Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Distribudas (ADL)
Pedro Valls1
CEQEF e EESP-FGV
7 de novembro de 2014
CEQEF e EESP-FGV, Rua Itapeva 474 s.1006, 01332-000, , So Paulo, SP, Brasil.
E-mail:pedro.valls@fgv.br. c 2014 - Pedro Valls
Sumrio
1 Especicao do Modelo
1.1 Relao de Equilbrio com Elasticidade Constante . . . . . . . .
1.2 Reparametrizao do Modelo ADL - Modelo de Correo de Erros
(M.C.E.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Equivalncia entre estimadores, varinica dos estimadores e resduos de (1) e (10) . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4 Equilbrio Dinmico . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Modelo de Correo de Erros Homogeneo - Elasticidade Unitria
1.6 Modelo ADL Geral . . . . . . . . . . . . . . . . . . . . . . . . . .
2
3
2 Estimao e Testes
2.1 Excluso de Informao Relevante . . . . . . . . . . . . . . . . .
2.2 Incluso de Informao Irrelevante . . . . . . . . . . . . . . . . .
2.3 Conceito de Exogeneidade . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Densidade Conjunta, condicional e marginal . . . . . . . .
2.3.2 Parmetros de Interesse, Variao Livre e Exogenidade
Fraca . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.3 Causalidade e Exogeneidade Forte . . . . . . . . . . . . .
2.3.4 Exogeneidade, Causalidade e Invarincia . . . . . . . . . .
2.4 Testes de Exogeneidade . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Testes de Exogeneidade de Wu-Hausman . . . . . . . . .
2.4.2 Testando exogeneidade fraca de INC para CONS em DATA-
10
10
11
12
13
GIVE.WF1 . . . . . . . . . . . . . . . . . . . . . . . . . .
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
28
2.5
4
4
7
8
8
15
17
19
23
24
.
.
.
.
.
.
.
.
.
.
.
.
30
31
31
33
34
35
36
38
38
41
41
43
43
45
46
48
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3.7.3
50
51
51
52
53
55
55
57
57
58
59
66
68
Especicao do Modelo
A especicao mais simples do modelo ADL dada por:
yt = m +
1 yt 1
0 xt
1 xt 1
+ "t
(1)
2
1
+ :::)m + (1 +
1L +
2 2
1L
+ :::)(
0 xt
1 xt 1
+ "t ) (2)
(3)
@yt+1
=
@xt
@yt+2
=
@xt
1 1
1 0
2
1 0
Deste modo podemos denir as respostas (multiplicadores) de impacto, interim e de longo prazo. Por exemplo o multiplicador de impacto denido por
(3) e o de longo prazo pela soma de todas as derivadas parciais que assumindo
que j 1 j < 1 dado por:
1
(4)
1 E(yt 1 )
0 E(xt )
1 E(xt 1 )
m
1
+
1
(5)
1)
= x ento
(6)
1.1
(7)
onde
a = ln(A) =
m
1
(8)
1
(9)
1.2
1 yt 1
0 xt
1 xt 1
+ "t
e como
xt =
xt + xt
yt =
yt + yt
=m+
yt = m +
yt =
xt
1 yt 1
xt + (
(1
0(
1)yt
1 )[yt 1
xt + xt
+(
xt
1)
1]
1 xt 1
1 )xt 1
+ "t
+ "t
+ "t
(10)
(11)
1.3
(12)
4
onde
X = [i; y
1 ; x; x 1 ]
(13)
1;
(14)
e
0
= [m;
0;
1]
(15)
onde
Z = [i; y
1; x
1; x 1]
(16)
e
= [m;
1;
0;
1]
(17)
=A
onde
31
0
6 1 7C
7C
6
4 0 5A
0
2
0
B
B
@
1
6 0
A=6
4 0
0
0
1
0
0
0
0
1
1
e entre Z e X
(18)
3
0
0 7
7
0 5
1
Z = XA
(19)
O estimador de
b = (ZZ)
Z y = (ZZ)
Zy
(ZZ)
5
Zy
(20)
b = (AXXA)
AXy
(ZZ)
Zy
(21)
AXy
= A
= A
(XX)
(A)
(XX)
1b
= A
Xy
AXy
(22)
(ZZ) = (ZZ)
Z [i; y
1; x
1; x 1]
(ZZ)
Zy
3
0
6 1 7
7
=6
4 0 5
0
2
(23)
(24)
b
" Z = MZ "
(25)
Mas
MZ
= I
Z(ZZ)
= I
XA(AXXA)
= I
= I
XAA
(XX)
X(XX)
AX
(A)
AX
X = MX
V ar( b )
= A V ar(b) A
= s2 A(ZZ)
= s A(AXXA)
2
= s A(A
2
= s (XX)
)(XX)
(A)
1.4
Equilbrio Dinmico
A expresso (6) foi obtida assumindo equilbrio esttico. Vamos agora assumir que X cresce a uma taxa constante gX tal que xt = gX para todo t.
