Modelos

Lineares
Multivariados
Modelos Lineares Multivariados
Aqui, nos preocupamos em estabelecer modelos para
uma srie temporal vetorial , com n componentes
1 , 2 , , , observadas em = 0, 1 2,
Alm da anlise de cada componente individual ,
como j tratado at aqui, estaremos estudando as
relaes dinmicas entre as sries componentes.
Usaremos a notao = 1 , 2 , , ,
, , indistintamente , para a i-sima
componente, = 1, , .
Podemos pensar, por exemplo, o vetor como
constitudo pelos retornos de n ativos financeiros de
uma carteira no instante t.
Modelos Lineares Multivariados
O vetor de mdias de ser denotado por:

= = 1 , 2 , ,
e depende, em geral, de
t.

A matriz de covarincias de definida por

+ , = + +
que uma matriz e que, em geral, tambm
depende de t.

Usaremos a notao = 1 , 2 , , ,
, , indistintamente , para a i-sima
componente, = 1, , .
Modelos Lineares Multivariados
Podemos pensar, por exemplo, o vetor
como constitudo pelos retornos de n ativos
financeiros de uma carteira no instante t.
Se o processo multivariado tiver uma
distribuio normal multivariada, as
propriedades das sries sero completamente
especificadas pelas mdias e covarincias.
A matriz de covarincias fornece as auto-
covarincias das sries individuais das sries
bem como as covarincias entre sries
diferentes.
Modelos Lineares Multivariados
Se denotarmos por + , , , = 1, , as
componentes da matriz + , , ento:

+ , = ,+ , ,
= ,+ ,+ , ,

, = 1, , a covarincia entre as sries ,+ ,

Com = 1 , , , = 1 , , o vetor de
medias e a matriz ficar:

11 + , 12 + , 1 + ,
+ , 22 + , 2 + ,
+ , = 2

1 + , 2 + , + ,
Modelos Lineares Multivariados
11 + , 12 + , 1 + ,
+ , 22 + , 2 + ,
+ , = 2

1 + , 2 + , + ,

Na diagonal principal tem-se as auto-covarincias

das sries individuais, calculadas nos instantes
+ , enquanto fora da diagonal principal tem-
se as covarincias cruzadas entre as sries
,+ ,
O caso de interesse quando tanto o vetor de
mdias quanto a matriz de covarincias no
depende de t. Assim, obtm-se sries (fracamente)
estacionrias.
 Modelos Auto-regressivos
Vetoriais VAR(p)
Um modelo VAR (Vetor auto regressivo) uma extenso dos
modelos auto regressivos univariados de sries de tempo
(modelos AR);
O modelo VAR um sistema multi-equao onde as variveis
so tratadas como endgenas;
Existe uma equao para cada varivel como varivel
dependente;
O lado direito da equao inclui variveis defasadas de todas
as variveis dependentes do modelo sem variveis
contemporneas;
Dizemos, assim, que o processo , de ordem 1, segue um
modelo VAR(p) se

= 0 + 1 1 + + +

Onde 0, , 0 = 10 , , 0 um vetor 1 de
constantes e so matrizes constantes, com elementos

, , = 1, , , = 1, , .
 Modelos Auto-regressivos Vetoriais-
VAR(p)
Consideremos, por simplicidade, o modelo VAR(1), ou seja:

= 0 + 1 1 +

Um caso especial quando = 2, a equao acima pode ser

representada por:

1 = 10 + 11 1,1 + 12 2,1 + 1
2 = 20 + 21 1,1 + 22 2,1 + 2

Observe que o sistema de equaes, acima, no explicita a

dependncia contempornea entre 1 2 .
Dizemos que so modelos em forma reduzida.
possvel obter o modelo na forma estrutural, em que esta
relao fica explcita. O processo envolve uma transformao
linear, usando uma decomposio de Cholesky na matriz .
Entretanto o modelo na forma reduzida preferido por
facilidade de estimao e previso.
 Modelos Auto-regressivos
Vetoriais VAR(p)
Ento, dados as equaes:

