1,003 + 0,066 = 1 ,069.
Na Tabela 12.3, o C IB o menor quando p = 3. Portanto, a estimativa do CIB do tamanho da defasagem
3. Como pode ser visto na Tabela 12.3, medida que o nmero de defasagens aumenta, o R 2 aumenta e a SQR
diminui. O aumento em R 2 maior de uma a duas defasagens, menor de duas a trs defasagens e extremamente
pequeno de trs a quatro defasage ns. O CIB ajuda a decidir de forma precisa o tamanho do aumento em R 2 para
justificar a incluso de uma defasagem adicional.
CIA.
O CIB no o nico critrio de informao; h tambm o critrio de info rmao de Akaike, ou CIA:"*
CIA(p)
= Jn ( SQR(p))
T
2
, (p + l)T
_L
(12.24)
TABELA 12.3 Critrio de Informao de Bayes (CIB) e o R2 para Modelos Auto-Regressivos da Inflao
dos Estados Unidos, 1962- 1999
R1
SQR(p)/T
2,853
1,048
0,033
1,081
0,000
2,726
1,003
0,066
1,069
0,045
2,361
0,859
0,099
0.958
0,173
2.26-t
0,817
0.132
0.949
0,206
2,261
0,816
0.165
0.981
0,207
2,260
0.815
O, 198
I ,013
0,208
2,257
0,814
0,231
1,0-+5
0, 209
ln(SQR(p)/T)
N o orig inal , CIB corresponde a BIC (N. do R.T.).

No onginal, CIA corresponde a AIC (N. do R.T.).
{p + 1 )ln(T)/T
CIB(p)
31
EcoNOMET RIA
A diferena entre o C IA e o CIB que o termo "In T" no CIB substitudo por "2" no C IA. de modo que
o segundo termo no CIA menor. Por exemplo, para as 152 observaes utilizadas para estimar as auto-regresses
' da inflao, In T = ln(152) = 5.02, de modo que o segundo termo do C IB mais do que o dobro do segundo
termo do C lA. Porranto, uma diminuio menor na SQR necessria no CIA para justificar a incluso de outra
defasagem. Como uma questo teri ca, o segundo termo do C IA no grande o suficiente para garantir que 0
tamanho correto da defasagem tenha sido escolhido, mesmo em amostras grandes, portanto o estimador do CIA
de p no consistente. Conforme discutido no Apndice 12.5, em amostras g randes, a probabilidade de que 0
C IA superestime p diferente de zero.
Apesar dessa impetfeio terica, o C IA largamente utilizado na prtica. Se voc est preocupado com 0
fato de que o CIB pode produzir um modelo com muito poucas defasagens, o C l A fornece uma alternativa
razovel.
Uma nota sobre o clculo de critrios de informao. A melhor forma de avaliar como duas regresses
estimadas se ajustam aos dados estim- las utilizando os mesmos conjuntos de dados. Como o CIB e o CIA
so mtodos formais que fazem essas comparaes. as auto-regresses em considerao de\eriam ser estimadas
utilizando as mesmas observaes. Por exemplo, n a Tabela 12.3, todas as regresses foram estimadas utilizando
dados de J 962 :I a I 999 :IV, em um total de 152 observaes. Como as auto-regresses envolvem defasagens
da variao na inflao. isso significa q ue valores anteriores da variao na inflao (valores anteriores a 1962:1)
foram utilizados como regressares para as observaes preliminares. Dito de outra forma , cada regresso examinada na Tabela 12.3 inclui opservaes de 6. Iuj,, 6.Irifr_1, , 6.bifr_P para t = 1962:1, ... , 1 999:IV, o que corresponde a 152 observaes da varivel dependente e dos regres~on:s; assim, nas equaes (12.23) e (12.2-+),
T = 152.
Seleo do Tamanho da Defasagem na Regresso de Sries

Temporais com Mltiplos Previsores
O dilema envolvido na escolha do tamanho da defasagem no modelo geral de regresso de sries temporais
com mltiplos regressares (Eq uao (12.20)) sem elhante quele envolvido em uma auto- regresso : a utilizao
de muito poucas defasagens pode diminuir a preciso da previso, uma vez que informaes valiosas so perdidas, mas o acrscimo de defasagens aumenta a incerteza da estimao. A escolha de defasagens deve contrabalanar o beneficio de utilizar informaes adicionais com o c usto de estimar os coeficientes adicio nais.
O enfoque da estatstica F.
Assim como na auto-regresso univariada, uma forma de determinar o nmero

de defasagens a serem includas utiliza r a estatstica F para testar hip teses conj untas de que conjuntos de coeficientes so iguais a zero. Por exemplo, na discusso da Equao (12.17) . testamos a hiptese de que os coeficientes da segunda quarta defasagem da taxa de desemprego so iguais a zero contra a alternativa de que so
diferentes de zero; essa hiptese foi rejeitada ao nvel de significncia de 1 por cento, dando suporte especificao de defasagens mais longas. Se o nmero de modelos comparados pequeno, esse mrodo da estatstica F
f:kil de utilizar. Em geral, contudo, o mtodo da estatstica F pode produzir modelos que so grandes demais
no sentido de que a verdadeira ordem de defasagem superestim ada .
Critrios de informao.
Como em uma auto-regresso, o C IB e o CIA podem ser utilizados para estimar

o nm.ero de defasagens e variveis no modelo de regresso de sries temporais com mltiplos previsores. Se o
modelo de regresso possui K coeficientes (incluindo o intercepto), o CIB
C IB(K)
= ln( SQ~(K)) + K
1;:.
(12.25)
O CIA definido da mesma forma, porm 2 substitui lnTna Equao (12.25) . Para cada modelo possveL
o C IB (ou o C IA) pode ser calculado, e o modelo com menor valor do CIB (ou o ClA) o modelo preferido
com base no critrio de informao.
CAPTULO
12
311
H duas consideraes prticas importantes na utilizao de um critrio de infor m ao para estimar o

tamapho das defasagens . Em primeiro lugar, como o caso para a auto-regresso, todos os modelos possveis
devem ser estimados com base na mesma amostra; na notao da Equao (12.25), o nmero de observaes utilizadas para estimar o modelo, T, deve ser o mesmo para todos os modelos. Em segundo lugar, quando h mltiplos previsores, esse enfoque exige muito dos computadores, pois requer o clculo de muitos modelos (muitas
combinaes dos parmetros de defasagem). Na prtica, um atal ho conveniente requerer que todos os regressares tenham o mesmo nmero de defasagens, isto , requerer que p = q1 = = qk, de modo que somente
Pmx + t modelos necessitem ser comparados (correspondendo a p = O, .I , ... , p1116J .
12.6 No-Estacionariedade I:Tendncias

No Conceito-Chave 12.6, supusemos que a varivel dependente e os regressares so estacionrios. Se no
esse o caso, isto , se a varivel dependente e/ ou os regressares so no estacionrios, os testes de hiptese convencionais, os intervalos de confiana e as previses podem no ser confiveis . O problema exato criado pela noc:stacionariedade e sua soluo dependem da natureza dessa no-estacionariedade.
Nesta seo e na prxima, examinamos dois dos tipos mais importantes de no-estacionariedade em dados
de sries temporais econmicas: tendncias e quebras . Em cada seo, primeiro desc revemos a natureza da noestacionariedade e ento discutimos as conseqncias p ara a regresso de sries te mporais se esse tipo de
no-estacionariedade estiver presente;.mas for ignorado. Em seguida, apresentamos testes para a no-estacionariedade c discutimos solues para os problemas causados por esse tipo particular de no-estacionariedade. Comecemos pela discusso de tendncias.
O Que uma Tendncia?

Tendncia um movimento persistente de longo prazo de uma varivel ao longo do tempo. Uma varivel
de srie temporal flutua em torno de sua tendncia.
A Figura 12.la sugere que a taxa de inflao dos Estados Unidos possui uma tendncia que consiste em uma
tendncia geral ascendente at 1982 e uma tendncia descendente a partir da. As sries das figuras 12 .2a, b e c
tambm possuem tendncias, mas so completamente diferentes. A tendncia na taxa de juros dos Fundos Federais dos Estados Unidos semelhante tendncia na taxa de inflao do pas. A taxa de cmbio dlar-libra possui claramente uma tendncia descendente prolongada aps o colapso do sistema de taxa de cmbio fixa em 1972.
O logaritmo do PIB real japons tem uma tendncia COITlplicada: a um crescimento rpido inicial segu e-se um
crescimento moderado e finalmente um crescimento lento.
Tendncias deterministas e estocsticas. Existem dois tipos de tend ncias nos dados de sries temporais:
as deterministas e as estocsticas. Uma tendncia determinista uma funo no aleatria do tempo. Por exemplo, uma tendncia determinista pode ser linear ao longo do tempo; se a inflao tivesse uma tendncia linear
determinista, de modo que aumentasse em O, 1 ponto percentual por trimestre, essa tendncia poderia ser escrita
como O, 1t, onde t medido em trimestres. Em contraste, uma tendncia estocstica aleat ria e varia ao
longo do tempo. Por exemplo, uma tendncia estocstica na inflao pode apresentar um per1odo prolongado de
aumento, seguido de um perodo prolongado de declnio, como a tendncia da inflao na Figura 12. L.
Assim como muitos econometristas, consideramos mais apropriado modelar sries temporais econmicas
com tendncias estocsticas em vez de deterministas. A econometria complexa. difcil conc iliar a previsibilidade implicada por uma tendncia determinista com as complicaes e surpresas enfrentadas ano aps ano por
trabalhadores, empresas e governos. Por exemplo, embora a inflao nos Estados Unidos tenha subido at a dcada
de 1970, ela no estava destinada nem a aumentar para sem pre nem a cair novamente. Em vez disso, compreendeu-se que o crescimento lento da inflao ocorreu em virtude da falta de sorte e da poltica monetria ruim e
que seu controle foi em grande parte conseqncia de decises duras tomadas pela Direta ria (Board of Governors) do Federal Reserve. De forma semelhante, a taxa de cmbio dlar- libra registrou uma tendncia descendente de 1972 a 1985 e uma tendncia ascendente posteriormente, porm esses movimentos tambm foram
3 12
ECONOMETRIA
conseqncia de foras econmicas complexas; como essas foras mudam de forma no previsvel, considera-se
qu~ essas tendncias tm um grande componente imprevisvel, ou aleatrio.
Por essas razes, nosso tratamento das tendn cias em sries temporais econnucas concentram -se em tendncias estocsticas em vez de detern-llnistas, e quando nos re ferimos a "tendncias" em sries temporais q ueremos
dizer tendncias estocsticas, a m enos que falemos explicitamente outra coisa. Nesta seo, apresentamos o modelo mais simples de te ndncia estocstica, o modelo do passeio aleat rio (raudom walk) . Outros modelos de
tendncia so discutidos na Seo 14.3.
Modelo do passeio aleatrio (random walk) de uma tendncia.
O modelo mais simples de uma varivel

com uma tendnc ia estocstica o passe io alea trio. Diz-se q ue uma srie temporal Y 1 segue um p asseio
aleatrio (raudom walk) se a variao em Y 1 i.i.d., isto , se
(12.26)
onde 11 1 i.i.d. Utilizaremos, contudo, o termo "passeio aleat rio" de forma mais geral para nos referirmos a uma
srie tem.poral que segue a Equao (12 .26), onde 11 1 possui mdia condicional igual a zero, isto , E(u 1 I )~_1 ,
l';-2 ... ) = O.
A idia bsica de um passeio aleat rio de que o valor da srie amanh seu valo r hoje, m ais uma variao
imprevisvel: como a trajetria seguida por Y 1 consiste em "passos" aleatrios 111' essa trajetria um "passeio
aleatr io". A mdia condicional d~ Yl' baseada em dados at o perodo t - 1, y;_1 Y1_ 1; isto , como E(111 l1';_1,
y;_2 , . ..) = O, E(Y; Iy;_1, Y,_2, . . .) = Y,_1. Em outras palavras, se Y 1 segue um passeio aleatrio, a m elhor previso do
valor de amanh seu valor hoje.
Algumas sries, por exemplo o logaritmo do PIB japons da Figura 12.2c, possuem uma tendncia ascendente bvia, caso em q ue a melhor previso da srie deve incluir um aj uste para a tendncia da srie aumentar.
Esse aj uste leva a uma extenso do modelo do passeio aleat rio que inclui uma tendncia para o movimento, ou
uma "mudana" para uma direo ou outra. Essa extenso identificada como um p a sseio aleatrio com
tendn cia:
y; = f3o +
y;_l + ur>
(12.27)
onde E(u 1 I1';_1, y;_2, ... ) = O e {3 0 a "tendncia" no passeio aleatrio. Se (30 positivo, ento em mdia Y1 aumenta.
No modelo do passeio aleatrio com tendncia, a melhor previso da srie ama nh o valo r da s r ie hoje ma is
a tendncia (30 .
O moddo do passeio aleatri o (com tendncia se fo r adequado) simples, porm verstil, e o principal
modelo para tendncias utilizado neste livro.
Um passeio aleatrio no estacionrio.
Se Y1 segue um. passeio aleatrio, ento ele no estacionrio: a