Assumindo elasticidade constante e igual a a taxa de crescimento de Y ser
dada por gY = gX . Substituindo-se estas expresses em (11) obtemos:
gX =
0 gX
(1
1 )[y
m
1
x]
1
y=
(
1
0 )gX
+ x
(26)
e como y = ln(Y ) e x = ln(X) temos que (26) pode ser escrito da seguinte
forma:
Y = AX
(27)
com
A = exp
(
1
0 )gX
(28)
1.5
(29)
=1,
0
1
=1,
=1
(30)
e se esta hiptese for verdadeira o modelo de correo de erros do tipo homogneo, isto
yt = m +
xt + (
1)(yt
xt
1)
+ "t
(31)
Observe que esta hiptese pode ser testada das seguintes formas:
(i) usando o modelo (1) e testando a homogeneidade dos coecientes,
isto se a soma dos coecientes de yt 1 ; xt e xt 1 somam um;
(ii) usando o modelo (10) e testando se a soma dos coecientes de yt 1
e xt 1 somam um; e
(iii) usando o modelo (31) mas com a incluso do termo xt 1 e testando
se este coeciente igual a zero.
A racionalidade para (iii) acima vem do fato de que (10) pode ser reparametrizado da seguinte forma:
yt = m +
xt + (
1)(yt
xt
1) + ( 0 +
1.6
1+
1)xt
1 + "t
(32)
(33)
8
onde
A(L) = 1
1L
2L
p
pL
:::
e
B(L) =
1L
2
2L
q
qL
+ ::: +
B(1)
0+
=
A(1)
1
2
2
+ ::: +
:::
q
p
m+
1 yt 1
2 (yt 1
yt
3 (yt 1
yt
p (yt 1
yt
:::
0(
1 xt 1
3 (xt
p (xt
xt + xt
1)
yt
xt
xt
xt
:::
2)
1)
+ ::: +
yt
p+1 )
2 (xt 1
xt
1)
2 ) + ::: +
xt
p+1 )
+ "t
(34)
1)
(35)
yt
= m+
p 1
X
yt
j=1
(1
p 1
X
xt
j=1
:::
p )(yt 1
xt
+ "t
onde
p
X
para j = 1; :::; p
p
X
para j = 1; :::; p
k=j+1
k=j+1
Observe que (33) s inclui uma varivel, que um caso particular do modelo
geral com k variveis que pode ser representado por:
9
A(L)yt = m +
k
X
Bi (L)xit + "t
i=1
Estimao e Testes
2.1
(36)
(37)
=
=
=
P
P
xt (xt + zt + "t )
xy
P t2t =
P 2
xt
xt
P
P
xt zt
xt "t
+ P 2 + P 2
xt
xt
+ bxz
10
(38)
onde em (38) foi assumido que xt no correlacionado com "t e que bxz o coeciente de regresso de zt em xt : Logo b um estimador viesado e inconsistente
para exceto quando bxz = 0, isto quando zt no correlacionado com xt :
Por outro lado a varincia do estimador do modelo (38) dada por
2
V ar( b ) = P " 2
xt
(39)
ut = zt + "t
(40)
2.2
Suponha que o modelo verdadeiro (36) mas o modelo estimado (37), isto
inclumimos informao desnecessria. Os estimadores de MQO dos parmetros
so dados por:
b = (XMZ X)
b = (ZMX Z)
XMZ y
(41)
ZMX y
(42)
Como o modelo verdadeiro (36), temos que (41) pode ser re-escrito da
seguinte forma:
b
=
=
(XMZ X)
XMZ (X + u)
+ (XMZ X)
XMZ u
(43)
Como o modelo verdadeiro (36), temos que (42) pode ser re-escrito da
seguinte forma:
b
(ZMX Z)
ZMX (X + u)
(ZMX Z)
ZMX X + (ZMX Z)
ZMX u
[I
[I
Wb = y
W (W 0 W )
W (W 0 W )
W 0y
W 0] y
PW ] y = M W y
(44)
(45)
b
"0 b
" = u0 MW u
(46)
2.3
Conceito de Exogeneidade
12
Seja zt = (yt ; xt ) um processo estocstico serialmente independente e gaussiano que ser denotado por:
yt
xt
~ N I( ; ) para t = 1; :::; T
(47)
E(zt )
(48)
(49)
+ "t
(50)
! yy
! xy
! yx
! xx
(51)
(52)
x ; ! xx )
(53)
13
yx
, =
onde = !xx
(52-53) dada por:
yt =
xt =
+ xt +
1t
com
1t
= ! yy
~ N I(0;
! 2yx
! xx :
(54)
(55)
yx
E(yt j xt ) e este componente contm parte
onde 1t = "1t
! xx "2t = yt
da informao de yt que no correlacionada com xt porque:
(i) E( 1t j xt ) = E(yt E(yt j xt ) j xt ) = E(yt j xt ) E(E(yt j xt )) = 0
(ii) E( 1t xt ) = E(E( 1t xt j xt )) = E(xt E( 1t j xt )) = E(xt 0) = 0
e tambm no correlacionado com "2t porque:
! yx
! yx
2
E( 1t "2t ) = E "1t
! xx "2t "2t = E("1t "2t )
! xx E("2t )
yx
= ! yx
! xx ! xx = 0
Observe que a relao entre (50) e (52-53) dada por:
DZ (zt ; ) = DY jX (yt j xt ;
1)
D X ( xt ;
2)
(56)
onde = ( ; ) 2
<n representa o conjunto de (todos) parmetros da
distribuio conjunta, 1 = ( ; ; 2 ) 2 1
<n1 representa os parmetros
da distribuio condicional e 2 = ( x ; ! xx ) 2 2
<n2 os parmetros da
distribuio marginal e temos que n1 + n2 = n. Observe tambm que
=
( 1 ; 2 ) = f ( ) uma transformao um-a-um que sempre pode ser denida
embora os parmetros 1 e 2 podem estar relacionados.
