Sei sulla pagina 1di 43

ECONOMETRIA

Prof. Patricia Maria Bortolon, D. Sc.

Séries Temporais

Séries Temporais Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006

Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006

Processos Estocásticos

É um conjunto de variáveis aleatórias ordenadas no

tempo.

Variável aleatória contínua: Y(t) Variável aleatória discreta: Y t

O índice Ibovespa é um processo estocástico.

Um determinado valor do índice Ibovespa no tempo, é

uma realização particular entre todos os possíveis valores.

População ↔ Amostra

Processo Estocástico ↔ Realização

Processos Estocásticos

Processo Estocástico ↔ Realização

“No estudo de séries temporais usamos uma realização particular para fazer inferências sobre o processo

estocástico subjacente”

Processos estocásticos estacionários

= fracamente estacionário = estacionário em

covariâncias = estacionário de segunda ordem

Média:

E(Y t ) = µ

Constante ao longo

do tempo

Variância:

Var(Y t ) = E(Y t - µ) 2 = σ 2

Constante ao longo do tempo

Covariância:

γk = E[(Y t - µ)(Y t+k - µ)]

Depende apenas do intervalo entre os dois períodos de

tempo

Processos estocásticos estacionários

“Se uma série temporal é estacionária, sua média, variância e

autocovariância (em diferentes defasagens) permanecem as mesmas, não importa qual seja o ponto em que as medimos: isto é, elas não variam com o tempo.”

Séries desse tipo tendem a retornar para sua média (reversão à média);

As flutuações em torno da média não variam muito.

Ruído Branco

Ou Processo Puramente Aleatório

Quando:

Sua média é zero;

A variância σ 2 é constante;

É serial não correlacionado.

Processo Estocástico Não-Estacionário

A média ou a variância se alteram ao longo do tempo;

Neste tipo de série todo o resultado da análise só é válido para o período analisado, não é possível

extrapolar para outros períodos de tempo.

O exemplo clássico é o modelo de passeio aleatório

Preços de ações, taxas de câmbio são ditos passeios aleatórios, ou seja, não-estacionários;

Podem ser de dois tipos:

Passeio aleatório sem deslocamento

Passeio aleatório com deslocamento

Passeio Aleatório sem Deslocamento

u t é um termo de erro de ruído branco (média e variâncias constantes)

Y t

Y u

t

1

t

O modelo acima é um AR(1)

Hipótese do Mercado de Capitais Eficiente: argumenta

que o preço das ações são um passeio aleatório. Não é

possível prever o preço de amanhã com base no preço

de hoje.

Passeio Aleatório sem Deslocamento

Y  Y u   t 0 t E Y ( )  Y
Y
Y
u
 
t
0
t
E Y
(
) 
Y
t
0
2
var(
Y
) 
t
t

A média é igual ao valor de partida

A variância aumenta com o tempo (não estacionária)

Há persistência dos choques aleatórios = o impacto demora a desaparecer = memória infinita

Passeio Aleatório sem Deslocamento

(

Y t

Y

t

1

)

Y u

t

t

A primeira diferença é estacionária!!!

u t é ruído branco conforme definido anteriormente

Passeio Aleatório com Deslocamento

u t é um termo de erro de ruído branco (média e variâncias constantes)

Y

t

Y u

t

1

t

• δ é conhecido com parâmetro de deslocamento

Y Y

t

t

1

 u

t

Yt se desloca para cima ou para baixo dependendo de δ

Este também é um modelo AR(1)

Passeio Aleatório com Deslocamento

E Y ( )  Y  t   t 0 2 var( Y
E Y
(
) 
Y
t
t
0
2
var(
Y
) 
t
t

A média e a variância aumentam com o tempo

Passeios aleatórios com ou sem deslocamento são

processos são processos estocásticos não estacionários

Passeio Aleatório = Processo de Raiz Unitária

Processo de Raiz Unitária

Y   Y  u   1   1 t t 
Y
Y
u
 
1
1
t
t
 1
t

Se ρ = 1 temos um Passeio Aleatório sem Deslocamento

É uma situação de não-estacionariedade

não-estacionariedade = passeio aleatório = raiz unitária

Se | ρ | ≤ 1 a série é estacionária

Processos estocásticos de tendência estacionária e estacionários em diferenças

Considere o seguinte modelo de série temporal:

Y     t   Y u t 1 2 3 t
Y
t 
Y
u
t
1
2
3
t
1
t

Passeio aleatório puro: se β 1 =0, β 2 =0, β 3 =1

escrevendo:

