Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SUMÁRIO PÁGINA
1. Passos na análise de série de tempo 2
2. Passo 1 - Identificação 2
2.1 Teste de estacionariedade 3
2.2 Identificação de um modelo ARIMA 10
3. Passo 2 – estimação 22
4. Passo 3 – grau de ajustamento e diagnóstico 23
4.1 Diagnóstico 23
4.2 Ajustamento 24
Lista de exercícios resolvidos com gabarito 46
Gabarito 59
DICAS DE UM CONCURSEIRO
Olha gente, a teoria econométrica aponta três passos que devem ser seguidos ao
estimarmos uma série temporal:
1) Identificação
2) Estimação
3) Avaliação de ajustamento e diagnóstico
Primeira coisa que vocês têm de fazer é revisar todo o conteúdo da aula anterior e ter
certeza que este está bem entendido na sua cabeça. Vamos precisar nos utilizar
de uma série de conceitos ensinados na aula anterior.
2. Passo 1 - Identificação
Só para dar mais uma pincelada na ideia intuitiva dessa necessidade, suponha
que você tenha uma série não estacionária. Então, conforme vimos na aula
anterior, os choques sobre a variável analisada serão persistentes. Assim, é
impossível avaliar se um determinado movimento na variável foi decorrente da própria
dinâmica da mesma, ou se trata-se de um efeito retardado de um choque ocorrido no
passado. Assim, qualquer estimativa de um parâmetro auto-regressivo é
inconsistente!
É exatamente isso que vou explicar agora. Suponha uma série de dados para uma
variável qualquer ( ):
(1)
Sendo os erros.
Só um detalhe, uma série não estacionária pode ter mais de uma raiz unitária!
Lembram-se do conceito de uma variável I(2)? É uma variável que precisa ser
diferenciada duas vezes para se tornar estacionária, ou seja, que possui 2 raízes
unitárias.
Mas, chega de papo, como você pode identificar se a amostra que você está
estudando tem raiz unitária? Bom, se você está trabalhando com uma amostra, não
basta estimar o coeficiente auto-regressivo e verificar se o mesmo é igual a 1. Isso
abre a necessidade de um teste estatístico para verificação desse fato. Em termos
leigos, averiguar qual a probabilidade de que o mesmo seja igual a 1.
É assim, lembre-se que eu disse que, normalmente, ao diferenciar uma variável uma
vez, a mesma se torna estacionária? Então, o caso da raiz unitária que estamos
mostrando acima é um destes casos. Veja, vamos diferenciar a equação (1):
Opa! Então a última linha acima nos dá uma nova equação, com .
Agora, me responda, como testar se essa nova equação tem raiz unitária? É isso
mesmo! Basta realizar um teste de hipóteses sob os parâmetros da equação estimada
acima, de forma que a hipótese nula seja , o que é equivalente a .
Mas, atenção, apesar de a ideia ser a mesma, a distribuição a ser usada para este
teste não pode ser a t de Student nem a Normal. Por motivos da teoria estatística
que fogem ao escopo desse curso, saibam que, para realizar o teste de hipóteses
sobre o coeficiente estimado , precisaremos de uma nova distribuição. Portanto,
podem ficar felizes, teremos que aprender a manusear outra tabelinha.
Vocês se lembram do que é uma tendência determinística? Se não, vou dar uma
ajuda. Uma variável tendência se comporta de forma que a primeira observação seja
igual a 1, a segunda igual a 2, a terceira igual a três e assim por diante.
A ideia por detrás da inclusão de uma tendência no teste de raiz unitária é excluir a
possibilidade de que o comportamento explosivo de uma variável seja decorrente de
um modelo com tendência estacionária, tal como:
Veja o modelo acima! Se este for o modelo original e você estimá-lo por meio de um
AR, ao não levar em conta a tendência estacionária, você pode acabar concluindo
que o modelo possui raiz unitária.
Bom, nós só falamos do AR(1). Mas, qual a contrapartida do processo de raiz unitária
em modelos auto-regressivos de ordem mais alta? Já adianto, vocês não tem que
saber isso para todas as ordens possíveis de modelos AR, até porque há infinitas
possibilidades. Mas, no caso do AR(2), vale a pena saber.
Bom, o teste DF só funciona para testar raiz unitária em modelos AR(1). Caso um
modelo AR possua ordem maior que 1, precisamos de um outro teste: o teste de
Dickey-Fuller aumentado (ADF). Gente, a derivação desse teste está fora do escopo
desse curso, assim, vou dar a vocês uma exemplificação de seu uso em um modelo
AR(2), sem intercepto e tendência determinística:
E se fosse um AR(3)?