Desta forma em (56) no h perda de informao, mas ao se analisar o
modelo condicional ignorando o modelo marginal tem-se perda de informao.
Deste modo modelar somente o modelo condicional, ignorando a informao
que possa existir entre os parmetros do modelo condicional e marginal, por
exemplo, restries entre equaes, h perda de informao. Observe que esta
dependncia est presente na prpria denio dos parmetros ; ; 2 :
A hiptese de no dependncia entre 1 e 2 , em geral, uma condio muito
forte para que inferncia seja vlida. Vamos apresentar um outro conceito, corte
sequencial, da funo densidade que mais fraco do que a no dependncia .
Denio 1: Dizemos que (56) opera um corte sequencial se e somente se
1 e 2 so variao livre, isto ( 1 ; 2 ) 2 1
2:
Observe que esta denio implica que o espao paramtrico 1 no funo
do parmetro 2 e nem vice-versa. De uma forma intuitiva, podemos dizer que
o conhecimento do valor de um dos parmetros no nos d informao sobre o
intervalo dos possveis valores que o outro parmetro pode assumir.
Observe que se o parmetro de interesse for , o vetor de mdias da distribuio conjunta, devemos estimar tanto o modelo marginal quanto o modelo
14
DZ (Z1T ; ) =
T
Y
DZ (yt ; xt ; ) =
T
Y
t=1
t=1
DY jX (yt j xt ;
1)
T
Y
DX ( xt ;
2)
(57)
t=1
Consider o modelo (54-55) mas com a mdia de xt agora sendo uma funo
linear de yt 1 , isto :
yt =
+ xt +
xt = yt
1t
com
1t ~N I(0;
(58)
(59)
1t
com
1t ~N I(0;
15
(60)
qt = pt
(61)
pt
qt
0
0
pt
qt
1t
"2t
(62)
0
0
pt
qt
1t
+ "2t
"2t
(63)
que equivalente a:
pt =
pt
qt = pt
+ "1t onde
e "1t ~N I(0; ! p )
(64)
(65)
no consideraremos
e ! qq :
16
zt
+ "t
"t ~ N I(0; )
(66)
0 xt
xt =
22 xt 1
1 xt 1
2 yt 1
21 yt 1
+ "2t
1t
1t
~ N I(0;
"2t ~ N I(0; ! xx )
(67)
(68)
E(zt j Zt
1)
V ar(zt j Zt
1)
11
12
21
22
! yy
! xy
yt
xt
! yx
! xx
17
(69)
(70)
E(yt j xt ; Zt
1)
! yx ! xx1
+ ! yx ! xx1 xt
! yx ! xx1 ( 21 yt 1
11 yt 1 + 12 xt 1
! yx ! xx1 xt + ( 12 ! yx ! xx1 22 )xt 1
+( 11 ! yx ! xx1 21 )yt 1
yjZ
xjZ )
22 xt 1 )
+ ! yx ! xx1 xt
(71)
m
E(yt j xt ; Zt
onde
1)
= ! yx ! xx1 ,
V ar(yt j xt ; Zt
0 xt
=(
1)
= ! yy
12
1 xt 1
! yx ! xx1
2 yt 1
22 )
! yx ! xx1 ! xy =
=(
11
! yx ! xx1
21 )
2.3.4
xt =
1 xt 1
(72)
2 yt 1
+ "2t
(73)
onde
"1t
"2t
0
0
~ NI
11
12
21
22
1; 2;
11 ;
(74)
12 ;
22 )
so variao livre.