Y t

Y u

t

1

t

Y Y Y

t

(

t

t

1

)

u

t

torna-se estacionário. Portanto, um modelo de passeio aleatório sem deslocamento é um processo

estacionário em diferenças

Processos estocásticos de tendência estacionária e estacionários em diferenças

Considere o seguinte modelo de série temporal:

Y     t   Y u t 1 2 3 t
Y
t 
Y
u
t
1
2
3
t
1
t

Passeio aleatório com deslocamento: se β 1 ≠0, β 2 =0, β 3 =1

Y

t

1

Y u

t

1

t

escrevendo:

Y  Y Y ( )   u t t t 1 1 t
Y  Y Y
(
)
u
t
t
t
1
1
t

é um processo estacionário em diferenças. A tendência β 1 pode ser positiva ou negativa.

Processos estocásticos de tendência estacionária e estacionários em diferenças

Considere o seguinte modelo de série temporal:

Y     t   Y u t 1 2 3 t
Y
t 
Y
u
t
1
2
3
t
1
t

Tendência determinística: se β 1 ≠0, β 2 ≠ 0, β 3 =0

Y t

1

2

t u

t

É um processo estacionário em tendência

A variância e a média não são constantes, entretanto, a média pode ser prevista:

(

E Y

t

)

1

2

t

daí, a série Y t E(Y t ) será estacionária pós-remoção da tendência.

Processos estocásticos de tendência estacionária e estacionários em diferenças

Passeio aleatório com deslocamento e com tendência determinística: se β 1 ≠0, β 2 ≠ 0, β 3 =1

Y     t Y u t 1 2 t 1 t
Y
t Y
u
t
1
2
t
1
t

A variância e a média não são constantes, entretanto, a

média pode ser prevista:

Y  Y Y ( )     t u t t t
Y  Y Y
(
)
t u
t
t
t
1
1
2
t

que significa que Y t é não estacionário.

Processos estocásticos de tendência estacionária e estacionários em diferenças

Tendência determinística com componente auto- regressivo AR(1) estacionário: se β 1 ≠0, β 2 ≠ 0, β 3 <1

Y     t   Y u t 1 2 3 t
Y
t 
Y
u
t
1
2
3
t
1
t

É estacionário em torno de uma tendência determinística.

Processos estocásticos integrados

Quando um modelo é não-estacionário mas sua

primeira diferença é estacionária, diz-se que ele é integrado de ordem 1, ou, I(1)

Se para tornar a série estacionária tem-se que fazer a

primeira diferença e depois a diferença da primeira diferença, ou seja, diferenciar duas vezes, diz-se que ela é integrada de ordem 2, ou, I(2)

E assim sucessivamente, uma série diferenciada d vezes

para se tornar estacionária, é integrada de ordem d, ou,

I(d)

Se ela é estacionária desde o início, ela é I(0)

Processos estocásticos integrados

Propriedades das séries integradas:

1.

2.

3.

4.

Se X t ~ I(0) e Y t ~ I(1) => Z t = (X t + Y t ) = I(1)

Se X t ~ I(d) => Z t = (a + bX t ) = I(d)

Se X t ~ I(d 1 ) e Y t ~ I(d 2 ) => Z t = (aX t + bY t ) = I(d 2 ), onde

d 1 < d 2

Se X t ~ I(d) e Y t ~ I(d) => Z t = (aX t + bY t ) = I(d*), onde d* pode ser igual a d, mas em alguns casos d* < d

Portanto, cuidado ao combinar séries temporais que são

integradas de ordem diferente!!

O fenômeno da regressão espúria

A partir de dois modelos de passeios aleatórios:

Y  Y  u t t  1 t X  X  v
Y
Y
u
t
t
 1
t
X
X
v
t
t
 1
t

Uma regressão de Y t contra X t onde não se esperaria

mostrar relação significativa, pode apresentar R2 alto e

coeficientes altamente significativos => é o fenômeno

da regressão espúria

Um sintoma é R 2 > que a estatística d de Durbin- Watson (que é um teste de autocorrelação)

Portanto, cuidado ao interpretar resultados de regressões com variáveis que são I(1)

Testes de Estacionariedade

Análise Gráfica

Observar se há tendências de aumento ou diminuição na série temporal;

Função de Autocorrelação e Correlograma

A função de autocorrelação amostral mede para várias defasagens k:

  ˆ ˆ k  k  ˆ 0 ˆ n 2 ˆ n
 ˆ
ˆ
k
k
ˆ
0
ˆ
n
2
ˆ
n

k

Y

t

  Y t  Y  Y t  k  Y 

Y



Y

t

k

Y

0

Y

t

  Y t  Y 

Y

Testes de Estacionariedade

Função de Autocorrelação e Correlograma

Assim, observa-se os valores de autocorrelação verificando até que defasagem ele é relevante.