Vamos fazer um exercício inventado para vocês aprenderem a usar a tabela DF.
Exercício 1
Resolução
Bom, o que está sendo perguntado é se o processo possui raiz unitária. Simples:
Assim:
ó �
Retornando.
“O que é isso”?
Simples!
Entenderam? Todo modelo auto-regressivo de ordem 1, sem raiz unitária, pode ser
reescrito como um MA infinito, tal como todo MA(1) invertível pode ser reescrito como
um AR infinito.
Exercício 2
Resolução
Vamos lá.
Alternativa (I). Veja que a imposição para que um MA possa ser transformado em um
AR infinito é que o mesmo seja invertível, até porque, todo MA é estacionário.
Alternativa (II). Essa é exatamente a definição que estipulamos no tópico acima.
Alternativa (III). Perfeito! Quem não se lembra dessa definição, dê uma olhadinha na
aula anterior.
A ideia na identificação dos modelos ARIMA é dizer qual o modelo dessa classe que
melhor se adéqua à dinâmica da série que você está estudando. Ou seja, quando
você for estimar uma regressão de uma série de dados histórica com base na
metodologia Box-Jenkins, você precisa saber qual o modelo que você irá utilizar,
como um AR ou ARMA, por exemplo.
Uma das formas para identificar qual o modelo que você irá utilizar é por meio da
função de autocorrelação. Assim, a análise da função de autocorrelação (FAC)
para uma variável e suas defasagens permitirá que visualizemos o tipo de
modelo que melhor se adéqua à série.
Beleza! Vou mostrar para vocês como se comporta a FAC de um AR(1). Suponha:
Assim, como, neste caso, o último membro é igual à zero, já que, por hipótese, a
variável explicativa e o termo do erro não podem ser autocorrelacionados, podemos
escrever:
Assim:
E a covariância?
Como, por hipótese do modelo de regressão linear, não pode haver correlação entre
as variáveis explicativas e o termo de erro:
Portanto:
Assim:
Não é difícil! Basta substituir a equação no operador esperança em uma das variáveis
e, assim, resolver para o coeficiente de correlação, que é a divisão da covariância
pela variância.
Encontramos:
Como, por hipótese, os dois últimos membros da equação são iguais a zero:
Assim:
É isso que a FAC irá mostrar para vocês. A FAC é uma função que demonstra qual a
dinâmica da correlação entre uma variável e suas defasagens.
Agora a covariância:
FAC AR MA ARMA
Finita e truncada
Infinita e Infinita e
Comportamento na ordem do
declinante declinante
processo
Bom, mas isso é o suficiente para identificar um processo? Não, pois, no caso dos
modelos AR e ARMA, não há como dizer qual a ordem do processo. Para isso nos
utilizamos da função de autocorrelação parcial (FACP).
A definição da FACP nada mais é que a autocorrelação existente entre uma a variável
em estudo e uma determinada defasagem do processo, excluídas influências das
outras defasagens.
Essa é fácil! Esse efeito “mantido tudo mais constante” te diz alguma coisa? É a
própria definição do coeficiente estimado por meio de Mínimos Quadrados Ordinários
(MQO)! Então, a autocorrelação parcial entre e é o próprio coeficiente .Ea
correlação entre e ? Claro que é !
Agora, qual a autocorrelação parcial entre e ? É zero! Pois, nós supomos que
o processo é AR(2), então o coeficiente de é zero, já que não afeta o processo!
O mesmo vale para , , e por aí vai! Portanto, a FACP de um processo AR
é truncada na ordem do processo!
E a FACP para um MA? Bom, isso foge um pouco ao escopo do curso, pois
precisamos de um pouco mais de matemática do que é cobrado pelo concurso! Mas,
entendam a ideia! Um MA(1), se invertível, não pode ser escrito como um AR de
ordem infinita?
FACP AR MA ARMA
Finita e truncada
Infinita e Infinita e
Comportamento na ordem do
declinante declinante
processo
Exercício 3
(ANS – 2007) Para o modelo autoregressivo
Resolução
Lembrem-se que a única coisa impositiva é que a diferença entre as duas defasagens
seja igual a 1. O fato de ter usado e é apenas para simplificar! Vamos lá:
Alternativa (a)
Exercício 4
a) 0,25
b) 0,20
c) 0,15
d) 0,10
e) 0,05
Resolução
Alternativa (a).