1 = 10 + 11 1,1 + 12 2,1 + 1
2 = 20 + 21 1,1 + 22 2,1 + 2

Se 12 = 0, a srie 1 no depender de 2,1 ;

Se 21 = 0, a srie 2 no depender de 1,1 ;
Se 12 = 0 21 0 , dizemos que existe uma relao
unidirecional de 1 para 2,1 ;
Se 12 = 21 = 0, dizemos que no existe elao linear
entre as sries, ou que elas so no-acopladas;
Se 12 0 21 0, dizemos que existe uma relao de
feedback entre as duas sries
Note, tambm, que se 12 = 0 , no existe relao
linear contempornea entre 1 e 2 ;
 Modelos Auto-regressivos
Vetoriais- VAR(p)
O processo ser estacionrio se a mdia for constante e
+ independente de t. Neste caso se = ,
teremos:

= 1
0

Segue-se que o modelo poder ser escrito na forma

= 1 +
ou ainda, se =

= 1 +
 Modelos Auto-regressivos
Vetoriais- VAR(p)
Como no caso de um AR(1) univariado, obtm-se que:

= + 1 + 2 2 + +

Daqui verifica-se que pela representao MA() do modelo

a , 1 = 0 , =
 Modelos Auto-regressivos
Vetoriais
O processo seguindo um modelo VAR(1) ser estacionrio se
todas as solues de = 0, estiverem fora do crculo
unitrio.
Como as solues so inversas dos autovalores de , uma
condio equivalente que todos os autovalores de sejam
menores que 1, em mdulo. Ou ainda, 0, 1.
Para um VAR(1) bivariado, temos:

1 11 12 2
= 1 11 1 22 12 21 = 0
21 1 22

Ou seja, obtemos a equao:

1 2 = 0
Onde = 11 + 22 indica o trao de . Logo as duas sries sero
conjuntamente estacionrias se as solues desta equao de segundo grau
estiverem fora do crculo unitrio.
 Modelos Auto-regressivos
Vetoriais
Por exemplo:

0,5 0,3
=
0,6 0,1

Ento = 0,4 = 13 e as razes da equao tero

mdulos maiores que 1.
1 2 = 0
Onde = 11 + 22 indica o trao de . Logo as duas sries
sero conjuntamente estacionrias se as solues desta equao de
segundo grau estiverem fora do crculo unitrio.
 Construo de Modelos VAR
A construo de modelos VAR segue o mesmo ciclo de
identificao, estimao e diagnstico usado para
construo de modelos univariados da classe ARMA.

Uma maneira de identificar a ordem p de um modelo

VAR(p), consiste em ajustar sequencialmente modelos auto-
regressivos vetoriais de ordens 1,2,3, , e testar a
significncia dos coeficientes (matrizes);

Outra maneira de identificar a ordem de um VAR usar

algum critrio de informao, como:

= + 22 / (Akaike)
= + 22 ln()/ (Schwarz)
= + 22 ln(ln )/ (Hannan-Quinn)

O R fornece tambm o FPE (final prediction error, de

Akaike)
 Construo de Modelos VAR
Identificado o valor de p e supondo ~ 0, ,
podemos estimar os coeficientes por mxima
verossimilhana. Neste caso os estimadores MQ so
equivalentes a estimadores MV condicionais.
Para testar se o modelo adequado, usamos os
resduos para construir a verso multivariada da
estatstica de Box-Ljung-Pierce, dada por:

1
= 2 0 1
0 1

=1

Sob a hiptese 0 : com

distribuio
2 2

Para que o nmero de graus de liberdade seja

positivo, m deve ser maior que p.
 Estrutura de Anlise de Modelos
VAR(p)
O modelo VAR(p) geral tem muitos parmetros, e
isso pode dificultar a interpretao em razo das
interaes complexas e feedback entre as
variveis. A propriedade dinmica de um AR(p)
resumida , usando vrios tipos de estrutura. Os
principais tipos de resumo de estrutura de anlise
so: (i) Teste de Causalidade de Granger; (ii)
Funo resposta a impulso; e (iii) Decomposio
do erro de previso da varincia.
 Funo Resposta a Impulso
Um modelo VAR(p) oferece um meio de deixar os dados, e no o
pesquisador, determinar a estrutura dinmica de um modelo;

Assim, depois de estimar uma VAR(p), importante ser capaz de

caracterizar nitidamente sua estrutura dinmica. As respostas a impulso
fazem isso ao mostrar como um choque em qualquer das variveis se
filtra atravs do modelo, afetando as demais variveis endgenas, e,
eventualmente retroage sobre a prpria varivel.