varincia de um passeio aleatrio aumenta ao longo do tempo de modo que a distribuio de Y 1 varia ao longo
do tempo. Uma maneira de ver isso reco nhecer que, como 11 1 no serialme n te correlacionado na Equao
(12.26), var(l';) = var(1';_1) + var(11); para que Y1 seja estacionrio, var(Y1) no pode depender do tempo, logo, em
particular, var(l';) = var(Y,_1) deve ser vlido, mas isso s pode acontecer se var(u1) = O. Outra forma de visualizar
isso imaginar que Y1 comea em zero, isto , Y0 =O. E n to, 1'; = 11 1, Y2 = 11 1 + 112 e assim por d iante, de modo
que y; = u 1 + 112 + + 111 Como 11 1 no serialmente correlacionado, var(Y,) = var( u 1 + u 2 + + u 1) =
Assim. a varincia de Y1 depende de f; na verdade, ela aumenta medida que l aumenta. Como a varincia de f 1
depende de I, sua distribuio depende de t, isto , ela no estacionria.
Como o aumento da varincia de u m passeio aleatr io no tem linutes, suas autocorrelaes da populafO no
so definidas (a primeira autoco-varincia e varincia so infinitas e a razo das duas no definida). Contudo, uma
caracterstica de um passeio aleatrio qu e suas amocorrelaes da amostra tendem a ser m uito prximas de um,
na verdade, a j-sima autocorrelao da amostra de um passeio aleatrio converge para um em probabilidade.
((i,;.
Tendncias estocsticas, modelos auto-regressivos e uma raiz unitria.
O modelo do passeio aleatrio

um caso especial do modelo AR(l ) (veja a Equao (12.8)), em que (3 1 = 1. Em o utras palavras, se Y 1 segue um
CAPTULO
12
Introduo Regresso de S ries Temporais e Previso
3 13
.AR(l) com {3 1 = 1, ento Y, contm uma tendncia estocstica e no estacion ria. Se, contudo, I f3d < 1 c u1
estac;ionrio, a distribuio conjunta de Y 1 e suas defasagens no depende de t (resultado mostrado no Apndice
12.2), portanto Y1 estacionrio desde que u1 seja estacio nrio.
A condio anloga para que u m AR(p) seja estacionrio m ais complicada do que a condio I {3 1 1 < 1 para
um AR( l). Sua expresso formal envolve as razes do polinmio, 1 - {3 1z- {3 2 z 2 - {3 3 ~ - - f3pzP (As razes
desse polinmio so as solues para a equao 1 - {3 1z - {3 2z 2 - {3 3 ~ - - f3PzP = 0.) Para que um AR(p) seja
estacionrio, todas as razes desse polinmio devem ser maiores do que um em valor absoluto. No caso especial
de um AR(1), a raiz o valor de z que soluo de 1 - {3 1z = O, logo sua raiz z = 1 1{31. Portanto, a expresso
de que a raiz deve ser maior do que um em valor absol uto equivalente a I {3 1 1 < 1.
Se um AR(p) possui uma raiz igual a um, diz-se que a srie possui uma raiz auto-reg ressiva unitria, ou
simplesmente uma raiz unitria. Se Y1 possui uma raiz unitria, ento ela contm uma tendncia estocstica. Se
Y1 estacionria (e portanto no p ossui uma raiz unitria), ela no contm uma tendncia estocstica. Por essa
razo, utilizaremos alternadamente os termos "tendncia estocstica" e "raiz unitria".
Problemas Causados por Tendncias Estocsticas

Se um regressar possui uma tendn cia esrocstica (possui uma raiz unitria), o estimador de MQO de seu
coeficiente e sua estatstica t de M Q O podem ter distribu ies no padronizadas (isto , no normais) mesmo
em amostras g randes. Discutimos trs aspectos especficos desse problema: pr imeiro, o estimador do coeficiente
auto-regressivo em um AR(l) viesado rumo a zero se o seu valor verdadeiro igual a um; segundo, a estatstica t dos regressares com tendncia estocstica pode ter uma distribuio no normal, mesmo em amostras
grandes; terceiro, um exemplo extremo dos riscos colocados por tendncias esrocsticas mostra que duas sries
independentes parecero, com alta probabilidade, enganosamente re lacionadas se ambas possurem tendncias
estocsticas, uma situao conh ecida como regresso espria.
Problema n 1: Coeficientes auto-regressivos que so v iesados rumo a zero. Suponha que Y 1 siga o
passeio aleatrio na Equao (12.26), m as que esse fato seja desconhecido pelo econometrista, que, em vez disso,
estima o modelo AR(l) da Equao (12.8). Como Y1 no estacionrio, a hiptese de mnimos quadrados para
a regresso de sries temporais do Conceito-Chave 12.6 no vlida, logo, de modo geral, no podemos confiar que estimadores e estatsticas de teste tenham uma distribuio normal usual em amostras grandes. Na verdade, nesse exem plo, o estimador de MQO do coeficiente auto-regressivo, 1 , consistente, mas possui uma
distribuio no n ormal mesmo em am ostras grandes: a distribuio assinttica de est deslocada r um o a zero.
O valor esperado de S1 aproximadamente E(S 1) = 1 - 5,3/ T. Isso resulta em um grande vis dos tamanhos de
amostra normalmente encontrado em aplicaes econmicas. Por exemplo, 20 anos de dados trimestrais contm
80 o bservaes, caso em que o valor esperado de
E(Sl) = 1 - 5,3/80 = 0,934. Alm disso, essa distribuio
possui uma cauda esquerda longa: o percentil de 5 por cento de 1 aproximadamente 1- 14,1 / T , que para T
= 80 corresponde a 0,824, de modo que em 5 por cento das vezes {3 1 < 0,824.
Uma implicao desse vis rumo a ze ro que, se Y, segue um passeio aleatrio, as previses baseadas no
modelo AR(1) podem ter um desempenho substancialmente pior do que aquelas baseadas no modelo do passeio
aleatrio, que impe o valor verdadeiro {31 = 1. Essa concluso tambm se aplica a auto-regresses de ordem m ais
alta, em que h ganhos de previso de se impor uma raiz unitria (isto , de estimar a auto-regresso em pri m eiras
diferenas, e no em rveis), quando na verdade a srie contm uma raiz unitria.
sl
sl
Problema n 2: Dis tribuies no normais da estatstica t. Se um regressar possui uma tendncia estocstica, sua estatstica t usual de MQO usual pode ter uma distribuio no normal sob a hiptese nu la, mesmo em
amostras grandes . Essa distribuio no normal significa que intervalos de confian a convencio nais no so vlidos e testes de hiptese no podem ser realizados como de costume. Em geral, a distribuio dessa estatstica t
no facilmente tabulada, uma vez que a distribuio depende da relao entre o regressar em questo e os outros regressares. Um caso importante em que possvel tabular essa distribuio ocorre no contexto de uma autoregresso com uma rai z unitria; retornaremos a esse caso especial quando nos ocuparmos em testar se uma srie
temporal contm uma tendncia estocstica.
314
EcoNOMETRIA
Problema nQ 3: Regresso espria . Tendncias estocsticas podem fazer com que duas sries temporais
paream relacionadas quan do no o so em um problema chamado de regresso espria.
Por exemplo, a inflao nos Estados Unidos estava subindo continuamente de meados da dcada de 1960 at
o incio da dcada de 1980, ao mesmo tempo em que o PII3 japons estava subindo continuamente. Essas duas
tendncias conspiram para produzir uma regresso que parece ser "significante" utilizando medidas convencionais.
Estimada por MQO utilizando dados de 1965 at 1981, essa regresso
~~ =- 2 ,84 + 0,18PIBjapons" R 2
= 0,56.
(12.28)
(0,08) (0,02)
A estatstica t do coeficiente de declividade excede 9 , que por nossos padres usuais indica uma forte relao
positiva entre as duas sries, e R2 alto. Contudo, rodar essa regresso utilizando dados de 1982 a 1999 produz
IriflaoEUA 1 = 6,25- 0,03 PIBjapons,,
R2 =
0,07 .
( 12.29)
(1,37) (0,0 1)
As regresses das equaes (1 2 .28) e (12.29) no poderiam ser mais diferentes. Interpretadas literalmente, a
Equao (12.28) indica uma forte relao positiva, enquanto a Equao (12.29) indica uma fraca relao negativa.
A fonte desses resultados conflitantes o fato de que ambas as s~ies possuem tendnc ias estocsticas . Essas
tendncias se alinharam de 1 965 a 1981, mas no de 1982 a 1999. No existe, na verdade, nenhum motivo poltico
ou econmico convincente para se pensar que as tendncias nessas duas sries esto relacionadas. Em suma, essas
regresses so espnas .
As regresses das equaes (12.28) e (12.29) ilustram ernpiricamente o ponto teric o de que MQO pode
ser enganador quando as sries contm tendncias estocsticas (veja o Exerccio 12.6 para um a simulao por
computador que demonstra esse resultado ) . Um caso especial em que dete r minados m~todo s baseados em
regresso sio confiveis ocorre quando o componente tendncia das duas sries igual, isto , quando as sries
contm uma tendncia estocstica C011111111; se esse o caso, diz-se que as sries so co-integradas . A Seo l4A
discute os mtodos economtricos para detectar e analisar sries temporais econmicas co-integradas.
Detectando Tendncias Estocsticas: Testando

a Presena de uma Raiz AR Unitria
Tendncias em dados de sries temporais podem ser detectadas por mtodos formais e informais . Os mtodos informais envolvem a inspeo de um grfico dos dados de s ries temporais e o clculo dos coefici entes de
autocorrelao, como fizen"los na Seo 12.2. Como o primeiro coeficiente de autocorrelao ser prximo de
um se a srie tiver uma tendncia estocstica, pelo menos em amostras grandes, um primeiro coeficiente de autocorrelao pequeno combinado com um grfico de sries temporais que no possui uma tendncia aparente sugere que a srie no possui uma tendncia. Se permanecer a dvida, entretanto, procedimentos estatsticos formais
podem ser utilizados para testar a hiptese de que h uma tendncia estocstica na srie contra a alternativa de
que no h tendncia.
Nesta seo, utilizamos o teste de Dickey-F uller (que recebeu o nome de seus criadores, David Dickey e
Wayne Fuller (1979)) para testar a presena de uma tendncia estocstca. Embora o teste de Dickey-Fuller no
seja o nico para tendncias estocsticas (outro teste ser discutido na Seo 14.3), o mais comumente utilizado
na prtica e um dos mais confiveis.
O teste de Dickey-Fuller no modelo AR (I) . O ponto de partida para o teste de Dickey - Fuller o modelo auto-regressivo. Conforme discutido anteriormente, o passeio aleatrio na Equao (12.27) um caso especial do modelo AR(l), com [3 1 = 1. Se [3 1 = 1, y; no estacionrio e contm uma tendncia estocstica . Portanto.
no modelo AR(1), a hiptese de que Y1 possui uma tendncia pode ser testada como
CAP TULO
12
31 S
(12.30)
Se {3 1 = 1, o AR(l) possui uma raiz auto-regressiva igual a um, de modo que a hiptese nula na Equao
(12.30) de que o AR(1) possui uma raiz unitria, e a alternativa que ele estacionrio.
Esse teste implementado mais facilmente pela estimao de uma verso modificada da Equao (12.30),
obtida pela subtrao de Y1_ 1 de ambos os lados. Seja 8 = {3 1 - 1; ento, a Equao (12 .30) torna-se
H 0 : 8 =O versus H 1: o< O em 61'; = {30 + 81';_ 1 +
11 1.
(12 .31)
A estatstica t de MQO testando 8 = O na Equao (12.31) chamada de estatstica de Dickey- Fuller. A

formulao da Equao (12.31) conveniente porque o pacote economtrico imprime automaticamente a estatstica t testando 8 = O. Observe que o teste de Dickey-Fuller monocaudal, pois a alternativa relevante que Y1
estacionrio, de modo que {3 1 < 1 ou, de forma equivalente, o< O. A estatstica de Dickey-Fuller calculada utilizando erros padro "no robustos", isto , os erros padro "somente homoscedsticos" apresentados no Apndice
4.4 (veja a Equao (4.62) para o caso de um nico regressar e a Seo 16.4 para o modelo de regresso mltipla). 2
O teste de Dickey-Fuller no modelo AR(p). A estatstica de Dickey-Fuller apresentada no contexto da Equao