Exercício 5
Resolução
Pensem no quadro da FACP! Por se tratar de um ARIMA (1,d,1), este processo tem
componentes auto-regressivos e de médias móveis. Portanto, a FACP não é truncada
na ordem, mas declinante! Assim, ela não é diferente de zero somente na ordem do
processo!
Resolução
Exercício 7
Resolução
Viram como essa definição cai? Força na peruca e lembrem-se do quadro da FAC.
No caso, trata-se de um MA, portanto a FAC é truncada na ordem do processo.
Exercício 8
Resolução
Bom, agora que já vimos como testar a estacionariedade de um processo, bem como
verificar qual a classe de modelos ARIMA que melhor explica sua série, chegou a
hora de estimar o modelo!
Porém, não é a única forma, muitos autores pregam o uso do estimador de Máxima
Verossimilhança. Além disso, há outras formas que visam estimar versões não
lineares desses modelos, que fogem ao escopo do curso!
Nós já estudamos que o problema central trazido por Mann-Wald é que, sem a
satisfação de algumas hipóteses, haverá problemas concernentes ao viés dos
estimadores. Assim, precisamos garantir que o modelo a ser estimado surja de uma
série estacionária e não produza erros serialmente correlacionados.
Porém, mesmo com a satisfação de tais hipóteses, você vai ouvir muita gente falar:
Isso decorre da análise destes autores, que afirmam que, mesmo satisfeitas tais
hipóteses, o estimador de modelos auto-regressivos só terá propriedades desejáveis
em grandes amostras!
Bom, mas tudo isso é um blá blá blá, feito de maneira muito superficial! O que
interessa é que, normalmente, estimam-se tais modelos por meio de MQO, mas
não é a única forma!
4.1 Diagnóstico
Então, para que o método seja adequado, precisamos garantir que a série não possua
resíduos serialmente correlacionados, ok? Ou seja, estamos verificando se o modelo
que estimamos é adequado, pois, caso os resíduos sejam autocorrelacionados, a
especificação funcional não está correta! Somado a outras hipóteses, estamos
averiguando se os resíduos se comportam como ruído branco.
Mas, como testar isso? Bom, normalmente, não estaremos trabalhando com a
população, mas com uma amostra. Assim, não basta calcularmos a FAC para os
resíduos, pois precisaremos testar estatisticamente se a correlação entre eles é igual
a zero!
Há mais de uma forma. Como elas não são muito cobradas em provas, só vou ensinar
a mais comum.
Pessoal, só um parêntese não se esqueça dos testes que eu já ensinei para testar
autocorrelação nos resíduos, ok? Como o teste de Durbin-Watson e o teste h de
Durbin!
4.2 Ajustamento
Está bem, você já tem conhecimentos suficientes para testar autocorrelação nos
resíduos. Mas, se mais de um modelo possuir resíduos com comportamento de ruído
branco? E agora, José?
OPA! Vou fazer um “mea culpa” aqui! Na aula 02, a fórmula colocada foi:
O que não é igual ao que mostrei agora! Bom, considerem o que eu coloquei
agora! Na verdade, houve erro de digitação!
Outros critérios muito utilizados são os critérios de Akaike (AI) e Schwarz (SC).
Olha pessoal, isso não é muito importante, mas, só por desencargo de consciência,
vou mostrar. Minha opinião: não perca muito tempo decorando as fórmulas. Vamos
lá.
ln ln
ln
ln ln
Exercício 9
Resolução
Isolando:
Exercício 10
Resolução
Exercício 11
Resolução
Verdadeiro, ok?
Exercício 12
Resolução
Exercício 13
Resolução
Já discutimos isso pessoal. Quais são os requisitos para que uma série seja dita
estacionária? Lembrem-se da aula anterior:
“Assim, podemos definir uma série estacionária como aquela que possui média
e variância constantes e finitas, além de covariância igual para o mesmo valor
de defasagem”.
Exercício 14
Resolução
Alternativa correta.
Exercício 15
Resolução
Não é isso! Qual é o problema econométrico relacionado a relação linear exata entre
variáveis explicativas? Colinearidade perfeita!
Alternativa errada.
Exercício 16
Resolução
O único caso que contém processo estacionários são os que não tem o “I”, tal como
ARIMA e SARIMA (você não precisa saber o que é isso). Este exercício é fácil,
alternativa (e).
Exercício 17
Resolução
Tente pensar um pouco, afinal esta questão vai além do escopo deste curso, mas dá
para fazer. Suponha dois processos:
Assim:
Ora, qual é a maior ordem deste processo? 2! Portanto, a ordem deste processo será
igual ao máximo da ordem destes dois processos. Não invente, pense deste jeito mais
simples que você chega na solução sem complicações, isso é ser um concurseiro.