Zt
1 xt 1
+
1 xt 1 +
~ NI
2 yt 1
11
2 yt 1
+2
12
12
22
12
22
22
22
1)
1 xt 1
+(
=
yjZ
12
12
12
1
22 ) 22 xjZ )
+(
12
1
22 ) 22 xt
( 12 + 22 ) 221 ( 1 xt 1
2 yt 1
1
22 ) 22 xt
1
22 ) 22 xt + c1 xt 1 + c2 yt 1
2 yt 1 )
E(yt j xt ; Zt
onde b = (
12
1)
= bxt + c1 xt
1
22 ) 22
V ar(yt j xt ; Zt
1)
e ci =
11
+ c2 yt
1
i 12 22
+2
12
(75)
para i = 1; 2 e
12
2
22 )
22
22
11
1
12 22 21
(76)
yt = bxt + c1 xt
+ c2 yt
+ ut
com ut ~ N I(0;
(77)
1
onde ut = "1t
12 22 "2t :
Observe que quando 12 = 0 as densidades do modelo condicional e marginal
so normais com os seguintes parmetros
E(yt j xt ; Zt
1)
E(xt j Zt
1)
= xt e V ar(yt j xt ; Zt
1 xt 1
2 yt 1
1)
e V ar(xt j Zt
(78)
11
1)
22
(79)
E[xt ("1t+i
E(xt "1t+i )
1
12 22 "2t+i )]
1
12 22 E(xt "2t+i )
(80)
20
xt =
1 "1t 1
)L
"2t
+
(81)
)L
Substituindo (81) em (80) temos dois termos onde o primeiro dado por:
1 "1t 1
2+
)L
"2t
2+
)L
"1t+i
(82)
e o segundo por
1 "1t 1
1
12 22 E
)L
"2t
( 2+
"2t+i
)L
(83)
"1t
j=0
20
1
X
A
5
4
@
"1t+i + E
j
"2t
j=0
onde = 2 + 1 :
Observe que a primeira expresso de (84)
(i) zero para i 0
(ii) para i < 0 vale jij 1 1 11
e a segunda expresso de (84)
(iii) zero para i > 0,
(iv) para i = 0 vale 12
(v) para i < 0 vale jij 12 :
Agora (83) implica em:
1
12 22
20
1
X
4
@
E
1
j=0
"1t
1 j
A "2t+i 5
1
12 22 E
20
4@
A "1t+i 5
1
X
"2t
j=0
21
(84)
A "2t+i 5 (85)
0 as expresses
12
22
=0
1 11
jij 1
jij 1
jij 1
jij
12
jij 1
11 +
12
1 12
11 +
12
1 12
1 ( 11
1
12 22 21 )
= 0 se
jij
12
22
22 )
1
12 22 22 )
1
=0
22
2.4
Testes de Exogeneidade
A condio para exogeneidade fraca era que 12 = 0. Esta condio para ser
testada necessita da especicao no s do modelo condicional mas tambm
do modelo marginal.
Mas sob a hiptese nula, isto H0 : 12 = 0, (72) o modelo condicional que
tem distribuio independente do modelo marginal dado por (73) e, portanto,
ambos podem ser estimados de forma eciente por MQO. Denote por b
"y e b
"x
os resduos de (72) e (73) respectivamente o teste LM construido da seguinte
forma:
(i) faa a regresso de b
"y em constante, x e b
"x ;
(ii) sob H0 , nR2 onde R2 o coeciente de determinao da regresso
em (i), tem distribuio @2 (1):
(iii) Rejeite H0 se nR2 exceder algum valor crtico preselecionado.
Uma outra forma, equivalente, de testar esta hiptese usar y em vez de b
"y
no tem (i) acima e testar a signicncia do coeciente de b
"x :
Vamos mostrar que o coeciente estimado para b
"x nas duas formas o
mesmo, que os desvios padro estimados so os mesmos nas duas especicaes
e que o teste LM equivalente ao teste t de signicncia do coeciente de b
"x :
Considere as duas especicaes, isto :
b
"y = xb1 + b
" x b2 + u
y=x
+b
"x
(86)
+v
(87)
(88)
b
"x Mxb
"y = (b
"x Mxb
"x )
Mx b
"y
b
" x Mx y
Mx b
"x (b
" x Mx b
"x )
N Mx b
"y = N Mx y
onde N = I Mxb
"x (b
" x Mx b
"x ) 1 b
" x Mx :
Agora pre-multiplicando (87) por Mx temos:
23
b
"x Mxb
"y
(89)
(90)
Mx y = M x b
"x
e o estimador de
+ Mx v = Mx b
"x
+v
(91)
dado por
b = (b
" x Mx b
"x )
2
b
" x Mx y
(92)
que identico a bb2 obtido em (89). Observe que o resduo de (91) dado por:
vb = Mx y
= N Mx y
Mx b
"x b 2 = Mx y
=
=
Mx b
"x (b
"x Mxb
"x )
b
" x Mx y
(93)
= 0 equivalente a
(y Mx y vbvb)=r
(SQ Re sR SQ Re sI )=r
=
SQ Re sI =(n k)
vbvb=(n k)
(y Mx y u
bu
b)=r
u
bu
b=(n k)
(94)
SQ Re g
y Mx y u
bu
b
=
SQT otal=n
y Mx y=n
(95)
x=x
1 1
+y
(96)
1 2
+ "2
(97)
H0 : p lim
12
o procedimento de Wu-Hausman
=0
contra a alternativa
1
x"1
n
H1 : p lim
6= 0
p lim
1 0
zx
n
6= 0 e p lim
1 0
z "1
n
=0
V ar( b 0 )
V ar( b 1 )
qb2
V ar( b 0 )
~@2 (1)
(98)
25
onde
b = (b
xx
b)
1
x
b = z(z z)
x
by
z x = Pz x
=
=
(b
xx
b)
(b
xx
b)
(b
xx
b)
b = (b
xx
b)
0
1
[b
xy
[b
xy
[b
xMx y]
x
by
(b
xx
b)(xx)
(b
xx)(xx)
(xx)
1
xy]
xy]
xy
(99)
(100)
b = (b
x Mx x
b)
(101)
e o estimador de
dado por
[b
xMx y]
(b
x Mx x
b)
(102)
V ar(b)
~@2 (1)
(103)
b2
V ar(b)
(b
x Mx x
b)
[b
xMx y]2
(104)
=
=
=
=
=
[b
xMx y] e V ar(b
q ) dada por:
1
1
x
bx
b xx
x
x x
bx
b
2
(b
xx
b)(xx)
1
(xx) 1 (b
xx
b)
2
x
bx
b
bx
b x
bx
b(xx) 1 x
bx
b
2x
(b
xx
b)2
bx
b x
bx(xx) 1 xx
b
2x
(b
xx
b)2
bMx x
b
2x
2
(b
xx
b)
2
(105)
=
=
(b
xx
b)
1
2
[b
xMx y]2
bMx x
b
2x
