Solues para o Manual de Econometria

Rodrigo De Losso da Silveira Bueno

So Paulo Maro/2001

Solues para o Manual de Econometria

Rodrigo De Losso da Silveira Bueno1

Mestre em Economia, Universidade de So Paulo. Master of Arts, The University of Chicago (Ph.D Pass).

Doutorando em Economia pela Universidade de So Paulo.

Nota O parnteses abaixo representam a fonte de adaptao em alguns dos exerccios, da

seguinte forma:
1. (B&D) BROCKWELL, Peter J. & DAVIS, Richard A. Time Series: Theory and
methods. New York: Springer, 1991.
2. (J) JOHNSTON, J. Econometric Methods, 3rd. ed. New York: McGraw-Hill, 1984;
3. (K) KENNEDY, Peter. A Guide to Econometrics, 4th. ed. Cambridge, MA: MIT,
1998;
4. (E) ENDERS, Walter. Applied Econometric Time Series. New York: Wiley, 1995.
5. (C) exerccios ministrados na The University of Chicago;
6. Exerccios formulados pelo autor.

ndice

1.

Metodologia da Econometria ___________________________________________ 4

2.

Modelo de Regresso Linear Geral _______________________________________ 5

3.

Extenses ao Modelo Bsico de Regresso Linear _________________________ 12

4.

Anlise da Base de Dados e Utilizao de Variveis Binrias_________________ 23

5.

Problemas Economtricos no Modelo Linear Geral ________________________ 33

6.

Multicolinearidade___________________________________________________ 39

7.

Econometria das Variveis de Resposta Qualitativas e Limitadas _____________ 45

8.

Sistemas de Equaes Simultneas______________________________________ 50

9.

Anlise de Sries de Tempo ____________________________________________ 59

10. Metodologia de Box-Jenkins para Modelos Univariados ____________________ 65

11. Modelos de Funo de Transferncia e de Anlise de Interveno ____________ 70
12. Testes de Razes Unitrias e Co-Integrao _______________________________ 77
13. Modelos GARCH ____________________________________________________ 87

1. Metodologia da Econometria

No h exerccios.

2. Modelo de Regresso Linear Geral

1
2.1 Estime as regresses: Y ! ! " " X " # e X ! $ " %Y " & e conclua que " # 2, como
%
intuitivamente poderamos afirmar.
Soluo: Este exerccio procura mostrar que regredir Y contra X, encontrando o
parmetro " , NO o mesmo que regredir X contra Y, encontrar o parmetro % e
1
inferir que " ! .
%
Sabemos que
n

%Y X
i

" !

i !1
n

%X

$ nXY
.

2
i

$ nX

i !1

1
Agora, resta observar que " # . Note que
%
n

" !

% Yi X i $ nXY
i !1
n

%X

2
i

$ nX

1
# !
%

%Y

$ nY 2

i !1
n

%Y X
i

i !1

.
i

$ nXY

i !1

2.2 Suponha o seguinte modelo linear: y ! X " " # , onde y e # so vetores n&1 , X <
uma matriz n & k e um vetor k &1 .
a. Qual(is) a(s) hiptese(s) necessria(s) para estimar esse modelo por MQO?
b. Qual(is) a(s) hiptese(s) necessria(s) para que o estimado, ! , exista e seja nico?
c. Qual(is) a(s) hiptese(s) necessria(s) para que ! seja no viesado?
d. Qual(is) a(s) hiptese(s) necessria(s) para que ! seja eficiente?3
2
3

O acento circunflexo denota parmetro estimado.

Este item apenas tem sentido em ser perguntado se, em aula, o professor apresenta os resultados da

regresso para X estocstico.

e. Qual(is) a(s) hiptese(s) necessria(s) para que se possa fazer inferncia estatstica?
Soluo: Este exerccio possui dois propsitos. Primeiro, induzir o estudante a
entender onde exatamente se aplica cada hiptese do modelo de regresso linear
mltipla, fazendo-o retornar a esses conceitos. Segundo, revisar os conceitos
estatsticos de vis e eficincia, aplicados Econometria dos Mnimos Quadrados
uma boa referncia, para o professor, seria WHITE, Halbert. Asymptotic Theory for
Econometricians, 2nd. ed. Orlando: Academic Press, 2000. Note que nada dito sobre
o comportamento do termo aleatrio, justamente porque algumas perguntas referemse a seu comportamento.
a. Estimar o modelo por MQO apenas um mtodo matemtico, nada mais. Portanto,
apenas necessitamos de uma condio matemtica que ' ' X ( ! k , isto , o posto da
matriz X seja pleno. Precisamos disso porque, do contrrio, XX no seria inversvel e,
ento, no poderamos estimar o modelo por MQO.
b. Outra vez, apenas necessitamos que ' ' X ( ! k , do contrrio, ! no existiria. A
unicidade dada justamente porque o posto pleno. Se X fosse estocstico,
precisaramos que p lim

X )X
!Q #0 .
n

c. Aqui precisamos de vrias hipteses.

c.1 *" ;
c.2 ! nico;
c.3 Se X no estocstico, como assumido neste captulo, E'# X ( ! 0 ! E'#( , onde a
segunda desigualdade resulta da Lei das Expectativas Iterativas. Se X estocstico,
precisamos que p lim

X )#
!0.
n

d. Aqui usamos a hiptese de homocedasticidade. Por isso, podemos concluir que, para ser
no viesado, nada precisamos impor sobre a varincia dos resduos.
d.1 *" ;
d.2 ! nico;

d.3 p lim

X )#
!0;
n

d.4 Se # ! '0, +( , onde + ! ( 2 I , basta estimar o modelo por MQO. Para

complementar, mesmo que o professor ainda no tenha dado heterocedasticidade, ele
poderia dizer que precisamos estimar por um outro mtodo a ser aprendido,
denominado mnimos quadrados generalizados. Isto dizer, formalmente, se + # ( 2 I ,
estime C $1 y ! C $1 X " " C $1#, + ! CC ) .
e. Para inferncia estatstica, admitimos que o erro tenha uma distribuio Normal e sejam
independentes entre si, de onde se seguem todos os resultados do captulo. Se forem
normais, mas no independentes, ter-se-ia que estimar os parmetros por mnimos
quadrados generalizados, pois, do contrrio, as inferncias estatsticas no seriam
vlidas. Esta a nica hiptese necessria. Se no admitirmos que os erros tm
distribuio Normal, podemos assumir a hiptese mais fraca de que so identicamente e
independentemente distribudos, mas nesse caso os testes somente sero vlidos
assintoticamente. Em ambos os casos, pode-se argumentar que tais hipteses so muito
fortes, a primeira mais forte do que a segunda.

2.3 Ado Ismiti queria verificar se a produtividade do trabalho aumentava com a diviso do
trabalho. Para isso, fez a seguinte experincia: regrediu a produtividade (p) de n
trabalhadores de fbricas de alfinetes contra o nmero de funes exercidas pelo
trabalhador (F), anos de escolaridade (E), salrio (w) e nmero de filhos (N).
Formalmente a regresso foi: pi = 1 + 2 F1 + 3 Ei + 4 wi + 5 N i + u i . Usando o
teste t-student, Ismiti aceitou a hiptese nula de parmetro igual a zero para 3 . Retirou
a varivel E da regresso e estimou o modelo restrito, observando que 5 tornou-se,
tambm, estatisticamente no significativo. Finalmente, retirou N da regresso e
estimou o modelo de novo.
a. Por que no foi preciso fazer o teste de F em "3 , para retirar E do modelo? Ou seja,
por que apenas o teste de tstudent pde ser feito?;
b. Justifique se o procedimento adotado por Smith est correto ou equivocado, para ter
eliminado a varivel N do modelo.
7

Soluo: Este exerccio muito ilustrativo e traz um pouco de problemas empricos

tona. Quer-se testar se o estudante entendeu como usar os testes t e F corretamente, e
evitar que ele cometa o erro de retirar variveis explicativas, estatisticamente iguais a
zero, seqencialmente. O certo apenas fazer um teste de hiptese conjunta e, se for o
caso, concluir que tais variveis no explicam o modelo.
a. A razo para no usar o teste F que, quando estamos testando apenas um parmetro, o
teste t e F se equivalem. Ou seja, pode-se usar um ou outro. Em geral, nos pacotes
economtricos o teste t sai automaticamente, por isso podemos olhar para ele sem
problemas. Vale lembrar que, para um parmetro apenas, t2 equivalente a F(1,n),
como provado no corpo do texto.
b. O procedimento de Ismiti est absolutamente equivocado. O correto seria testar,
conjuntamente, por F, se "3 e "5 so, simultaneamente, iguais a zero. A razo
especfica que no segundo teste, mudou-se o nmero de graus de liberdade, por isso o
equvoco. Ou, em outras palavras, no segundo teste, o modelo mudou em relao ao
primeiro.
2.4 (J) Para entender melhor como funciona o R2, prove que uma regresso estimada sem a
constante no implica que os resduos somaro, necessariamente, zero e que o R2, se
calculado como 1

e! e!
, pode ser negativo, onde e! = y X! , em que ! o
y y ny 2

vetor de parmetro estimados estimado4.

Soluo: Este exerccio mostra que o R2 pode ser negativo, quando a regresso por
mnimos quadrados ordinrios feita sem constante (note que, mesmo com constante,
quando estimamos um modelo no linear por mxima verossimilhana, podemos ter
um R2 negativo, mas isso um caso raro). Seu objetivo alertar o estudante que,
quando o R2 negativo, na regresso por MQO, porque ele deve acrescentar a
constante ao modelo. O motivo muito sutil e ser explicitamente apresentado na
resoluo. A primeira parte do exerccio procura esclarecer por que os resduos
somam zero, quando h constante, embora isto j esteja no corpo do captulo. O

A segunda parte deste exerccio difcil.

exerccio tambm til para treinar e entender vrias passagens feitas no corpo do
texto.
Dada a regresso y ! X " " # , temos que:
yi ! X i1"1 " X i 2"2 " " " X ik "k " #i , i ! 1, 2, #, n.
n

, % #i2
i !1

," j

! % ' yi $ X i1"1 $ X i 2"2 $"$ X ik "k (X ji ! 0, j ! 1, 2, #, k .

i !1

Isso no garante que o resduos somaro zero, pois Xji pode ser diferente de 1, para todo i,
mesmo quando j = 1. Claramente, se X1i = 1, para todo i, os resduos somaro zero. Isto
finaliza a primeira parte da questo. Sigamos para a segunda parte.
Lembremos que:
n

2
SQT ! % ' yi $ y ( ! ' y $ y () ' y $ y ( ' ! y )y $ ny 2 ;
i !1

SQE ! y )y $ ny 2 ;
SQR ! e)e $ ne 2 .
Note como nada garante que e seja zero, e, no clculo do R2, no inclumos esse termo
(retorne frmula dada no exerccio); por isso que o R2 pode ser negativo. Note, tambm,
que: yi ! yi " e - % yi ! % y i " % e - y ! y , apenas quando

% e

! 0 , o que

somente ocorre se o modelo estimado com constante, como demonstrado na primeira

parte do exerccio.
Sabemos, ainda, que y )y ! y )y " e)e . Com essas informaes, temos:
e)e
y )y $ y )y
y )y $ ny 2 $ y )y " y )y $ny 2 " y )y
1$
.
! 1$
!
!
y )y $ ny 2
y )y $ ny 2
y )y $ ny 2
y )y $ ny 2
Conseqentemente, se ny 2 . y )y - R 2 / 0 .
Para ver por que o R2 positivo quando existe constante, note que se y ! y (caso com
n

constante), temos que $ny " y )y ! % ' yi $ y ( 0 0 5.

2

i !1

Veja a semelhana com a frmula do SQT.

12Ct ! K1 " 0,9Yt " #1t

22
2Ct ! K 2 " 0,8Ct$1 " #2 t
2.5 (J) Dadas as seguintes estimativas de MQO: 23
, calcule as
22Ct$1 ! K 3 " 0, 7Yt " #3t
22
224Yt ! K 4 " 0,5Ct$1 " #4t
estimativas de MQO de "2 e "3 na regresso C t = 1 + 2 Yt + 3 Ct 1 + u t .
Soluo: O exerccio de nvel mdio a difcil. Tem o objetivo de treinar os conceitos
bsicos de regresso, para verificar se o aluno sabe formul-los. A soluo pode ser
avaliada em duas etapas. Na primeira etapa, o aluno deve ser capaz de oferecer as
seguintes respostas.
O modelo pode (e deve) ser formulado em relao aos desvios. O aluno deve perceber isso
pelo fato de no ser pedido o valor de "1 , ou seja
ct ! "2 yt " "3ct$1 " ut .
Sendo assim, pode-se concluir que:
5" 6
1
7 28 !
2
7 8
2
2
79 "3 8: % yt % ct$1 $ '% yt ct$1 (

5 % ct2
$% yt ct$1 68 57 % yt ct 68
7
.
7$ y c
% yt2 8:8 797% ct ct$1 88:
97 % t t$1

Ainda, podemos concluir o seguinte:

0,9 !

% y c ;0,8 ! % c
%y
%c

t $1 t
2
t $1

t t
2
t

; 0, 7 !

%yc
%y

t t $1
2
t

; 0,5 !

%yc
%c

t t $1
2
t $1

A segunda etapa comea aqui, pois, com essas informaes, torna-se tranqilo encontrar os
parmetros desejados.
ct2$1 % ct yt $% ct$1 yt % ct ct$1
%

"2 !
!
2
2
2
y
c
$
c
y
% t % t$1 '% t$1 t (
!

%c

'0,9 $ 0, 7 ; 0,8( % ct2$1

2
t $1

0,9% yt2 $ 0, 7 % yt2 0,8% ct2$1

% yt2 % ct2$1 $0, 72 '% yt2 (

%c

2
t $1

$0, 7 2 % yt2

Mas, das duas ltimas equaes acima, 0, 7% yt2 ! 0,5% ct2 . Logo,

10

0, 7
% yt2
0,5
"2 !
! 0,5231 .
< 0, 7
=>
2
2
??
$ 0, 7 >> % yt
?@ 0,5
A
0,34

Aplicando o mesmo procedimento, obtemos "3 ! 0,5385 .

Uma outra maneira de resolver o problema a seguinte: seja 1 o ndice da varivel ct, 2 o
ndice da varivel y e 3 o ndice de ct-1. Alm disso, seja bij o coeficiente angular da
regresso que tem i como regressando e j como regressor, segue-se, ento, que6:
b $b b
0,9 $ 0,8 ; 0, 7
"2 ! 12 13 32 !
! 0,5231;
1$ b23b32
1$ 0, 7 ; 0,5
0,8 $ 0,9 ; 0,5
b $b b
"3 ! 13 12 23 !
! 0,5385.
1$ b23b32
1$ 0, 7 ; 0,5

Ver Johnston (1984), cap. 3.

11

3. Extenses ao Modelo Bsico de Regresso Linear

3.1 Qual a intuio do mtodo de estimao por mxima verossimilhana? Este mtodo
produz resultados necessariamente iguais ao mtodo de mnimos quadrados ordinrios?
Por que possvel obter um R2 negativo quando estimamos um modelo (com constante)
pelo mtodo de mxima verossimilhana?
Soluo: (Sugesto de leitura adicional CUTHBERTSON, Keith; HALL, Stephen &
TAYLOR, Mark. Applied Econometrics Techniques. Ann Arbor: Michigan, 1992)
Este um exerccio que refora a idia de mxima verossimilhana introduzida no
texto, procurando estimular o raciocnio intuitivo do alunos.
Dada uma seqncia de observaes e supondo-se uma determinada distribuio para os
erros dessa seqncia e seu processo gerador de dados, o mtodo de mxima
verossimilhana permite obter os parmetros que mais aproximam a distribuio amostral
da suposta distribuio populacional dos erros. Nesse sentido, no importa se o mtodo
produz erros pequenos ou grandes, desde que esses erros tenham a configurao de uma
normal, por exemplo. Por isso, a mdia desses erros pode ser bem diferente de zero, de
modo que o R2 pode ser negativo (ver exerccio 2.5).
Observe que, nos pacotes economtricos, o R2 calculado supondo-se que a estimao seja
feita por MQO com constante. Da um dos motivos para que no seja uma boa medida de
regresso, necessariamente.

3.2 (C) Uma varivel aleatria X tem uma distribuio exponencial, com parmetro
" '" . 0( se X tem uma distribuio contnua pela qual a funo densidade de
probabilidade, f.d.p.,
12" e$" x , para x . 0
f ' x, " ( ! 23
.
224 0, para x B 0
Para mais tarde, note que essa formulao implica que a funo densidade acumulada,
f.d.c., :
121$ " e$" x , para x . 0
F ' x, " ( ! 23
.
224
0, para x B 0

12

A mdia e a varincia de uma distribuio exponencial com parmetro " E ' X ( !

Var ' X ( !

1
e
"

1
.
"2

a. Suponha que x1, x2, ..., xn formem uma amostra aleatria de uma distribuio
exponencial, cujo valor " desconhecido. Encontre a estimativa de mxima
verossimilhana, EMV, de " .
b. Usando a propriedade de invarincia da EMV, encontre a EMV de

1
1
e 2 . (A
" "

'(

propriedade da invarincia da EMA significa que g ') ( ! g ) ).

Soluo: Este exerccio serve de treino para derivar as condies de primeira ordem
da mxima verossimilhana, saindo um pouco da to conhecida distribuio normal.
O exerccio serve tambm para mostrar como se obtm resultados para uma
estimativa, a partir de outra estimativa. Alm disso, o exerccio, apesar da enorme
formulao, fcil.
a. Primeiro formulamos o problema na linguagem aprendida no livro.
n

L '" ; X ( ! C " e$" xi ! " n e

$"

% xi
i!1

i !1

Tomando-se o log:
n

log 59 L '" ; X (6: ! l '" ; X ( ! n log '" ( $ " % xi .

i !1

As condies de primeira ordem do;

n
,l
n
! $ % xi ! 0 - " !
," " i!1

n
n

%x

1
D " ! .
X

i !1

b. A segunda parte do problema ainda mais fcil.

g '" ( !

' (

1
1
- g " ! ! X .
"
"

Da mesma forma:
g '" ( !

' (

1
1
- g " ! 2 ! X 2 .
2

"
"
13

 possvel mostrar isso formalmente, utilizando a mesma metodologia anterior.

3.3 (C) Suponha que X1, X2, ..., Xn so variveis aleatrias de Bernoulli i.i.d., com:
12 1, com probabilidade )
.
xi ! 23
2240, com probabilidade 1$ )
a. Encontre a EMV de ) e sua distribuio assinttica7.
b. Teste a hiptese H 0 : ) ! 0, 4 por Wald, LR e LM? Teste a hiptese H 0 : ) 2 ! 0,5 8?
Soluo: Este exerccio bastante completo e verifica se o aluno entendeu como
funcionam os testes apresentados no corpo do texto.
a. Primeiro, vamos definir a funo de Bernoulli, depois a funo de verossimilhana para
achar o valor dos parmetros e, em seguida, encontrar a distribuio assinttica.
A funo de Bernoulli dada por:
P ' X i ! x ) ( ! ) x '1$ ) (

1$ x

, x ! 0,1 .

Como Xi i.i.d.:
n

P ' X 1 ! x, X 2 ! x,", X n ! x ) ( ! C ) xi '1$ ) (

1$ xi

i !1

Assim,
n

1$ x
l '); x ( ! % ln 57) xi '1$ ) ( i 68 ! ln ') ( % xi " ln '1$ ) ( % '1$ xi ( .
9
:
i !1
i !1
i !1

As condies de primeira ordem resultam em:

% x $ % '1$ x ( ! 0 - '1$ ) (
i

% xi .
) !
n

1$ )

% x ! ) 'n $ % x ( i

As condies de segunda ordem garantem o mximo.