(12.31) aplica-se apenas a um AR(l) . Conforme discutido na Seo 12.3, para algumas sries o modelo AR(l) no
captura toda a correlao serial em Y1; nesse caso, uma auto-regresso de ordem maior mais apropriada.
A extenso do teste de Dickey-Fuller para o modelo AR(p) est resumida no Conceito-Chave 12.8. Sob a
hiptese nula, o = O e 61'; um AR'(p) estacionrio. Sob a hiptese alternativa, o < O, de modo que Y1 estacionrio. Como a regresso usada para calcular essa verso da estatstia Dickey-Fuller ampliada por defasagens
de 61';, a estatstica l resultante chamada de estatstica ampliada de Dickey-Fuller (ADF).
Em geral, o tamanho da defasagem p desconhecido, mas pode ser estimado utilizando um critrio de informao aplicado a regresses da forma (12.32) para diversos valores de p . Estudos da estatstica ADF sugerem que
melhor te r defasagens a mais do que a menos, logo recomendado que se utilize o CIA em vez do CLB para
estimar o p para a estatstica ADF. 3
Testando contra a alternativa de estacionariedade em torno de uma tendncia temporal linear de terminista. A discusso at agora considerou a hiptese nula de que a srie possui uma raiz unitria e a hiptese
alternativa de que ela estacionria. Essa hiptese alternativa de estacionariedade apropriada para sries, como
a taxa de inflao, que no exibe crescimento de longo prazo. Mas outras sries temporais econmicas, como o
PIB japons (veja a Figura 12.2c), exibem crescimento de longo prazo, e para essas sries a hiptese alternativa
de estacionariedade sem uma tendncia no apropriada. Em vez disso, uma alternativa comumente utilizada
aquela em que as sries so estacionrias em torno de uma tendncia temporal determinista, isto , em que uma
tendncia uma funo determinista do tempo.
Uma formulao especfica dessa hiptese alternativa de que a tendncia temporal linear, isto , a tendncia uma funo linear de t; portanto, a hiptese nula de que a srie possui uma raiz unitria e a alternativa
que ela no possui uma raiz unitria, mas tem uma tendncia temporal determinista. A regresso de Dickey-Fuller
deve ser modificada para testar a hiptese nula da presena de uma raiz unitria contra a alternativa de que ela
estacionria em torno de uma tendncia temporal linear. Conforme resumido na Equao (12.33) do ConceitoChave 12.8, isso realizado pela incluso de uma tendncia temporal (o regressar X 1 = t) regresso.
Uma tendncia temporal linear no a nica maneira de especificar uma tendncia temporal determinista;
por exemplo. a tendncia temporal determinista poderia ser quadrtica ou linear mas ter quebras (isto , poderia ser linear com declividades que diferem em duas partes da amostra). A utilizao de alternativas como essas
com tendncias deterministas no-lineares deveria ser motivada pela teoria econmica. Para uma discusso dos
testes de raiz unitria contra estacionariedade em torno de tendncias deterministas no-lineares, veja Maddala
e Kim (1998, Captulo 13).
Sob a hiptese nula de uma raiz unitria, os erros padro usuais "no robustos' produzem uma estatstica 1 que nJ verdade robusta
quanto heteroscedasticidade, um resultado surpreendente e especial.
Veja Stock ( 1994) para estudos referentes simulao das propriedades de amostra finita das estatsticas teste de ratz unitria de DtckeyFuUer e outros.
316
ECONOMETRIA
Teste Ampliado de Dickey-Fuller para

uma Raiz Auto-regressiva Unitria
Conceito-
O teste ampliado de Dickey-Fuller (ADF) para detectar a presena de uma raiz auto-regressiva unitria testa a hiptese nula H 0 : 8 = O contra a alternativa monocaudal H 1 : 8 < O na
regresso
(1 2.32)
Chave
12.8
Sob a hiptese nula, Y1 possui uma tendncia estocstica; sob a hiptese alternativa, ~ estacionrio. A estatstica ADF a estatstica t de MQO testando 8 = O na Equao (12.32).
Se, em vez disso, a hiptese alternativa de que Y1 estacionrio em torno de uma
tendncia temporal linear determinista, t (o nmero da observao) deve ser acrescentado
como um regressar adicional; nesse caso, a regresso de Dickey-Fuller torna-se
(12.33)
onde ex um coeficiente desconhecido e a estatstica ADF a estatstica t de MQO testando
8 = O na EquaS (1 2. 33).
O tamanho da defasagem p pode ser estima<!o utilizando o CIB ou o CIA. A estatstica
ADF no possui uma distribuio normal, mesmo em amostras grandes. Valores crticos para
o teste ADF monocaudal dependem do fato de o teste se basear n a Equao (12.32) ou na
Equao (12.33), e eles esto na Tabela 12.4.
Valores crticos para a estatstica ADF. Sob a hiptese nula da presena de uma raiz unitria, a estatstica
ADF no possui uma distribuio normal, mesmo em amostras grandes. Como sua distribuio no padro, os
valores crticos usuais da distribuio normal no podem ser utilizados quando a estatstica ADF utilizada para
testar a presena de uma raiz unitria; em vez disso, deve ser utilizado um conjunto especial de valores crticos
baseado na distribuio da estatstica AD F sob a hiptese nula.
A Tabela 12.4 apresenta os valores crticos para o teste ADF. Como a hiptese alternativa de estacionariedade
implica que 8 <O nas equaes (12 .32) e (12.33), esse teste monocaudal. Por exemplo, se a regresso no inclui
uma tendncia temporal, a hiptese da presena de uma raiz unitria rejeitada ao nvel de significncia de 5 por
cento se a estatstica ADF menor do que - 2,86. Se, em vez disso, uma tendncia temporal for includa na
regresso, o valor crtico ser de -3 ,41.
Os valores crticos da Tabela 12.4 so substancialmente maiores (mais negativos) do que os valores crticos
monocaudais de -1,28 (ao nvel de 10 por cento) e - 1,645 (ao nvel de 5 por cento) da distribuio normal
padro. A distribuio no padronizada da estatstica ADF um exemplo de como a estatstica t de MQO para
regressares com tendncias estocsticas pode ter distribuies no normais. O motivo pelo qual a distribuio em
amostras grandes da estatstica ADF no padronizada discutido em detalhes na Seo 14.3.
TABELA 12.4 Valores Crticos em Amostras Grandes da Estatstica Aumentada de Dickey-F uller
Regressares Deterministas
10%
Somente intercepto
~
Intercepto e tendncia temporal
-2,57
-3,12
5%
1%
- 2,86
-3,43
- 3,41
-3,96
CA PiTuLo 12
317
A inflao nos Estados Unidos possui uma tendncia estocstica?
A hiptese nula de que a inflao

pos~ui uma tendncia estocstica pode ser testada contra a alternativa de que ela estacionria realizando-se o
teste ADF para detectar a presena de uma raiz auto-regressiva unitria. A regresso ADF com quatro defasagens
de Inft
-----
!J,Inft = 0,53 -O, 11Inft_1 -O, 14Mnft_1 - 0,25Mnft_ 2 + 0,24Mnft_ 3 + 0,0 1Mnft_4
(0,23) (0,04)
(0,08)
(0,08)
(0,08)
(12 .34)
(0,08)
A estatstica t do ADF a estatstica t testando a hiptese de que o coeficiente de Inft_1 igual a zero; ela
t = -2,60. Segundo a Tabela 12.4, o valor crtico a 5 por cento de -2,86 . Como a estatstica ADF de - 2,60
menos negativa do que -2,86, o teste no rejeita ao nvel de significncia de 5 por cento. Baseado na regresso
da Equao (12.34), no podemos, portanto, rejeitar (ao nvel de significncia de 5 por cento) a hiptese nula de
que a inflao possui uma raiz auto-regressiva unitria, isto , de que contm uma tendncia estocstica, contra
a alternativa de que ela estacionria.
A regresso ADF na Equao (12.34) inclui quatro defasagens de !:::.Inft para calcular a estatstica ADF Quando
o nmero de defasagens estimado utilizando o C IA, onde O ~ p ~ 6, o estimador do C IA do tamanho da
defasagem , contudo, trs. Quando trs defasagens so u tilizadas (isto , quando 6 Inft_1 , 6Inft_2 e 6Irift_3 so
includas como regressares), a estatstica AD F - 2,65, que menos negativo do que -2,86. Portanto, quando o
nmero de defasagens na regresso l}DF escolhido pelo C IA, a hiptese de que a inflao contm uma tendncia estocstica no rejeitada ao nvel de significncia de 5 p or cento:
Esses testes foram realizados ao nvel de significncia de 5 por cento. Ao nvel de significncia de 1O por
cento, contudo, os testes rejeitam a hiptese nula da presena de uma raiz unitria: as estatsticas ADF de - 2,60
(quatro defasagens) e de - 2,65 (trs defasagens) so um pouco mais negativas do que o valor crtico a 10 por cento
de - 2,57 . Portanto, as estatsticas ADF retratam um quadro bastante ambguo, e o analista deve fazer um julgamento instrudo sobre a possibilidade de modelar ou no a inflao como tendo uma tendncia estocstica. Claramente, a inflao na Figura 12.1a exibe variaes de longo prazo, consistentes com o modelo de tendncia
estocstica. Alm disso, na prtica, muitos analistas tratam a inflao dos Estados Unidos como tendo uma tendncia estocstica; seguimos essa estratgia aqui.
Evitando os Problemas Causados

pelas Tendncias Estocsticas
A forma mais confivel de lidar com uma tendncia em uma srie transform-la de modo que ela no
tenha a tendncia. Se a srie possui uma tendncia estocstica, isto , se possui uma raiz unitria, ento a primeira
diferena da srie no possui uma tendncia. Por exemplo, se Y1 segue um passeio aleatrio, logo y; = /3 0 + y;_ 1
+ u, ento t:,.y; = /3 0 + ur estacionrio. Portanto, a utilizao das primeiras diferenas elimina as tendncias do
passeio aleatrio em uma srie.
Na prtica, raramente voc pode estar certo se uma srie possui uma tendncia estocstica ou no. Lembre-se de que, de modo geral, deixar de rejeitar a hiptese nula no significa n ecessariamente que essa hiptese
seja verdadeira, mas sim que voc tem evidncia insuficiente para concluir que ela falsa. Portanto, deixar de
rejeitar a hiptese nula da presena de uma raiz unit ria utilizando o teste AD F n o significa que a srie efetivamente possui uma raiz unitria. Por exemplo, em um AR (1) o verdadeiro coeficiente /3 1 pode ser muito
prximo de um, digamos 0,98; nesse caso, o teste ADF teria um poder baixo, isto , uma probabilidade baixa
de rejeitar corretamente a hiptese nula em amostras do tamanho de nossa srie de inflao. Mesmo que deixar
de rejeitar a hiptese nula da presena de uma raiz unitria no signifique que a srie possua uma raiz unitria,
ainda pode ser razovel aproximar a verdadeira raiz auto-regressiva de um e utilizar diferenas da srie em vez
de seus nveis. 4
Para uma discusso adicional sobre tendncias estocsticas em variveis de sries temporais econmicas e sobre os problemas que elas
colocam para a anlise de regresso, veja Stock e \Vatson (1988).
318
ECONOMETRIA
12.7 No- Estacionariedade 11: Quebras

Um segundo tipo de no-estaciona riedade surge quando a funo de regresso da populao m uda no decorrer da amos tra. Em economia, isso pode ocor rer p or vrias razes, com o mudanas na poltica econmica
mudanas na estrutura da economia ou um invento que afeta uma indstria especfica. Se essas mudanas, 0 ~
"quebras", ocorrem, ento um modelo de regresso que as negligencia pode fornecer uma base enganosa para
inferncias e previses.
Nesta seo, apresentamos duas estratgias p ara verificar quebras em uma funo de regresso de sries temporais ao longo do tempo. A primeira estratgia procura quebras potenciais sob a perspectiva do teste de hiptese
e envolve o teste de mudanas nos coeficientes da regresso utilizando estatsticas F. A segunda estratgia procura
quebras potenciais sob a perspectiva da previso: voc finge que sua amostra termina antes do que efetivamente
ocorre e avalia as previses que teria feito nessa situao. As quebras so detectadas quando o desempenho da
previso substancialmente mais pobre do que o esperado.
O Que uma Quebra?

