Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Nuno Sobreira
1/72
Informao til
Avaliao
Nmero Avaliao Ponderao
1. Trabalho de grupo 20%
2. Exame Final 80%
2/72
Objetivos do Curso
No final do curso, o aluno dever:
Conhecer exaustivamente os principais modelos economtricos
utilizados na anlise de sries macroeconmicas e financeiras.
Compreender a componente terica que serve de base e valida
a utilizao de modelos univariados e multivariados.
Estar familiarizado com softwares economtricos que permitam
analisar de forma completa os modelos de Sries Temporais.
Interpretar criticamente os resultados de estudos empricos.
Ser capaz de fazer um estudo de previso da evoluo de
variveis econmicas/financeiras e formular testes de hipteses
que validem ou contrariem teorias econmicas. Dever
conhecer tambm as potenciais limitaes do mtodo
economtrico utilizado.
Compreender, pelo menos intuitivamente, modelos
macroeconomtricos emergentes que estejam na fronteira da
investigao e cuja aplicao se comea a disseminar na
comunidade cientfica.
3/72
Contedo Programtico
4/72
Bibliografia Principal
5/72
Mais bibliografia I
6/72
Mais bibliografia II
Se quiser aprofundar os seus conhecimentos para alm da matria
leccionada, recomendo a leitura de (alguns/todos!) dos seguintes
livros:
Banerjee, A., J.J. Dolado, J.W. Galbraith, e D.F. Hendry (1993).
Co-integration, Error Correction and the Econometric Analysis of
Non-Stationary Data. Oxford: Oxford University Press.
Box, G. E. P., G. M. Jenkins, e G. C. Reinsel (2008). Time Series
Analysis: Forecasting and Control, Wiley Series in Probability
and Statistics.
Brockwell, P. J., e R. A. Davis (1989). Time Series: Theory and
Methods, Springer.
Favero, C.A. (2001). Applied Macroeconometrics, Oxford
University Press.
Franses, P. H., e D. van Dijk (2003). Non-linear time series
models in empirical finance, Cambridge University Press.
Hamilton, J. (1994). Time Series Analysis, Princeton University
Press.
7/72
Mais bibliografia III
8/72
Srie Temporal
Sries Temporais
Observaes de uma nica entidade (indivduo, firma, pas,. . . )
coletadas ao longo do tempo, em intervalos temporais fixos (dias,
meses, trimestres, anos,. . . )
9/72
Principais objetivos da anlise de Sries
Temporais
Anlise descritiva dos dados
11/72
Motivao: Como modelar e prever o PIB?
12/72
Essas previses so importantes?
13/72
Caracterstica comum a estas Sries Temporais?
14/72
Caracterstica comum a estas Sries Temporais?
15/72
Caracterstica comum a estas Sries Temporais?
16/72
Caracterstica comum a estas Sries Temporais?
17/72
Caracterstica comum a estas Sries Temporais?
18/72
Principais caractersticas de Sries Temporais
econmicas I
19/72
Principais caractersticas de Sries Temporais
econmicas II
20/72
Modelos Univariados
para a Mdia
21/72
Nvel de persistncia alto
Forte dependncia temporal refletida pela correlao alta entre
observaes no perodo t e no perodo t k (Corr (Xt , Xtk ) 6= 0).
23/72
Modelos ARMA II
Xt = 0 + 1 Xt1 + . . . + p Xtp + t 1 t1 . . . q tq
24/72
Tendncia temporal
Tendncia para crescer ou decrescer ao longo do tempo de forma
sistemtica.
d Xt = 0 + 1 d Xt1 + . . . + p d Xtp + t 1 t1 . . . q tq
27/72
Sazonalidade
Padres especficos que se repetem sistematicamente num dado
perodo de tempo.
29/72
Modelos SARIMA II
30/72
Mtodos de alisamento exponencial para sries
temporais I
31/72
Mtodos de alisamento exponencial para sries
temporais II
A decomposio mais comum e geral assumir que a srie
pode ser decomposta de acordo com o seguinte modelo aditivo:
Xt = Tt + St + Ct + t
em que:
Tt corresponde componente da tendncia.
St a componente de Sazonalidade.
Ct a componente de Ciclo.
t o termo irregular que representa os erros de medida ou os
desvios de Xt em relao vrias componentes.
Cada uma das componentes apresentadas anteriormente ser
obtida atravs do mtodo de alisamento exponencial. A previso
consistir na projeo para diante de cada uma dessas
componentes.
32/72
Modelos Univariados
para a Volatilidade
33/72
Modelos Univariados para a Volatilidade
34/72
Clusters de volatilidade
A varincia altera-se ao longo do tempo alternando perodos
agrupados de tranquilidade (baixa volatilidade) com perodos
agrupados de forte agitao (alta volatilidade).
36/72
Modelos GARCH II
t2 = 0 + 1 2t1 + . . . + 1 2tm + 1 t1
2 2
+ . . . + n tn
37/72
Modelos Multivariados
para a Mdia
38/72
Modelos Multivariados
39/72
Dinmica comum e inter-relaes
Cada srie individualmente aparenta ser no estacionria mas
quando comparamos o comportamento das vrias sries em
conjunto elas parecem se mover de forma similar, sugerindo que
uma varivel pode trazer informao relevante para explicar a outra.