Para calcular a resposta ao impulso, introduz-se um choque de um

perodo em uma varivel endgena (ex: aumente 1 em um desvio
padro no tempo t=0). (O choque mantido para um s perodo e,
portanto, um impulso). Na medida em que essa varivel endgena
afeta as outras variveis endgenas, o choque se filtrar por meio do
modelo, afetando as variveis;

Em seguida introduz-se um choque de um perodo para varivel

endgena seguinte e observamos os efeitos sobre as variveis do
modelo, e assim por diante;
 Funo Resposta a Impulso
A funo de resposta ao impulso define o efeito do choque exgeno
de uma perturbao aleatria sobre os valores presentes e passados
das variveis endgenas. Assim, um choque numa qualquer varivel
afeta no s diretamente essa varivel como tambm todas as
variveis endgenas atravs da estrutura dinmica do VAR(p);

Considerando um modelo simples VAR(1) bivariado:

1 11 12 1,1 1
= 22 2,1 + 2
2 21

Uma alterao em 1 tem um efeito imediato sobre 1 , mas no

afeta 2 . Contudo, nos momentos t + 1, t + 2, , essa alterao ter
um efeito no s sobre os valores futuros de Y1 como tambm sobre os
valores futuros de Y2 , j que estas variveis aparecem desfasadas em
ambas as equaes do sistema;

Se os termos 1 e 2 forem no correlacionados, as funes de

resposta ao impulso de 2 podem ser interpretadas como os efeitos
de um choque de um desvio padro em Y2 sobre os valores presentes
e futuros de Y1 e Y2 .
 Funo de Decomposio da
Varincia do Erro - FEVD
Enquanto que as funes de resposta ao impulso
traam os efeitos de um choque de uma varivel
endgena sobre as restantes variveis no VAR para
descrever a dinmica do sistema, a decomposio
da varincia atribui a variao de uma varivel
endgena em termos das perturbaes ortogonais no
sistema VAR.
O mtodo de decomposio da varincia mede
assim a importncia relativa de cada perturbao
aleatria para as variveis do sistema VAR
Trata-se da decomposio da varincia do erro de
previso. Tal como nas funes de resposta ao
impulso, a decomposio da varincia baseada na
fatorao de Cholesky pode ser muito sensvel
ordem pela qual as variveis aparecem no VAR;
 Scripts R
xxxxxxxxxxxxxxxx Packages xxxxxxxxxxxxxxxxxx

vars ## implementao do modelos vetoriais;

xxxxxxxx Teste de estacionaridade das sries xxxxxxxx

adf.test(x), pp.test (x) ou kpss.test(x),

 Scripts R
xxxxxxxxxxxxxx Determinao da ordem do VAR xxxxxxxxxxxxxx

varsel<-VARselect(X, lag.max = 10, type = c("const", "trend",

"both", "none"), season = NULL, exogen = NULL)

xxxxxxxxxxxxxxxx Estimao do VAR Irrestrito xxxxxxxxxxxxxxxx

varfit<-VAR(X, p = 10, type = c("const", "trend", "both", "none"),

season = NULL, exogen = NULL, lag.max = NULL, ic = c("AIC",
"HQ", "SC", "FPE"))

xxxxxxxxxxxxxxxx Estimao do VAR Restrito xxxxxxxxxxxxxxxx

varfit<-VAR(X, p = 10, type = c("const", "trend", "both", "none"),

season = NULL, exogen = NULL, lag.max = NULL, ic = c("AIC",
"HQ", "SC", "FPE"))

restrict(varfit, method = "ser")## estima o VAR apenas com os

lags significantes do modelo geral anterior (varfit)
 Scripts R
Xxxxxxxx xxxx Plot do VAR e Resduos xxxxxxxxxxxx

plot(varfit)

xxxxxxxxxxxxxx Teste sobre resduos xxxxxxxxxxx

serial.test(varfit, lags.pt = 16, lags.bg = 5, type =

c("PT.asymptotic", "PT.adjusted", "BG", "ES") )##
Multivariate Portmanteau- and Breusch-Godfrey test
for serially correlated errors (asymptotic).