Alternativa (d).
(EPE = CESGRANRIO/2012)
Resolução
Alternativa (d).
(IBGE - CESGRANRIO/2013)
Resolução
Vamos repetir os cálculos que fizemos ao longo desta aula a fim de calcularmos a
variância e a autocovariância de ordem 2 do processo acima. Vamos começar com a
variância:
Alternativa (c).
Exercício 20
(IBGE – CESGRANRIO/2013)
Resolução
Alternativa (a).
(IBGE – CESGRANRIO/2013)
Resolução
Lembre-se de que nós não podemos incluir variáveis dummies (binárias) relativas a
todas as possíveis ocorrências em um modelo. Na aula 01 estudamos esta variável
no caso de avaliarmos um modelo sob diferentes sexos dos indivíduos:
Alternativa (e).
Exercício 22
(ICMS-RJ – FCC\2013) Considere o modelo , i = 1,2,3,... onde:
I. yi e xi representam, respectivamente, o tempo de reação a certo estímulo, em
segundos, e a idade, em anos, do indivíduo i.
II. e representam os parâmetros desconhecidos do modelo.
III. representa o erro aleatório com as respectivas hipóteses para a regressão
linear simples.
IV. As estimativas de e foram obtidas pelo método de mínimos quadrados
por meio de 10 observações, utilizando-se as seguintes informações:
Resolução
Alternativa (d).
Exercício 23
Resolução
çã çã
Assim:
Alternativa (d).
Exercício 24
Resolução
Alternativa (a).
Exercício 25
Resolução
Exercício 26
Resolução
A hetereocedasticidade não causa viés dos estimadores, apenas resulta no fato de
que os mesmos não serão mais eficientes.
Alternativa errada.
Exercício 27
Se o estimador de MQO for não viesado e consistente, então ele será,
necessariamente, eficiente.
Resolução
Não necessariamente. A eficiência exige que, além de não viesado, o mesmo tenha
a menor variância dentre os estimadores lineares não viesados.
Alternativa errada.
Exercício 28
Resolução
Esta é a própria definição de estimador consistente, pois o mesmo tende para o valor
populacional conforme a amostra tende para o infinito.
Alternativa correta.
Exercício 29
Resolução
Cuidado! Isso só é verdade quando uma das variáveis explicativas for uma versão
defasada da variável dependente. Caso contrário, a autocorrelação só gera perda de
eficiência e a impossibilidade de confiarmos nos testes de hipóteses.
Exercício 30
Resolução
Não se perca ao avaliar a alternativa! Tal como eu expliquei para vocês, sob
multicolinearidade muito intensa, o sinal e as estatísticas de teste ficam muito
sensíveis a mudanças no número de observações ou mudança da forma funcional.
Assim, os estimadores podem apresentar valores alterados.
Alternativa correta.
Exercício 2
Exercício 3
(ANS – 2007) Para o modelo autoregressivo
Exercício 4
a) 0,25
b) 0,20
c) 0,15
d) 0,10
e) 0,05
Exercício 5
Exercício 6
Exercício 7
Exercício 8
Exercício 9
Exercício 10
Exercício 11
Exercício 12
Exercício 13
Exercício 14
Exercício 15
Exercício 16
Exercício 17
Exercício 18
(EPE = CESGRANRIO/2012)
Exercício 19
(IBGE - CESGRANRIO/2013)
Exercício 20
(IBGE – CESGRANRIO/2013)
Exercício 21
(IBGE – CESGRANRIO/2013)
Exercício 22
(ICMS-RJ – FCC\2013) Considere o modelo , i = 1,2,3,... onde:
I. yi e xi representam, respectivamente, o tempo de reação a certo estímulo, em
segundos, e a idade, em anos, do indivíduo i.
II. e representam os parâmetros desconhecidos do modelo.
III. representa o erro aleatório com as respectivas hipóteses para a regressão
linear simples.
IV. As estimativas de e foram obtidas pelo método de mínimos quadrados
por meio de 10 observações, utilizando-se as seguintes informações:
Exercício 23
Exercício 24
Exercício 25
Exercício 26
Exercício 27
Se o estimador de MQO for não viesado e consistente, então ele será,
necessariamente, eficiente.
Exercício 28
Exercício 29
Exercício 30
2-d 22-d
3-a 23-d
4-a 24-a
5-F 25-d
6-F 26-F
7-F 27-F
8-F 28-V
9-F 29-F
10-V 30-V
11-V
12-F
13-F
14-V
15-F
16-e
17-d
18-d
19-c
20-a
21-e