41/72
Modelos VAR II
Ou seja, o VAR(1) pode ser escrito de forma compacta usando
linguagem matricial como:
X t = 0 + 1 X t1 + t
e e e e e
Ou o caso mais geral do modelo VAR(p):
X t = 0 + 1 X t1 + . . . + p X tp + t
e e e e e e e
Para alm da construo de previses o modelo VAR vai permitir
responder a questes como:
Relaes dinmicas
42/72
Modelos VAR III
Qual o impacto esperado de uma mudana
permanente em alguma varivel explicativa no
valor corrente da varivel explicada? E no
comportamento futuro da varivel explicada?
Previso
43/72
Reviso: Estatstica Clssica I
44/72
Reviso: Estatstica Clssica II
45/72
Reviso: Estatstica Clssica III
46/72
Reviso: Estatstica Clssica IV
47/72
Reviso: Estatstica Clssica V
48/72
Diferenas entre a Estatstica clssica e Anlise
de Sries Temporais
Estatstica Clssica
1. A amostra xi , i = 1, . . . , n resulta de experincias independentes e
assumida como uma amostra aleatria.
2. A ordem da amostra xi , i = 1, . . . , n totalmente irrelevante.
3. A amostra observada xi , i = 1, . . . , n vista como uma
concretizao ou uma possvel realizao da populao.
Sries Temporais
1. A dependncia entre observaes de sries temporais
xt , t = 1, . . . , T um facto sistmico.
2. A ordenao das sries temporais xt , t = 1, . . . , T assume uma
importncia considervel.
3. A srie temporal observada xt , t = 1, . . . , T vista como uma
realizao ou uma nica possvel realizao do
processo estocstico que gerou os dados, Xt (mais detalhes a
seguir).
49/72
Processos estocsticos I
50/72
Processos estocsticos II
i.i.d
Yt = + t , t N 0, 2
i.i.d
Zt = 0 + 1 t + t , t N 0, 2
51/72
Processos estocsticos III
Estatstica clssica usa a hiptese da amostragem aleatria
para garantir a aplicao da LGN e do TLC.
Para fazer inferncia sobre as propriedades bsicas do processo
estocstico Xt (mdia, varincia, autocovarincias,
autocorrelaes,...) com a srie temporal observada
precisamos de adotar algumas hipteses restritivas que
garantam a existncia de uma LGN e de um TLC para sries
temporais:
52/72
estacionaridade I
Se a distribuio das vrias variveis aleatrias Xt permanecer
idntica ao longo do tempo ento possvel pensar que as T
observaes x1 , . . . , xT foram retiradas da mesma distribuio.
Assim j poderemos fazer inferncia sobre caractersticas da
distribuio de Xt atravs das observaes da srie temporal
que de facto observada ao longo do tempo.
A propriedade que a distribuio de Xt se mantm constante ao
longo do tempo d-se o nome de estacionaridade estrita ou
forte.
A definio formal de estacionaridade estrita a seguinte:
53/72
estacionaridade II
54/72
estacionaridade III
A definio formal de estacionaridade (Fraca) a seguinte:
Definio (estacionaridade)
Uma Srie Temporal X1 , . . . , XT (fracamente) estacionria se:
55/72
estacionaridade IV
56/72
A mais importante
distino em Sries
Temporais se a srie
temporal analisada
estacionria ou no.
57/72
Como verificar se a srie estacionria ou
no-estacionria?
58/72
Funo Autocorrelao (FAC) e Correlograma I
Uma estatstica que ser bastante til no s para distinguir se
uma srie temporal estacionria ou no mas tambm para
escolher o modelo ARMA apropriado a
Funo Autocorrelao (FAC).
A Funo Autocovarincia (FACV) aquela funo/grfico que
relaciona a Autocovarincias, k = Cov (Xt , Xtk ), com k .
A FAC, denotada por k , obtida dividindo a FACV,
k = Cov (Xt , Xtk ), pela varincia, 0 :
Varincia Amostral
T
1X
b2 =
b0 = (xt x)
T
t=1
Autocovarincias Amostrais
T
1 X
bk = (xt x) (xtk x) , k = 1, 2, . . .
T
t=k +1
Autocorrelaes Amostrais
60/72
Funo Autocorrelao (FAC) e Correlograma III
bk
bk = k = 1, 2, . . .
b0
i=+
1 X
2i + i+k ik 4k i ik + 22k 2i
k )
Var (b
T
i=
61/72
Funo Autocorrelao (FAC) e Correlograma IV
Foi Bartlett (1946) que demonstrou esse resultado e por isso
no de admirar que este seja conhecido como aproximao de
Bartlett.
E(t ) = 0
Var (t ) = E(2t ) = 2
Cov (t , tk ) = E(t tk ) = 0, j 6= 0
64/72
log PIB real EUA: estacionrio ou no
estacionrio? grfico e correlograma por
enquanto!
Estacionrio?
65/72
Processos estacionrios por diferena
66/72
log PIB real EUA em primeiras diferenas
log GDPt
Estacionrio??
Figura 14: log PIB real EUA em primeiras diferenas: grfico e correlograma
67/72
Processos estacionrios por tendncia
Em alguns casos, possvel que uma srie no estacionria se
torne estacionria aps removermos a tendncia determinstica
temporal.
Para removermos a tendncia linear calculamos os resduos, Xb
t
da seguinte regresso linear:
Xt = 0 + 1 t + Xt (1)
Estacionrio??
69/72
Taxa de desemprego EUA: estacionrio ou no
estacionrio? Inspeo visual e correlograma, por
enquanto!
estacionaridade Tendncia
para regressar frequentemente
Mdia
No-estacionaridade Antes
de 1985 parece estar
sistematicamente abaixo da
mdia e depois de 1985
aparenta estar sistematicamente
acima da mdia
72/72