Observar figuras 21.6 e 21.7

Como decidir se o coeficiente de correlação em determinada defasagem é significativo?

Verificando se os intervalos de confiança para ρ k incluem o valor 0, sabendo-se que, segundo Bartlett, ρ k ~ N (0; 1/n) => complicado!

Olhando a estatística Q de Box e Pierce e a estatística LB de Ljung e Box

A hipótese nula é de que todos os ρ k são até aquela defasagem iguais a zero

Ao rejeitar a hipótese nula, significa que algum coeficiente de correlação é diferente de zero e, portanto, a série é não-estacionária

Teste da Raiz Unitária

Para verificar a estacionariedade.

Partindo de:

Y   Y  u   1   1 t t 
Y
 
Y
u
 
1
1
t
t
 1
t

onde ut é um termo de erro de ruído branco

estimamos

Y  Y   Y  Y  u t t  1 t
Y
Y
 Y
Y
u
t
t
1
t
1
t
1
t
(
 
1) Y
u
t
 1
t
 
Y
 Y
u
onde
(
1)
t
t
 1
t

Teste da Raiz Unitária

e verificamos se δ é igual a zero ou não. Se for zero, concluímos que Y t é não-estacionário, mas se for negativo, concluímos que Y t é estacionário.

O valor t segue a estatística τ (tau)

Este é o teste de Dickey-Fuller (DF)

Dickey e Fuller desenvolveram valores críticos para

três diferentes naturezas de processos de raiz unitária

Y t é um passeio aleatório:

Y Y u

t

t

1

t

 

Y t é um passeio aleatório com deslocamento:

Y

t

1

Y u

t

1

t

 

Y t é um passeio aleatório com deslocamento em torno de uma tendência estocástica:

Y

t

1

2

t

Y

t

1

u

t

Teste da Raiz Unitária

O procedimento correto é estimar os três modelos anteriores;

Obter o coeficiente de Yt-1 e dividi-lo pelo desvio-

padrão para calcular a estatística tau;

Consultar as tabelas de Dickey-Fuller;

Se o valor absoluto exceder o valor crítico, rejeitamos a

hipótese de que δ = 0 e, nesse caso, a série temporal é

(i) estacionária com média zero no caso da primeira equação; (ii) estacionária com média diferente de zero no caso da segunda e (iii) estacionária em torno de uma tendência determinística no caso da terceira equação.

O teste de Dickey-Fuller aumentado

Para levar em consideração a possibilidade de ut ser

correlacionado;

As 3 equações anteriores são acrescidas de valores defasados da variável dependente ΔY t .

m Y   t Y   Y  t 1 2 t 
m
Y   t Y 
Y 
t
1
2
t
 1
i
t
i
t
i  1

onde ε t é um termo de ruído branco e ΔY t-1 =(Y t-1 - Y t-2 ),

ΔY t-2 =(Y t-2 - Y t-3 )

Transformação de Séries Temporais Não- Estacionárias

Processos estacionários em diferenças

Se uma série tem raiz unitária, as primeiras diferenças dessa série temporal são estacionárias

Processo estacionário em tendência

Se

u ˆ

t

Y

t

( Y

t

1

2

t u

ˆ ˆ

1

2

t )

t

será estacionária

e denominada série temporal sem tendência

Modelos de Previsão

Para modelos de previsão ver Levine, Cap. 16:

Para ajuste exponencial seção 16.3

Modelo de tendência linear, modelo de tendência

quadrática e modelo de tendência exponencial seção

16.4

Previsão de séries temporais para dados sazonais

seção 16.7

Modelagem de séries temporais segundo os métodos auto-regressivo, das médias móveis e ARIMA

Um processo auto-regressivo (AR)

( Y   )   ( Y   ) u t 1
(
Y 
)
(
Y
)
u
t
1
t
 1
t

onde δ é a média de Y

u t é um ruído branco

Y no período t é uma proporção (=α 1 ) do seu valor no período (t-1) mais um choque ou distúrbio aleatório no

período t

Os valores de Y são expressos em torno de sua média

Este é um processo auto-regressivo estocástico de primeira ordem, ou AR(1)

Um processo auto-regressivo (AR)

( Y   )   ( Y   )   (
(
Y 
)
(
Y 
)
(
Y
)
 
(
Y
)
u
t
1
t
1
2
t
2
p
t
p
t

É um processo auto-regressivo estocástico de ordem p, ou AR(p)

