Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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)
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
293
FIGURA 12.1
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
12
10
OLL~_L~_L~J_LL~-L~~~~_L~_L~J_LL~-L~~~
1960
1965
1970
1975
1980
1985
1990
1995
2000
Ano
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.
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
l'r-J
A primeira diferena de uma srie, .6.1';, sua variao entre os perodos t - 1 e t, isto ,
Conceito-
= ln(l';) -
ln(J'c_1) .
Chave
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
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
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
Conceito-
Chave
12.2
j - sima autocovarincia
j-sima autocorrelao
= cov(Y,, Y,-:i)
= p1 = corr(Y,, '(,_) = -
(12.3)
cov(Y,, Y,_;)
r=======
(12.4)
autoco- varincia 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,)
0,85
-0,24
0,77
-0,27
0,77
0,32
0,68
-0,06
Defcscgem
CAPTuLo 1 2
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.
("volotility clustering").
Percentual ao ano
25
20
1.0
0,5
1970
1980
1990
2000
o.oL-~-~~-~-~~-~~
1960
1970
1980
199n
2l~lil
Ano
Ano
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.
---
Mnfr
(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.
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
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".
= 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
de -0,1, a
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 =
(0,09)
(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.
A hip tese de q ue a expectativa condi(isto , E(u 1 y;_1, y;_2, .. ) = O) tem d uas implicaes
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).
--
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
:;r-
4f-
3r-
2 f-
..
..
1 f-
Of-1 r--
-2 f-
-3 r--
-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
+ 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
(0,89)
(0,89)
(12.17)
(0,44)
CAPTuLo 12
303
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)
---
(-0,4) - 2,68
4,1 + 3,43
4,2 - 1.04
0,0
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).
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
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.
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
1'; = f3o + {31Y,-I + {32Y,-2 + ... + f3pl';-p + 811Xlr-1 + 812XIr-2 + ... + 81q1X1r-q 1 +
(12.20)
ConceitoChave
12.6
onde
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 da previso.
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 -
(J 2.22)
CAPTuLo 12
307
Intervalos de previso.
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
'
Aumento percentual n os
preos em relao ao ano anterio r
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)
{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.
O enfoque da estatstica F.
Critrios de informao.
= 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
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.
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.
((i,;.
CAPTULO
12
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".
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
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.
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
11 1.
(12 .31)
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
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
~
-2,57
-3,12
5%
1%
- 2,86
-3,43
- 3,41
-3,96
CA PiTuLo 12
317
-----
!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.
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
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.
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.
r,
320
ECONOMETRIA
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
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
= mx[F(T0 ),
(12 .36)
ConceitoChave
12.9
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.
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.
Est ats ti ca F
-I,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
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.
CAP iTuLo 12
.I
- ---
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-
?,+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 } .
.-...
----- .
= 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.
'T
(12.17) geralmente
3,0
As pseudoprevises fora da
amostra feitas utilizando uma
curva de Phillips com quatro
3,5
2,5
2,0
1,5
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
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)
CAPTuLo 12
327
Exerccios
*12.1 Suponha que Y, siga o modelo estacionrio AR(l) "Y;
= O e var( it 1) = 9.
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 +
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~);:;;;
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
329
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
~~,
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
E(i:,/3; u,_,)
1"'0
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
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,
LY, = Y,_ 1, L2 Y, =
(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 +
( 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
( 12.-+ I)
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)
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).
Para escolher
p=O deve-se ter CIB(O) < CIB(1); isto , CIB(O)- CIB(1) <O. Agora CIB(O)- BIC(1) =
[(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.