Q uebras podem surgir de uma mudana discre ta n os coeficientes da regresso da populao em uma d:tta
precisa ou de uma evoluo gradual dos coeficientes ao longo de um perodo temporal mais longo.
Uma fonte de quebras discretas em dados mac roeconmicos um a mudan a importante na p oltica macroeconmica. Por exemplo, o colapso do sistema de taxas de cmbio fixas em 1972 produziu a quebra no comportamento de sries temporais da~ taxa de cmbio dlar-libra que -evidente na Figura 12.2b. Antes de 1972, a
taxa de cmbio era essencialm ente constante. com exceo de uma nica desvalorizao em 1968, na qual o \'alor
oficial da libra, em relao ao dlar, dimi nuiu. Em contraste, desde 1972 a taxa de cmbio tem flutuado bastante.
Q uebras tambm podem ocorrer de maneira m ais lenta medida que a regresso da populao evolui ao
longo do tempo. Por exemplo, essas mudanas podem surgir em virtude da lenta evoluo da poltica econmica
e das mudanas em curso na estrutura da economia. Os mtodos para detectar quebras desc ritos nesta seo podem
identificar os dois tipos de quebras - mudanas ntidas e evoluo gradual.
Problemas causados por quebras.
Se ocorrer uma queb ra na funo de regresso da populao durante a

amostra, as estimativas da regresso de MQO ao longo da amostra completa estimaro uma relao que vlida
"em mdia", no sentido de que combinam os dois perodos. Depen dendo da localizao e do tamanho da quebra, a funo de regresso " mdia" pode ser bastante diferente da funo de regresso verdadeira no fi nal da
amostra e isso leva a previses m edocres.
Testando Quebras
Uma fo rma de detectar quebras testar mudanas discretas, ou quebras, nos coeficientes da regresso. A
forma como isso feito depende de a data da suposta quebra (a data de quebra) ser conhecida ou no.
Testando uma quebra em uma data conhecida.
Em algumas aplicaes, voc pode suspeitar que h unu

quebra em uma data conhecida . Por exemplo, se voc est estudando relaes de comrcio exterior utilizando
dados da dcada de 1970, poder supor que haja uma quebra na funo de regresso da populao de interesse
em 1972, quando o sistema de Bretton Woods de taxas de cmbio fixas foi abandonado em favor de taxas de
cmbio flu tuantes.
Se a data de quebra hipottica nos coefic ientes for conhecida, a hip tese nula de ausncia de quebra pode
ser testada utilizando uma regresso de interao de varivel binria do tipo discutido no C aptulo 6 (vej:t o
Conceito-Chave 6.4). Para manter as coisas simples, considere u m mo delo ADD ( 1,1), de modo que h um
intercepto, uma nica defasagem de Y, e uma nica defasagem de Xr Seja r a data de quebra hipottica e seja
D,(r) uma varivel binria igual a zero antes da data de quebra e igual a um aps a quebra; logo, D,(r) = O se
t:::; r e D,(r) = 1 se c> r. Ento, a regresso incluindo o indicador de quebra binrio e todos os termos de interao
CAPiTULO
12
319
(12.35)
'Se no h uma quebra, ento a funo de regresso da populao a mesma ao longo das duas partes da
amostra, logo os termos que envolvem a varivel binria de quebra D,(r) no entram na Equao (12.35) . lsto ,
sob a hiptese nula de ausncia de quebra, /o = y1 = y2 = O. Sob a hiptese alternativa de que h uma quebra, a
funo de regresso da populao diferente antes e depois da data de quebra r, caso em que pelo menos um y
diferente de zero. Portanto, a hiptese de uma quebra pode ser testada utilizando a estatstica F que testa a
hiptese de que y0 = y1 = y2 = O contra a hiptese de que pelo menos um y diferente _de zero. Isso freqentemente chamado de teste de Chow para uma quebra em uma data de quebra conhecida, assim nomeado em
homenagem a seu criador, Grcgory Chow ( 1960).
Se h mltiplos previsores ou mais defasagens, esse teste pode ser estendido por meio da construo de variveis de interao de variveis binrias para todos os regressares e do teste da hiptese de que todos os coeficientes
dos termos envolvendo D,( r) so iguais a zero.
Esse enfoque pode ser modificado para verificar uma quebra em um subconjunto dos coeficientes ao incluir
apenas as interaes de variveis binrias para o subconjunto de regressares de interesse.
Tes tando uma quebra em uma data de quebra desconhecida.
Freqentemente, a data de uma possvel

quebra desconhecida ou conhecida somente dentro de um intervalo. Suponha, por exemplo, que voc suspeite
que tenha ocorrido uma quebra em algum momento entre duas datas, r0 c r 1. O teste de Chow pode ser modificado para verificar isso ao testar a presena de quebras em todas as r datas possveis entre r0 e r 1 e utilizando o
maior valor da estatstica F resultantepara testar a presena de uma quebra em uma data desconhecida. Esse teste
de Chow modificado chamado tambm de e statstica da razo e vero ssimilhan a de Quandt (RVQ)
(Quandt, 1960) (o termo que iremos utilizar) ou, mais raramente, estatstica de sup-Wald .
Como a estatstica da RVQ a maior de muitas estatsticas F, sua distribuio no igual de uma estatstica
F individual. Em vez disso, os valores crticos para a estatstica da RVQ devem ser obtidos de uma distribuio
especial. Como na estatstica F, essa distrib uio depende do nmero de restries testadas, q, isto , o n mero de
coeficientes (incluindo o intercepto) a que permitida uma quebra, ou mudana, sob a hiptese alternativa. A distribuio da estatstica da RVQ tambm depende de r0 /T e r/T, isto , dos pontos extremos, r0 e r1 da subamostra ao longo da qual as estatsticas F so calculadas, expressas como uma frao do tamanho total da amostra.
Para que a aproximao em amostras grandes da distribuio da estatstica da RVQ seja boa. os pontos
extremos da subam ostra, r0 e r1, no podem ser prximos demais do fim da amostra. Por esse motivo, a estatstica da RVQ calculada na prtica ao longo de um intervalo "recortado", ou um subconjunto da amostra. Urna
opo comum utilizar um corte de 15 por cento, isto , definir r0 = O, 15 Te r 1 = 0,85 T (arredondados para o
nmero inteiro mais prximo). Com um corte de 15 por cento, a estatstica F calculada para datas de quebra
nos 70 por cento centrais da amostra.
Os valores crticos para a estatst1ca da RVQ, calculados com um corte de 15 por cento, so fornecidos na
Tabela 12.5. A comparao desses valores crticos com aqueles da distribuio ~.oo (Tabela 4 do Apndice) mostra
que os valores crticos da estatstica da RVQ so maiores. Isso reflete o fato de que a estatstica da RVQ considera a maior de muitas estatsticas F individuais. Por meio do exame de estatsticas F em muitas datas possveis
de quebra, verificamos que a estatstica da RVQ tem muitas oportunidades de rej eitar, o que leva a valores crticos da RVQ maiores do que os da estatstica F incvidual.
Como no teste de Chow, o teste da RVQ pode ser utilizado para evidenciar a possibilidade de que haja quebras em somente alguns dos coeficientes da regresso. Isso feito calculando-se prim.eiro os testes de Chow em
diferentes datas de quebra por meio da utilizao de interaes de variveis binrias apenas para as variveis com
coeficientes suspeitos e ento calculando o mximo desses testes de Chow ao longo do intervalo r0 ~ r~ r 1. O s
valores crticos para essa verso do teste da RVQ tambm so extrados da Tabela 12.5, em que o nmero de
restries (q) o nmero de restries testadas pelos testes F que o compem.
Se houver uma quebra discre ta em uma data dentro do intervalo testado, a estatstica da RVQ rejeitar valores com alta probabilidade em amostras grandes. Alm disso, a data em que a estatstica F que a compe atinge
seu mximo, uma estimativa da data de quebra r. Essa estimativa boa no sentido de que, sob determinadas
condies tcnicas, r / T ~ r/ T, isto , a frao do caminho ao longo da amostra em que a quebra ocorre
estimada consistentemente.
r,
320
ECONOMETRIA
TABELA 12.5 Valores Crticos do Estatstico da RVQ com um Corte de 15%

10%
5%
1%
7,12
8,68
12,16
5,00
5,86
7,78
4,09
4,71
6,02
3,59
4,09
5,12
3,26
3,66
4,53
3,02
3,37
4,12
2,84
3,15
3,82
2,69
2,98
3,57
2,58
2,84
3,38
10
2,48
2,71
3,23
2,40
2,62
3,09
2,33
2,54
2,97
2,27
2,46
2,87
2,40
2,78
2,34
2,71
2,12
2,29
2,64
2,08
2,25
2,58
2,05
2,20
2,53
2,01
2,17
2,48
1,99
2,13
2,43
Nmero de Restries (q)
2
3
4
- .,__
---
-----
5
6
7
--
~-
-----
11
---
12
13
14
15
16
_____
..._,
-----
-- -
___
18
19
20
- --
2,16
----
....
17
-------~
2,21
"i
Esses valores crticos se aplicam quando r0 = 0.15 Te r 1 = 0,85 T (arredondados para o nmero mteiro mais prximo), de modo que a
estatstica F calculada para todas as datas de quebra potenciais nos 70 por cento centrais da amostra. O nmero de restries q o
nmero de restries testadas por cada estatstica F individuaL Essa tabela foi gentilmente fornecida por Donald Andrews e substitui a
Tabela 1 em Andrews (1993).
A estatstica da RVQ tambm rejeita valores com alta probabilidade em amostras grandes quando h mltiplas quebras discretas ou quando a quebra vem de uma evoluo lenta da funo de regresso. Isso significa que
a estatstica da RVQ detecta outras formas de instabilidade alm de uma quebra discreta nica. Como resultado,
se a estatstica da RVQ rejeitar, isso pode significar que existe uma nica quebra discreta. que existem mltiplas
quebras discretas ou que existe uma evoluo lenta da funo de regresso.
A estatstica da RVQ est resumida no Conceito-Chave 12.9.
Aviso: Voc provavelmente no sabe a data de quebra ainda que pense que saiba.
s vezes, um especialista pode acreditar que sabe a data de uma possvel quebra, de modo que o teste de Chow pode ser milizado
no lugar do teste da RVQ. Mas se esse conhecimento baseia-se no conhecimento do especialista sobre a srie
analisada, na verdade essa data foi estimada utilizando os dados, ainda que de uma maneira informal. A estimao
preliminar da data de quebra significa que os valores crticos F usuais no podem ser utilizados para o teste de
Chow de uma quebra nessa data. Portanto, continua sendo apropriado utilizar a estatstica da RVQ nessa circunstncia.
CAPiTuLo 12
321
Teste da RVQ para Estabilidade dos Coeficie_ntes

Seja F(r) a estatstica F testando a hiptese de presena de uma quebra nos coeficientes da
regresso na data r; na regresso da Equao (12 .35), por exemplo, essa a estatstica F testando a hiptese nula de que y0 = y1 = y2 =O. O teste da RVQ (ou teste de Sup-Wald) a
maior das estatsticas no intervalo T0 $ r$ r 1:
RVQ
1. Como na estatstica
= mx[F(T0 ),
F(T0 + 1), ... , F(r1)l.
(12 .36)
ConceitoChave
12.9
F, a estatstica da RVQ pode ser utilizada para testar a presep.a de
uma quebra em todos ou em apenas alguns dos coeficientes da regresso.