Agora, tratemos da distribuio assinttica. Pelo Teorema Central do Limite de LevyLindberg, sabemos que, como E xi Fi!1 so i.i.d., E ' x( ! *, Var ' x( !
n

(2
, logo:
n

No preciso resolver a parte de distribuio assinttica, embora seja simples a resposta.

Como se trata de uma restrio no linear, esta parte do exerccio pode ser evitada.

14

X $* d
GG
H N '0,1( .
(2

% E ' xi ( ! n) ! );
E ) !
n
n
% Var ' xi ( ! n) '1$ ) ( ! ) '1$ ) ( .
Var ) !
n2
n2
n

'(

'(

A segunda igualdade da varincia resultado da varincia para o caso da distribuio de

Bernoulli. Desse modo:
) $ )
) '1$ ) (
n

! n

) $ )
) '1$ ) (

d
GG
H N '0,1( .

A soluo apresentada para distribuio assinttica, no entanto, pode ser feita usando as
propriedades do EMV. Uma delas afirma que, sob determinadas condies encontradas
neste problema, o estimador de mxima verossimilhana assintoticamente normal.
Formalmente, isso significa;

'

d
n ) $ ) GG
H N '0, +$1 ( , onde

5 1 , 2 L '); x (6
8.
+ ! $E 77
2
8
79 n ,(
8:
Logo,

'

< ) '1$ ) (2 " 1$ ) ) 2 =>

5 <
=6
< )
=

?
1
x
$
x
'
(
1
1
$
)
>
>
?
?
%
%
i
i >8
>> !
> ! E ??
+ ! E 77 ?? 2 "
! E ?? 2 "
>>
8
2 >
2>
2
?
2
>
>
?
?
n
)
)
) '1$ ) (
'1$ ) ( >A
'1$ ) ( >A8:
79 @
@
??@
A>
< ) '1$ ) (2 " '1$ ) ( ) 2 => < ) '1$ ) ('1$ ) " ) (=>
1
?
>> ! ??
>> !
.
+ ! ??
?
2
2
2
2
>
>
?@
) '1$ ) (
) '1$ ) (
A> ?@
A> ) '1$ ) (
Portanto,

'

d
n ) $ ) GG
H N '0, ) '1 $ ) (( .

b. O primeiro teste que devemos fazer assim especificado:

H 0 : ) ! 0, 4& H1 : ) # 0, 4.

15

Apenas para formalizar melhor a idia de mxima verossimilhana, temos que definir os
seguintes resultados:
H ') ( ! ) $ 0, 4 ! 0 , que a funo hiptese nula;
,H ') (
! 1;
,)
, 2l ); x
$ 1$ )
!
,),) )

' (

'

( % x $ ) % '1$ x ( .
) '1$ ) (
2

Teste de Wald
Com isso, o teste de Wald dado por:
12
2
W ! ) $ 0, 4 231;
22 1$ )
242

'

'

I2
22
d
1
;
H ,+2!1 .
J ) $ 0, 4 GG
2
2
2

% xi " ) % '1$ xi ( 22K2

'

) 2 1$ ) 2

'

Portanto, se W . ,+2!1'95%( , rejeitamos H0. Note que aqui, temos apenas que estimar o
modelo no restrito, ou seja, sem impor qualquer restrio.

Teste Razo de Verossimilhana LR

LR ! $2

E% x 579ln ')($ ln '0, 4(68: " % '1$ x ( 579ln '1$ )($ ln '0, 6(68:F GGH ,
d

2
+!1

Portanto, se LR . ,+2!1'95%( , rejeitamos H0. Note que aqui temos que calcular o modelo
restrito e o no restrito.

Teste Multiplicador de Lagrange LM

No teste LM, temos apenas que calcular a verossimilhana com o modelo restrito.
I2<
< % xi n $ % xi =>) 212
=
)$2 '1$ )$2 (
?
d
2
2J2?? % xi $ n $ % xi >> GG
>
LM ! ??
$
H ,+2!1 ,
3
>
>
2
?
$
$
$
$
>
>
1$ ) A 22'1$ )$(
1$ ) A
?@ )
% xi " )$2 % '1$ xi (222K?@ )
24
onde )$ o vetor de parmetros estimados do modelo restrito. Assim, temos:
< % xi n $ % xi =>
LM ! ???
$
>>
0, 6 A>
?@ 0, 4

12
I2
0, 0576
2
d
2
2 GG
3
J H ,+!1 .
22 0,36% xi " 0,16% '1$ xi (22
4
K

Portanto, se LM . ,+2!1'95%( , rejeitamos H0.

16

O segundo teste que devemos fazer assim especificado:

H 0 : ) 2 ! 0,5& H1 : ) 2 # 0,5 .
Apenas para formalizar melhor a idia de mxima verossimilhana, temos que definir os
seguintes resultados:
H ') ( ! ) 2 $ 0,5 ! 0 ;
,H ') (
! 2) .
,)
Teste de Wald
12
22
2
W ! ) $ 0,5 3
22 1$ )
242

'

'

I2
22 d
H ,+2!1 .
J GG
2
% xi " )2 % '1$ xi (222K2

'

) 2 1$ )

Teste Razo de Verossimilhana LR

5
6
5
6 2I d
1
1
21
LR ! $2 23% xi 7 ln ) $ ln '0,5(8 " % '1$ xi ( 7ln 1$ ) $ ln '0,5(8 2J GG
H ,+2!1 .
242
2
79
8
7
8
2
2
:
9
: K2

'(

'

Teste Multiplicador de Lagrange LM

2
12
I2
)$2 '1$ )$(
22
22
LM ! '2) ( 3
J!
2
2
22 1$ )$
$
1
x
"
$
x
)
( % i % ' i (22K2
42'
2

'

4 ; 0,5 ; 0,5 1$ 0,5

'1$

( % x " 0,5% '1$ x (

2

0,5

d
GG
H ,+2!1.

3.4 (C) Seja yt ! + yt$1 " #t , #t ! i.i.d .N '0, ( 2 ( , + / 1 9.

Exerccio difcil, mas importante para entender e trabalhar os conceitos de vis, consistncia, EMV e MQO.

Consultar, tambm, captulo 5 do livro.

17

a. Escreva a funo log-verossimilhana para uma amostra com T observaes (y1, y2, ...,
yT), a partir do processo acima, condicional primeira observao. Escreva a funo
de verossimilhana como:
f ' yt , yt$1 ,#, y1 ( ! f ' yt yt$1 , yt$2 , #, y1 ( f ' yt$1 , yt$2 , #, y1 ( !
! f ' yt yt$1 , yt$2 , #, y1 ( f ' yt$1 yt$2 , yt$3 , #, y1 ( f ' yt$2 , yt$3 , #, y1 ( !
!"!
! f ' yt yt$1 , yt$2 , #, y1 ( f ' yt$1 yt$2 , yt$3 , #, y1 (" f ' y2 y1 ( f ' y1 (.
Para o processo acima, os valores de (y1, y2, ..., yT-1) interessam para yT apenas atravs do
valor de yT-1. Assim, f ' yt yt$1 , yt$2 , #, y1 ( ! f ' yt yt$1 ( .
b. Mostre que +EMV ! +MQO ! + , onde +MQO vem da regresso de yt contra yt-1 e +EMV a
EMV (condicional em y1).
c. Mostre que + um estimador viesado de + .
d. Mostre que + consistente.
e. Obtenha a distribuio assinttica de + .
yt ! + yt$1 " #t , #t ! ut " )ut$1 ,

f. Agora, suponha que o processo seja alterado para

ut ! i.i.d .N '0, ( 2 ( , + , ) / 1.

estimador de mnimos quadrados consistente? Derive o limite de probabilidade.

Soluo: No corpo do texto, usaram-se termos como consistncia, vis, eficincia. Este
exerccio serve para trabalhar esses termos, de modo a esclarecer seu significado. Da
sua importncia. No entanto, este exerccio pode ser considerado difcil, a partir da
letra d. Note que aqui, implicitamente, estamos retirando a hiptese de que a matriz X
no estocstica. Isto muda radicalmente os resultados. Sugerimos a seguinte
bibliografia adicional: HAMILTON, James D. Time Series Analysis. Princeton:
Princeton, p. 215, 1994.
a. Vamos primeiro definir a funo de verossimilhana condicional a y1, como, alis, j
foi ensinado no corpo do exerccio.
f ' yt yt$1 , yt$1 ,#, y1 ( ! '2-(
Agora, seguindo a sugesto do exerccio:
18

1
2 $2
#

5 ' y $ y (2 6
7$ 1 t t$1 8
7
8
77 2
88
(#2
9
:

f ' yt yt$1 , yt$1 , #, y1 ( ! '2-(

T $1
2 $ 2
#

5
7
7
7 1
7$
7 2
7
7
79

% ' yt $ yt$1 (

6
8
8
8
8
8
8
8:

28

t !2

(#2

Dessa forma:
1 T
T $1
T $1
2
T
ln '2- ( $
ln '(#2 ( $ 2 % ' yt $ + yt$1 ( .
l 57+, (#2 ; ' yt (t !1 68 ! $
9
:
2
2
2(# t !2
T

2
T
b. Agora, fcil ver que + * ! arg max l 57+, (#2 ; ' yt (t !1 68 ! arg min % ' yt $ + yt$1 ( . Assim,
9
:
t !2

temos que +EMV ! +MQO .

De fato, tomando as condies de primeira ordem,
T
,l 57+, (#2 ; ' yt (t !1 68
9
:! 1
,+
(#2
T

%' y $+ y
t

t $1

( yt$1 ! 0 -

t !2

% yt yt$1 $ +% yt2$1 ! 0 t !2

t !2

%y y

t $1

+EMV !

t !2
T

%y

! +MQO .

2
t $1

t !2

Apenas para constar, as condies de segunda ordem do para + :

T

%y

2
t $1

$ t !2 2
(#

/0.

c. Para mostrar que viesado, temos apenas que tomar a esperana da estimativa. Ou
seja,
5 T
6
5 T
6
7 % '+ yt$1 " #t ( yt$1 8
7 % #t yt$1 8
7
8
7
8
8 ! + " E 7 t !T2
8.
E 57+ 68 ! E 7 t !2
T
9 :
7
8
7
8
2
2
yt$1
7
8
7 % yt$1 8
%
79
8:
79 t !2
8:
t !2
Temos que desenvolver o numerador da segunda parcela.

19

t !2

t !2

t !2

% #t yt$1 ! % #t '+ yt$2 " #t$1 ( ! % '#t #t$1 " +#t #t$2 " + 2#t yt$3 ( !
!"!
T

!%

j !t $1

t !2

% '# #

t t$ j

+ j$1 " + j #t y1 (.

j !1

Podemos ver, a partir disso, que:

5 T j!t$1
6
E 7 % % '#t #t$ j + j$1 " + j #t y1 ( y1 8 ! 0 ,
7 t !2 j!1
8
79
8:
porm,
5 T j!t$1
6
7 % % '#t #t$ j + j$1 ( 8
5 g ' x ( 6 E 5 g ' x (6
7 2 1
8
:.
8# 9
E 7 t ! j! T
y1 8 # 0, pois E 77
8
7
8
5
79 h ' y (8: E 9 h ' y (6:
7
8
yt2$1
%
77
88
t !2
9
:
A concluso, portanto, que + viesado.
A intuio bsica que o denominador, que tambm depende dos erros, altera a razo, ou
seja, impe uma estrutura de ponderao, cuja esperana no mais zero.
d. A consistncia um conceito, quando tomamos a probabilidade do limite. Como,
nesse caso, pelo Teorema de Slutsky,
5 g ' x ( 6 p lim 5g ' x (6
9
:,
8!
p lim 77
8
5
79 h ' y (8: p lim 9 h ' y (6:
temos que:
j !t $1

% % '# #

t t$ j

p lim + ! + " p lim

t !2

j $1

j !1

(
!+"

%y

2
t $1

!+"

%&&&&&'&&&&&(
j $1
+
% p lim 59#t #t$ j 6:

j !t $1

t !2

j !1

p lim % y

t t$ j

j !1

p lim % y
t !2

!0

t !2

% '# #

2
t $1

t !2

p lim %

j !t $1

! +.

2
t $1

t !2

Logo, + consistente.
e. Este exerccio no difcil, mas exige ateno.

20

+ j$1 (
!

%# y

+ ! + "

% #t yt$1
t !2
T

%y

t $1

t !2

'

- T $1 + $ + !

2
t $1

t !2

T $1 .
% yt2$1
T

t !2

T $1
Pelo Teorema Central do Limite,
T

%# y

<
(4 =
d
GG
H N '0, (#2 E ' yt2$1 (( ! N ??0, # 2 >>> .
?@ 1$ + A>
T $1
t

t $1

t !2

Pela Lei dos Grandes Nmeros,

T

%y

2
t $1

t !2

T $1

p
GG
H

(#2
.
1$ + 2

Para ver este ltimo resultado, observe que

yt ! + yt$1 " #t - yt2 ! + 2 yt2$1 " 2#t yt$1 " #t2 E ' yt2 ( ! + 2 E ' yt2$1 ( " 2 E '#t yt$1 ( " E '#t2 ( *&&&+&&&, )
*&&+&&,
p
p
p
GG
H0
GG
H (#2
GG
H E' yt2 (
(#2
.
E'y (!
1$ + 2
2
t

Ou, de outra maneira, lembrando que a esperana sobre uma amostra infinita:
T

t !2

t !2

yt ! % + j #t$ j - E ' yt2 ( ! % + 2 j (#2 !

(#2
.
1$ + 2

Portanto

'

d
H
T $1 + $ + GG

2 =
<
1
??0, (# >> ! N '0,1$ + 2 ( .
N
?@ 1$ + 2 >>A
(#2
1$ + 2

f. Agora, como #t ! ut " )ut$1 , p lim #t yt$1 # 0 . Assim,

21

t !2

t !2

% #t yt$1 ! % 'ut " )ut$1 (' yt$2 " ut$1 " )ut$2 ( T

% #t yt$1

t !2

% ut yt$2
t !2

T
*&&&+&&&,

"

T ,
*&&&+&&&

")

t !2

T
*&&&&+&&&&
,

")

T ,
*&&&+&&&

%u

"

GG
H0
T

%u

2
t $1

t !2

T
*&&+&&,

")

t $1 t $2

2 t !2

T
*&&&&+&&&&
,

GG
H (u2

GG
H0

t !2

GG
H0
T

t $1 t $2

%u u

t t $2

")

t !2

GG
H0

%u

% ut ut$1

GG
H0

%# y

t $1

p
GG
H )(u2 # 0.

t !2

T
Agora, no denominador temos:
T

% yt2$1
t !2

% '+ yt$2 " ut$1 " )ut$2 (

t !2

! +2

% yt2$2
t !2

T
*&&+&&,
T
yt2$1
%
p

"

% ut2$1
t !2

T
*&&+&&,
p
GG
H (u2

%u

2
t $2

" )2

t !2

T
*&&+&&,

"

p
GG
H (u2

GG
H t !2
T
T

%u

"2+

t !2

T
*&&&&+&&&&
,

%u

t $1 t $2

" 2+)

t !2

T
*&&&&+&&&&
,

%u

" 2)

t !2

T
*&&&&+&&&&
,

GG
H (u2

GG
H0

t $1 t $2

t $2 t $2

GG
H0

%y

2
t $1

t !2

GG
H
p

'1 " ) 2 " 2)+(

1$ +

(u2 .

Portanto,
T

p lim + ! + "

p lim % #t yt$1
t !2
T

p lim % yt2$1

'1$ + 2 ()
)(u2
!+"
!+"
#+.
1 " ) 2 " 2)+
'1 " ) 2 " 2)+((u2
1$ + 2

t !2

Logo, podemos concluir que +MQO inconsistente.

22

4. Anlise da Base de Dados e Utilizao de Variveis Binrias

4.1 Explique sucintamente como se faz o teste de Chow e para que ele serve. Apresente,
pelo menos, duas limitaes ao teste de Chow.
Soluo: O exerccio pretende estimular o raciocnio do estudante quanto
aplicabilidade do teste de Chow. O professor deve esperar que o estudante encontre
duas limitaes, pois a terceira bastante sutil, tratando-se de modelos no lineares.
Para teste de apenas uma mudana estrutural, divida a amostra em antes e depois da
mudana. Estime o modelo no restrito, ou seja, estime o modelo antes e depois da
mudana separadamente, calcule a soma dos quadrados dos resduos para cada caso e
some-as. Estime o modelo sem mudana estrutural, usando todos os dados, e obtenha a
soma dos quadrados dos resduos restritos. Use o teste F, tomando cuidado para especificar
corretamente o nmero de restries. O teste de Chow serve para verificar se houve alguma
mudana estrutural na srie.
A primeira limitao trata do fato de que o teste de Chow, usado para mudanas estruturais,
no aplicvel se o nmero de variveis explicativas, k, maior do que o nmero de
observaes de uma das subamostras, isto , se k > ni, para algum i. Na prtica isso
dificilmente ocorre, mas trata-se um problema potencial. Imagine intervenes na economia
de poucos meses, por exemplo, o que poderia acarretar esse problema.
A segunda limitao que o teste supe um modelo homocedstico, ou seja, mesma
varincia nas diversas subamostras, o que fortemente implausvel se h mudana
estrutural.
A terceira limitao que o teste se aplica apenas a modelos lineares, e no se aplica a
modelos no lineares. Porm, o escopo desse livro estudar estimao apenas em modelos
lineares. Para maiores detalhes sobre isso, ver DAVIDSON, Russel & MACKINNON,
James G. Estimation and Inference in Econometrics. New York: Oxford, pg. 376, 1993.
4.2 (K) Suponha que se estime y ! ! " " x " % D " # , onde D uma dummy para estado
civil (casado ou solteiro). Suponha que saibamos que a frao de casados na amostra
duas vezes maior do que a frao de solteiros na populao Que modificao, se
houver, voc sugeriria.
23

Soluo: Este um exerccio destinado a treinar a ateno do aluno, para evitar que,
num trabalho real, ele cometa erros primrios.
Nada, pois esta informao no tem qualquer implicao sobre os valores dos parmetros.