(b
xx
b)2
(b
x Mx x
b)
[b
xMx y]2
1 Inct
+ "t
e suspeitamos que Inc no exgeno fraco para : Vamos usar o procedimento da seo (2.4), isto , o modelo marginal para Inc ser dado por
Inct =
1 Const 1
2 Inct 1
+ vt
2.5
Exerccios
yt
xt + "t
xt
1 yt 1
0
0
2 xt 1
+ vt
com
"t
vt
~ NI
2
"
0
2
v
Zt
+ ut onde Zt =
yt
xt
1]
? Se no quais as condies
? Se no quais as condies
yt
xt + "t
xt
1 yt 1
0
0
2 xt 1
+ vt
com
"t
vt
~ NI
2
"
" v
2
v
" v
Zt
+ ut onde Zt =
yt
xt
1]
? Se no quais as condies
? Se no quais as condies
29
1 yt 1
0 xt
1 xt 1
+ "t
(106)
onde "t ~ N I(0; 2" ) e por simplicidade vamos assumir que m = 0. Existem
10 sub-modelos de (106) que so obtidos impondo restries que devem ser
testadas. Estes sub-modelos so apresentados na tabela 1 do apndice.
Trs observaes importantes devem ser feitas antes de comentarmos cada
um destes modelos. A primeira est relacionada ao status da varivel xt a segunda a dependncia das propriedades do modelo as propriedades dos dados e
a ltima se cada tipo de modelo est sendo tratado como corretamente especicado ou se uma aproximao de um processo gerador dos dados mais geral.
Todas estas trs observaes devem ser feitas uma vez que no se comeou a
anlise do modelo mais geral e tambm porque o processo gerador dos dados
em geral desconhecido.
Para que a inferncia nestes modelos seja vlida devemos assumir que estes
representam o modelo condicional vlido e, portanto, estamos implicitamente
assumindo que xt exgeno fraco para os parmetros de interesse que so
= ( 1 ; 0 ; 1 ; 2" ): Assumindo que xt exgeno fraco para os parmetros de
interesse, se qualquer sub-modelo da tipologia for vlido ento todos os modelos
menos restrito que aquele tambm sero.
Estamos assumindo que xt I(1) e portanto xt I(0): Isto resolve a
segunda observao embora algumas sries temporais economicas sejam I(0),
por exemplo, a taxa de desemprego, e portanto o caso de xt estacionrio tambm
relevante. Se xt e yt cointegrarem ento ut = yt
xt ser I(0), mas isto pode
no acontecer e portanto ut ser I(1).
A tipologia trata cada modelo em separado e pressupe que esta especicao
correta e portanto a terceira observao no se aplica.
Quanto a estimao destes modelos, como estamos assumindo que o modelo
est corretamente especicado e que a parte no sistemtica um rudo branco,
quase todos podem ser estimados por M.Q.O., com a exceo do modelo de
regresso esttica com erros correlacionados. Neste modelo apresentaremos dois
mtodos de estimao, a saber, M.Q.G. e um procedimento iterativo.
30
3.1
Regresso Esttica
0 xt
+ "t
(107)
(em geral tanto 0 quanto xt so vetores) e tem importncia em sistemas macroeconomtricos uma vez que pode ser interpretado como uma equao estrutural.
Na prtica a hiptese de que "t rudo branco pouco provvel uma vez que falta
de dinmica induz correlao nos erros e correlao espria entre as variveis
pode induzir alta correlao nos erros tornando a inferncia usual invlida.
Recentemente regresso esttica reapareceu na literatura como parte do procedimento em dois passos de Engle & Granger para se testar cointegrao. Deste
modo 0 ser um estimador de elasticidade de longo-prazo. Este tipo de procedimento para se obter a elasticidade de longo-prazo foi questionado na literatura uma vez que a relao esttica impe certas restries no multiplicador
mdio que podem no ser vlida.
Uma outra justicativa para o modelo esttico est relacionada a abordagem
da autocorrelao, isto , estimasse o modelo esttico e corrigisse a possvel
autocorrelao dos resduos atravs de um modelo autorregressivo, mas como
veremos mais a frente este tipo de procedimento pode impor restries de fatores
comuns que podem ser invlidas.
3.1.1
Considere o modelo
Const =
1 Inct
+ "t
910
900
890
880
870
860
850
840
1955
1960
1965
1970
CONS
C_HAT
1975
1980
1985
1990
C_UP
C_LOW
32
900
890
880
870
15
860
10
850
5
0
-5
-10
-15
1955
1960
1965
1970
RES_EQ1
1975
1980
CONS
1985
1990
C_HAT
3.2
1 yt 1
+ "t
(108)
que uma parametrizao possvel para modelos univariados de sries temporais. Observe que no caso em que 1 = 1 este modelo um passeio aleatrio se
"t for um rudo branco.