xxxxxxxxx Teste de normalidade dos resduos xxxxxxxxx

normality.test(varfit, multivariate.only =TRUE) ## testa

a normalidade, Kurtose, e assimetria multivariadas e
univariadas(use FALSE)
 Scripts R
xxxxxxxxxxxxx Previso VAR (fora da amostra) xxxxxxxxxxx

varpred <- predict(varfit, n.ahead = 1000, ci = 0.95)

fanchart(varpred) ## plota a previso VAR

xxxxxxxxxxxx Previso VAR (dentro da amostra) xxxxxxxxxx

fitted(varfit)
plot(fitted(varfit))

xx Plot FEVD (Forecast Error Variance Decomposition) xxx

plot(fevd(varfit, n.ahead=5))
 Scripts R
xxxxxxxxxxxxxx Funo Resposta Impulso xxxxxxxxxxxxxx

irf(varfit, impulse = varivel de impulso", response =

c(varivel de resposta a, varivel de resposta b,
etc), boot = FALSE) ## basico

irf(varfit, impulse = NULL, response = NULL, n.ahead = 10,

ortho = TRUE, cumulative = FALSE, boot = TRUE, ci = 0.95,
runs = 100, seed = NULL) ## computa o impulso-resposta
com intervalo de confiana utilizando bootstrap

plot(irf(varfit, impulse = NULL, response = NULL, n.ahead =

10,
ortho = TRUE, cumulative = FALSE, boot = TRUE, ci = 0.95,
runs = 100, seed = NULL))## plota o impulso-resposta
 Causalidade de Granger
A investigao de relaes de causalidade entre variveis
um dos principais problemas em pesquisa emprica;
Para sistemas temporais, Granger(1969) define causalidade
em termos de previsibilidade: a varivel X causa a varivel Y,
com respeito a um dado universo de informao (que inclui X
e Y), se o presente de y pode ser previsto mais eficientemente
usando valores passados de X, do que no usando esse
passado, toda e qualquer outra informao disponvel
(incluindo valores passados de Y) sendo usada em ambos os
casos.
A definio no exige que o sistema seja linear; se o for, as
previses sero lineares;
O teste de causalidade de Granger pressupe que toda
informao relevante para a previso das respectivas
variveis est contida unicamente nos dados da srie
temporal dessas variveis.
 Causalidade de Granger
Seja , = 0, 1, 2, o conjunto de informao relevante
at (e incluindo) o instante t, contendo pelo menos , .
Defina = : < , = : , e definies anlogas
para , , etc. Seja | o preditor de EQM mnimo de ,
usando o conjunto de informao B e 2 | o
correspondente EQM do preditor
Assim, dizemos que:
a. : no sentido de Granger se 2 | <
2 | . Ou seja, pode ser melhor prevista usando
toda a informao disponvel, incluindo o passado de e
. Dizemos que exgena ou antecedente a ;
b. : no sentido de Granger
se: 2 | , < 2 | . Ou seja, o valor presente de
melhor previsto se o valor presente de for includo;
c. H feedback, e escrevemos , se causa e
causa
d. H causalidade Unidirecional de para se e no
h feedback.
 Scripts R
xxxxxxxxxxxxx Causalidade de Granger xxxxxxxxxxxxx

causality(varfit, cause = " varivel que suponha

causar outra ")## bsico

causality(varfit, cause=varivel que suponha causar

outra, vcov.=NULL, boot=TRUE, boot.runs=1000)##
utilizando procedimento bootstrap

causality(varfit, cause=varivel que suponha causar

outra, vcov.=vcovHC(varfit))## utilizando matriz de
varincia-covarincia robusta