4.3 (C) Suponha que o nico determinante do consumo das famlias no Brasil, ci, a idade,
ai, do chefe da famlia. Temos dados de cross-section de famlias. Considere o seguinte
modelo simples:
( 1 ) ci ! "1 " "2 ai " #i ,
e o modelo mais geral
( 2 ) ci ! "1 " $1 Di " "2 ai " $ 2 Di ai " #i ,
onde Di uma varivel dummy indicando se o chefe aposentado ou no, definida da
seguinte forma:
121, se ai 0 60;
Di ! 23
2240, se ai / 60.
Assuma que todas as hipteses padres para pequenas amostras so satisfeitas para o
modelo ( 2 ) e que Var '#i ( ! ( 2 desconhecido.
a. De acordo com ( 2 ), qual a esperana condicional do consumo da famlia cujo chefe
tem 40 anos de idade? E para aquela cujo chefe tem 20 anos de idade?;

Para b. e c. considere as trs figuras abaixo:

ci

ci

ci

60

60
ai

60
ai

ai

sem pulo

sem pulo

pulo

sem quina

quina

quina

24

b. Que restries devem ser impostas sobre os parmetros do modelo ( 2 ) para evitar
mudanas descontnuas na esperana condicional do consumo na poca da
aposentadoria? Como voc testaria essa restrio?
c. Suponha que a restrio de b. seja verdadeira. Imponha isso sobre ( 2 ) e derive um
teste de hiptese que no haja pulo (como imposto) e no haja quina na consumo na
poca da aposentadoria.
Soluo: O exerccio aplica os conhecimentos de variveis dummy. Ele tem o mrito de
induzir o estudante a pensar em como se usam as variveis dummy.
a. O exerccio bastante simples, no demandando maiores dificuldades.
E 59 ci ai ! 406: ! "1 " "2 ; 40;
E 59 ci ai ! 206: ! "1 " "2 ; 20.
Ao passo que, por exemplo,
E 59 ci ai ! 736: ! "1 " $1 " '"2 " $ 2 (; 73 .
b. A restrio necessria para evitar o pulo :
$1 " $ 2 ; 60 ! 0 .
Podemos testar,
H 0 : $1 " $ 2 ; 60 ! 0& H1 : $1 " $ 2 ; 60 # 0 ,
fazendo um teste t-student da combinao linear dos coeficientes. Assim, rejeite H0 se
R" $ 0

0 t ! 'n $ 4( , onde
$1
5
6
2
s 7 R ' X )X ( R )8
9
:
R ! M0,1, 0, 60N; " ) ! M "1 , $1 , "2 , $ 2 N.
t !

c. Impondo a restrio de que no haja pulo sobre ( 2 ), obtemos:

ci ! "1 " "2 ai " $ 2 Di ' ai $ 60( " #i .
A restrio adicional para evitar quina $ 2 ! 0 . Podemos, ento, testar:
H 0 : $ 2 ! 0& H1 : $ 2 # 0 ,
fazendo um teste t-student da seguinte forma:

25

t !

$ 2 $ 0
0 t ! 'n $ 3( .
$1 6
2 5
2
)
s 7' X X ( 8
9
: 33

Se a desigualdade for verdadeira, rejeitamos H0.

Apenas note o nmero de graus de liberdade, entre parnteses.

4.4 (J) Um conjunto de dados cross-section de famlias com relao a renda, y, e

consumo, c, dividida em subconjuntos de observaes, da seguinte maneira:
a. Operrios;
b. Assalariados; e
c. Autnomos.
Uma regresso do log(c) contra o log(y) computada para cada sub-amostra e para a
amostra completa (com dummy para cada intercepto), produzindo:

a. Operrios

s2

1,02

0,24

102

0,46

104

0,30

26

0,39

232

( 0 ,06 )

b. Assalariados

0,91
( 0 ,1 )

c. Autnomos

0,76
( 0 ,08 )

d. Todas famlias

0,86
( 0 ,05 )

Aqui ! o coeficiente de declividade (com os erros-padro entre parnteses), s 2 a

varincia residual, e T o tamanho da amostra.
Teste as hipteses de que:
a. A elasticidade de c com respeito a y a mesma para todas as classes ocupacionais;
b. Seu valor unitrio.
Interprete os seus resultados e d algumas possveis explanaes para as diferenas
observadas.
Soluo: Este exerccio ilustrativo do uso das variveis dummy, onde o aluno
obrigado a raciocinar sobre sua utilizao. Ao mesmo tempo, introduz-se um exemplo

26

prtico, para aguar a intuio do estudante. O exerccio muito bom, porque

esclarece muitos detalhes que em geral passam despercebidos, mesmo aps uma
cuidadosa leitura do texto principal. Ao final da resoluo, apresentamos uma
variante do exerccio, muito ilustrativa, embora de um elevado grau de dificuldade, se
proposto aos alunos. Porm, tal variante poderia servir como um desafio, mais voltado
aos alunos aplicados.
a. Temos que fazer um teste de F para esse caso. Assim, precisamos encontrar os erros
quadrados da equao restrita e da no restrita. No temos isso diretamente, mas
podemos calcular. Se somarmos os erros das trs regresses separadas, teremos o erro
da equao no restrita, da mesma forma que feito no corpo do texto. Vamos ver
isso, algebricamente.
si2 !

e)e
, i ! 1, 2,3 ,
n$k

1 representa os operrios,
2 representa os assalariados,
3 representa os autnomos.
Com isso, podemos calcular o erro quadrado de cada regresso. Sabemos que o tamanho da
amostra, T, ser nosso n da equao e k o nmero de parmetros estimados. Como temos
uma dummy para cada intercepto, cada equao foi estimada com duas variveis
explicativas, e a ltima equao foi estimada com trs dummy mais o coeficiente de
declividade. Este o primeiro detalhe importante. Logicamente, a ltima equao trata do
modelo restrito, que ser denotado por um asterisco, *. Assim, temos:
0, 24 '102 $ 2( ! e1)e1 - e1)e1 ! 24;
0, 46 '104 $ 2( ! e2)e2 - e2)e2 ! 46,92;
0,30 ' 26 $ 2( ! e3)e3 - e3)e3 ! 7, 2;
0,39 ' 232 $ 4( ! e*)e* - e*)e* ! 88,92.
A soma dos erros quadrados das trs primeiras equaes nos d a soma dos quadrados dos
erros da equao no restrita. Calculando temos que 24 " 46,92 " 7, 2 ! 78,12 .
Agora, vamos especificar o teste F que desejamos fazer. Este segundo detalhe muito
importante, pois define o nmero de restries, q, para o teste de F, nmero esse que
freqentemente causa confuses.
27

12"1 # "2
22
122"1 ! "2
H0 : 3
& H1 : 3 ou .
224"2 ! "3
22
224"2 # "3
O nmero de restries melhor entendido, pensando na hiptese alternativa. Dessa forma,
calculando F, obtemos:

'88,92 $ 78,12(
F!

78,12

2 ! 15, 62 . F '2, 226( .

95%

'232 $ 6(

Com esse resultados, rejeitamos H0 de que as declividades so idnticas para as trs classes
laborais. Note que no sabemos se as trs declividades so diferentes entres si, ou se apenas
uma delas difere das outras duas, nem qual delas seria. Apenas sabemos que so diferentes.
b. Agora temos que testar, para cada regresso, se a declividade diferente. Basta usar
um teste t-student, bastante conhecido.
H 0 : "1 ! 1& H1 : "1 # 1: t !

1, 02 $1
! 0,333 / t2,5% '100( ,
0, 06

de modo que aceitamos H0 ao nvel de 5% de significncia.

H 0 : "2 ! 1& H1 : "2 # 1: t !

0,91$1
! 0,9 / t2,5% '102( ,
0,1

de modo que aceitamos H0 ao nvel de 5% de significncia.

H 0 : "3 ! 1& H1 : "3 # 1: t !

0, 76 $1
! 3 . t2,5% '24( ,
0, 08

de modo que rejeitamos H0 ao nvel de 5% de significncia.

luz do teste que fizemos no item anterior, observamos que a diferena de declividade
encontra-se no "3 . Ou seja, temos duas declividades iguais a 1 e uma diferente de 1. No
fizemos o teste para verificar se "3 maior ou menor do que 1 (nosso teste foi para
verificar se era diferente de 1), mas de se esperar que seja menor do que 1, de acordo com
as explicaes a seguir.
Uma possvel explicao a percepo do que a renda representa para cada classe laboral.
Os assalariados e operrios percebem aquela renda de uma perspectiva de mais longo
prazo, ou seja, entendem aquela renda como fazendo parte de seu fluxo de renda
permanente. Os autnomos no sabem se a renda percebida ser igual nos perodos
28

seguintes, ou seja, se se trata de renda permanente ou transitria. Por isso, os autnomos

tm uma propenso marginal a poupar maior do que as outras classes ocupacionais.
propsito, isto o que Milton Friedman props em suas Teoria da Renda Permanente. Esta
a razo por que a elasticidade renda dos autnomos menor.

Isto encerra o problema proposto.

O problema comporta algumas variantes de interesse. Inicialmente, suponha que no

tivesse sido citada uma dummy para cada intercepto. Ento, isso traria ambigidades, pois
no seria possvel definir se em todas famlias foram regredidas com apenas um
intercepto ou com uma dummy para cada intercepto. Assim, a soluo dada anteriormente
testa a seguinte hipteses:
Modelo Restrito: diferentes interceptos e uma declividade comum;
Modelo no Restrito: diferentes interceptos e diferentes declividades.
Porm, se assumimos que todas famlias tem apenas um intercepto, ento estaramos
testando H0: interceptos so os mesmos e declividades so as mesmas. Formalmente:
12!1 ! !2
12!1 # !2 , ou
22
22
22!2 ! !3
2!2 # !3 , ou
H0 : 3
& H1 : 23
22 "1 ! "2
22 "1 # "2 , ou
22
22
24"2 ! "3
24 "2 # "3 .
Nesse caso, apenas o valor dos erros quadrados restritos que mudariam para:
0,39 ' 232 $ 2( ! e*)e* - e*)e* ! 89, 70 .
O teste de F seria dado por:

'89, 70 $ 78,12(
F!

78,12

4 ! 8,38 . F ' 4, 226( .

95%

'232 $ 6(

De modo que rejeitaramos a hiptese nula, sem saber se a rejeio seria causada por
interceptos diferentes, ou declividades diferentes, ou ambos.

Agora uma problema mais difcil. Supondo que a regresso todas famlias tenha, de fato,
um nico intercepto, seria possvel extrair a soma dos quadrados dos resduos para um
29

modelo restrito com diferentes interceptos e uma declividade comum, a partir dos mesmos
dados fornecidos?
Se estimssemos os modelos a partir de seus desvios em relao mdia, recuperaramos
os betas. Isto , a partir da mdia, para modelos com intercepto e declividade apenas:
y )x
,
" !
x )x
onde y e x so desvios em relao sua mdia. Disso, podemos deduzir que::

' y )x(

e*)e* ! y )y $

x )x

Dos dados do problema, temos que:

0, 24
y1)x1
! 1, 02 e
! 0, 062 ;
x1)x1
x1)x1
0, 46
y2) x2
! 0,91 e
! 0,102 ;
x2) x2
x2) x2
y3) x3
0,30
! 0, 76 e
! 0, 082.
x3) x3
x3) x3
Assim, obtemos:
x1)x1 ! 66, 67 e y1 x1 ! 68, 00;
x2) x2 ! 46, 00 e y2) x2 ! 41,86;
x3) x3 ! 46,88 e y3) x3 ! 35, 63;
x )x ! 159,55 e y )x ! 145, 49.
Assim:
145, 49
" !
! 0,91 .
159,55
Isso difere da declividade de todas famlias de 0,86, confirmando nossa conjectura que a
regresso todas famlias no continha variveis dummy que permitisse interceptos
diferentes. Quer dizer, se queremos testar para diferentes declividades apenas, devemos
estimar o " da equao restrita com dummy para os interceptos e declividade comum,
como assumimos para resolver o problema anterior.
Para estimar e*)e* , precisamos computar y )y ! y1) y1 " y2) y2 " y3) y3 . Para qualquer regresso:

30

' y)xi (

e)e ! s ' n $ k ( ! yi)yi $

2
i

' y)xi (

x)xi

, i ! 1, 2,3 -

yi)yi !

x)xi

" si2 'n $ k (.

Logo, temos;
y1) y1 !

68, 002
" 0, 24 '100( ! 93,36;
66, 67

y2) y2 !

41,862
" 0, 46 '102( ! 85, 01;
46, 00

35, 632
" 0,30 ' 24( ! 34, 28;
46,88
212, 65.
y )y !
yi)yi !

Dessa forma, obtemos:

e*)e* ! 212, 65 $

145, 49 2
! 80,50 .
159,55

Ou seja, se no avisssemos no enunciado do problema que todas famlias calculado

com uma dummy para cada intercepto, teramos que realizar todos os clculos acima, para
obter a soma dos quadrados dos resduos corretamente, a fim de testar para diferentes
declividades.
Finalmente, estamos prontos para testar que a elasticidade do consumo com relao renda
a mesma para todas as classes. Agora, h apenas duas restries:
21"1 ! "2
21"1 # "2 ; ou
H 0 : 23
.
& H1 : 23
242"2 ! "3
242 "2 # "3
Fazendo o teste F:

'80,50 $ 78,12(
F95% '2, 226( - 3, 05 / F !

78,12

2 ! 3, 44 / F '2, 226( - 3, 70 .
99%

'232 $ 6(

Portanto, podemos rejeitar a hiptese de declividades comuns ao nvel de 5%, mas no ao

nvel de 1%.
Estas concluses esto sujeitas a qualificaes, no entanto. Se os dados disponibilizados
tiverem sido arredondados, considerveis erros podem ter sido introduzidos. Por exemplo,

31

se (" ! 0, 0501 (embora reportado 0,1), ento x2) x2 ! 180,37 , no 46,00, como
2

assumimos. Assim, este exerccio deve ser visto como pedagogicamente interessante, em
vez de empiricamente til.
Para concluir o problema, suponha que aceitemos a hiptese de que as declividades sejam
iguais. Devemos, agora, testar se elas diferem da unidade. As informaes que temos so as
seguintes:
" ! 0,91; s 2 !

e*)e*
! 0,353; s" !
232 $ 4

0,353
s2
!
! 0, 047 .
159,55
x )x

O teste t dado por:

t!

0,91$1
! 1,915 / t2,5% '226( ! 1,97 .
0, 047

Portanto, aceitamos a hiptese nula de que os coeficientes so conjuntamente iguais a 1.

Note que isso contrasta com os resultados obtidos pelo teste individual dos coeficientes,
feitos na resposta principal. O problema de se usar este tipo de teste que estamos fazendo
um teste sobre outro. Isto , aceitamos a hiptese de que os coeficientes so iguais; dado
isso, testamos se so iguais a 1. Nesse processo, perdem-se preciso e informao, motivo
pelo qual no recomendamos esse procedimento freqentemente. Alm disso, no
intuitivo que os coeficiente sejam todos iguais a 1, conforme explicamos na resoluo
principal, embora possam ser todos iguais.

32

5. Problemas Economtricos no Modelo Linear Geral

6.1 Suponha o modelo y ! X " " # , onde y e # so vetores n&1 , X < uma matriz
n & k e um vetor k &1 , estimado por MQO com constante. Responda F(also) ou

V(erdadeiro) para cada alternativa e justifique sucintamente:

a. Heterocedasticidade nas perturbaes produz estimativas consistentes de ;
b. Heterocedasticidade nas perturbaes geram estimativas ineficientes;
c. Heterocedasticidade nas perturbaes resulta numa matriz de covarincia das
estimativas inconsistente;
d. Testes de hipteses sobre os coeficientes deixam de ser vlidos se h
heterocedasticidade.
Soluo: Este um exerccio que tenta dirimir dvidas, dando ao estudante a
oportunidade de voltar aos conceitos bsicos e entend-los melhor.
A resposta do exerccio exige que se faam algumas hipteses no explicitadas no
enunciados. Elas so as seguintes:
i.

# ! i.i.d .'0, O( ;

ii.

X no estocstico.

Com essas hipteses, podemos responder a questo.

'(

a. Verdadeiro, pois prova-se, como est no corpo do texto, que E " ! " ;

'

'

$1
$1
b. Verdadeiro, pois Var "MQG ! ' X )O$1 X ( / Var "MQO ! ' X )X ( X )OX ' X )X ( ;

c. Verdadeiro, decorrente de b.;

d. Verdadeiro, decorrente de b. Aqui, uma considerao. O teste de hiptese usando o
lado direito da igualdade em b. vlido. O problema que muitos pacotes
economtricos simplesmente calculam como matriz de covarincia como (XX)-1 e no
a matriz de covarincia correta.
Maiores detalhes a respeito deste exerccio so encontrados em WHITE, H.

Heteroskedasticity-Consistent Covariance Matrix and a Direct Test for Heteroskedasticity.

Econometrica, vol. 48, n. 4, 1980.

33

6.2 Suponha um modelo de regresso linear mltiplo em que ! exista, seja no viesado e
eficiente, pois u homocedstico. Suponha que voc imponha falsas restries sobre os
parmetros do modelo.
a. Mostre que as estimativas nesse caso so viesadas;
b. Mostre que a varincia das estimativas do modelo com restries menor do que a
varincia das estimativas do modelo sem restrio;
c. Qual a implicao desse resultado em termos de previso? Qual a intuio desse
resultado?
Sugesto: Lembre o que EQM, ou seja, o erro quadrtico mdio.
Soluo: O exerccio procura ilustrar um caso que no muito intuitivo, primeira
vista, ou seja quando se impem falsas restries no modelo a varincia reduz-se. Isto
importante para se ter uma primeira intuio do erro quadrtico mdio, sua
importncia e suas conseqncias para a previso. s vezes, impondo falsas restries,
pode-se melhorar a previso, pois reduz-se o erro de previso, no obstante o vis
possa aumentar.
a. Primeiramente, note que

'

( 10

$1
"sr ! " ! ' X )X ( X )Y ; "cr ! " * ! " " K r $ R" ,
$1

$1
$1
K ! ' X )X ( R ) 57 R ' X )X ( R )68 .
9
:

Daqui podem-se tirar as seguintes concluses:

'(

$1
Var " ! ( 2 ' X )X ( ;

E '" * ( ! " " K 'r $ R" (.

Como r # R" - E '" * ( # " . Portanto, as estimativas so viesadas.
b. H bastante lgebra neste exerccio, mas, com calma, obtm-se a resposta.

10

Ver exerccio 3.1.c.

34

5
65
6)
" Kr $ KR" $ " $ Kr $ KR" 8 7" " Kr $ KR" $ " $ Kr $ KR" 8 !
Var '" * ( ! E 77"
*&&&&&&&&&&&&&&+&&&&&&&&&&&&&&, 8 7 *&&&&&&&&&&&&&&+&&&&&&&&&&&&&&, 8
79
8: 79
8:
!A
!A
! E 59 AA)6: !

'

! E 57 " $ " $ KR " $ "

9

(68: M AN) ! E 77' I $ KR('" $ " ('" $ " () ' I $ KR() 88 !

<
=
! ' I $ KR ( B ' I $ KR () ( 2 ! ?? B $ BR )K ) $ KRB " *&&&+&&&,
KRBR )K )>>> ( 2 ,
?@
A
!D
$1

B ! ' X )X ( .

Desenvolvendo D, temos:
$1

D ! ' X )X ( R ) 57 R ' X )X ( R )68 R ' X )X ( R )K ) ! BR )K ) .

9 &+&&&&&&&&&&&
: &, *&&&+&&&,
*&&&&&&&&&&&
!B
$1

$1

$1

!K

Dessa forma, conseguimos:

Var '" * ( ! ' B $ KRB( ( 2 ! ' I $ KR( B( 2 ! ' I $ KR(' X )X ( ( 2 .
$1

'(

Logo, se KR . 0 - Var '" * ( / Var " . Para ver este ltimo fato, observe que
$1

$1
$1
KR ! ' X )X ( R ) 57 R ' X )X ( R )68 R .
*&&&+&&&, *&&&&&&&&
9
: &,
&+&&&&&&&&
.0

)&L+&&
)LR
R
*&&
&,
T )T

Agora, seja c = Tv, onde c um vetor n&1 . Sendo assim, cc = vTTv > 0, como
queramos demonstrar, pois cc um escalar.
c. Mesmo com falsas restries, as previses sero melhores se a diminuio da
varincia for maior do que o aumento do vis. Formalmente, se EQM* < EQM. A
intuio do resultado que impor falsos parmetros significa que haver menos
parmetros variando, o que poderia reduzir o erro de previso.