2. Em amostras grandes, a distribuio da estatstica da RVQ sob a hiptese nula depende
do nmero de restries testadas, q, e dos pontos extremos To e r 1 como uma frao de
T. A Tabela 12.5 fornece os valores crticos para um corte de 15 por cento (T0 = 0,15T
e r 1 = 0,85T, arredondados para o nmero inteiro mais prximo).
3 . O teste da RVQ pode detectar uma nica quebra discreta, mltiplas quebras discretas e/ou
uma evoluo lenta da funo de regresso.
4. Se h uma quebra ntida na fmfo de regresso, a data em que ocorre o maior valor da
estatstica de Chow um estimador da data de quebra.
Aplicao: A curva de Phillips estvel?
O teste d a RVQ fornece uma maneira de ve ri ficarmos se a curva
de Phillips estvel de 1962 a 1999. Concentramo-nos especificamente em saber se h mudanas nos coeficientes
dos valores defasados da taxa de desemprego e no intercepto da especificao ADD(4,4) na Equao (12.17) contendo quatro defasagens de 6.Inft e Desemp 1
A Figura 12.5 mostra as estatsticas F de Chow testando a hiptese de que o intercepto e os coeficientes de
Desemp 1_ 1, .. , Desemp14 na Equao (12.17) so constantes contra a alternativa de que h uma quebra em determinada data para quebras nos 70 por cento centrais da amostra . Por exemplo, a estatstica F testando a presena
de uma quebra em 1980:1 2,26, o valor mostrado para essa data na figura . Cada estatstica F testa cinco restries
(inexistncia de mudana no intercepto e nos quatro coeficientes das defasagens da taxa de desemprego), portanto q = 5. A maior dessas estatsticas F 3,53, que ocorre em 1982: ll ; essa a estatstica da RVQ. A comparao de 3,53 com os valores crticos para q = 5 na Tabela 12.5 indica que a hiptese de que esses coeficientes so
estveis rejeitada ao nvel de significncia de 1 O por cento (o valor crtico 3 ,26), mas n:io ao nvel de significncia de 5 por cento (o valor crtico 3,66). Portanto, existe alguma evidncia de que pelo menos um desses
cinco coeficientes mudou ao longo da amostra, porm a evidncia no especialmente forte.
Pseudopreviso fora da Amostra

O teste final de um modelo de previso seu desempenho fora da amostra, isto , seu desem.penho na previso em "tempo real" depois que o modelo estimado. A pseudopreviso fora da amostra um mtodo
que simula o desempenho de um modelo de previso em tempo real. A idia da pseudopreviso fora da amostra
simples: escolha uma data prxima ao fim da amostra, estime seu modelo de previso utilizando dados at essa
data e ento utilize esse modelo estimado para fazer uma previso. A realizao desse exerccio para mltiplas
datas prximas ao final de sua amostra produz uma srie de pseudoprevises e, ponanto, erros de pseudoprevises. Esses erros podem ento ser examinados para verificar se so representativos do que voc esperaria se a
relao de previso fosse estacionria.
322
EcoNOMETRIA
FIGURA 12.5
Estatsticas
F Testando a
Em determinada da ta de
quebra, a estatstica F mostrada
aqui testa a hiptese nula de que
h uma quebra em pelo menos um
dos coeficientes de Desemp1_1,
Desemp1_ 2, Desemp1-3, Desemp1_ 4
ou no intercepto da Equao
(12.17). Por exemplo, a estatstica
F testando a presena de uma
quebra em 1980:1 2,26.
A estatstica da RVQ a maior
dessas estatsticas F, que 3,53.
Isso excede o valor crtico a 1O por
cento de 3,26, mas no o valor
crtico o 5 por cento de 3,66.
Presena de uma Quebro no Equao (12. 17) em Dotas Diferentes
Est ats ti ca F
-I,O
/:s_t~~s_t~c~-d~-~~~ :=.~::. ___________________________ /
~:~~: :r~t:~o-~ ~o;:
___ _
3.5
2,5
2,0
1.5
1.11
0,5
0,()
Estatstica F
----~L-----~----~------~----~------L-----~------
Li
1960
1965
1970
!975
1980
1985
\990
I995
tn~~(JII
D ata de q u ebra (a~
Esse mtodo chamado de pseudopreviso fora da amostra porque ela no uma previso verdadeira fora
da amostra. A previso verdadeira ocorre em tempo real, isto , voc faz sua previso sem conhecer os valores
futuros da srie. Na pseudopreviso fora da amostra, voc simula a previso em tempo real utiliz.mdo seu modelo, mas tem os dados "futuros" contr::t os quais pode avaliar essas previses simuladas, ou pseudoprevises. A
pseudopreviso fora da amostra imita o processo de previso que ocorreria em tempo real. mas sem ter de esperar
a chegada de novos dados.
A pseudopreviso fora da amostra fornece ao analista uma percepo de como o modelo faz prtvises no
final da amostra. Isso pode fornecer informaes valiosas, aumentando a confiana de que o modelo faz bem s
previses ou sugerindo que deixou a desejar no passado recente. A metodologia da pscudopreviso fora da amostra
est resumida no Conceito- Chave 12.10.
Outros usos da pseudopreviso fora da amostra.
Um segundo uso da pseudop reviso fora da amostra

a estimao de REPQM. Como essa pseudopreviso calcu lada utilizando apenas dados anteriores data da prevJsiio, os erros da pseudopreviso fora da amostra refletem tanto a incerteza associada aos valores ti.Jturos do termo
de erro quanto a incerteza que surge porque os coeficientes da regresso foram estimados: isto , O\ erro' incluem
ambas as fontes de erro da Equao (12.21) . Portamo, o desvio padro d::t amostra dos erros da pst:udopre\isiio
fora da amostra um cstimador. Conforme discutido na Seo 12.4, esse estimado r pode ser utilizado para quantifica r a incerteza da previso e para construir intervalos de previso.
Um terceiro uso da pse u doprcvisiio fora da amostra a comparao de doi~ ou mais modelos de previs,io.
Dois modelos que parecem ajustar-se igualmente bem aos dados podem ter um desempenho bastante dtference
em um exerccio de pseudopreviso fora da amostra. Quando os modelos so diferentes, por exemplo, quando
lllcluem preYisores diferentes, a pseudopreviso fora da amostra fornece uma maneira conveniente de comparar
os dois modelos que concentra seu potencial no fornecimento de previses confiveis.
Aplicao: A curva de Phillips mudou durante a dcada de 1990?
Se os coeficientes da curva de Phillips

mudaram durante a dcada de 1990. as pseudoprevises fora da amostra calcuL1das durante aquele perodo deveriam se detenorar. As pseudopre\ises fora da amostra da inflao para o perodo de 199-U a 1999: IV, calculadas utilizando a curva de Phillips com quatro defasagens, esto na Figura 12.6 juntamente com os valores efeti\os
da inflao. Por exemplo, a previso de inflao para 199-t:I foi calculada pela regresso de ,;..],!{, sobre \11!(,_ 1, ....
\lt!/;_4 , Descmp,_ 1, ... , Desentp 1_ 4 e um imercepto utilizando dados at 1993: IV e pelo clculo da previso
utilizando esses coeficientes estimados e os dados at 1993: IV A p reviso de inflao para 199-t: I ento
CAP iTuLo 12
.I
Pseudoprevises Fora da Amostra.

M P"udopcevisos foca da amostca s;o okubd" utiliZ>ndo os segointes passos
- ---
323
1. Escolha um nmero de observaes, P, para as quais voc gerar pseudoprevises fora w.;....-~
da amostra; por exemplo, P pode ser 10 ou 15 por cento do tamanho da amostra . Seja
Conceitos = T- P.
2. Estime a regresso de previso utilizando a base de dados reduzida para t = 1, ... , s.
Chave
3. Calcule a previso para o primeiro perodo alm dessa amostra reduzida, s + 1; chame-a
12.10
de Y,+lJs
= ~+l-
4. Calcule o erro de previso, W,+l
?,+11 ,,.
5. Refaa os passos 2-4 para as datas remanescentes, s = T- P + 1 para T- 1 (estime novamente a regresso em cada data). As pseudoprevises fora da amostra so {Y,+I J.n s =
T- P, ... , T- 1} e os erros de previso so {us+ 1, s = T- P, ... , T- 1 } .
.-...
I1if199 ~ 11 1993 :\V
----- .
= Jn.fjJJ!23 :1v + t>In}; 199 ~ 111993 ,1v. Todo esse procedimento f~ i repetido utilizando dados at 1994:I para
calcular a previso ll'yj 994 :u 11994 , 1 . Fazendo isso para todos os 24 trimestres de 1994:! a 1999: IV, temos 24 pseudoprevises fora da amostra, que esto na Figura 12.6. Os erros da pseudopreviso fora da amostra so as diferenas
entre a inflao efetiva e sua pseudopreviso fo ra da amostra, isto , as diferenas entre as duas linhas da Figura 12.6.
Por exemplo, no terceiro trimestre de 1997, a taxa de inflao aumentou em O, 9 ponto percentual, mas a pseudopreviso fora da amo~ de !::.Irift 997 :lll foi de 1, 9 ponto percentual, logo o erro da pseudopreviso fora da amostra
foi de !::.b!/; 997 , 111 - !::.Jnf1997 :111 11997 :II = O, 9 - 1, 9 = - 1,O ponto percentual. Em outras palavras , um analista utilizando o modelo ADD(4,4) da curva de Phillips, estimado at 1997:II, teria previsto que a inflao aumentaria
em1,9 ponto percentual em 1997:III, enquanto na realidade ela aumentou apenas 0,9 ponto percentual.
FIGURA 12.6 Inflao dos Estados Unidos e Pseudoprevises fora da Amostra