Modelo Autorregressivos so muito usados em previso ex-ante tanto no caso
univariado quanto no caso multivariado e competem com modelos economtricos
em termos de poder preditivo.
No entanto em economia as decises economicas so interdependentes induzindo modelos autorregressivos mas estes no so autonomos, porque mudanas no processo gerador de xt podem afetar o processo gerador de yt , uma
vez que o processo autorregressivo para yt pode ser obtido atravs de eliminao ou marginalizao do processo gerador de xt . Por exemplo, suponha que
xt = xt 1 + t com t ~ N I(0; 2t ) e se as restries 1 = 1 e 0 =
1 forem
vlidas temos que o processo gerador de yt dado por yt = yt 1 + "t + 0 t que
tem varincia no constante e dada por t( 2" + 20 2 ). Deste modo o modelo
economtrico deve ter melhor aderncia do que o modelo autorregressivo, ou
menos mal especicado dinamicamente do que o modelo autorregressivo e,
tambm as previses do modelo economtrico devem ser melhores do que as do
modelo autorregressivo ou ento a no constncia do modelo economtrico deve
ser testada.
33
3.2.1
Continuao do Exemplo
Foi estimado um AR(1) para CONS. Os comandos no EVIEWS esto apresentados abaixo
smpl @first @last
equation eq1.ls cons c cons(-1)
eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:
34
910
900
890
880
870
860
850
840
1955
1960
1965
1970
1975
CONS
C_UP
1980
1985
1990
C_HAT
C_LOW
3.3
Indicadores Antecedentes
1 xt 1
+ "t
(109)
35
e pode ser usado para fazer previses para yt um vez que xt antecede yt .
Na ausncia de uma teoria comportamental pouco provvel que 1 seja
constante. Deste modo as previses com este modelo no sero boas em momentos de mudanas. Observe que neste modelo a varivel yt 1 foi excluida e
a priori esta excluso pode implicar em falta de especicao dinmica.
3.3.1
Continuao do Exemplo
Foi estimado um modelo para CONS usando INC como indicador antecedente
. Os comandos no EVIEWS esto apresentados abaixo
smpl @first+1 @last
equation eq1.ls cons c inc(-1)
eq1.makeresids res_eq1
freeze eq1.results
eq1.fit c_hat c_se
genr c_up=c_hat+2*c_se
genr c_low=c_hat-2*c_se
graph graf1.line cons c_hat c_up c_low
show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:
36
O grco abaixo do observado e previsto e os respectivos intervalos de conana para a previso. Observe que o observado est dentro da banda de previso
do modelo.
920
910
900
890
880
870
860
850
840
830
1955
1960
1965
1970
CONS
C_UP
1975
1980
1985
1990
C_HAT
C_LOW
37
3.4
xt + "t
(110)
3.4.1
Continuao do Exemplo
38
CON St
1 D(IN Ct )
+ "t
modicao no programa :
equation eq1.ls cons=C(1)+cons(-1)+C(2)*d(inc)
39
40
3.5
Defasagens Distribuidas
0 xt
1 xt 1
+ "t
(111)
3.5.1
Continuao do Exemplo
41
42
3.6
Ajustamento Parcial
0 xt
1 yt 1
+ "t
(112)
(113)
yt
= (yt
yt
1)
+ "t
(114)
yt + (
)yt
1
1
"t
temos:
(115)
3.6.1
yt + (
)yt
1
1
"t = xt ) yt = (1
)yt
xt + "t
Continuao do Exemplo
44
3.7
(1
1 L)yt
0 (1
L)xt + "t
(116)
Agora se e somente se
1
0
ou
1 0
= 0, os dois polinomios
yt =
e fazendo
0 xt
1;
"t
(1
(117)
1 L)
0 xt
+ ut
ut
ut
+ "t
(118)
Como (118) impe uma restrio testvel no modelo ADL(1; 1) se esta restrio for rejeita este sub-modelo uma reduo invlida do modelo geral.
Desta forma os modelos ADL incluem os modelos de regresso esttica com
erros correlacionados.
Observe que a metodologia do particular para o geral, que parte da regresso
esttica e testa autocorrelao nos erros e caso esta hiptese no seja rejeitada
corrigimos por autocorrelao os erros implica que a restrio de fatores comuns
foi imposta e pode ser invlida. Mas observe que se estimarmos o modelo por
M.Q.O. sem levar em considerao a autocorrelao dos erros os estimadores
continuam consistente mas so inecientes.
3.7.1
Considere a estimao de (118) e observe que neste caso a matriz de varinciacovarincia dos erros no escalar e ser dada por:
2
V ar(u) =
1
2
6
6
6
6
6
6
6
6
4
1
1
:
:
:
:
:
:
T
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
1
:
:
:
1
7
7
7
7
7 (119)
7
7
7
5
e a estimao dos parmetros obtida por Mnimos Quadrados Generalizadas (M.Q.G.), isto
b = (X 0
0
X)
X0
(120)
b
1
:
:
:
1
b
:
:
:
6
6
6
6
b= 1 6
2 6
1 b 6
6 T
4 b
bT
2
1
bT
bT
3
2
b2
b
:
:
:
:
:
: : : bT
: : : bT
: : :
:
: : :
:
: : :
:
: b 1
b
: : b
1
46
3
7
7
7
7
7
7
7
7
5
(121)
b=
T
P
u
bt u
bt
t=1
T
P
t=1
u
b2t
onde u
bt = yt b 0 xt :
Observe que o estimador de 0 depende do estimador de e vice-versa.