6.3 Responda:
a. Cite pelo menos dois testes para a hiptese de homocedasticidade;
b. Cite pelo menos um teste para a hiptese de autocorrelao dos resduos;
c. Em caso de rejeio da hiptese nula em a., por que mtodo voc estimaria o modelo?
d. Em caso de rejeio da hiptese nula em b., por que mtodo voc estimaria o modelo?
35

Soluo: O exerccio pretende que o aluno volte ao livro-texto e verifique claramente

que testes ele pode aplicar e de que maneiras ele deve estimar o modelo, em caso de
rejeio da hiptese nula. Com isso, sistematiza-se todo o captulo. Sugerimos
consultar, adicionalmente, Johnston e Dinardo (1998).
a. H vrios testes que podem ser usados: Breusch-Pagan, White, Goldfeld-Quandt,
Glesjer;
b. Durbin-Watson, ACF, Ljung-Box;
c. Mnimos quadrados generalizados, mnimos quadrados generalizados factveis;
d. Pode-se usar o mtodo de Cochrane-Orcutt, Durbin ou Variveis instrumentais.

6.4 (C) Suponha o seguinte e verdadeiro modelo:

yt ! xt)" " #t , t ! 1, 2, #, T ,
porm um econometrista, equivocadamente, estima
yt ! xt)" " zt)$ " #t , t ! 1, 2, #, T ,
onde xt k &1 e zt m&1 . Assuma que E '# x, z ( ! 0, E '## ) x, z ( ! ( 2 I . Seja " o
estimador por MQO do modelo correto. Seja "$ e $ os estimadores do modelo equivocado.
a. "$ no viesado para " ?;
b. Compute a matriz de covarincia para

'"$, $ ( .

Compare o bloco da matriz de

covarincia correspondente a "$ com a matriz de covarincia de " . Quando elas so

as mesmas?
Soluo: O exerccio tem o objetivo de mostrar se variveis omitidas causam vis.
Sabemos que no, conforme provado no corpo do texto. Por isso, o exerccio apenas
busca formalizar melhor os resultados j conhecidos, aplicando-se o Teorema de
Frisch-Waugh-Lovell ou Frisch-Waugh11, entre tantas outras maneiras de resolv-lo.
Tal teorema pode ser encontrado em livros como DAVIDSON, Russel &
MACKINNON, James G. Estimation and Inference in Econometrics. New York:
Oxford, cap. 1, 1993 ou GREENE, William H. Economic Analysis, 4th. ed. Upper

11

Veja exerccio 6.1.c, onde se demonstra esse teorema.

36

Saddle River: Prentice Hall, 2000. propsito, por se tratar de um teorema muito
til, sugerimos que o mesmo seja apresentado em detalhes para os alunos.
a. Sim, "$ no viesado. Para ver isso, reescreva o modelo como
( 3 ) Y ! X " " #, X T&k , YT&1 , #T&1 .
Reescreva o modelo equivocado como
( 4 ) Y ! X " " Z $ " ., ZT&m , .T&1 .
$1

Agora, pr-multiplique ( 4 ) por M z ! I $ Z ' Z )Z ( Z ) , observando que Mz idempotente

e simtrica. Assim, obtemos,
( 5 ) M zY ! M z X " " M z . .
Pelo Teorema de Frisch-Waugh-Lovell, o " estimado usando-se ( 5 ) idntico quele
usando-se ( 4 ). Agora, note que pr-multiplicando ( 3 ) por Mz, voltaramos a ( 5 ). Isto ,
se " estimado por ( 3 ) no viesado, ento aquele estimado por ( 5 ) tambm no o .
Formalmente, usando MQO em ( 5 ), conseguimos:
$1
$1
"$ ! ' X )M z X ( X )M zY ! " " ' X )M z X ( X )M z # $1
E '"$( ! " " ' X )M z X ( X )M z E '#( ! ".

Portanto, "$ no viesado.

b. Podemos estimar o modelo da seguinte forma:
5" 6
Z N7 8 " . 79 $ 8:
5 " 6 5 X )X X )Z 6 $1 5 X )Y 6
7 8!7
8 7
8
7 $ 8 7 Z )X Z )Z 8 7 Z )Y 8 .
: 9
:
97 :8 9

Y !MX

Agora, temos que relembrar uma propriedade de inverso de matrizes. Dada a seguinte
matriz:
5 A B6
8,
M !7
79C D 8:
ento

37

5 A$1 ' I " BE $1CA$1 ( $ A$1BE $1 6

8,
M $1 ! 77
8
$1
$1
$1
E
$E CA
79
8:
onde E = D CA-1B.
Ento, defina
$1

E ! Z )Z $ Z )X ' X )X ( X )Z ;
$1
1
I
$1 2
$1
$1 2
A$1 ' I " BE $1CA$1 ( ! ' X )X ( 3 I " X )Z 57 Z )Z $ Z )X ' X )X ( X )Z 68 Z )X ' X )X ( J !
242
2K2
9
:
$1
12
I2
5 <
=> 6
22
22
1
7 ??
8
$1 2
$1
$
! ' X )X ( 3 I " X )Z 7 Z ) ?? I $ X ' X )X ( X )>>> Z 8 Z )X ' X )X ( 2J !
22
22
7 ?? *&&&&&&&+&&&&&&&, >> 8
A :8
!M x
242
2K2
97 @
$1

! ' X )X (

EI " X )Z 'Z )M Z (

$1

$1

Z )X ' X )X (

F.

' (

$1
Na primeira regresso, em ( 3 ), Var " ! ( 2 ' X )X ( . Agora,
$1
$1
$1
$1
Var '"$( ! ( 2 ' X )X ( " ( 2 ' X )X ( X )Z ' Z )M x Z ( Z )X ' X )X ( .

'(

Portanto, uma condio suficiente para que Var " ! Var '"$( que XZ = 0, isto , que X e
Z sejam ortogonais.

38

6. Multicolinearidade
6.1 (C) Considere o modelo
yt ! x1)t "1 " x2)t "2 " #t , t ! 1, 2, #, T ,
onde x1t k &1 e x2t m&1 . Assuma que E '# X 1 , X 2 ( ! 0, E '## ) X 1 , X 2 ( ! ( 2 I , e
X 1)X 2 ! 0 . Seja " o estimador por MQO do modelo correto. As variveis esto em termos
de seus desvios em relao a sua mdia.
a. Mostre que a nico estimador de '"1 , "2 ( de varincia mnima, no viesado e linear
pode ser escrito na forma:
$1
$1
"$1 ! ' X 1)X 1 ( X 1)y, "$2 ! ' X 2) X 2 ( X 2) y .

Note que estes so estimadores de MQO para os modelos yt ! !1 " x1)t "1 " #1t e
yt ! !2 " x2)t "2 " #2 t , respectivamente.
b. "$1 e "$2 so estimadores no viesados se X 1)X 2 # 0 ? Se so, compute o vis de cada
um.
$1

c. Suponha, agora, que X 1)X 2 # 0 . Seja M i ! I $ X i ' X i)X i ( X i), i ! 1, 2 . Qual a

interpretao de M2X1 e M2y? Mostre que a estimativa de "1 pode ser escrita como
$1
"1 ! ' X 1)M 2 X 1 ( X 1)M 2 y ,

e similarmente para "2 . Compute as matrizes de covarincia de "1 e "2 .

d. Considere o caso onde k = 1, m = 1 e X 1)X 2 # 0 . Expresse a varincia de "1 como
uma funo do coeficiente de correlao amostral entre X1 e X2, r122 . O que acontece
quando r122 H 1 ?
Soluo: Este problema tem vrios objetivos. O primeiro mostrar as vrias maneiras
de se obter as estimativas do modelo. O segundo mostrar as conseqncias de no se
ter X1 e X2 ortogonais entre si, ou seja, mostrar o vis causado por variveis omitidas.
Alm disso, prova-se parte do importante Teorema de Frisch-Waugh. Finalmente,
mostram-se as conseqncias da multicolinearidade, inclusive graficamente.
a. Vamos reescrever o modelo na forma matricial
39

( 6 ) y ! X 1"1 " X 2 "2 " #, X 1T&k , X 2T&m , yT&1 , #T&1 .

Defina
$1

M i ! I $ X i ' X i)X i ( X i), i ! 1, 2 .

Pr-multiplicando ( 6 ) por M2, obtemos:
( 7 ) M 2 y ! M 2 X 1"1 " M 2# .
Por causa do Teorema de Frisch-Waugh-Lovell "1 estimado por ( 6 ) idntico ao "1 por
estimado por ( 7 )12. Logo,
$1
"1 ! ' X 1)M 2 X 1 ( X 1)M 2 y .

Como
!0
.
$1
X 1)M 2 ! X 1) $ X 1)X 2 ' X 2) X 2 ( X 2 - X 1)M 2 ! X 1) ,

ento,
$1
"1 ! ' X 1)X 1 ( X 1)y ,

como queramos demonstrar.

Adotando o mesmo procedimento para "2 , obtemos
$1
"2 ! ' X 2) X 2 ( X 2) y .

b. Suponha que X 1 # X 2 , e que "$1 estimado usando o modelo y ! X 1"1 " # , quando o
verdadeiro modelo y ! X 1"1 " X 2 "2 " # . Ento,
$1
$1
"$1 ! ' X 1)X 1 ( X 1)y ! ' X 1)X 1 ( X 1)M X 1"1 " X 2 "2 " # N !
$1

$1

! "1 " ' X 1)X 1 ( X 1)X 2"2 " ' X 1)X 1 ( X 1)#.
Logo
$1
E '"$1 ( ! "1 " ' X 1)X 1 ( X 1)X 2 "2 .
*&&&&&&&+&&&&&&&,
vies

Procedendo da mesma maneira,

12

Ver demonstrao no item c. deste exerccio.

40

E '"$2 ( ! "2 " ' X 2) X 2 ( X 2) X 1"1 .

*&&&&&&&+&&&&&&&,
$1

vies

$1

c. Primeiro observe que M 2 y ! y $ X 2 ' X 2) X 2 ( X 2) y o resduo da regresso de y

*&&&&&&+&&&&&&,
!" yX 2

contra X2.
Seguindo o mesmo raciocnio, observe que
$1

M 2 X 1 ! X 1 $ X 2 ' X 2 X 2 ( X 2) X 1 .
*&&&&&&+&&&&&&,
" X1X 2

Ou seja, isto como se regredssemos cada uma das colunas de X1 contra X2, e depois
calculssemos os resduos de cada uma da k regresses.
Agora temos que provar que "1A ! "1B , onde
(A) y ! X 1"1 " X 2 "2 " # ;
(B) M 2 y ! M 2 X 1"1 " M 2# .
Este o Teorema de Frisch-Waugh-Lovel que temos usado.
Tomando as condies de primeira ordem de (A), por mnimos quadrados ordinrios,
obtemos:
5 X 1)X 1
7
7 X 2) X 1
9

X 1)X 2 6 57 "1 68 5 X 1)y 6

8
8.
!7
X 2) X 2 8: 77 "2 88 79 X 2) y 8:
9 :

Desenvolvendo essa expresso, chegamos a

12 X )X " " X )X " ! X )y - " ! X )X $1 X ) y $ X )X $1 X )X "
' 1 1( 2 ' 1 1( 1 2 2
2 1 1 1
1 2 2
1
1
3
22
X 2) X 1"1 " X 2) X 2 "2 ! X 2) y.
24
Substituindo a primeira equao na segunda, temos:
$1

$1

X 2) X 1 ' X 1)X 1 ( X 1 y $ X 2) X 1 ' X 1)X 1 ( X 1)X 2 "2 " X 2) X 2 "2 ! X 2) y 5

6
5
6
$1
$1
7
8
7
8

)
)
)
)
)
)
X 2 7 I $ X 1 ' X 1 X 1 ( X 1 8 X 2 "2 ! X 2 7 I $ X 1 ' X 1 X 1 ( X 1 8 y &, 8
&, 8
7 *&&&&&&&&!+&&&&&&&
7 *&&&&&&&&!+&&&&&&&
M1
M1
97
:8
97
:8
X )M X " ! X )M y 2

$1

"2 ! ' X 2)M 1 X 2 ( X 2)M 1 y.

Procedimento anlogo d:
41

$1
"1 ! ' X 1)M 2 X 1 ( X 1)M 2 y .

Para calcular a varincia, note que:

$1
$1
"1 ! ' X 1)M 2 X 1 ( X 1)M 2 ' M 2 X 1"1 " M 2 #( ! "1 " ' X 1)M 2 X 1 ( X 1)M 2 # $1
"1 $ "1 ! ' X 1)M 2 X 1 ( X 1)M 2 # -

' (
Var '" ( ! E 57' X )M X (
9
E "1 ! "1 , e

$1

$1
$1
X 1)M 2 ## )M 2 X 1 ' X 1)M 2 X 1 ( 68 ! ( 2 ' X 1)M 2 X 1 ( .
:

Analogamente,

' (

$1
Var "2 ! ( 2 ' X 2) M 1 X 2 ( .

d. Primeiro, do apndice sabemos que o coeficiente de correlao amostral dado por:

' X1)X 2 (
.
!
' X 1)X 1 (' X 2) X 2 (
2

2
12

r
Dessa forma,

' (

Var "1 ! ( 2 57 X 1)X 1 $ X 1)X 2 ' X 2) X 2 ( X 2) X 1 68

9
:
$1

2
5
6
X 1)X 2 (
'
8
2 7
)
)
! ( 7 X1 X1 $ X1 X1
8
X 1)X 1 (' X 2) X 2 (8
'
7
9
:
2
(
.
!
' X1)X1 ('1$ r122 (

$1

2
5
X 1)X 2 ( 68
'
2 7
! ( 7 X 1)X 1 $
8
X 2) X 2 8
7
9
:

$1

! ( 2 579 X 1)X 1 $ X 1)X 1r122 68:

$1

Ou seja,

' (

Var "1 !

(2
- lim Var "1 ! L .
' X 1)X 1 ('1$ r122 ( r122 H1

' (

Graficamente, isso significa:

42

$1

' (

Var "1

(2
X 1)X 1
1

r122

Interpretando X 1)M 2 X 1 como a soma dos quadrados dos resduos de regresso de cada

' (

coluna de X1 contra X2, podemos ver que, quanto menor os resduos, maior a Var "1 . Os
resduos sero menores, quanto maior for a colinearidade entre X1 e X2. Assim, se r122 H 1 ,

' (

Var "1 vai para o infinito, e conclumos que o modelo tem variveis redundantes. Isso
significa que podemos excluir uma das variveis explicativas do modelo sem perder muita
informao.

6.2 (K) Retirar um varivel pode ser uma soluo para multicolinearidade? (explique
detalhadamente)
Soluo: O exerccio procura aguar a intuio do estudante.
Note, inicialmente, que no existe uma soluo para multicolinearidade. Em segundo
lugar, deve estar claro que retirar uma varivel pode significar a omisso de varivel
relevante, o que resulta no vis de estimao. Porm, se a varivel retirada for altamente
correlacionada com outra do modelo, pouca informao se perderia, pois essa outra varivel
do modelo j est incorporando a informao da outra que foi retirada. Portanto, quanto
mais correlacionadas forem duas variveis, menos necessrio que apaream
simultaneamente no modelo, pois uma contm a informao da outra. nesse sentido que
retirar uma varivel pode ser uma soluo para multicolinearidade.

43

6.3 (K) Se x2 uma funo exata de x, defrontar-nos-amos com exata multicolinearidade se

usssemos x e x2 simultaneamente como regressores. Explique.
Soluo: Mais uma vez, o objetivo do exerccio aguar a intuio do estudante.
A afirmao falsa, pois no existe uma relao linear entre x e x2. A multicolinearidade
causada quando h uma relao linear. O prprio nome j leva a pensar isso, pois pontos
colineares so pontos que pertencem mesma linha (ou reta).

6.4 (K) No modelo de regresso linear clssico, a multicolinearidade poderia resultar em

vis na estimativa de suas varincias? Explique.
Soluo: Este um exerccio bastante sutil, por isso importante.
Afirmao falsa. As varincias tornam-se grandes, mas suas estimativas tambm. Isso
fcil de ser visto, pois varincia e estimativas tm (XX)-1 como fator comum, que fica cada
vez menor medida que mais perfeita seja a multicolinearidade.
6.5 (K) Suponha um modelo de regresso linear clssico: y ! ! " " x " % w " # . Muitas
amostras so tais que x e w so correlacionados, porm, por sorte, voc observa uma
amostra em que eles so no correlacionados. Ento, voc regride y contra x e um
intercepto, obtendo " * .
a. " * no viesado?
b. A estimativa da varincia de " * no viesada?
Soluo: Mais um exerccio cuja sutileza lapida o conhecimento do estudante,
fazendo-o raciocinar sobre o problema.
a. " * no viesado, haja vista que x e w so no correlacionados. Basta ver o primeiro
exerccio deste captulo.
b. A varincia de " * viesada, no entanto. Isto ocorre porque a estimativa de ( "2
viesada para cima. Para ver isso, lembre-se de que s2 dividido por n k, onde k
deveria ser igual a 3, mas neste caso, por falta de uma varivel, ser dividido por (n k
1).

44

7. Econometria das Variveis de Resposta Qualitativas e

Limitadas
7.1 Escreva o modelo de probabilidade de escolha Probit. Interprete o impacto de uma
modificao em uma varivel explicativa.
Sugesto: Consulte GRIFFTHS, William E., HILL, R Carter, JUDGE, George G. Learning
and Practicing Econometrics. New York: Wiley, 1992.
Soluo: Apesar do livro texto escrever a funo Probit explicitamente, esta uma
boa oportunidade para entendermos melhor as conseqncias do uso desse modelo.
De acordo com o modelo Probit temos:
Pi ! F ' X i)" ( ,
onde F ' X i)" ( a funo densidade de probabilidade acumulada, tal que
X i)"

F ' X i)" ( ! P

$L

5 z2 6
1
exp 7$ 8dz .
7 28
29
:

A questo agora e derivar essa funo com respeito a Xj. Para isso, usamos o teorema de
Leibnitz que diz o seguinte:
A' x(

, P F ' x, z ( dz
B' x(

,x
Como

A' x(

,F ' x , z (
dz .
,
x
B' x(

! F ' A' x ( , z ( A) ' x( $ F ' B ' x( , z ( B ) ' x( " P

B ' x( ! $L , ento

B ) ' x( ! 0 . Alm diso, como

F ' x, z ( ! F ' z ( , ento

,F ' x, z (
! 0 . Logo o resultado da derivada :
,x
5 ' X )" (2 6
1
i
8 " ! f X )" " ,
exp 77$
' i ( j
8 j
2 8
27
9
:
onde f ' X i)" ( a funo densidade de probabilidade.
Podemos, assim, ver que o impacto de uma modificao da varivel explicativa depender
de f ' X i)" ( e " j , e no apenas de " j isoladamente, como em modelos lineares.

45

Vamos entender, intuitivamente, o que est ocorrendo. Quanto mais prximo de 1 ou 0

estiver a funo densidade de probabilidade acumulada, F ' X i)" ( , menores sero os valores
da f.d.p., f ' X i)" ( . Com isso, a mnima modificao em Xj tem poucas chances de mudar a
deciso. Se F ' X i)" ( estiver ao redor de 0,5, ento torna-se mais fcil modificar uma
deciso, pois a f ' X i)" ( estar em seu valor mximo.
Dessa discusso podemos concluir que, dado que f ' X i)" ( sempre positiva, o sentido da
modificao depender do sinal de " j . Alm disso, a magnitude da mudana na
probabilidade, dada uma variao em Xj, determinada pela magnitude de " j e de
f ' X i)" ( , simultaneamente.