Percentual ao ano
defasagens do tipo da Equao
'T
(12.17) geralmente
3,0
As pseudoprevises fora da
amostra feitas utilizando uma
curva de Phillips com quatro
3,5
acompanham a inflao efetiva,

mas, em mdia, as previses so
2,5
maiores do que o inflao

efetiva. Esse vis para cima nas
2,0
previses pode ter sido causado

por um declnio na taxa natural
1,5
de desemprego, que apareceria

como uma mudana no
intercepto da curva de Phillips.
1,0
0,5
0,0
1994
1995
1996
1997
1998
1999
2000
Ano
324
ECONOMETRIA
Como a mdia e o desvio padro dos erros de pseudopreviso fo ra da amostra so comparados com 0
do modelo dentro da amostra? O erro padro da regresso da curva de Phillips com quatro defasagens
ajustada utilizando dados at 1993: IV de 1,4 7; ento, baseados no aj uste ocor rido dentro da amostra, esperaramos que os erros de pseudopreviso fora da amostra tivessem mdia igual a zero c a raiz do erro de previso
quadrtico mdio fosse igual a 1,47. Na verdade, o erro mdio de previso de -0.37 e a REPQM da amostra
de 0,75. Assim, a REPQM das pseudoprevises fora da amostra menor do que a prevista pelo ajuste da
regresso dentro da amostra. Contudo, o erro mdio de previso negativo em vez de zero, isto , as previses
em mdia previram aumentos maiores na inflao (e, portanto, inflao mais alta) do que efetivamente ocorreu. Na verdade, a estatstica t testando a hiptese de que o erro mdio de previso fora da amostra zero
1 = -2 ,71, logo a hiptese de que a mdia igual a ze ro rejeitada ao nvel de significncia de 1 por cento.
lsso sugere que as previses foram viesadas durante esse perodo, prevendo sistematicamente uma inflao mais
alta do que a que efetivamente ocorreu. A descoberta de que as pseudoprevises fora da amostra so viesadas
est na Figura 12.6: a inflao prevista normalmente excede a inflao efetiva, logo o erro mdio de previso
negativo.
Essas previses viesadas sugerem que a regresso da curva de Phillips era instvel prximo do fim dessa amostra
e que essa instabilidade levou a previses da variao na inflao sistematicamente altas demais. Antes de utilizar
esse modelo para previso em tempo real, seria importante tentar identificar a fonte dessa mudana e incorporla a uma verso modificada do modelo da curva de Phillips.
Tomados juntamente, esse vis nas pseudoprevises fora da amostra e a rejeio da estabilidade pela estatstica da RVQ (ao nvel de 10 por cento) sugerem que a curva de Phillips com quatro defasagens inst:tvel.
Essa instabilidade tornou-se uma questo de considervel interesse durante a dcada de 1990 e no incio da
dcada de 2000, uma vez que os analistas econmicos reconheceram que, conforme visto na Figura 12.6, as
previses de inflao baseadas na curva de Phillips foram altas demais . Alguns macroeconomistas pensam que
n fonte dessa instabilidade era u m declnio na taxa natural de desemprego durante a dcada de 1990, que se
traduziria em uma mudana negativa no intercepto das regresses examinadas aqui. Outros macroe conomistas, entretanto, acham que essa avaria mais con1.pleta e que o conceito da curva de Phillips como um todo
- uma ligao entre a presso do excesso de demanda e a inflao dos preos em geral - simplesmente
uma caracterstica antiquada da economia da era pr-informao. Se voc est interessado em ler mais sobre
esse debate, veja o simpsio sobre a curva de Phillips na edio do inverno de 1997 do ]ournal of Ecollolllic
Perspectives.
~juste
Evitando os Problemas Causados por Quebras

A melhor forma de ajustar uma quebra na funo de regresso da populao depende da fonte dessa quebra. Se uma quebra ntida ocorre em uma data especfica, ser detectada com alta probabilidade pela estatstica RVQ, e a data de quebra pode ser estimada. Portanto, a funo de regresso pode ser estimada utilizando
uma varivel binria indicando as duas subamostras associadas a essa quebra, interagindo com os outrm regressares, conforme for necessrio. Se h uma quebra em todos os coeficientes, essa regresso toma a forma da
Equao (12.35), onde r substitudo pela data de quebra estimada, ao passo que se h uma quebra em apenas alguns dos coeficientes, somente os termos de interao relevantes aparecem na regresso. Se h na verdade uma quebra ntida, a inferncia sobre os coeficientes da regresso pode avanar como de costume, por
exemplo, utilizando os valores crticos normais usuais para testes de hiptese baseados em estatsticas t. Adicionalmente, previses podem ser produzidas utilizando a funo de regresso estimada que se aplica ao final
da amostra .
Mas se a quebra no for ntida, mas em vez disso surgir de uma variao contnua e lenta dos parmetros, a
soluo mais difcil e foge ao escopo deste livro. 5
r,
Para uma discusso adiCIOnal sobre estimao e testes na presena de quebras d1scretas, veja H ansen (2001). Para uma d1scusso av:mada
sobre estimao e previsiio quando h coeficientes q ue evoluem de forma lenta e continua, veja Hanulton ( 1994 . Captulo 13).
CAPiTuLo 12
325
12.8 Concluso
' Em dados de sries temporais, uma varivel geralmente possui uma correlao entre uma observao, ou
data, e a prxima. Uma conseqncia dessa correlao que podemos utilizar uma regresso linear para prever
valores futuros de uma srie temporal com base em seus valores correntes e passados. O ponto de partida para
uma regresso de sries temporais a auto-regresso, em que os regressares so valores defasados da varivel
dependente. Se previsores adicionais esto disponveis, suas defasagens podem ser acrescentadas regresso.
Neste captulo, consideramos diversas questes tcnicas que surgem quando se estimam e utilizam regresses
com dados de sries temporais. Uma delas a determinao do nmero de defasagens a serem includas nas
regresses. Conforme discutido na Seo 12.5, se o nmero de defasagens escolhido para minimizar o CIB, o
tamanho da defasagem estimado consistente com o verdadeiro tamanho dela.
Outra dessas questes diz respeito ao fato de as sries analisadas serem ou no estacionrias. Se so estacionrias, os mtodos usuais de inferncia estatstica (como a comparao das estatsticas ta valores crticos normais) podem ser utilizados e, como a funo de regresso da populao estvel ao longo do tempo, as regresses
estimadas utilizando dados histricos podem ser utilizadas seguramente para previses. Se, contudo, as sries forem
1.o estacionrias, as coisas tornam-se mais complicadas, e a complicao especfica depende da natureza da noestacionariedade. Por exemplo, se a srie no estacionria porque possui uma tendncia estocstica, o estimador
de MQO e a estatstica t podem ter distribuies (no normais) no padronizadas, mesmo em amostras grandes,
e o desempenho das previses pode ser melhorado especificando-se a regresso em primeiras diferenas. Na Seo
12.6, apresentamos um teste para d~tectar esse tipo de no-estacionariedade - o teste aumentado de DickeyFuller para testar a presena de uma raiz unitria . Alternativamente, se a funo de regresso da populao possui uma quebra, a negligncia a essa quebra resulta na estimao de uma verso mdia da fun o de regresso da
populao que, por sua vez, pode levar a previses viesadas e/ ou imprecisas. Os procedimentos para se detectar
uma quebra na funo de regresso da populao foram apresentados na Seo 12.7.
Neste captulo, os mtodos de regresso de sries temporais foram aplicados a previses econmicas, e no
foi dada aos coeficientes desses modelos de previso uma interpretao causal. Voc no precisa de uma relao
causal para fazer previses, e ignorar as interpretaes causais libera a busca por boas previses. Em algumas aplicaes, contudo, a tarefa no desenvolver um modelo de previso, mas, em vez disso, estimar relaes causais
entre variveis de sries temporais, isto , estimar o efeito causal dinmico de urna variao em X sobre Y ao longo
do tempo. Sob as condies corretas, os mtodos deste captulo, ou mtodos estreitamente relacionados, podem
ser utilizados para estimar efeitos causais dinmicos; esse o terna do prximo captulo.
Resumo
1. Modelos de regresso utilizados para previso no precisam ter uma interpretao causal.
2. Uma varivel de srie temporal geralmente est correlacionada com um ou mais de seus valores defasados; isto , ela serialmente correlacionada.
3. Uma auto-regresso de ordem p um modelo de regresso linear mltipla em que os regressares so as
primeiras p defasagens da varivel dependente. Os coeficientes de um AR(p) podem ser estimados por
MQO, e a funo de regresso estimada pode ser utilizada para previses. A ordem da defasagem p pode
ser estimada utilizando um critrio de informao tal como o CIB.
4. A incluso de outras variveis e suas defasagens a uma auto- regresso pode melhorar o desempenho da
previso. Sob as hipteses de nnimos quadrados da regresso de sries temporais (veja o Conceito-Chave
12.6), os estimadores de MQO possuem distribuies normais em amostras grandes e a inferncia estatstica segue do mesmo modo que nos dados de corte.
5. Intervalos de previso so uma forma de quantificar a incerteza da previso. Se os erros so normalmen te
distribudos, um intervalo de previso de aproximadamente 68 por cento pode ser construdo como a
previso urna estimativa da raiz do erro de previso quadrtico mdio.
326
Eco N OMETRIA
6. Uma srie que contm uma tendncia esrocstica no estacionria, o que viola a segunda hiptese de
mnimos quadrados do Conceito-Chave 12.6. O estimador de MQO e a estatstica t do coeficiente de
um regressar com uma tendncia estocstica podem ter uma distribuio no padronizada, levando potencialmente a estimadores viesados, previses ineficientes e inferncias enganosas. A estatstica ADF pode
ser utilizada para testar a presena de uma tendncia estocstica. Uma tendncia estocstica de passeio
aleatrio pode ser eliminada utilizando-se as primeiras diferenas da srie.
7. Se a funo de regresso da populao muda ao longo do tempo, as estimativas de MQO que negligenciam essa instabilidade no so confiveis para inferncia estatstica ou previso. A estatstica da RVQ pode
ser utilizada para testar a presena de uma quebra e, se uma quebra discreta for encontrada, a funo de
regresso pode ser estimada novam ente para levar em conta a quebra .
8. As pseudoprevises fora da amostra podem ser utilizadas para avaliar a estabilidade de um modelo prximo do final da amostra para estimar a raiz do erro de p reviso quadrtico mdio e para comparar diferentes modelos de previso.
Termos-chave
primeira defasagem (294)
j-sima defasagem (294)
primeira diferena (294)
autocorrelao (295)
correlao serial (295)
coeficiente de autocorrelao (295)
j-sima autoco-varincia (295)
auto-regresso (298)
erro de previso (299)
raz do erro de previso quadrtico mdio (299)
AR(p) (300)
modelo auto-regressivo de defasagem distribuda (303)
ADD (p,q) (303)
estacionariedade (304)
dependncia fi-aca (303)
teste de causalidade de Granger (305)
intervalo de previso (307)

C IB (309)
C IA (30.9)
ten cincia (311)
tendncia determinista (311)
tendncia esrocstica (311)
passeio aleatrio (312)
passeio aleatrio com tendncia (312)
raiz unitria (313)
regresso espria (314)
estatstica de Dickey-Fuller (315)
estatstica aumentada de Dickey-Fuller (ADF) (315)
data de quebra (318)
estatstica da razo de verossimilhana de Quandt
(RVQ) (319)
pseudopreviso fora da amostra (321)
Reviso dos Conceitos

12.1 Veja o grfico do logaritmo do PIB real do Japo na Figura 12 .2c . Essa srie temporal parece ser estacionria' Explique. Suponha que voc tenha calculado a primeira diferena dessa srie. Ela parece serestacionria? Explique.
12.2 Muitos economistas da rea de finanas acreditam que o modelo do passeio aleatrio uma boa descrio
do logaritmo dos preos das aes. Ele implica que as variaes percentuais nos preos das aes no podem
ser previstas. Um analista financeiro alega possuir um novo modelo que prev melhor do que o modelo do
passeio aleatrio. Explique como voc examinaria o argumento do analista de que seu modelo superior.
12 .3 Um pesquisador estima um AR(l) com um intercepto e encontra que a estimativa de MQO de {3 1 0,95.
com um erro padro de 0.02. Um intervalo de confiana de 95 por cento inclu {3 1 = 1? Explique.
12.4 Suponha que voc suspeite que o intercepto na Equao (12 .17) mudou em 1992:1. Como modificaria a
equao para incorporar essa mudana? Como testaria a presena de uma mudana 110 intercepto' Como
testaria a presena de uma mudana 110 intercepto se no soubesse a data da mudana?
CAPTuLo 12
327
Exerccios
*12.1 Suponha que Y, siga o modelo estacionrio AR(l) "Y;
= O e var( it 1) = 9.
= 2,5 + 0,7 "Y;_1 + ut>
onde u, i.i.d. com E(u,)
a. Calcule a mdia e a varincia de Y,.

b. Calcule as duas primeiras autoco-varincias de Y,.
c. Calcule as duas primeiras autocorrelaes de Y,.
d. Suponha que Yy= 102,3. CalculeYn 1 y= E(Yr+1 1Yy, YT-l ... ).
12.2 O ndice de produo industrial (P/1) uma srie temporal m ensal que m ede a quantidade de bens
industriais produzidos em dado ms. Este problema utiliza dados sobre esse ndice para os Estados
Unidos. Todas as regresses so estimadas durante o perodo da amostra 1960:1 a 2000:1 2 (isto , de
janeiro de 1960 a dezembro de 2000) . Seja r;= 1200 X ln (PIJ Plt-1).
a . O analista afirma que Y, mostra a variao percentual mensal em PI, medida em pontos percentuais ao ano. Isso est correto? Por qu?
b. Supo nha que um analista estime o seguinte modelo AR(4) para Y,:
}-; = 1,377 +
0,318Y,_1 + 0,123"Y;_2 + 0,068"Y;_3 + O,OO l "Y;-4.