Uma outra forma de obter estes estimadores atravs de Mnimos Quadrados
Ponderados uma vez que a inversa da matriz tem forma fechada e dada por:
2
6
6
6 0
6
=6
6 :
6 :
6
4 0
0
0
2
1+
1+
:
:
0
0
:
:
0
0
6
6
6
6
P =6
6
6
6
4
1
0
:
:
0
0
0
1
0
0
1
:
:
0
0
:
:
0
0
:::
:::
:::
:::
:::
:::
:::
0
0
0
:
:
0
0
0
:
:
1+
0
0
0
:
:
2
0
0
0
:
:
0
0
0
0
:
:
1
0
0
0
:
:
0
1
3
7
7
7
7
7
7
7
7
5
(122)
3
7
7
7
7
7
7
7
7
5
(123)
2 p
2 y
1
1
6 y2
y1
6
6
:
y =6
6
:
6
4
:
yT
yT 1
2 p
2 x
1
1
6 x2
x
1
6
6
:
x =6
6
:
6
4
:
xT
xT 1
7
7
7
7
7
7
5
(124)
7
7
7
7
7
7
5
(125)
47
e usando Mnimos Quadrados Ordinrios no modelo transformado temos o estimador equivalente ao M.Q.G.
Observe que se a primeira linha de P no for utilizada o estimador de 0
facilmente obtido, uma vez que ser M.Q.O. para t = 2; :::; T . Observe tambm
que este estimador ser aproximado uma vez que a primeira observao est
sendo descartada.
Como observado acima desconhecido mas pode ser estimado por Mnimos
Quadrados No Lineares no seguinte modelo, que uma transformao de (118):
yt = yt
0 xt
0 xt
2
+ "t
(126)
):
Atualmente fcil estimar (126) por MQNL mas antigamente um procedimento iterativo era utilizado. Este procedimento consistia em:
(i) assumindo que = 0 o estimador consistente para
da regresso de yt em xt ;
1;
3.7.2
= 0 versus H0 :
>0
(127)
MX
48
d=
T
P
u
bt
(b
ut
t=1
T
P
t=1
2
1)
(128)
u
b2t 1
b)
2(1
(129)
T
P
u
bt u
bt
t=1
T
P
t=1
u
b2t
(130)
1
49
3.7.3
50
3.7.4
4 ut 4
+ "t
(131)
= 0 versus H0 :
>0
(132)
d=
T
P
u
bt
(b
ut
t=1
T
P
t=1
u
b2t
2
4)
(133)
Teste h de Durbin
1 yt 1
ut = ut
+ ::: +
r yt r
h=b
r+1 x1t
+ ::: +
r+s xst
+ ut
+ "t
(135)
= 0, Durbin mostrou que a estatstica dada por:
T
1
(134)
(136)
T V ar( b 1 )
1:65.
; yt
1 ; : : : ; yt r ; x1t ; : : : ; xst
(iii) se o coeciente de u
bt 1 signicativamente diferente de zero, usando o
teste t usual, rejeite a nula H0
3.7.6
ut = ut
1 xt
+ ut
(137)
+ "t
(138)
0 (1
)+
1 xt
+ yt
xt
+ "t
(139)
e desejamos testar
H0 :
= 0 versus H0 :
6= 0
(140)
T
1 P
2
t=1
"2t
(141)
s( ) =
@`
=
@
T
1 P
2
t=1
"t
T
@"t
1 P
= 2
"t wt
@
t=1
(142)
t
onde wt = @"
@ :
Temos que a matriz de informao dada por:
I( )
= E[s( )s0 ( )] = E
= E
=
"
1
2
1
4
T
P
t=1
T
P
t=1
"
"2t wt wt0
T
P
1
4
"t w t
t=1
t6=s
T
P
t=1
!#
"t wt
wt wt0
LM =
1
e2
T
P
t=1
e
"t w
et
T
P
t=1
T
P
w
et w
et0
t=1
e
"t w
et
(143)
Continuao do Exemplo
54
3.8
Forma Reduzida
1 yt 1
1 xt 1
+ "t
(144)
3.8.1
Continuao do Exemplo
show graf1
graph graf2.line(d) res_eq1 cons c_hat
show graf2
tem-se os seguintes resultados:
56
Pelo critrio de Schwarz este modelo pior do que a regresso esttica com
erros correlacionados.
3.9
xt + (
1)(yt
xt
1)
+ "t
(145)
Exemplo - Cointegrao
axt + bzt
xt
xt
zt
zt
+ vt
+ (a
+ bvt )
xt
(1
1 )[yt 1
xt
1]
+ "t
57
yt
xt
zt
m+
1 yt 1
1 yt 1
0
1
zt
zt
1 zt 1
xt +
xt +
1 zt 1
m
1
0 1
1
1
0 xt
1
+ "t
0 xt
0+
1
1 xt 1
xt
+ "t
0 1
xt +
1
0 1
+ "t
+
1
xt 1 + 1 0
1
1
1 xt 1
xt
+ "t
1
1
onde t o erro do passeio aleatrio para xt . Se j 1 j < 1 ento zt ser estacionrio e neste caso dizemos que yt e xt cointegram com vetor de cointegrao
dado por = (1; a;
):
Observe que variveis I(1) tem tendncia estocstica, isto , tendem a crescer
mas se as duas variveis co-integram elas tendem a crescer junto uma vez que
uma combinao linear delas um processo estacionrio com mdia zero, isto
um processo que reverte para zero frequentemente.