7.2 (C) Em um modelo de escolha discreta Probit, suponha que a utilidade lquida
I ! X " " #, # ! N '0, (#2 ( ,
onde
122 D ! 1, se I 0 0
3
224 D ! 0, c.c.,
e
# ! X / " V ,V ! N '0, (V2 ( .
Assuma que, na amostra sua disposio, as observaes so independentes entre as
pessoas.
O que pode ser identificado de uma grande amostra de observaes de pessoas, quando (d
as condies precisas):
a. / ! 0 ?;
b. / # 0 ?.
Soluo: Este um exerccio simples, apenas exigindo a montagem da funo de
verossimilhana para fins estimao.
a. Vamos definir a funo de verossimilhana primeiro, para, depois, responder as
questes.
46

I ! X " " # ! X " " X / "V .

Logo,
12 D ! 1, se I 0 0 - X '" " / ( " V 0 0
23
22
D ! 0, se X '" " / ( " V / 0.
4
Dessa forma,
<V
X '" " / (=>
>> !
Pr ' D ! 1( ! Pr ' X '" " / ( " V 0 0( ! Pr ??? 0 $
?@ (V
(V
A>
<V
< X '" " / (>=
X '" " /(>=
>> ! Q ??
>>.
Pr ??? B
??@
>A
>A
(
(
@? (
V

Aqui, Q ';( representa a funo densidade de probabilidade acumulada. preciso dividir as

expresses pela varincia de V, pois os resultados estimados sempre referem-se a uma
normal-padro.
Ento, o modelo Probit fica:
$D
5
< X i '" " / (=>6 i
71$Q ??
>>8 ,
7
?@?
>88
(
A
V
97
:
1

< X '" " / (=>

>>
L ! C Q ??? i
(
@?
A>
i !1

Di

donde obtemos a estimativa

'" " / (
(V
Assim, se / ! 0 , podemos identificar
b. Se / # 0 , identificamos

'" " / (
(V

"
.
(V
sem, no entanto, podermos separar

"
/
de
.
(V
(V

7.3 (C) Seja 59'Y1 , x1 ( , 'Y2 , x2 ( ,#, 'Yn , xn (6: uma amostra aleatria de n observaes, onde xi
uma varivel aleatria escalar, e Yi varivel aleatria de Bernoulli, que assume apenas
dois valores, 0 e 1, com as seguintes probabilidades:
Pr 'Yi ! 1 X ( !
Pr 'Yi ! 0 X ( !

exp ')1 " )2 xi (

1 " exp ')1 " )2 xi (

1
.
1 " exp ')1 " )2 xi (
47

Esse modelo conhecido como um modelo de resposta binria Logit. uma alternativa ao
modelo Probit, como j sabemos.
a. Encontre a funo esperana condicional de Yi dado X = (x1, x2, ..., xn);
b. Escreva a funo log-verossimilhana para esse modelo.
Soluo: Este um exerccio que requer apenas os conhecimentos de probabilidade.
muito importante saber escrever a funo log-verossimilhana, por isso a insistncia
nesse conceito ao longo dos exerccios propostos.
a. Primeiro, vamos converter o problema em notao matricial, apenas para resolv-lo de
uma maneira mais geral, mas isso no seria preciso, de fato.
e X i)
;
1 " e X i)
1
Pr 'Yi ! 0 X ( !
.
1 " e X i)
Pr 'Yi ! 1 X ( !

Agora, aplicar o operador esperana, simplesmente.

E 'Yi x1 , x2 , #, xn ( ! 1; Pr 'Yi ! 1 x1 , x2 , #, xn ( " 0 ; Pr 'Yi ! 0 x1 , x2 , #, xn ( !
!

e X i)
.
1$ e X i )

b. Como assumimos cada observao independente da outra, temos:

< e X i ) >= i < 1 =1$Yi 'e X i) (
> !
> ?
f 'Yi X i ( ! ??
?@1 " e X i) >>A ??@1 " e X i) >>A
1 " e X i)
Yi

i !1

i !1

L '); X ( ! C f 'Yi X i ( ! C

'e (

X i ) Yi

1" e X i)

l '); X ( ! ln L '); X ( ! % 57Yi X i) $ ln '1 " e X i ) (68

9
:
i !1
Para completar, fornecemos as condies de primeira ordem.
n

exp ')1 " )2 xi (

;
i !1 1 " exp ')1 " )2 xi (
n

M)1 N : % Yi ! %
i !1
n

exp ')1 " )2 xi ( xi

.
i !1 1 " exp ')1 " )2 xi (
n

M)2 N : % Yi xi ! %
i !1

7.4 (K) Suponha que voc deseja estimar a curva de demanda por bilhetes de futebol. Voc
acredita que a demanda determinada linearmente por uma sries de fatores, entre os
48

quais o preo do bilhete, o padro relativo da equipe local e da equipe visitante, a renda
familiar da cidade, a renda total da cidade, etc. Voc possui 10 anos de dados, durante
os quais, em vrias ocasies, os bilhetes estiveram esgotados. Qual a sua recomendao
para os dados quando os bilhetes estiveram esgotados?
Soluo: Este problema de dados censurados, em que se procura verificar se o
estudante entendeu a idia geral para esses casos.
Um jogo cujos bilhetes estavam esgotados reflete uma demanda acima da capacidade dos
lugares. Essas observaes devem ser tratadas como observaes limites em um modelo
Tobit.

49

8. Sistemas de Equaes Simultneas

8.1 (C) Discuta a identificao e estimao do seguinte modelo de equaes simultneas:
12 y1t " $12 y2t " $13 y3t " "11 x1t " "13 x3t ! #1t
22
23 y " $ y " " x " " x ! #
23 3t
22 2 t
23 3t
2t
22 2t
224$ 31 y1t " y3t " "32 x2t ! #3t .
Aqui no h restries de covarincia. Assegure-se de considerar as condies de ordem e
rank (ou posto, em portugus) e explicitar as hipteses de que voc precisa para estimar os
parmetros do modelo.
Soluo: Este um exerccio bsico para verificar a compreenso do aluno a respeito
do texto principal. Ele treina fartamente as condies de ordem e posto, necessrias
estimao e identificao do modelo.
Vamos apresentar um mtodo de resoluo do problema, no necessariamente nico, mas
que entendemos que seja compreensvel. Na verdade, depois de entendida tcnica que se
verifica quo fcil o mtodo de identificao de equaes simultneas. Primeiramente,
vamos montar uma matriz, onde na linha superior esto as variveis do modelo, endgenas
e exgenas. Na primeira coluna, representam-se as equaes. Os zeros da matriz
representam as variveis excludas, endgenas ou exgenas. Com isso, podemos obter a
condio de ordem.

y1
i
ii
iii

y1
y2
y3

1
0
$ 31

y2
$12

y3 x1
$13 "11

x2
0

x3
"13

1
0

$ 23 0
1 0

"22
"32

"23
0

Montada essa matriz, temos que preencher a seguinte tabela:

50

Cond. Ordem

Exg. Excl.

End. Incl. 1

Diagnstico

<

no identificado

ii

Identificado?

iii

>

super identificado?

Note que, na matriz, separamos o bloco de endgenas do bloco de exgenas. Contamos as

exgenas excludas olhando na linha da matriz. Para cada zero em cada linha, no bloco das
variveis exgenas, temos uma excluso. Com isso, preenchemos a segunda coluna da
tabela acima.
Depois contamos as endgenas includas. Outra vez, olhando em linha, para cada zero
temos uma endgena excluda, portanto o nmero de endgenas includas o nmero total
de endgenas menos o nmero de zeros da linha. No nosso caso, temos trs endgenas e, na
segunda linha, no h excluses. Feito isso, preenchemos a quarta coluna da tabela, sem
esquecer de subtrair 1 do nmero de endgenas includas.
Note que as exgenas excludas o K00 do corpo do texto.
Depois disso, preenchemos a coluna trs com o sinal apropriado, comparando as colunas 2
e 4. Se o nmero de endgenas includas menos um superar o de exgenas excludas, no se
identificam os parmetros daquela equao com certeza, ou seja, a equao
subidentificada. Se so iguais ou maiores, aquela equao candidata a identificao exata
ou superidentificao, respectivamente, dependendo da condio de posto a ser discutida a
partir de agora.
Temos que nos preocupar com as equaes ii e iii. Para definir a condio de posto, temos
que olhar simultaneamente na linha, procurando os zeros para aquela equao, e a coluna,
para montar a matriz relevante para calcular o posto. Olhando na linha da equao ii o zero
aparece na terceira coluna, abaixo de 1 e acima de $ 31 ; depois aparece no bloco das
exgenas, abaixo de "11 e acima de outro zero. Montam-se com esses elementos a matriz
para se calcular o posto:
< 1 "11 =>
>.
(ii) ??
?@$ 31 0 A>>

51

Esta matriz tem posto 2, assumindo que "11$31 # 0 , ou seja, que nenhum desses parmetros
seja zero, inclusive porque no seria lgico do contrrio.
Utilizando mesmo procedimento para a equao (iii), obtemos a seguinte matriz:
<$12
(iii) ??
?@ 1

"11 "13 =>

>.
0 "23 >>A

No mximo, o posto dessa matriz 2. Assumimos esse resultado, a menos que "11 ! 0 ou
"23 ! 0 , o que no teria sentido como j dissemos, ou "13 ! $12 "23 . Nesse caso, a equao
iii super identificada.

8.2 (C) Considere o seguinte modelo de oferta e demanda:

212qs ! !0 " !1 p " !2 w " #s
22
3qd ! "0 " "1 p " "2 y " #d ,
22
224qs ! qd
onde w denota um vetor de observaes T &1 a respeito do clima, y um vetor de
observaes da renda de mesma dimenso, ambos exgenos.
a. Discuta a questo de identificao sobre as equaes de oferta e demanda;
b. Assumir !2 ! 0 impe alguma restrio sobre os parmetros da forma reduzida?
Cuidadosamente esquematize um teste H 0 : !2 ! 0& H1 : !2 # 0 , usando a forma
reduzida dos parmetros. (Dica: escreva H0 como H 0 : RR ! q0 );
c. Suponha que a primeira equao estimada por um estimador de informao limitada,
por exemplo, variveis instrumentais. Voc pode determinar se a primeira equao
uma curva de demanda ou oferta apenas examinando o sinal de !1 ?;
d. Suponha que uma agncia do governo fixe o preo a cada ano em pt0 , o qual pode ser
diferente de ano para ano. Que efeito esta poltica ter sobre a identificao e
estimao do modelo?
Soluo: Este um exerccio que continua o anterior, relembrando e solidificando os
principais conceitos aprendidos no texto principal. No se trata de um exerccio difcil,
embora tenha um grande enunciado.
a. Vamos proceder como no exerccio anterior, sem tantas explicaes detalhadas.
Primeiro montamos a matriz de coeficientes para as trs equaes.
52

qs
i 1
ii 0
iii 1

qd
p 1
w
y
0 $!1 $!0 $!2
0
1 $"1 $"0
0 $"2
0
0
$1 0 0

O detalhe aqui que, embora no explicitamente, o vetor de 1s uma varivel explicativa

tambm.
Vamos agora preencher a tabela da condio de ordem.

Cond. Ordem

Exg. Excl.

End. Incl. 1

Diagnstico

Identificado?

ii

Identificado?

iii

>

super identificado?

Agora vamos montar as matrizes para cada equao.

< 1 $"2 =>
(i) ' ??
>! 2,
?@$1 0 A>>
onde ' ';( representa o posto da matriz entre parnteses.
Note que o posto vlido assumindo que "2 # 0 . Portanto i exatamente identificado.
< 1 $!2 =>
(ii) ' ??
>! 2,
?@$1 0 >>A
a menos que !2 ! 0 . Portanto ii exatamente identificado.
<$!1 $!0 $!2
0 =>
>! 2 ,
' ??
?@$"1 $"0
0 $"2 A>>
assumindo que o parmetros so tais que o posto 2. Portanto, iii super identificada.
b. Se !2 ! 0 , a equao ii torna-se subidentificada.
Para ver melhor isso, vamos reescrever o modelo em forma matricial

53

51 0 $!1 6 5 qs 6 5$!0 $!2

0 6 5 1 6 5 #s 6
7
87 8 7
87 8 7 8
7 0 1 $"1 8 7 qd 8 " 7$"0
0 $"2 8 7 w8 ! 7 #d 8 .
7
87 8 7
87 8 7 8
771 $1 0 88 77 p 88 77 0
0
0 8:8 797 y 8:8 797 0 8:8
9*&&&&&&+&&&&&&,: )
9 : 9*&&&&&&&&+&&&&&&&
&, ) )
!B

!y

!S

!x

!#

Calculando a inversa de B temos:

<$"1 !1 !1 =>
??
>
1
??$"1 !1 "1 >> ,
B$1 !
>>
!1 $ "1 ??
?@ $1 1 1 >>A
com a condio de completude dada por !1 # "1 .
Dessa forma, obtemos:
5 qs 6
<$"1 !1 !1 >=5!0 !2 0 6 5 1 6 5 #s 6
??
7 8
87 8 7 8
>7
1
??$"1 !1 "1 >> 7 "0 0 "2 8 7 w8 " 7#d 8 !
7 qd 8 !
>> 7
7 8
87 8 7 8
?
77 p 88 !1 $ "1 ??@ $1 1 1 >>A 77 0 0 0 88 77 y 88 77 0 88
9 :
9
:9 : 9 :
,
<$"1!0 " "0!1 $"1!2 "2!1 => 5 1 6 5 #s 6
?
7
8
7
8
>>
1 ??
!
??$"1!0 " "0!1 $"1!2 "1!1 >> 77 w88 " 77 #d 88
>
!1 $ "1 ?
?@ $!0 " "0
$!2
"2 A>> 797 y 8:8 797 0 8:8
*&&&&&&&&&&&&&&&&&+
&&&&&&&&&&&&&&&&&&,&
! B$1STR

Se !2 ! 0 , ento a segunda coluna inteira de R desaparece. Em outras palavras, R seria

singular. Isto significa que o clima no tem qualquer efeito sobre a oferta ou a demanda.
Para testar, podemos pensar no teste de Wald, especificado da seguinte maneira, usando o
operador Vec13:

13

O operador Vec transforma todos os elementos da matriz em um nico vetor (ver detalhes em

LTKEPOHL, Helmut. Introduction to Multiple Time Series Analysis, 2.nd ed. Springer-Verlag: Berlim,
1993).

54

H 0 : R3&9 R9&1 ! q0
5 -11 6
7 8
7 -12 8
7 8
7- 8
7 13 8
5 0 1 0 0 0 0 0 0 06 77 -21 88 5 06
7
8
7 8.
7 0 0 0 0 1 0 0 0 08 77 -22 88 ! 7 08
7
8
7 8
77 0 0 0 0 0 0 0 1 088 77 - 88 77 088
23
9
:
9 :
7 8
7 31 8
7 8
7 -32 8
7 8
797 -33 8:8
O teste de Wald, por sua vez, ser dado por:
$1

<
=>
) ??
>

$q .
W ! RR $ q0 ?? )
R var R )
R )>>> RR
0
*&&&&+&&&&, ???3&9 *&&+&&, 9&3>> *&&&+&&&,
@
A
1&3
9&9
3&1

'

'(

'

Rejeitamos a hiptese nula se:

W . ,+2!3'95%( .

c. No se pode determinar isso porque aquele coeficiente depende da estimativa de

outras equaes.
d. Agora no h mais problema de simultaneidade. Pode-se usar uma regresso
aparentemente no correlacionada para estimar o modelo.

8.3 Responda as seguintes questes:

a. Quais so os mtodos de estimao de equaes simultneas?;
b. Apresente as condies em que os mtodos so equivalentes entre si, ordenando os
vrios mtodos em termos de consistncia e eficincia.
Soluo: Este um exerccio que procura sistematizar tudo o que foi aprendido no
captulo.
a. Mtodos de estimao com informao limitada, ou seja, quando se estima equao
por equao: varivel instrumental (VI), mnimos quadrados a dois estgios (MQ2S),

55

mnimos quadrados indiretos (MQI), mxima verossimilhana com informao

limitada (MVIL).
Mtodos com informao plena: Mxima verossimilhana com informao plena (MVIP),
mnimos quadrados a trs estgios (MQ3S).
Note que a estimao de MVIP feita usando-se mxima verossimilhana factvel (MVF).
b. No caso de informao limitada, se uma equao exatamente identificada, ento VI
= MQI = MQ2S = MVIL.
Se h superidentificao, o mtodo MVIL melhor que VI, que mais eficiente que
MQ2E e que MQI. Se, ainda, no houver heterocedasticidade e autocorrelao, ento VI =
MQ2S = MVIL.

No caso de informao plena, com exata identificao de todas as equaes, ento: MQ2S
= MQ3S = MVIL = MVIP.
Quando a equao de interesse superidentificada, mas todas as outras equaes so
exatamente identificadas, ento: MVIL = MVIP e MQ2S = MQ2S.
Se a hiptese de normalidade correta, MVIP, estimado por MVF, consistente,
assintoticamente normal e assintoticamente eficiente.
Se no h restries de covarincia, ento MQ3S e MVIP so assintoticamente
equivalentes e assintoticamente eficientes. Com restries de covarincia, MVIP mais
eficiente que MQ3S

Em resumo, a seguinte tabela vlida, onde H representa heterocedasticidade e A,

autocorrelao.
-

Informao Limitada
Informao Plena

Maior Consistncia

Sem H e A

Com H e/ou A

MQI, IV

MQ2S < MVIL

MQ3S<MVIP

8.4 (K) Considere o modelo de equaes simultneas:

56

Maior Eficincia

122 y1 ! !1 y2 " #1
,
3
224 y2 ! !2 y1 " "1 x1 " "2 x2 " #2
onde
5 1 06
53 56
8 ; X )Y ! 7
8.
X )X ! 7
79 0 18:
795 18:
Quais so as estimativas de MQ2S dos parmetros identificveis?
Soluo: Este um exerccio numrico, sem grandes dificuldades (basta ver a matriz
identidade para XX), que retoma vrios conceitos simultaneamente, inclusive a
lgebra matricial. Procura medir o grau de aprendizagem do aluno, levantando
alguns detalhes importantes.
Da primeira equao podemos ver duas variveis exgenas excludas e duas endgenas
includas. Logo !1 candidato superidentificao. A segunda equao no tem variveis
exgenas excludas, donde se conclui que subidentificada.
O primeiro detalhe a ser notado o significado XY, onde a primeira coluna Xy1 e a
segunda, Xy2.
Substituindo a primeira equao na segunda temos:
y2 ! !1!2 y2 " "1 x1 " "2 x2 " #2 " !2 #1 y2 !

"1
"2
# " !2#1
x1 "
x2 " 2
1*&&
1*&&
1
$&+&&
!1!&2,
$&+&&
!1!&2,
$
!
!
1 2,
*&&&+&&&
!-1

!-2

!.

y2 ! -1 x1 " -2 x2 " ..
Podemos encontrar agora o
$1

y 2 ! X ' X )X ( X )y2 .
Com isso, podemos obter a estimativa de !1 , por mnimos quadrados a dois estgios:
$
$1
$1
$1
$1
!1 ! ' y 2) y 2 ( y 2) y1 ! 57 y2) X ' X )X ( X )X ' X )X ( X )y2 68 y2) X ' X )X ( X )y1 !
9
:
1
$
5 y ) X X )X $1 X )y 6 y ) X X )X $1 X )y .
(
' (
28
2
1
79 2 '
:
1

Agora, s substituir pelos valores apropriados. Por simplicidade, no inclumos XX, que
uma identidade.