(0,062) (0,078)
(0,055)
(0,068)
(0,056)
Utilize esse AR(4) par prever o valor de Y, emjaneiro _!e 2001 utilizando os seguintes valores de
PI para agosto de 2000 a dezembro de 2000:
Data
2000:7
2000:8
2000:9
2000:10
2000:11
2000:12
Pl
147,595
148,650
148,973
148,660
148,206
147.300
c. Preocupada com flutuaes sazonais potenciais na produo, a analista inclui Y,_ 12 na auto-regresso.
O coeficiente estimado de Y,_12 -0,054, com um erro padro de 0,053 . Esse coeficiente estatisticamente significante?
d. Preocupada com uma quebra potencial, ela calcula um teste da RVQ (com corte de 15 por cento)
sobre a constante e os coeficientes AR no modelo AR(4). A estatstica RVQ resultante foi de 3,45.
H evidncia de quebra? Explique.
e. Preocupada com o fato de que ela possa ter includo defasagens a menos ou a mais no modelo, a
analista estima modelos AR(p) para p = 1, ... , 6 durante o mesmo perodo da amostra. A tabela
mostra a som a dos quadrados dos resduos para cada um desses modelos estimados. Utilize o C IB
para estimar o nmero de defasagens que deveriam ser includas na auto-regresso. Os resultados
diferem se voc utilizar o C JA?
Ordem da AR
SQR
29 175
28538
28393
2839 1
28378
28317
*12.3 Utilizando os m esmos dados do Exerccio 12.2, um pesquisador resta a existncia de um a tendncia
estocstica em ln(Pl,) utilizando a seguinte regresso:
Dln(P~);:;;;
0,061 + 0,00004t - 0,018ln(Pir-~) + 0,333~ln(PI,_ 1 ) + O, 1626ln(PI,_2)

(0,024) (0,00001) (0,007)
(0,075)
(0,055)
onde os erros padro mostrados entre parnteses so calc ulados u tilizando a frmula somente
homoscedstica e o regressor t uma tendncia temporal lin ear.
a. Utilize a estatstica ADF para testar a existncia de uma tendncia estocstica (raiz unitria) em
ln(P.I) .
b. Esses resultados do respaldo especificao utilizada no Exerccio 12.2? Explique.
328
EcoNoMETRIA
12.4 A analista do Exerccio l2.2 aumenta seu modelo AR.(4) de crescimento do Pipara incluir quatro valo res defasados de D.R, onde R 1 a taxa de juros sobre Letras do Tesouro americano de trs meses
(medida em pontos percentuais a uma taxa anual) .
a. A estatstica F de causalidade de Granger sobre as quatro defasagens de f'..R1 de 2,35. As taxas de
juros ajudam a prever o crescimento do PI? Expliqu e.
b. O p esq uisador tambm regride f'..R 1 sobre uma constante, quatro defasage ns de f'..R 1 e quatro
defasagens do crescimento do PI. A estatstica F de causalidade de Granger resultante sobre as quatro defasagens do crescimento do PI 2,87. O crescimento do PI ajuda a prever as taxas de juros'
Explique.
12.5 Prove os seguintes resultados sobre m dias condicionais, previses e erros de previso:
a. Seja W uma varivel aleatria com mdia .Uw e varincia o/v e seja c uma constante. Mostre que
E[( W- cf] =
+ (JJrv- c) 2 .
b. Considere o problema da previso de Y 1 utilizando dados sobre y;_ 1, y;_2 , ... . Sejafr_ 1 uma previso
de Yr> onde o subscrito t - 1 de .fc_ 1 indica que a previso uma funo dos dados at a data t- 1.
Seja E[(Y, -J;_ 1f I y;_ 1, y;_2 , .. ) o erro quadrtico mdio condicional da previso );_ 1, condicional
a Y observada at a data t- 1. Mostre que o erro de previso quadrtico mdio condicional minimizado quandofc_ 1 = Y, 1r-I, onde Y, 11_ 1 = E(Y,Ir;_,, y;_2 , ... ). (Dica: Estenda o resultado na parte
(a) para expectativas condicionais.)
c. Mostre que os erros u1 de um AR(p) (Equao (12.14) no Conceito-Chave 12.3) no so serialmente correlacionados. (Dica: Utilize a Equao (2.25).)
ua,
12.6 Neste exerccio, voc conduzir um experimento de Monte Carlo que estuda o fenme no da regresso
espria discutido na Seo 12.6. Em um estudo de M onte Carlo, dados artificiais so ge rados utilizando
um computador para ento serem utilizados no clculo da estatstica que est sendo estudada. Isso possibilita calcular a distribuio da estatstica para modelos conhecidos quando as expresses matemticas para essas distribuies so complicadas (como aqui) ou mesmo desconhecidas. Neste exerccio,
voc ir gerar dados de modo que duas sries, Y1 e XI' sejam passeios aleatrios independentemente
distribudos. Os passos especficos so:
i. Utilize seu computador para gerar uma seqncia de T = 100 variveis aleatrias normais padro
i.i.d. Chame essas variveis de e1, e2, ... , e 100 . Defina Y = e1 e y; = Y,_1 + e1 para I= 2, 3, ... , 100.
ii. Utilize se u computador para gerar uma nova seqncia, a1, a2 , ... , a100 , de T = 100 i.i.d . variveis
aleatrias no rmais padro i.i.d. Defina XI = il l e XI= x r-1 +a/ para t = 2, 3, ... , 100.
i. R egrida Y1 sobre uma constante e Xr Calcule o estimador de MQO, o R 2 da regresso e a estatstica t (somente homoscedstica) testando a hiptese nula de que {3 1 (o coeficiente de X 1) igual a
zero.
Utilize esse algoritmo para responder s seguintes questes:
a. Rode o algoritmo (i)-(iii) uma vez. Utilize a estatstica I de (iii) para testar a hiptese nula de que
{3 1 =O utilizando o valor critico usual a 3 por cento de 1,96. Qual o R2 de sua regresso'
b. R efaa (a) 1.000 vezes, salvando cada valor de R2 e a estatstica I. Construa um histograma do R2
e da estatstica t. Quais so os percentis de 5, 50 e 95 por cento das distribuies do R 2 e da estatstica r? Em que fiao de seus 1.000 dados simulados a estatstica I excede 1,96 em valor absoluto?
c. Refaa (b) para diferentes nm eros de observaes, por exemplo T= 50 e T= 200. medida que
o tamanho da amostra aumenta, a frao de vezes que voc rejeita a hiptese nu la ap roxima-se de
5 por cento, como deveria, uma vez que voc gerou Y e X para serem independentemente distribud os? Essa frao parece aproximar-se de algum outro limite medida que T aumenta? Qual
esse limite?
CAPTuLo 12
Introduo ~egresso de Sries Temporais e Previso
329
Dados de Sries Temporais Utilizados

no Captulo 12
AP NDICE
12.1
Os dados de sries temporais macroeconmicos para os Estados Unidos so reunidos e publicados por diversas agncias governamentais. O ndice de Preos ao Consumidor medido com base em pesquisas mensais e compilado pelo Bureau
ofLabor Statstics (BLS). A taxa de desemprego calculada a partir do Cm-rent Population Survey do BLS (veja o Apndice
3.1). Os dados trimestrais utilizados neste captulo foram calculados como uma mdia dos valores mensais. Os dados sobre
a taxa dos Fundos Federais so a mdia mensal das taxas dir ias informadas pelo Federal R eserve, e os dados da taxa de cmbio dlar-libra so a mdia mensal das taxas dirias; ambas dizem respeito ao ltimo m s do trimestre. Os dados sobre o PIB
japons foram obtidos da OCDE. A va riao percentual diria no NYSE Composite lndex foi calculada como
lOOln(NYSE,), onde NYSE, o valor do ndice no fechamento dirio do prego da Bolsa de Valores de Nova York. Como
a bolsa de valores no abre nos finais de semana e feriados, o perodo de tempo da anlise um dia til. Essas e milhares de
outras sries temporais econmicas esto disponveis gratuitamente em sites mantidos por vrias agncias de coleta de dados.
APNDICE
12.2
Estacionaridade no Modelo 'AR(l)
Neste apndice, mostramos que, se I {3 1 1 < 1 e
~~,
estacionrio, ento Y, estacionria. Lembre-se do Conceito-Chave

. , Y, +T) no
depende de 5. Para simplificar o argumento, mostramos isso formalmente para T = 2 sob as hipteses simplificadoras de que
{30 =O e {u,} so i.i.d. N(O, a,~).
O pnmeiro passo derivar uma expresso para Y, em termos dos u,s. Como {3 0 = O, a Equao (12.8) implica que y; =
f3 1t-;.1 + 11,. A substituio de 'z';_1 = f3 1Y,_2 + u,_1 nessa expresso produz Y, = /3 1(/J 1Y,_2 + ut-l) + u, = /3?Y,_2 + {3 1ut-l + u,. Ao
continuarmos essa substituio em outro passo temos que Y, = /JrY,_3 + f3?u,_2 + {3 1u,_1 + t<1; a continuao indefinida desse
procedimento produz
12.5, em que voc viu que a varivel de sries temporais Y, estacionria se a distribuio conjunta de ( Y,+ 1,
Y, = u, +
f3tttt-l +
fJ~ut-2 +{Jfu,_3 +
~/31~11-i
( 12.37)
r= O
Portanto, Y, uma mdia ponderada de valores correntes e passados de u,. Como os u,s so normalmente distribudos
e a mdia ponderada de variveis aleatrias normais normal (veja a Seo 2.6), Ys+t e Ys+Z tm uma distribuio normal
bivariada . Lembre-se da Seo 2.6, em que voc aprendeu que a distribuio normal bivariada completamente determinada pelas mdias das duas variveis, de suas varincias e suas co-varincias. Desse modo, para mostrar que Y, estacionria,
precisamos mostrar que as mdias, as varincias e a co-varincia de (Y,~ 1 , ~+:z) no dependem de 5 . Uma extenso do argumento a seguir pode ser utilizada para mostrar que a distribuio de (~+t ~+2 , ... , ~+T) no depende de 5.
As mdias e varincias de ~.,. 1 e '!;+2 podem ser calculadas utilizando a Equao (12.37), com a substituio de t pelos
subscri tos
+ 1 ou s + 2. Em primeiro lugar, como E(u,)
= O para todo t, E(Y,) =
E(i:,/3; u,_,)
1"'0
~/31 E(u,_;) = O. de modo
rH
..
que as mdias de 'f.+t e ~+ 2 so iguais a zero e em particular no dependem de s. Em segundo lugar, var(Y,) = var("I,{J{u,_,)
== ~({JI) 2 var(u,_;) = cr,;~(/3!) 2 = a,~/(1 - {3~), onde a igualdade final resulta do fato de que, se lal< l,i:,a;= 1/(1- ~)~' assim,
rU
,.o
/.n
o} 1(1 - f3f), que no depende de s contanto que 1/J tl < 1. Finalmente, como ~.,. 2 = /.3 1Y,+1 + 11,_ 2,
cov(y;+tY,+2) = E(Y,+1Y,+2 ) == E[~+ 1 (.8 1 Y,+ 1 + lls+:z)J == {J 1var(Y,+1) + cov(y;+tHs+:z) = {3 1var (Y,+ 1) = {J 1a,;/(1- f3f) . A co-varinvar(Y,+ 1)
= var(~+2)
cia no depende de s, de modo que Y, ... 1 e Y,+2 tm uma distribuio de probabilidade conjunta que no depende de s, isto
, sua distribuio conjunta estacionria. Se 1/Jtl;::: 1, esse clculo falha, uma vez que a soma infinita da Equao (12.37)
no converge e a varincia de Y, infinita. Desse modo, Y, estacionria se 1/Jtl < 1, mas no estacionria se /3 1 = 1.
330
EcoNOMETRIA
O argumen to anterio r foi feito so b as hi pteses de que {30 = O e u, normalmente d istribudo. Se {30 :t. O, o argumento
sir1o1ilar, exceto pelo faro de que as mdias de Y.+ 1 e Y,+2 so [30 /(1 - {3 1) e a Equao (12.37) deve ser modificada para essa
mdia diferente de zero. A h iptese de que u, i.i.d. normal pode ser substituda pela hiptese de que 111 estacionrio corn
uma varincia finita, uma vez que. pela Equao (12.37), Y, ainda pode ser expressa como uma funo dos valores correntes
e passados de 11" logo a d istribuio de Y, estacionr ia, contanto que a distribu io de u, seja estacionria e a expresso da
soma infin ita na Equao (12.37) convirja, o que requer que lf3d < 1.
APNDICE
12.3
Notao do Operador Defasagem
A notao utilizada neste e no s prximos dois captulos simplificada consideravelmente pela adoo do que se conhece como notao do operador defasagem. Seja L o operador defasagem. que tem a propriedade de transformar uma
vanvel em sua defasagem. Isto , o operador defasagem L possui a propriedade LY, = Y,_1 Aplicando esse operador duas
vezes, obtm-se a segunda defasagem, L2Y, = L(LY,) = LY,_1 = Y,-:?. Generalizando, ao aplicar o operador defasagem j vezes,
obtemos a j-sima defasagem. Em suma. o operador defasagem tem a propriedade de que
LY, = Y,_ 1, L2 Y, =
i;_2 , c VY, = Y,_r