Usando a denio de zt podemos reescrever o modelo de correo de erros
da seguinte forma:
yt =
xt
(1
1 )zt 1
+ "t
(146)
Observe que na especicao acima todas as variveis so I(0) e inferncia usual vale e podemos recuperar os parmetros 0 e 1 : Para recuperar o
parmetro 1 necessrio reescrever (146) de uma outra forma, mas no ser
possvel recuperar todos os parmetros uma vez que no possvel especicar
todas as variveis como I(0):
3.9.2
58
Estat{stica
de T este
k
2
1%
c
ct
c
ct
c
ct
c
ct
c
ct
3
4
5
6
5%
3:90
4:32
4:29
4:66
4:64
4:97
4:96
5:25
5:25
5:52
10%
3:34
3:78
3:74
4:12
4:10
4:43
4:42
4:72
4:71
4:98
3:04
3:50
3:45
3:84
3:81
4:15
4:13
4:43
4:42
4:70
3.10
Exemplo - DATAGIVE
900
920
910
890
900
880
4
890
870
2
880
860
870
850
-2
860
55
60
65
70
75
80
C O N S
85
90
55
60
65
70
75
80
85
90
55
60
IN C
65
70
75
80
85
90
IN F L A T
Observe que todas as trs sries tem uma quebra no nal de 1973, devido ao
primeiro choque do petrleo.
59
60
61
875:8481
13:53257
3:025987
3:142288
4914:596
0:000000
900
890
880
870
4
860
850
0
-2
-4
55
60
65
Residual
70
75
Actual
80
85
90
Fitted
C(6)
62
100:5 + 1:015Inc
5:175Inf lat
63
6
4
2
0
-2
-4
-6
4
2
0
-2
-4
55
60
65
70
75
Residual
80
Actual
85
90
Fitted
15
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-1.34E-16
-0.047010
3.159550
-2.499051
1.061046
0.244169
2.919085
Jarque-Bera
Probability
1.613051
0.446406
0
-2
-1
40
20
0
-20
-40
55
60
65
70
75
CUSUM
80
85
90
5%Significance
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
55
60
65
70
CUSUMof Squares
75
80
85
5%Significance
90
Por outro lado os grcos dos estimadores recursivos dos parmetros indicam
que estes parmetros so constantes para toda a amostra.
65
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
0.8
0.7
0.6
0.5
0.4
0.3
60
65
70
RecursiveC(1)Estimates
75
80
0.2
85
90
2S.E.
0.5
0.00
0.0
-0.05
-0.5
-0.10
-1.0
-0.15
-1.5
-0.20
-2.0
-0.25
-2.5
-0.30
60
65
70
RecursiveC(3)Estimates
75
80
85
90
2S.E.
60
65
70
RecursiveC(2)Estimates
75
80
85
90
2S.E.
60
65
70
RecursiveC(4)Estimates
75
80
85
90
2S.E.
3.11
Exerccios
yt
ut
1:0 + 10 xt + ut
ut
+ "t
ln(xt ) =
ln(pt ) + "t
ln(xt ) =
ln(f rt ) +
ln(itt ) + "t
ln(xt ) =
ln(pt ) + "t
ln(xt ) =
ln(f rt ) +
ln(itt ) + "t
67
68
MCE Homogeneo
Nome do Modelo
Regresso Esttica
AR(1)
Indicadores Antecedentes
Taxa de Crescimento
Defasagens Distribudas
Ajustamento Parcial
Regresso com Erros AR(1)
(Fatores Comuns)
Forma Reduzida
Apndice
1;
1;
1)
0 ; K)
1 ; 0;
0; 1
(0; 0 ; 0)
( 1 ; 0; 0)
(0; 0; 1 )
(1; 0 ;
0)
(0; 0 ; 1 )
( 1 ; 0 ; 0)
( 1; 0;
1 0)
1)
yt =
yt =
0
0
xt
xt
(1
(1
1 )(yt 1
1 )(yt 1
xt
Kxt
Especicao
yt = 0 xt + " t
yt = 1 yt 1 + "t
yt = 1 xt 1 + " t
yt = 0 xt + "t
yt = 0 xt + 1 xt 1 + "t
yt = 1 yt 1 + 0 xt + " t
yt = 0 xt + ut
ut = 1 ut 1 + "t
yt = 1 yt 1 + 1 xt 1 + " t
1)
+ "t
+ "t
1)
1
1
0+ 1
=0
+
K=
1=
Restrio
1 = 1 =0
0 = 1 =0
1 = 0 =0
= 1; 0 =
1 =0
1 =0
1 0
1 =
elasticidade de l
unitri
sem restr
Tipo
sem din
sem covar
sem contempo
sem nv
defasagens
sem defasage
restrio de
comun
variveis def
69