57

$1

<
556 =
536 21
.
!1 ! ???M5 1N 7 8 >>> M5 1N 7 8 !
7918: >A
7958: 26
?@

58

9. Anlise de Sries de Tempo

9.1 Considere verdadeira a seguinte afirmao: Seja {zt} uma seqncia de variveis
aleatrias i.i.d N(0,1), ento {zt} (estritamente) estacionria.
a. Qual a hiptese bsica do resultado acima? Por qu?
b. Pode-se afirmar que estacionaridade um reforo hiptese de distribuio idntica?
c. Pode-se afirmar que a hiptese de estacionaridade sobre um srie qualquer mais fraca
do que a hiptese i.i.d.? Por qu?
Soluo: Este um exerccio para verificar se o aluno entendeu o uso e a necessidade
do conceito de estacionaridade, fundamental no tratamento de sries temporais.
a. A hiptese de independncia crucial. Se {zt} simplesmente identicamente
distribudas como normais-padro, a seqncia no , necessariamente, estacionria,
pois possvel construir diferentes distribuies conjuntas com distribuies
marginais normal. Se a distribuio conjunta muda com o tempo, poderamos violar a
condio de estacionaridade, preservando a normalidade marginal.
b. Assim, estacionaridade uma hiptese mais forte distribuio idntica, j que ela se
aplica a distribuies conjuntas e marginais simultaneamente.
Por outro lado, estacionaridade uma hiptese mais fraca do que a hiptese i.i.d., j que
seqncias i.i.d. so estacionrias, mas seqncias estacionrias no precisam ser
independentes necessariamente.

9.2 Defina Processo Estocstico. Explique o significado de processo estocstico e ilustre

graficamente. O que a realizao de um processo estocstico? Por que as sries
econmicas podem ser entendidas como sendo geradas por processos estocsticos?
Soluo: Este um exerccio para reforar os conceitos introdutrios apresentados no
corpo do texto. Aqui, somos mais formais e detalhistas que o texto, pois esperamos que
o estudante tenha curiosidade suficiente para consultar outras fontes sobre este
assunto.
Seja uma seqncia temporal de valores que no podem ser previstos, mas com
probabilidades que podem se associadas a cada um dos diferentes valores a qualquer tempo
particular, temos ento um processo estocstico.
59

Formalmente: Suponha-se um determinado espao amostral de um dado experimento.

Considere-se, tambm, os possveis subconjuntos desse espao amostral. Alm disso,
associe-se a cada um desses eventos uma probabilidade. Definindo-se a funo
X ';,;( : S &T H V , onde S representa o espao amostral e T, o tempo, ter-se- um processo
estocstico.
Para cada t W T , X ';, t ( , tem-se uma varivel aleatria nos espao amostral, isto , no tempo
definido, existe uma distribuio de probabilidade par aquela varivel. Para cada
s W S , X ' s, ;( , tem-se uma funo de t que se chama realizao de um processo. X(s, t), para
dado s e t, apenas um nmero real. A ilustrao grfica dada na figura 9.1.
O problema prtico que nos defrontamos termos apenas a realizao de um processo
estocstico para cada perodo de tempo, dos quais teramos que deduzir os valores da mdia
e varincia em cada instante de tempo, bem como das covarincias. Mas, obviamente, dado
que temos menos observaes do que o nmero de informao que gostaramos de obter,
temos que impor restries razoveis que nos permitam trabalhar com a srie disponvel.
As sries de tempo podem ser decompostas em quatro elementos: tendncia, ciclo,
sazonalidade e componentes irregulares. Tendncia, ciclo e sazonalidade no sero simples
funes determinadas do tempo. Ao contrrio, tpico encontrar-se elementos estocsticos
nesses componentes. Por isso, sries econmicas podem ser entendidas como sendo geradas
por processos estocsticos. por isso, tambm, que se pode dizer que uma srie de tempo
uma coleo de observaes geradas seqencialmente no tempo.

9.3 Qual a razo de se impor restries sobre a heterogeneidade temporal e sobre a

memria de um processo estocstico?
Soluo: Este exerccio verifica se o aluno compreendeu o problema que existe em
estimar sries temporais, indo aos pontos fundamentais da questo.
Um processo estocstico temporalmente heterogneo, o que significa que possui
momentos distintos a cada instante de tempo (pois, o processo gerador daquele evento pode
ser diferente a cada instante de tempo, como j se viu). Disso surge uma grande dificuldade
para modelar fenmenos reais, porque, usualmente, temos apenas uma observao para
cada t.

60

Em outras palavras, temos que estimar uma nmero de parmetros maior que o nmero de
observaes, o que impossvel. Por isso, temos que impor certas restries para reduzir o
nmero de parmetros a serem estimados. Essas recaem sobre a heterogeneidade temporal e
sobre a memria do processo.
i.

Restries sobre a heterogeneidade temporal reduz o nmero de parmetros a

serem estimados. Implica estacionaridade fraca ou restrita. Por exemplo, estabiliza
num mesmo nvel a mdia e a varincia, assumindo que todas as observaes tm
mesma mdia e mesma varincia;

ii.

Restries sobre a memria espera-se que a dependncia entre x(t1) e x(t2)

enfraquea conforme a distncia t2 t1 cresa. Para isso, usamos a seguinte
definio:

Um processo estocstico Eu 't ( , t W T F dito assintoticamente no correlacionado se existe

uma seqncia de constante E' '0 ( , 0 0 1F , definidas por
Cov 59u 't ( , u 't " 0 (6:
Var 59u 't (6: Var 59u 't " 0 (6:

B ' ' 0 ( , Xt W T ,

tal que
a. 0 B ' '0 ( B 1 e;
L

b.

% ' '0 ( / L - lim ' '0 ( ! 0 .

0 !1

0 HL

Com isso, podemos fazer inferncias estatsticas, a partir de nossas estimativas.

Os exerccios a seguir seo so apenas indicativos, dependendo do grau de

aprofundamento dado em sala de aula pelo instrutor.

9.4 Qual a diferena entre estacionaridade forte (ou estrita) e estacionaridade (fraca). D
exemplos mostrando quando uma implica a outra, e quando uma no implica a outra.
Soluo: Embora no texto no tenho sido apresentada a definio de estacionaridade
forte, apresentamo-la aqui, comparando-a com a fraca. O resultado mais importante
61

mostrar que estacionaridade forte no implica estacionaridade fraca, como o nome

poderia sugerir.
Estacionaridade forte (ou estrita) implica que a funo de probabilidade acumulada
conjunta da srie igual para qualquer instante de tempo. Formalmente isso significa:
FX 't1 (, X 't2 (,#, X 'tn ( ' x1 , x2 , #, xn ( ! FX 't1 "k (, X 't2 "k (,#, X 'tn " k ( ' x1 , x2 ,#, xn ( ,
onde
F(.) a funo densidade de probabilidade acumulada,
X(.) uma varivel aleatria,
x(.) a realizao dessa varivel.

Estacionaridade fraca implica que os momentos da srie at ordem m so coincidentes a

cada instante, isto :
m1
m2
mn
m1
m2
mn
E 57E X 't1 (F , E X 't2 (F ,#, E X 'tn (F 68 ! E 57E X 't1 " k (F , E X 't2 " k (F ,#, E X 'tn " k (F 68
9
:
9
:
Se, por exemplo, x(ti) tem uma distribuio de Cauchy, no ter momentos finitos, porque

logo o primeiro momento, m1 no existe. Mas a funo densidade de probabilidade

conjunta invariante com relao ao tempo. Neste caso, ento, estacionaridade forte (ou
estrita) no implica estacionaridade fraca.
d

Por outro lado se x 'ti (# x 'ts ( , s # i , onde # significa distribuio diferente, porm os
momentos de x(ti) so iguais aos de x(ts), esto existe estacionaridade, mas no haver
estacionaridade forte se a distribuio conjunta no for invariante com relao a t.

Se os momentos de xt existem at ordem 1, estacionaridade estrita implica estacionaridade

fraca at ordem 1. Para ver isso, note que:
E 597E X 't1 (F , E X 't2 (F ,#, E X 'tn (F6:8 ! E 597E X 't1 " k (F , E X 't2 " k (F , #, E X 'tn " k (F6:8 ,

logo para n = 1 e k = 1, temos

E 59 X 't1 (6: ! E 59 X 't2 (6: - E 59 X 't2 (6: ! E 59 X 't3 (6: .

Assim, por induo:

62

E 59 X 't1 (6: ! E 59 X 't1 (6: ! " ! E 59 X 'tn (6: .

Para n = 2 e k = 1, temos
E 59 X 't1 ( , X 't2 (6: ! E 59 X 't2 ( , X 't3 (6: ,

e por induo, conclumos que pela estacionaridade fraca.

Para n = 2 e k = 2, temos
E 59 X 't1 ( , X 't2 (6: ! E 59 X 't3 ( , X 't4 (6: ! E 59 X 't2 ( , X 't3 (6: ,

e por induo, conclumos que pela estacionaridade fraca.

Repetindo sucessivamente esse procedimento, provamos a afirmao.

Se {xt} um processo gaussiano (= normal), ento essa seqncia estritamente

estacionrio, pois completamente caracterizada pelos dois primeiros momentos.
9.5 Mostre que o processo passeio aleatrio y t = y t 1 + t um movimento browniano em
tempo discreto quando t tem distribuio normal.
Sugesto: Consulte Spanos (1986).
Soluo: A compreenso da resoluo deste exerccio pressupe conhecimento de
processos brownianos.
Um processo estocstico Eu 't ( , t W T F dito ser um processo rudo branco se:
i.

E(u(t)) = 0;

ii.

12( 2 , se t ! 0
.
E 59u 't ( , u '0 (6: ! 23
224 0, se t # 0

Com isso, y t = y t 1 + t ser um passeio aleatrio (random walk) e yt $ yt$1 ! #t , um

rudo branco, facilmente demonstrvel.
5 t
6
E 597 yt2 6:8 ! E 77 % # j 88 ! t( 2 ;
97 j!1 :8
m/t
5 t
6
E M yt ym N ! E 77 % # j % #i 88 ! m( 2 .
97 j!1 i!1 :8
Em particular, para m = t s:
63

m
5 t
6
E M yt yt$s N ! E 7 % # j % #i 8 ! 't $ s ( ( 2 .
7 j!1 i!1 8
97
:8

Ou seja, o processo estacionrio com incrementos independentes. Alm disso, os

incrementos so normalmente distribudos, pois #t ! N '0, ( 2 ( . Logo, passeio aleatrio
um movimento browniano, cuja distribuio N '0, t ( , dada por quando #t ! N '0, ( 2 ( .

64

10. Metodologia de Box-Jenkins para Modelos Univariados

10.1 Responda:
a. Por que o processo de construo de Modelos ARIMA pode ser considerado um ciclo
iterativo, como afirmam Granger e Newbold?
b. Quais os principais instrumentos utilizados na identificao de um modelo ARIMA?
Por que essa a etapa mais difcil para o pesquisador?
Soluo:
a. O processo de construo de Modelos ARIMA constitui-se de 4 partes: identificao,
estimao, verificao e previso. Se na verificao h problemas, volta-se
identificao;
b. FAC e FACP, complementado pelo teste de Ljung-Box. Esta etapa difcil, porque se
trabalha com resultados amostrais, o que dificulta a anlise. Pode-se usar o critrio
AIC e BIC, para a identificao, tomando-se aquele modelo que gerar o menor valor
para essas estatsticas.

10.2 Responda
a. Mostre algebricamente como um processo AR(2), com razes fora do crculo unitrio
expresso como um MA( ) ;
b.

Escreva um MA(1) sob a forma de um AR( ) ;

c. Por que as razes do processo MA devem estar fora do crculo unitrio?

Soluo: O exerccio treina, algebricamente os conceitos estudados no captulo. Tratase de entender que toda srie de tempo, se inversvel ou estacionria, pode ser
reduzida a um processo com coeficientes finitos, mesmo que o nmero de termos seja,
inicialmente e aparentemente, infinito.
a. Seja yt ! +1 yt$1 " +2 yt$1 " #t , ento temos:
yt '1$ +1 L " +2 L2 ( ! #t - yt !
+1 ! b1 " b2 ;
+2 ! b1b2.
Notando que:
65

#t

'1$ b1L('1$ b2 L(

, onde

$1

'1$ bi L( ! 1 " bi L " bi2 L2 "#,

por se tratar de uma progresso geomtrica infinita de razo, em mdulo, menor do que um,
temos:
L

%b #

j
1 t$ j

yt !

j !1

'1$ b2 L(

Logo yt um MA( ) .
b. Seja yt ! #t " )#t$1 . Assim, temos;
yt
! #t - yt '1 " ) L " ) 2 L2 " #( ! #t 1$ ) L
L

yt ! $% ) i Li " #t - yt ! AR 'L(.
i !1

c. As razes do processo de mdias mveis devem estar fora do crculo unitrio para que
o processo yt seja unicamente identificado e inversvel.
10.3 Verifique se os modelos abaixo so estacionrios e/ou inversveis, em que L o
operador defasagem.
a.

(1 L) yt = (1 0,5 L)t ;

b.

(1 + 0,8 L) y t = (1 1,2 L)t ;

c.

(1 0,7 L + 0,4 L ) y

d.

(1 0,7 L 0,4 L ) y = (1 1,6 L + 0,7 L ) ;

e.

(1 + 0,9 L) yt = (1 + 0,5 L + 0,4 L2 + 0,3 L3 ) t

= (1 0,5 L)t ;

Soluo: Este um exerccio numrico, para verificar se o aluno compreendeu os

conceitos de estacionaridade e inverso. O principal entender as expresses fora e
dentro do crculo unitrio, pois devem ser cuidadosamente entendidas. s vezes foram
e dentro do crculo unitrio representam a mesma coisa, conforme esteja definida a
polinomial, pela qual se calculam as razes da equao a diferenas.
a. Primeiro preciso entender que L um operador, logo no se podem fazer contas
usando L. Nesse caso, o truque simples, troque L por uma varivel qualquer,
digamos, z. Assim temos,
1$ z ! 0 - z ! 1 , logo no estacionrio.

66

1$ 0, 5 z ! 0 - z ! 2 , logo, como z est fora do crculo unitrio, o processo

inversvel.
b.
1 " 0,8 z ! 0 - z ! $1, 25 , outra vez, por ser, em mdulo, maior que 1, o processo
estacionrio.
1$1, 2 z ! 0 - z !

5
/ 1 , logo no inversvel.
6

c.
1
1$ 0, 7 z " 0, 4 z 2 ! 0 . Fazendo z ! , temos x 2 $ 0, 7 x " 0, 4 ! 0 , o que nos d as
x
12
0, 7 " 1, 05i
22 x1 !
2
seguintes razes: 23
. O mdulo de um nmero complexo a + bi dado por
22
0, 7 $1, 05i
22 x2 !
2
24
a2 " b2 .
Ambas as razes tero o mesmo mdulo, dado por:

0,352 " 0,5252 ! 0, 631 / 1 . Assim,

estando o mdulo dentro do crculo unitrio (como invertemos as variveis, temos que
inverter o raciocnio), o processo estacionrio.
1$ 0, 5 z ! 0 - z ! 2 , ento o processo inversvel.
d.
1$ 0, 7 z $ 0, 4 z 2 ! 0 . Adotando o mesmo procedimento do item anterior,
21 x1 ! 1, 0728
. Ora, a primeira raiz est fora do crculo unitrio, logo
encontramos 23
224 x2 ! $0,3728
processo no estacionrio.
1$1, 6 z " 0, 7 z 2 ! 0 . A inversa das razes so x !
dado por 0,82 " 0, 2452 ! 0,836 / 1 , que inversvel.
e.
1 " 0,9 z ! 0 - z ! $

10
. 1 - estacionaridade.
9

67

$1, 6 Y 1, 05i
, cujo mdulo
2

12 z1 ! $1,597
22
1 " 0,5 z " 0, 4 z 2 " 0, 3z 3 ! 0 . As razes do: 3 z2 ! 0,132 " 1, 438i . Essas razes
22
224 z3 ! 0,132 $1, 438i
esto obviamente fora do crculo unitrio, logo a condio de inversibilidade est
satisfeita14.
10.4 Prove que na previso para s passos frente do modelo

(y

) = ( y t 1 ) + t t 1 ,t ~ i .i. d .(0, 2 ) :

a. #t "s ! ' yt "s $ *( ! ! s ' yt $ *( $ ! s$1"#t ;

b. Var '#t "s ( ! ( 2

1$ 2!" " " 2

, quando s tende para o infinito.
1$ ! 2

Soluo: Este um exerccio que procura esclarecer um pouco por que a previso
mais distante no tempo pior do que a mais recente, e notar que a varincia a
mesma no longo prazo. Na verdade, isto ocorre porque a varincia de longo prazo a
varincia no condicional.
a. Apenas lgebra. Primeiro, chamemos xt ! yt $ * , para descarregar a notao.
xt "1 ! ! xt " #t "1 $ "#t - E ' xt "1 yt ( ! xt "1 ! ! xt $ "#t ;
xt "2 ! ! xt "1 " #t "2 $ "#t "1 - E ' xt "2 yt ( ! ! xt "1 ! ! 2 xt $ !"#t ;
/
xt "s ! ! xt "s$1 " #t "s $ "#t "s$1 - E ' xt "s yt ( ! ! xt "s$1 ! ! s xt $ ! s$1"#t .
Provando o que gostaramos.
b. Aqui apenas temos que cuidar da lgebra, que carregada.

14

O clculo de um polinmio do terceiro graus no simples. Sugiro usar um programa como Mathematica

ou Matlab para obter o resultado.

68

Var '#t "s ( ! E 59' yt "s $ *($ ' yt "s $ *(6: ! E M xt "s $ xt "s N .
2

xt "s ! ! xt "s$1 " #t "s $ "#t "s$1 ! ! '! xt "s$2 " #t "s$1 $ "#t "s$2 ( " #t "s $ "#t "s$1 !
! ! 2 xt "s$2 " #t "s $ "#t "s$1 " !#t "s$1 $ !"#t "s$2 !
! ! 2 xt "s$2 " #t "s " '! $ " ( #t "s$1 $ !"#t "s$2 !
! ! 2 '! xt "s$3 " #t "s$2 $ "#t "s$3 ( " #t "s " '! $ " ( #t "s$1 $ !"#t "s$2 !
! ! 3 xt "s$3 " #t "s " '! $ " ( #t " s$1 " ! '! $ " ( #t "s$2 $ ! 2 "#t "s$3 !
/
s$2

! ! s xt "s " #t "s " '! $ " ( % ! j #t "s$ j$1 $ ! s$1"#t "s$3 .
j !0

Obtida a frmula acima, calculemos a varincia:

s$2
s$2
5
6
5
6
2
Var '#t "s ( ! E 77 #t "s " '! $ " ( % ! j #t "s$ j$1 88 ! ( 2 771 " '! $ " ( % ! 2 j 88 !
j !0
j !0
97
:8
97
:8
2
2
$
s
5
6
1$ !
2
8! ( 2 71 " '! $ " ( ;1;
2 8
7
1
$
!
9
:
2
26
51$ ! " ! 2 " 2!" " " 2 6
5
2 1 " 2!" " "
8
7
8 , pois
lim Var '#t "s ( ! ( 2 7
!
(
2
7
8
7 1$ ! 2
8
sHL
1
$
!
9
:
9
:
2

lim ! 2 s$1 ! 0.

sHL

69

11. Modelos de Funo de Transferncia e de Anlise de

Interveno
11.1 Determine a covarincia cruzada do processo bivariado discreto (Xt, Yt) onde:
X t ! Z1,t " "11Z1,t$1 " "12 Z 2,t$1 ,
Yt ! Z 2,t " "21Z1,t$1 " "22 Z 2,t$1 ,
e {Z1,t} e {Z2,t} so processos puramente aleatrios com mdia zero e varincia 2 .
Assim, avalie o espectro cruzado15.
Soluo: O exerccio serve para mostrar por que as covarincias cruzadas no so
simtricas, como no caso de autocovarincias.
Vamos calcular a funo de covarincia cruzada, lembrando que a covarincia entre Z1 e Z2
nula, por serem processos puramente aleatrios.
$ xy 'k ( ! E ' X tYt$k ( ! E ' Z1,t Z 2,t$k ( " "21 E ' Z1,t Z1,t$1$k ( " "22 E ' Z1,t Z 2,t$1$k ( "
*&&&&&+&&&&&,
*&&&&&+&&&&&,
!0

!0

""11 E ' Z1,t$1Z 2,t$k ( " "11"21E ' Z1,t$1Z1,t$1$k ( " "11"22 E ' Z1,t$1Z 2,t$1$k ( "
*&&&&&+&&&&&,
*&&&&&&+&&&&&&,
!0

!0

"12 E ' Z 2,t$1Z 2,t$1$k ( " "12 "21 E ' Z 2,t$1 Z1,t$1$k ( " "12 "22 E ' Z 2,t$1Z 2,t$1$k (.
*&&&&&&+&&&&&&,
!0

Portanto,
$ xy 'k ( ! "21 E ' Z1,t Z1,t$1$k ( " "11"21E ' Z1,t$1Z1,t$1$k ( "
""12 E ' Z 2,t$1Z 2,t$1$k ( " "12 "22 E ' Z 2,t$1Z 2,t$1$k (.
Agora, encontremos a funo de covarincia cruzada:
$ xy '0( ! ( 2 '"11"21 " "12"22 (;
$ xz '1( ! ( 2 "12 ;
$ xy '$1( ! ( 2 "21 ;
$ xy ' k . 1( ! 0.
Note como a covarincia cruzada no simtrica.
Apenas para completar, o espectro cruzado dado por:

15

No obrigatrio resolver esta parte da questo.