'
(12.38)
A notao do operador defasagem nos permite definir o polinmio defasagem, q ue um polin m io no operador
defasagem:
p
a( L)
= a11 + a 1L +
a2L2 + + aPU = 2:a,V ,
( 12.39)
J-=0 .
onde a0 , ... , ap so os coeficientes do po1inmio def.1sagem e L11 = 1. O grau do polin mio defasagem a(L) na Equao (12.39)
p . A multiplicao de Y, por a(L) produz
( 12.40)
A expresso da Equao ( 12.40) implica guc o modelo AR(p) da Equao (12.1 -+) pode ser escrito de forma compacta
como
a(L)Y, = {30 + u,,

onde a11
= 1 e a1 = -[31, paraj = 1.. .., p.
( 12.-+ I)
De for m a semelhante, um modelo ADD (p,q) pode ser escrito como
a(L)Y; = /3 0 + c(L)X,_1 +
11"
(12.-+2)
onde a(L) um polinmio defasagem de grau p (com a0 = 1) e c(L) um polinmio defasagem de grau q- 1.
APND ICE
12.4
Modelos ARMM*
O m o d elo auto-regressivo mdia mvel estende o modelo auto-regressivo ao modelar 11 1 como serialmcnte correlacionado, em especfico, como uma defasagem distr ibuda (ou ''mdia mvel") de outro termo de erro no observado. Isto
No ongmal, ARMM e MM correspondcm respecrivamenre aos termos A&\IIA e .\LI:!. que so muito utiltzados entre cconomctrisras
(N. do l:l....T.).
CAP iTuLo 12
331
, na notao do operador defasagem do Apndice 12.3, seja u1 = b(L)e1, onde e, uma varivel aleatria no observada serialmente no-correlacionada, e seja b(L) um polinmio defasagem de grau q com b0 = 1. Ento, o modelo ARMM(p,q)
a(L)Y,
= /30 +
b(L)e,,
(12.43)
onde a(L) um polinmio defasagem de grau p com a0 = 1 .

Tanto o modelo AR quanto o modelo ARMM podem ser imaginados como formas de aproximar as autoco-varincias de Yr Isso porque qualquer srie temporal estacionria Y, com uma varincia finita pode ser escrita como um AR ou
um MM (mdia mvel) com um termo de erro serialmente no-correlacionado, ainda que os modelos AR ou MM necessitem ter uma ordem infinita. O segundo desses resultados, de que um processo estacionrio pode ser escrito na forma de
uma mdia mvel, conhecido como teorema de decomposio de Wold e um dos resultados fundamentais subjacentes
teoria da anlise de sries temporais estacionrias.
Sob o aspecto terico, as famlias de modelos AR, MM e ARMM so igualmente ricas, contanto que os polinrnios
defasagem tenham um grau suficientemente alto. Mesmo assim, em alguns casos, as autoco- varincias podem ser mais bem
aproximadas por meio de um modelo ARMM(p,q) com p e q pequenos do que por meio de um modelo AR puro com
apenas algumas defasagens . Na prtica, contudo, a estimao de modelos ARMM mais difcil do que a estimao de modelos AR, e os modelos ARMM so mais dificeis de serem estendidos a regressares adicionais do que os nwdelos AR.
APNDICE
12.5
Consistncia do Estimador do
Tamanho da D efasagem CIB
p,
Neste apndice, resumimos o argumento de que o estimador CIB do tamanho da defasagem, em urna auto-regresso
est correto em amostras grandes, isto , P(p = p) ~ 1. Isso no verdadeiro para o estimador CIA, que pode superestimar p mesmo em amostras grandes.
CIB
Considere primeiro o caso especial em que o CIB utilizado para escolher entre auto-regresses com nenhuma, uma
ou duas defasagens, quando o tamanho verdadeiro da defasagem igual a um. Mostra-se a seguir que (i) P(p = O) ~O, e
que (ii) P(p = 2) ~O, de onde segue que P(p = 1) ~ 1. A extenso desse argumento para o caso geral em que o CIB
pesquisa ao longo de O :::; p :::; Pm!rx envolve mostrar que P(p < p) ~ O e que P(p > p) ~ O; a estratgia para demonstrar
ambos igual utilizada a seguir em (i) e (ii) .
Prova de (i) e (ii)
Prova de (i).
Para escolher
p=O deve-se ter CIB(O) < CIB(1); isto , CIB(O)- CIB(1) <O. Agora CIB(O)- BIC(1) =
[ln(SQR(O)/T) + (lnT)IT]- [ln(SQR(l)/T) + 2(1nT)IT] = ln(SQR(O)/T) -ln(SQR(l)/T)- (lnT)/ T. Agora SQR(O)/T

:o
[(T-
1)/T]s~ ~ ~,
SQR(l)IT
~ c;}, e (In T)l T ~ O; juntando as peas, temos que CIB(O)- CIB(1) ~ lnc;;
- lno;; >O, pois a~> o;~. Segue-se que P[CIB(O) < CIB(1)] ~ O, de modo que P(p = 0) ~ O.
Para escolher p = 2 deve-se ter CIB(2) < CIB(l) ; ou CIB(2) - CIB(1) <O. Agora, T[CIB(2)- CIB(l)]
T{[ln(SQR(2)/T) + 3(lnT)/T]- [ln(SQR(l)/T) + 2(1nT)IT]} = Tln[SQR(2)/ SQR(l)] + lnT =- Tln[1 + F!(T- 2)]
+ lnT, onde F= [ SQR(l) - SQR(2)]/ [SQR(2) /( T - 2)] a "regra de bolso" da estatstica F (veja o Apndice 5.3) que
testa a hiptese nula de que [3 2 = O no AR(2) . Se u, homoscedstico, F possui uma distribuio assinttica
caso
contrrio, possui outra distribuio assinttica . Assim, P[CIB(2)- CIB(1) <O]= P[T(CIB(2)- CIB(1)) <O]= P{-Tln
[1 + FI(T - 2)] + (lnT) <O}= P{Tln[l + FI(T- 2)] > lnT}. medida que Taumenta, Tln[l + FI(T- 2)]- F~ O
(uma conseqncia da aproximao logartmica ln(l + a) =: a, que se torna exata quando a~ 0) . Portanto, P[CIB(2) CIB(l) <O)~ P(F> lnT) ~O, de modo que P(p = 2) ~ O.
Prova de (ii).
:o
x?:
-332
ECONOMETRIA
CIA
No caso especial de um AR(l ) quando nenhuma, uma ou duas defasagens so consideradas, (i) aplica-se ao C IA onde
'o termo In T substitudo por 2, de modo que P(p = O) - ' O. Todos os passos da prova de (ii) para o C IB tambm se aplicam ao CIA, com a modificao de que ln T substitudo por 2; desse modo, P(CIA(2) - C IA(1) <O) - - ) > P(F > 2) >O. Se
11 1 homoscedstico, P(F > 2) --+ P(xl > 2) = O, 16, de modo que P(p = 2) --+ O, 16. Em geral , quando p escolhido utilizando o C IA, P(p < p) --+O, mas P(p > p) tende a um nmero positivo; logo, P(p = p) no tende a 1.

Econometria Stock Watson Capítulo 12

Caricato da

Informazioni sul documento

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

Econometria Stock Watson Capítulo 12

Caricato da

Copyright:

Formati disponibili

CA ~TU LO

12.. 1 Utilizando Modelos de Regresso para Previso

Introduo Regresso de Sries Temporais e Previso

12.2 Introduo a Dados de Sries Temporais

As Taxas de Inflao e de Desemprego nos Estados Unidos

Inflao e Desemprego nos Estados Unidos, 196Q-1999

A inflao dos preos nos

(a) Taxa de inflao dos Estados Unidos conforme o IPC

(b) Taxa de desemprego nos Estados Unidos

Defasagens, Primeiras D iferenas ,

Introduo Regresso de Sries Temporais e Previso

Defasagens, Primeiras Diferenas,

t.-; = l'c -l'r-1

A primeira diferena do logaritmo de Y1 D.ln(l';)

A variao percentual de uma srie temporal Y 1 entre os perodos t - 1 e t aproximada-

mente 100D.ln(l';), onde a aproximao mais precisa quando a variao p ercentual

taxa de inflao anualizada = In],= 400[ln(JPCJ -

Inflao nos Estados Unidos em 1999 e no Primeiro Trimestre de 2000

Autoc'orrelao (Correlao Serial) e Autocovarincia

Y var( Y,)var( '(,_i

O j-simo coeficiente de autocorrelao s vezes chamado de j-simo coeficiente de correlao serial.

Varioo na Taxo de Inflao (lnf,)

Introduo Regresso de Sries Tempora is e Previso

Outros Exemplos de Sries Temporais Econmicas

Quatro Sries Temporais Econmicos

As quatro sries temporais

Dlares por libra

(a) Taxa de juros dos Fundos Fcderm

(b) Taxa de cmbio entre o dbr dos

12.3 Auto- Regresses

O Modelo Auto-Regressivo de Primeira Ordem

= 0,02- 0,211 Mrif,_ 1,

Introduo Regresso de Sries Temporais e Previso

--previses e erro de previso.

Yr-1 f3o + {31 l't- 1

Raiz do erro de previso quadrtico mdio.

A raiz do erro de previso quadrtico mdio (REPQM)

...-.... 000 ,1 = InJ;

taxa de inflao prevista para 2000:1 de

O Modelo Auto-Regressivo de p-sima Ordem

0,02- 0,21D.Itifr_ 1 - 0,32c,.Jnfr_2 + O, 1961Iifr_3 - 0,04Mnfr-4

Propriedades da previso e do termo de erro no modelo AR(p).

cional de u, igual a zero dados os valores passados de Y,

Introduo Regresso de Sries Temporais e Previso

12.4 Regresso de Sries Temporais com Previsores Adicionais

Prevendo Variaes na Taxa de Inflao Utilizando

Em 1982, a taxa de desemprego

cento, e a taxa de inflao em

lo ponto grande). Em geral,

ser seguidos de diminuies

ano seguinte, ano t + 1, com

uma correlao de --,40.

Linha de regresso estimada

1,42- 0,26Mnft_1 - 0,40M nft_2

1,32- 0,366.I1!fr_1 - 0,34i:::.il!fr_2 + 0,07M nft_3 - 0,03Mr!fr-4

- 2,68Desemp1_ 1 + 3,43Desemp1_ 2 - 1,04Desemp1_ 3 + 0,07 Desemp1-4.

A estatstica F testando a significncia conjunta da segunda quarta defasagens da taxa de desemprego de

Introduo Regresso de Sries Temporais e Previso

Modelo Auto-Regressivo de Defasagem Distribuda

/3p, 81, .. , ~1 so coeficientes desconhecidos e

Y,_z, ..., X,_,, X,_2, ... ) = O.

u1 o termo de erro com E(u1 IY,_1,

j.Jiifznoo 1 1999JV = 1,32- 0,36 X 0,4- 0,34