Neste tipo de modelo consideram-se apenas os valores

atual e anteriores de Y;

• “os dados falam por si mesmos”

Um processo de média móvel (MA)

Y t

  u

0

t

u

1

t

1

onde µ é uma constante

u é o termo de erro estocástico de ruído branco

Y no período t é igual a uma constante mais uma média móvel dos termos de erro presentes e passados

Y segue um processo de média móvel de primeira

ordem ou MA(1)

De forma mais geral, um processo MA(q)

Y     u   u   u   
Y
   
u
 
u
 
u
u
t
0
t
1
t
1
2
t
2
t

q

q

Um processo auto-regressivo e de médias móveis (ARMA)

ARMA(1,1)

Y t     Y   u   u 1 t
Y t
 
  Y
 u
 u
1
t
1
0
t
1
t
1

Em um processo ARMA(p,q) haverá p termos auto-

regressivos e q termos de média móvel

Um processo auto-regressivo integrado e de

médias móveis (ARIMA)

Lembrando que se uma série temporal for integrada de

ordem 1, isto é, se for I(1), suas primeiras diferenças serão I(0), ou seja, estacionárias. Se for I(2) sua

segunda diferença é I(0).

Se uma série temporal é I(d), depois de diferenciá-la d vezes obteremos uma série I(0)

Se após diferenciar uma série d vezes, aplicarmos um

modelo ARMA(p,q), dizemos que a série temporal é ARIMA(p, d, q), uma série temporal auto-regressiva integrada e de médias móveis

Um processo auto-regressivo integrado e de

médias móveis (ARIMA)

Uma série temporal ARIMA(2,1,2) precisa ser

diferenciada uma vez (d=1) antes de tornar-se

estacionária, e assim a série estacionária obtida pode ser modelada num processo ARMA(2,2).

Método Box-Jenkins

Ajuda a identificar se um processo é AR puro, MA

puro, ARMA ou ARIMA

Consiste em 4 etapas:

1. Identificação: encontra os valores adequados de p, d e q

2. Estimação: por MQO ou outros métodos não-lineares

3. Verificação de diagnóstico: para verificar a qualidade do ajuste

4. Previsão: bom para previsões, especialmente de curto prazo

Método Box-Jenkins - Identificação

Ferramentas: função de autocorrelação, função parcial de autocorrelação e os resultantes correlogramas

Autocorrelação parcial, ρ kk , é a correlação entre Y t e Y t-k , depois de removido o efeito dos Y intermediários

O correlograma mostra em que defasagem a correlação e a correlação parcial deixam de ser diferentes de zero

Ver figuras 22.2 e 22.3

Como definir qual o melhor modelo?

Verificando quais defasagens apresentam autocorrelação

parcial diferente de zero. No exemplo do PIB diferenciado, os

lags 1, 8 e 12 sugerem um AR:

Y

t

*

  Y

1

t

1

*

Y

8

t

*

8

Y

t

*

 

12

12

onde Y t * são as primeiras diferenças

Método Box-Jenkins - Identificação

Também podem ser observados os padrões teóricos das

funções de autocorrelação e autocorrelação parcial

Tipo do

Padrão típico da função de autocorrelação

Padrão típico da função parcial de autocorrelação

modelo

AR(p)

Delicna exponencialmente ou com um padrão de onde senóide amortecida, ou ambos

Apresenta picos significativos até p defasagens

MA(q)

Apresenta picos significativos até q defasagens

Declina exponencialmente

ARMA(p,q)

Diminui exponencialmente

Diminui exponencialmente

Método Box-Jenkins - Estimação

No exemplo do PIB, com dados em primeira diferença,

estima-se:

*     Y *   Y *   Y *
*
 
  Y
*
 Y
*
Y
*
Y t
1
t
1
8
t
8
12
t
12

avaliando normalmente a significância estatística dos

coeficientes

Método Box-Jenkins - Diagnóstico

Após a estimação, procede-se à análise dos resíduos:

Função de autocorrelação e autocorrelação parcial: o ideal é que não apresentem valores significativamente diferentes de

zero

Observa-se a estatística Q de Box-Pierce

Observa-se a estatística de Ljung-Box

Se a partir dessas análises concluir-se que os resíduos

são puramente aleatórios, o modelo estimado apresenta bom ajuste

Método Box-Jenkins - Previsão

Um modelo que foi estimado com dados em primeira

diferença irá fornecer na previsão as variações de Y

• Para obter a previsão de Y, é preciso “desmanchar” a

transformação das primeiras diferenças (se

“diferenciamos” para obter a série em diferenças, agora “integramos” para retornar aos valores de Y)