70

hxy '1 ( !
g xy ' z ( !

1
g xy ' z ( , z ! e$i1 , $- / 1 / - 21

%z $
k

xy

'k ( -

k !$1

hxy '1 ( !

(2
"11"21 " "12"22 " "12e$i1 " "21ei1 (.
'
2-

11.2 (B&D) Seja {Yt} um srie de tempo com mdia zero estacionria. Defina:
X t = Yt 0,4Yt 1
.
Wt = Yt 2 ,5Yt 1
a. Expresse a funo de autocovarincia de {Xt} e {Wt} em termos da funo de
autocovarincia de {Yt};
b. Mostre que {Xt} e {Wt} tm a mesma funo de autocorrelao;
L

c. Mostre que o processo U t ! $% 0, 4 j X t " j satisfaz a equao a diferenas

j !1

U t $ 2,5U t$1 ! X t .
Soluo: O exerccio treina o conceito do operador avano e mostra que sries
inversveis tm a mesma autocovarincia. Ou seja, para mdias mveis, podemos ter
duas representaes alternativas com mesma autocovarincias. Assim, impomos a
condio de inversibilidade, apenas para unificar os processos de mdias mveis
vlidos.
a. Achemos a autocovarincia de cada uma dessas variveis.
E ' X t2 ( ! E 'Yt $ 0, 4Yt$1 ( ! E 'Yt 2 ( $ 0,8E 'YtYt$1 ( " 0,16 E 'Yt$2 1 ( ! 1,16$Y '0( $ 0,8$Y '1(;
2

E ' X t X t$1 ( ! E 59'Yt $ 0, 4Yt$1 ('Yt$1 $ 0, 4Yt$2 (6: !

! $Y '1( $ 0, 4$Y '2( $ 0, 4$Y '0( " 0,16$Y '1( ! 1,16$Y '1( $ 0, 4 59 $Y '0( " $Y '2(6: ;
E ' X t X t$2 ( ! E 59'Yt $ 0, 4Yt$1 ('Yt$2 $ 0, 4Yt$3 (6: !
! $Y '2( $ 0, 4$Y '3( $ 0, 4$Y '1( " 0,16$Y '2( ! 1,16$Y '2( $ 0, 4 59 $Y '1( " $Y '3(6: ;
/
E ' X t X t$k ( ! 1,16$Y 'k ( $ 0, 4 59 $Y 'k $1( " $Y 'k " 1(6: .
Agora, a outra srie:

71

E ' X t2 ( ! E 'Yt $ 2,5Yt$1 ( ! E 'Yt 2 ( $ 2 E 'YtYt$1 ( " 6, 25 E 'Yt$2 1 ( ! 7, 25$Y '0( $ 2$Y '1(;
2

E ' X t X t$1 ( ! E 59'Yt $ 2,5Yt$1 ('Yt$1 $ 2,5Yt$2 (6: !

! $Y '1( $ 2,5$Y '2( $ 2,5$Y '0( " 6, 25$Y '1( ! 7, 25$Y '1( $ 2,5 59 $Y '0( " $Y '2(6: ;
/
E ' X t X t$k ( ! 7, 25$Y 'k ( $ 2,5 59 $Y 'k $1( " $Y 'k " 1(6: .
b. As funes de autocorrelao de cada uma das variveis so dadas por:
' X 'k ( !
'W 'k ( !

1,16$Y 'k ( $ 0, 4 59 $Y 'k $1( " $Y 'k " 1(6:

1,16$Y '0( $ 0,8$Y '1(

7, 25$Y 'k ( $ 2,5 59 $Y 'k $1( " $Y ' k " 1(6:

7, 25$Y '0( $ 2,5$Y '1(

Para verificar que ambas so iguais, note que multiplicando numerador e denominador da
primeira equao por 6, 25 ! 7, 25 1,16 , obtemos exatamente a segunda equao, pois
0, 4& 6, 25 ! 2,5 e 0,8& 6, 25 ! 5 .
c. Aqui, devemos apenas usar o operador defasagem e fazer as contas.
L

U t ! % $0, 4 j X t " j j !1

Ut
L

$% 0, 4 L
j

$j

! Xt .

j !1

Mas,
L

$% 0, 4 j L$ j ! $
j !1

<1$ 0, 4 L$1 =>

0, 4 L$1
??
>U ! U t $ 2,5U t$1 .
X
!
$
t
$1
?@ 0, 4 L$1 >>A t
1$ 0, 4 L

Note que aqui usamos o operador avano, pelo qual L1Xt= Xt+1.
11.3 (E) Seja o modelo funo de transferncia
yt ! 0,5 yt$1 " zt " #t ,
zt ! 0,5 zt$1 " #z ,t .
a. Derive a funo de autocorrelao cruzada entre a seqncia filtrada {yt} e a seqncia
e a seqncia E#z ,t F ;
b. Se supusermos
yt ! 0,5 yt$1 " zt " 0,5 zt$1 ,
zt ! 0,5 zt$1 " #z ,t .

72

Derive as autocovarincias cruzadas entre a seqncia filtrada {yt} e a seqncia e a

seqncia E#z ,t F .
c. Mostre que as primeiras duas autocovarincias cruzadas so proporcionais aos
coeficientes da funo de transferncia.
d. Mostre que a covarincia cruzada decai a uma taxa de 0,5.
Soluo: Este um exerccio simples que introduz o conceito de filtragem de uma
srie, servindo para reforar o conceito de covarincia cruzada com alguns modelos
alternativos.
a. A seqncia filtrada s tem o nome difcil. Vamos mostrar como ela . Primeiro,
substituamos zt:

'1$ 0,5L( zt ! #z ,t - zt !

#z ,t
1$ 0,5L

Agora, substituindo:
yt ! 0, 5 yt$1 "

# z ,t
1$ 0,5L

" #t - '1$ 0,5 L( yt ! 0,5 '1$ 0,5L ( yt$1 " #z ,t " '1$ 0,5L ( #t .
*&&&&&+&&&&&,
y f ,t $serie filtrada

A srie filtrada , portanto yf,t = (1 0,5L)yt . Assim temos:

y f ,t ! 0,5 y f ,t$1 " #z ,t " '1$ 0,5L ( #t .
Podemos, encontrar facilmente a correlao cruzada multiplicando a equao acima por #z ,t
e tomar as esperanas, notando que E '#t #z ,t$k ( ! 0, Xk . Ento, obtemos:
E ' y f ,t #z ,t ( ! (#2z ;
E ' y f ,t #z ,t$1 ( ! 0,5(#2z ;
E ' y f ,t #z ,t$2 ( ! 0,52 (#2z ;
/
E ' y f ,t #z ,t$k ( ! 0,5k (#2z .
Calculemos agora a varincia de yf,t:

73

'1$ 0, 5L( y f ,t ! #z ,t " '1$ 0,5L( #t y f ,t !

#z ,t
" #t 1$ 0, 5L

y f ,t ! '1 " 0,5 L " 0,52 L2 " #( #z ,t " #t (#2z

4
" ( 2 ! (#2z " ( 2 .
1$ 0, 25
3

Var ' y f ,t ( ! '1 " 0,5 " 0,5 " #( ( " ( !

2

2
#z

Com essas informaes podemos calcular a correlao cruzada requerida:

' yz 'k ( !

0,5k (#z
4 2
(# " ( 2
3 z

b. Procedemos da mesma forma que no item anterior.

yt ! 0,5 yt$1 " '1 " 0,5L ( zt " #t ! 0,5 yt$1 "

1 " 0,5 L
#z ,t " #t 1$ 0,5 L

1$ 0,5 L( yt ! 0,5 '1$ 0,5 L( yt$1 " '1 " 0,5 L( #z ,t " '1$ 0,5L( #t '*&&&&
&+&&&&&,
y f ,t $serie filtrada

y f ,t !

1 " 0,5 L
#z ,t " #t ! '1 " 0,5 L " 0,52 L2 " "('1 " 0,5L ( #z ,t " #t !
1$ 0,5 L

! '1 " L " 0,5L2 " 0,52 L3 " "( #z ,t " #t .

Podemos, encontrar facilmente a correlao cruzada multiplicando a equao acima por #z ,t
e tomar as esperanas, notando que E '#t #z ,t$k ( ! 0, Xk . Ento, obtemos:
E ' y f ,t #z ,t ( ! (#2z ;
E ' y f ,t #z ,t$1 ( ! (#2z ;
E ' y f ,t #z ,t$2 ( ! 0,5(#2z ;
/
E ' y f ,t #z ,t$k ( ! 0,5k $1 (#2z , k 0 1.
Calculemos agora a varincia de yf,t:
y f ,t ! '1 " L " 0,5L2 " 0,52 L3 " "( #z ,t " #t Var ' y f ,t ( ! '1 " 1 " 0,52 " 0,54 " "( (#2z " ( 2 !
<
1 >= 2
7 2
2
2
! ??1 "
> ( " ( ! (#z " ( .
?@ 1$ 0, 25 >A #z
3
74

Com essas informaes podemos calcular a correlao cruzada requerida:

12
22
22
22
2
' yz 'k ( ! 223
22
22
22
22
24

( #z
7 2
( #z " ( 2
3
0,5k $1 (#z
7 2
( #z " ( 2
3

, k /1
.
, k 01

c. Como as duas primeiras covarincias cruzadas possuem o mesmo coeficiente, igual a

um, ento bvio que so proporcionais aos coeficientes da funo da transferncia.
d. Claramente, pode ser ver que para k > 1, a funo de covarincia cruzada decais a uma
taxa de 0,5.

11.4 Explique por que os modelos de Anlise de Interveno so, em geral, mais flexveis
que os modelos de regresso que utilizam variveis dummy.
Soluo: O exerccio procura averiguar se o estudante entendeu, simultaneamente, os
modelos de anlise de interveno, bem como suas potencialidades.
Os modelos de anlise de interveno so mais flexveis porque permitem que haja efeito
residual e efeito defasado, o que no ocorre com os modelos que utilizam dummy, onde h
apenas afeito abrupto, temporrio ou permanente.
Em resumo os modelos de anlise de interveno so:
i.

Incio abrupto, com efeito permanente:

121 S 'T ( , t 0 T
.
Et ! 23 t$b
22 0, t / T
4

ii.

Incio abrupto, com efeito temporrio:

12 1
t
2
P' ( , T B t B T2
.
Et ! 231$ % B t 1
22
0, c.c
24

iii.

Incio gradual, efeito permanente:

12 1 S 't (
2 T ,t 0T
.
Et ! 231$ % B
22
224 0, t / T

iv.

Incio gradual, com efeito temporrio:

75

12
1
T
22
P' ( , T1 B t B T1
2 t
.
Et ! 31$ %1 B $ %2 B
22
0, c.c
224
v.

Incio abrupto, com efeito residual:

12 11
t
T
22
Pt' ( " 12 St'$b( , t 0 T
.
Et ! 31$ % B
22
0, t / T
24

Os modelos com dummy somente admitem incio abrupto, com durao temporria ou
permanente, sem considerar o efeito residual e o incio gradual.

11.5 Como se faz a identificao do rudo de um modelo de Anlise de Interveno?

Soluo: Apenas deseja-se que o aluno tenha segurana quantos aos procedimentos de
identificao nesse tipo de modelo. Por isso, o exerccio pede-lhe pense sobre o
assunto.
Existem duas maneiras. Na primeira estima-se o modelo com maior nmero de observaes
possvel, antes ou depois da interveno. Obtm-se, ento, as ordens p e q do modelo
ARMA. Em seguida, estima-se o modelo todo, incluindo a interveno, de acordo com
essas ordens j estabelecidas. Se a interveno no alterou o comportamento da srie, ou
resultou em mudanas de parmetros, obter-se-o resduos com mdia zero e varincia
constante. Se, porm, houve alguma mudana estrutural, melhor utilizar o segundo
mtodo, a seguir descrito.
Definem-se as intervenes, estima-se o modelo apenas com as dummy especificadas e
obtm-se o rudo. Identifica-se o rudo e reestima-se o modelo como um todo. Dever-se-
obter um rudo branco. Caso isso no ocorra, duas alternativas so possveis:
a. Altera-se o comportamento previsto das intervenes, para se obter um modelo mais
consistente;
b. Verificam-se os resduos outra vez.

76

12. Testes de Razes Unitrias e Co-Integrao

12.1 Qual a utilidade dos testes de razes unitrias quando se trabalha com abordagem de
Box-Jenkins? Pode-se regredir uma srie de tempo no estacionria contra outra srie
de tempo no estacionria? No caso de se poder regredir, os testes sobre os
coeficientes so vlidos?
Soluo: O exerccio avalia a compreenso do aluno com relao aos modelos de sries
temporais. Leva-o a compar-lo com o caso tradicional, nos quais a srie pode ser
qualquer coisa. Alerta para a possibilidade de se estimar modelos, cujas sries so no
estacionrias, evitando-se que se esquea dessa possibilidade.
A abordagem de Box-Jenkins pressupe que a srie seja estacionria, de tal sorte que
inferncias estatsticas sejam vlidas de acordo com as distribuies estatsticas
tradicionais. Caso a srie no seja estacionria, testes estatsticos tradicionais deixam de ser
vlidos. Assim, o teste de raiz unitria permite identificar uma srie no estacionria, bem
com descobrir quantas diferenas devem ser empregadas para estacionarizar a srie, de
modo que se possam fazer inferncias sobre os parmetros estimados.
Pode-se regredir uma srie no estacionria contra outra, se tiverem mesma ordem de
integrao, de tal sorte que o resduo obtido seja integrado de ordem zero. Caso contrrio, o
que se est a fazer uma regresso espria. Os dois grfico abaixo, mostram a diferena de
uma regresso espria de outra no espria.

yt

yt

espria

legtima

O primeiro mostra uma regresso espria, pois a diferena entre as sries, conforme o
tempo passa, cresce. Em regresses esprias comum encontrar coeficientes significantes
estatisticamente. Esta mais uma razo de ser fazer o teste de cointegrao, para evitar tais

77

problemas. A segunda srie poderia apresentar uma regresso legtima, pois os erros no
crescem com o tempo. Nesse caso, os estimadores so superconsistentes, de modo que os
testes estatsticos continuam vlidos.
12.2 Qual a seqncia de testes que deve ser realizada para verificar se uma srie de
tempo yt, apresenta uma raiz unitria segundo a metodologia de Dickey e Fuller,
considerando que este teste tem problemas de poder? Por que esses testes no podem
ser aplicados para testar a presena de uma segunda raiz unitria? Como voc definiria
a ordem de defasagem q.
Soluo: Este um exerccio muito importante, pois avalia se o aluno realmente
entendeu o problema da raiz unitria e se ele sabe, efetivamente, fazer esse teste.
H vrias seqncias possveis. Para o caso de uma raiz unitria, apresentamos a seguinte
seqncia, inspirada em Enders (1995), sempre imaginando um nvel de significncia de
5%.
Primeiro, definamos a equao de interesse.
q

yt ! * " $t " ! yt$1 " % % j Zyt$ j " ut , ut ! '0, ( 2 ( j !1

yt $ yt$1 ! Zyt ! * " $ t $ '1$ ! ( yt$1 " % % j Zyt$ j " ut .

j !1

Portanto, a equao mais geral possvel :

q

( 8 ) Zyt ! * " $ t " ' yt$1 " % % j Zyt$ j " ut .

j !1

Outras duas equaes, menos gerais, tambm poderiam ser estimadas:

q

( 9 ) Zyt ! * " ' yt$1 " % % j Zyt$ j " ut .

j !1

( 10 ) Zyt ! ' yt$1 " % % j Zyt$ j " ut .

j !1

A soma dos quadrados dos resduos dessas trs equaes so, respectivamente: SQR(1),
SQR(2) e SQR(3).
Dessa forma, testar H 0 : ! ! 0& H1 : ! / 0 equivalente a testar:

78

H 0 : $'1$ ! ( T ' ! 0& H1 : ' / 0 ,

que o que procederemos agora.

i.

Passo 1 Usando a equao ( 8 ), testamos inicialmente a seguinte hiptese

H 0 : ' ! 0& H 1 : ' / 0 ,

usando a estatstica calculada por Dickey e Fuller: 0 0 .

Se rejeitamos a hiptese nula, neste modelo mais geral, certamente no existe raiz unitria.
No entanto se aceitamos, por problemas no poder desse teste, pode ser que estejamos
cometendo o erro do tipo II, por isso preciso adotar procedimentos adicionais.
ii.

Passo 2 Admitindo que aceitemos a hiptese nula de existncia de raiz unitria,

testamos a seguinte hiptese nula
H 0 : ' ! $ ! 0& H1 : ' / 0 [ $ # 0 .

Para testar essa hiptese, usamos a estatstica de Dickey-Fuller: Q3 , onde

Q3 !

5 SQR '2( $ SQR '1(6

9
:
SQR '1(
T $3

2 ,

onde T o nmero de observaes. Claro que, se Q3 . Q3D$F , onde Q3D$F a estatstica

deste teste, calculada por Dickey e Fuller sob a hiptese nula, rejeitamos a hiptese nula.
Se rejeitamos a hiptese nula, devemos testar novamente ' , desta vez, entretanto, usando a
prpria estatstica t. Por que esta estatstica? No primeiro passo, havamos aceito a hiptese
de que ' ! 0 , logo provavelmente rejeitamos a hiptese neste segundo passo porque $
deve ser diferente de zero. Se este o caso, a estatstica de ' , mesmo para o teste de razes
unitrias, deve convergir para a distribuio padro t. Assim, testando
H 0 : ' ! 0& H 1 : ' / 0 ,
usando a estatstica padro, se aceitamos a hiptese nula ser porque existe raiz unitria, se
rejeitamos ser porque no existe e os procedimento acabam-se por aqui. O problema
continua se tivssemos aceito que ' ! $ ! 0 . Neste caso, h dois procedimentos possveis.
Procedimento 1
Faa o seguinte teste de hiptese:

79

H 0 : ' ! $ ! * ! 0& H1 : ' / 0 [ $ # 0 [ * # 0 .

Para esse teste, usamos a seguinte estatstica de Dickey-Fuller: Q 2 , onde
5 SQR '3( $ SQR '1(6
9
:
Q2 !

SQR '1(
T $3

3 .

Se rejeitamos a hiptese nula, procedemos o teste t sobre ' . Nesse caso, se rejeitamos a
hiptese nula, no existe raiz unitria; se aceitamos, existe.
Porm, se aceitamos a hiptese nula do Procedimento 1, devemos prosseguir com o passo
3, abaixo descrito, aps o procedimento alternativo 2 que passamos a descrever
Procedimento 2
Utilizando a equao ( 9 ), teste:
H 0 : ' ! 0& H 1 : ' / 0 .
Como fazemos isso via equao ( 9 ), devemos utilizar outra estatstica de Dickey-Fuller:
0 * . Neste caso, se rejeitamos a hiptese nula, no existe raiz unitria.
Se, porm, aceitamos a hiptese nula, prosseguimos com o seguinte teste:
H 0 : ' ! * ! 0 & H1 : ' / 0 [ * # 0 ,
cuja estatstica calculada por Dickey-Fuller Q1 , assim calculada:
Q2 !

5 SQR '3( $ SQR '2(6

9
:
SQR '2(
T $2

2 .

Deste ponto h duas possibilidades: Se aceitamos a hiptese nula, prosseguimos ao passo

3, abaixo expecificado. Se, entretanto, rejeitamo-la, devemos proceder o teste t sobre ' ,
como j vnhamos fazendo nos outros casos. Fazendo este ltimo teste, se aceitamos a
hiptese nula, existe raiz unitria; se rejeitamos, no existe.
iii.

Passo 3 Para este passo, basta testar

H 0 : ' ! 0& H 1 : ' / 0 ,

usando a equao ( 10 ). Neste caso, a estatstica calculada por Dickey-Fuller dada por
0 . Se aceitamos, a hiptese nula, existe raiz unitria; se rejeitamos, no existe.

80

A lgica deste teste partir do modelo mais geral para o mais restrito, haja vista que o
poder do teste baixo.

Os testes no podem ser aplicados para testar uma segunda raiz unitria, porque foram
construdo apenas para o caso de uma nica raiz unitria.

Pode-se obter a ordem de defasagem q, basicamente usando-se dois procedimentos.

Procedimento 1
Colocar tantas defasagens quantas necessrias, tal que a regresso estimada produza
resduos desprovidos de autocorrelao serial. Isto podendo ser testado usando as funes
ACF e PACF , bem como a estatstica de Ljung-Box.

Procedimento 2
16
5
7 <? T >=4 8
Usar a frmula de Shwert: q ! int 712 ; ?
> 8.
7 ?@100 >A 8
97
:8

12.3 Explicite as hipteses nulas, as equaes estimadas e os critrios de deciso de cada

passo do teste de Dickey-Pantula pressupondo a existncia de, no mximo, 4 razes
unitrias.
Soluo: Trata-se, como no exerccio anterior, verificar se o aluno sabe fazer o teste de
razes unitrias, quando, potencialmente, podem existir vrias razes unitrias na
srie.
i.

As hipteses nula e alternativa so:

H40: Existem, no mximo, 4 razes unitrias
H41: Existem, no mximo, 3 razes unitrias

A equao a ser estimada dada por;

Z4 yt ! 20 " 21Z3 yt$1 " ut ,
e testamos
H 0 : 21 ! 0& H1 : 21 / 0 ,

81

usando a estatstica, calculada por Dickey e Pantula: 0 * . Claramente, se a estatstica

calculada no teste menor do que o valor terico (equivalente a ser maior em mdulo),
rejeitamos a hiptese nula, caso contrrio, aceitamo-la.
Se rejeitamos a hiptese nula, passamos ao prximo teste.
ii.

As hipteses nula e alternativa so:

H30: Existem, no mximo, 3 razes unitrias
H31: Existem, no mximo, 2 razes unitrias

A equao a ser estimada dada por;

Z4 yt ! 20 " 21Z3 yt$1 " 22Z2 yt$1 " ut ,
e testamos
H 0 : 22 ! 0 & H 1 : 22 / 0 ,
usando a estatstica, calculada por Dickey e Pantula: 0 * . Claramente, se a estatstica
calculada no teste menor do que o valor terico, rejeitamos a hiptese nula, caso
contrrio, aceitamo-la.
Se rejeitamos a hiptese nula, passamos ao prximo teste.
iii.

As hipteses nula e alternativa so:

H20: Existem, no mximo, 2 razes unitrias
H21: Existem, no mximo, 1 razes unitrias

A equao a ser estimada dada por;

Z4 yt ! 20 " 21Z3 yt$1 " 22Z2 yt$1 " 23Zyt$1 " ut ,
e testamos
H 0 : 23 ! 0& H1 : 23 / 0 ,
usando a estatstica, calculada por Dickey e Pantula: 0 * . Claramente, se a estatstica
calculada no teste menor do que o valor terico, rejeitamos a hiptese nula, caso
contrrio, aceitamo-la.
Se rejeitamos a hiptese nula, passamos ao prximo teste.
iv.

As hipteses nula e alternativa so:

H0: Existe, no mximo, 1 raiz unitria
H1: No existe raiz unitria

A equao a ser estimada dada por;

82

Z4 yt ! 20 " 21Z3 yt$1 " 22Z2 yt$1 " 23Zyt$1 " 24 yt$1 " ut ,
e testamos
H 0 : 24 ! 0 & H 1 : 24 / 0 ,
usando a estatstica, calculada por Dickey e Pantula: 0 * . Claramente, se a estatstica
calculada no teste menor do que o valor terico, rejeitamos a hiptese nula, caso
contrrio, aceitamo-la.
Se rejeitamos a hiptese nula, passamos ao prximo teste.

12.4 (E) Suponha que xt e yt sejam integrados de ordem b e d, respectivamente. Vamos

esquematizar uma prova pela qual qualquer combinao linear de xt e yt integrado de
ordem 2.
a. Sejam xt e yt passeios aleatrios:
xt ! xt$1 " #t ;
yt ! yt$1 " .t .
Dadas as condies iniciais sobre x0 e y0, mostre que a soluo para xt e yt tm a

i.

forma
t $1

xt ! x0 " % #t$ j
j !0

t $1

yt ! y0 " % .t$ j
j !1

Mostre que a combinao linear " xt " $ yt geralmente conter uma tendncia

ii.

estocstica.
iii.

Que hiptese necessria para assegurar que xt e yt so CI(1, 1)?

b. Agora seja yt integrado de ordem 2. Dadas as condies iniciais sobre y0 e y1, encontre
a soluo para yt. Existe alguma combinao linear entre xt e yt que contenha apenas
uma tendncia estocstica? E determinstica? Existe alguma combinao linear entre xt
e yt que no contenha uma tendncia estocstica?
c.

D uma explicao intuitiva para a seguinte afirmao: Se xt e yt so integrados de

ordem b e d, onde d > b, qualquer combinao linear de xt e yt integrada de ordem d.

83

Soluo: O exerccio treina o conceito de co-integrao, procurando mostrar porque

se diz integrado de ordem 1 ou 2. Procura mostrar quais os problemas de estimar
sries com diferentes ordens de co-integrao. Seria interessante lembrar que, com
mais de trs sries, digamos, a primeira com ordem de integrao 0 e as outras duas
com ordem de integrao 1, se estas duas forem co-integradas, ento as trs sries
podem ser estimadas conjuntamente.
a. Este item no oferece maiores dificuldades.
i.

Faa a substituio recursiva, para obter o resultado desejado. Faremos agora

para xt, mas o procedimento idntico para yt.
xt ! xt$1 " #t ! ' xt$2 " #t $1 ( " #t ! " !
t $1

! x0 " #1 " #2 " " " #t ! x0 " % #t$ j .

j !0

Como desejvamos demonstrar.

Analogamente, temos:
t $1

yt ! y0 " % .t$ j .
j !0

ii.

A combinao linear " xt " $ yt conter a expresso:

t $1

t $1

j !0

j !0

" % #t$ j " $ % .t$ j .

Ora, a combinao linear de duas tendncias estocsticas ser uma tendncia estocstica,
bastando notar, ainda, que &t ! "#t " $.t , tal que a combinao linear " xt " $ yt conter a
t $1

tendncia estocstica

%&

t$ j

j !0

iii.

Suponha que E#t F e E.t F sejam perfeitamente correlacionados, tal que

.t ! !#t , onde ! uma constante. Agora, selecione valores de " e $ tal que
" " !$ ! 0 . Assim, a combinao linear " xt " $ yt no conter tendncia
estocstica pois:
t $1

t $1

j !0

j !0

" % #t$ j " !$ % #t$ j ! 0 .

84

t $1

b. H outra maneira de se expressar a tendncia estocstica,

%#

t$ j

, da seguinte forma

j !0

xt ! x0 " #1 " #2 " " " #t ! x0 " % # j .

j !1

%#

Agora, a tendncia estocstica dada pela expresso

. Por isso, diz-se integrado de

j !1

ordem 1, pois h apenas um somatrio. Uma varivel integrada de ordem 2 apresentaria

dois somatrios conjuntamente. Vamos entender isso em detalhe, para responder a questo,
inicialmente supondo que uma varivel integrada de ordem um rudo branco.
Formalmente, temos:
Z2 yt ! .t - Z
yt ! Z
yt$1 " .t )
)
! zt

! zt$1

zt ! zt$1 " .t ! ' zt$2 " .t$1 ( " .t ! " !

t

! z1 " .2 " .3 " " " .t ! z1 " % . j .

j !2

Temos que parar em z1, pois, no caso de integrao de ordem 2, precisamos conhecer y1 e
y0. Agora, para ver o segundo somatrio e a tendncia determinstica, devemos desenvolver
zt .
t

j !2

j !2

zt ! z1 " % . j - yt $ yt$1 ! ' y1 $ y0 ( " % . j t

t $1

j !2

j !2

yt ! yt$1 " ' y1 $ y0 ( " % . j ! yt$2 " 2 ' y1 $ y0 ( " % . j " % . j !

j !2

t $1

t $2

! yt$3 " 3' y1 $ y0 ( " % . j " % . j " % . j ! " !

j !2

j !2

j !2

t $1

j !2

j !2

j !2

! y1 " 't $1(' y1 $ y0 ( " % . j " % . j " " " % . j !

t $2 t $s

! y1 " 't $1(' y1 $ y0 ( " % % . j !

s !0 j ! 2

t $2 t $s

! y0 " t ' y1 $ y0 ( " %% . j .

s !0 j ! 2

85

No existe apenas uma tendncia estocstica, como poder ser visto na terceira linha da
expresso acima. Note que h vrias tendncias estocsticas. Note que, se y1 igual a y0, no
existe tendncia determinstica; do contrrio, haver tambm.
No h combinao entre essas variveis que no contenha tendncia estocstica, mesmo
com correlao perfeita entre os resduos. Neste caso ainda restaro:
t $1

t $2

t $2 t $s

j !2

j !2

s!1 j ! 2

% . j " % . j " "" .2 ! %% . j ,

que um somatrio duplo, ainda denotando ser um resultado integrado de ordem 2.
c. Se yt ! I 'd ( , sua soluo conter d-uplas somatrios da seqncia E.t F . Entretanto, a
soluo para xt conter apenas b-uplas somatrios. No h combinao linear dessa
seqncia que reduza a ordem dos somatrios na soluo para yt.

86

13. Modelos GARCH

13.1

Seja o processo ARCH t = t u t , sendo u t ~ i.i.d .(0,1) , onde t2 = + 1 t21 ,

independente de ut. Mostre que a curtose do modelo dada por:

1 12
.
K ( t ) = 3
2
1 3 1
Depois mostre qual a condio para que #t tenha quarto momento finito. Finalmente,
interprete a expresso do quarto momento.
Soluo: O exerccio mostra que modelos ARCH captam a curtose.
Tomando a esperana no condicional do resduo elevado quarta potncia:
E '#t4 ( ! E '(t4 ( E 'ut4 ( ! 3E '(t4 ( .
)
!3

Mas,

( )

[(

)]

E t4 = E 2 + 21 t2 + 12 t4 .
Portanto:

2 2 1
3 2 (1 + 1 )
.
E t4 = 3 2 +
+ 12 E t4 1 3 12 E t4 =
1 1
1 1

( )

( )

)( )

Resultando, aps algumas poucas manipulaes algbricas, em:

5 ! 2 6 5 1$ ! 2 6
1 8
87
.
( 11 ) E '#t4 ( ! 3 77
287
28
1
3
!
$
1 :
79 '1$ !1 ( 8: 9
*&&&+&&&,
2
!EE'#t2 (F
Logo

( 12 ) K '#t ( !

E '#t4 (

EE '# (F
2
t

87

5 1$ !12 6
8.
! 37
71$ 3!12 8
9
:

Analisando a expresso entre colchetes de ( 12 ), fcil ver que, se 1 = 0 , a srie

mesocrtica. O primeiro fator entre colchetes de ( 11 ) trs vezes a varincia ao quadrado.
1
Por outro lado, para que a curtose seja finita, preciso que 3 12 < 1 12 < . Alm
3
disso, 0 < 1 < 1 1 12 > 1 3 12 . Portanto, a curtose da srie pode se maior do que 3, e o
modelo ARCH capaz de incorporar esse fato, o que muito importante em finanas.
13.2 De qual caraterstica de #t tratam os modelos da famlia GARCH?
Soluo: Trata-se de verificar se o estudante entendeu o problema que os modelos
GARCH tentam resolver.
Os modelos da famlia ARCH consideram #t como condicionados a seus valores passados.
Esses modelos so capazes de captar essa condicionalidade. A intuio subjacente a
seguinte: uma grande perturbao aleatria ser seguida de outra, provavelmente em
sentido contrrio, por razes compensatrias. Assim, at que se atinja a trajetria anterior,
pode levar algum tempo.
Uma outra maneira de ver isso por meio do anncio de medidas governamentais.
Geralmente, os momentos que antecedem a essas notcias so de grande tenso, o que pode
aumentar a volatilidade da srie.

13.3 Comente as principais diferenas entre os modelos ARCH, GARCH, ARCH-M,

EGARCH E TARCH.
Soluo: Aqui procura-se verificar se o aluno consegue distinguir as diferenas entre
os diferentes modelos, muito importante na hora de se escolher algum para ser usado.
O modelo ARCH de ordem q pressupe que a varincia (t2 explicada por q defasagens
dos erros ao quadrado da equao da mdia. O problema bsico a necessidade de se
restringir os parmetros para garantir estacionaridade da srie e varincia sempre positiva.
O modelo GARCH supe a varincia condicional aos q erros passados e prpria varincia
passada. Esse modelo , freqentemente, mais parcimonioso do que o ARCH. Para
entender isso, lembre-se de que, num modelo ARIMA, um MA'L( pode ser

88

reparametrizado como um AR finito. O modelo GARCH permite ainda a introduo de

variveis explicativas.
O modelo ARCH-M, desenvolvido por Engle, Lillien e Robins supe que a equao da
mdia tenha, como varivel explicativa, a prpria varincia. Embora num mesmo instante
haja uma correlao positiva entre risco e retorno, no h provas conclusivas sobre isso ao
longo do tempo. Logo, este modelo pode ser uma maneira de se verificar isso.
O EGARCH apresentado por Nelson no pressupe que o impacto das informaes seja
simtrico e que os coeficientes estimados precisem ser, necessariamente, positivos como
ocorria nos modelos GARCH iniciais. Ou seja, permitem-se assimetrias de resposta para os
choques. De fato, espera-se que choque negativos produzam mais volatilidades que
choques positivos.
Aqui interessante notar que o ARCH-M pode ser parametrizado segundo qualquer
variante dos modelos GARCH.
Glosten, Jagannathan e Runkle propem o uso de variveis dummy na equao da varincia
caso o choque seja negativo. Pesquisas indicam que o EGARCH e o TGARCH costumam
ser modelos melhor parametrizados.
13.4 (E) Considere o seguinte modelo risco-mdia:
yt = t + t ,
onde

t = + t2
t = t ut ,
sendo
u t ~ i.i.d .(0,1) ;
q

t2 = + i t2i .
i =1

( )

( )

Considere E t2 = E t21 = " = 1 .

a. Mostre que a seqncia { t } um rudo branco;
89

b. Encontre a mdia no condicional de yt. Como uma mudana em afeta a mdia?.

Mostre que mudar " e % de ( 3, 3) para ( 1, 1) preserva a mdia da seqncia {yt};
c. Mostre que a varincia no condicional de yt, para q = 1, no depende de , ou .
Soluo: A questo aborda dois aspectos. Um mais intuitivo, relacionado a finanas e
ao trade-off entre risco e retorno. O segundo, mais tcnico, refere-se aos resultados
que se obtm com modelos GARCH.
a. Como ut independente de (t , temos que
E '#t ( ! E '(t ut ( ! E '(t ( E 'ut ( ! 0
)
!0

Alm disso,
E'#t2 ( ! E '(t2 ( E 'ut2 ( ! (#2 !

!
! 1.
1$ !1 $ !2 $...$ !q

Falta apenas as correlaes cruzadas:

E'#t #t$k ( ! E '(t ut (t $k ut$k ( ! E '(t (t $k ( E 'ut ut $k ( ! 0 ,
*&&&+&&&,
!0

onde k > 0.
Portanto, conclumos que um rudo branco.
b. Calculemos:
E ' yt ( ! E '*t " #t ( ! E '" " %(t2 " #t ( !
! E 57 " " % '! " % !i #t2$i ( " #t 68 !
9
:
! " " % '! " % !i (.
Para verificar como uma mudana de % afeta a mdia, note que:
E'#t2 ( ! E '(t2 ( E 'ut2 ( ! ! " % !i ! 1 .
*&&+&&, )
!1
!! "% !i
Logo, a proporo que % afeta a mdia de 1:1. Como esta proporo a mesma para " ,
ento, a mdia no condicional de yt , para '" , % ( ! '$3,3( :
E ' yt ( ! $3 " 3'! " % !i ( ! $3 " 3;1 ! 0 .
O mesmo ocorre para '" , % ( ! '$1,1( , preservando-se a mdia no condicional de yt.
c. Calculemos:

90

Var ' yt ( ! Var '*t " #t ( ! Var '*t ( " Var '#t ( " 2Cov '*t , #t ( .
*&&+&&,
!1

Calculemos cada uma das parcelas que faltam:

Cov '*t , #t ( ! E '*t #t ( $ E '*t ( E '#t ( !
)
!0

! E 57'" " %(t2 ( #t 68 ! " E '#t ( " % E 57'! " !1#t2$1 ( #t 68 !

9
:
9
:
)
!0

! %! E '#t ( " %!1 E '# # (.

)
2
t $1 t

!0

Como sabemos que #t um rudo branco, temos:

Cov '*t , #t ( ! %!1 E '#t2$1 ( E '#t ( ! 0 .
*&&+&&, )
!1

!0

Agora, passemos varincia de *t :

Var '*t ( ! Var '" " %(t2 ( ! % 2Var '! " !1#t2$1 ( ! % 2!12Var '#t2$1 ( .
Portanto:
Var ' yt ( ! 1 " % 2!12Var '#t2$1 ( .
Como " no est na equao da varincia, Var(yt) depende apenas de % e !1 .
Com isso, conclumos que aumentar o valor de % aumenta a varincia de yt. Isso tem
sentido, porque significa aumentar o retorno na equao da mdia e isso s possvel se
aumentarmos o risco do investimento.

91