AULA 1 - INTRODUÇÃO - SÉRIES DE TEMPO

Susan Schommer

Econometria III - IE/UFRJ

Questões práticas do curso
Curso de Graduação de Ciências Econômicas
Econometria III
2° Semestre de 2019

Profa. Susan Schommer

Horário e sala: 18:30h às 20:10h / 20:20h às 22:00h - 6ª Feira - AULÁRIO / 12

Objetivos
Este curso tem como objetivo apresentar aos alunos conceitos de econometria de séries temporais. A
disciplina privilegia a abordagem de ensino mais prático, com ênfase às aplicações em macroeconomia
e finanças. Espera-se que os alunos ao longo do curso sejam capazes de estimarem modelos de séries
de tempo e projetarem variáveis econômicas. As aplicações serão feitas no software “R” (R-Studio).

Pré-requisito
Econometria I

Ementa
 Processos estacionários: Modelos ARMA e Sazonalidade
 Processos não estacionários: Raiz unitária – tendência estacionária e estocástica
 Vetor Autorregressivo: Estimação do VAR e Causalidade de Granger
 Vetor de Correção de Erros: Cointegração e Estimação do VECM
 Séries temporais financeiras: Modelos GARCH

Avaliação

Média de dois trabalhos (30%), um estudo empírico (30%) e uma prova escrita em sala de aula (40%).

Bibliografia
Básica
BUENO, R. L. S. Econometria de séries temporais. São Paulo: Cengage Learning, 2015.

Complementar
GUJARATI, D e D. PORTER., Econometria Básica, 5a Ed. Rio de Janeiro: Bookman, 2011.
TSAY, R. S., Analysis of financial time series, A Wiley-Interscience publication, John Wiley & Sons,
Inc, 2002.

Também serão disponibilizados ao longo do curso modelos propostos pelo BCB, FMI e artigos
acadêmicos para as aplicações.
Bibliografia adicional
Bibliografia adicional
I Artigos
I https://www.bcb.gov.br/publicacoes/trabalhosdiscussao

I https://www.sbe.org.br/

I https://www.nber.org/papers/

I https://www.imf.org/en/Publications/Search

I Para dados brasileiros:

http://www.ipeadata.gov.br/Default.aspx

I Tutorial R studio
I https://www.datacamp.com/community/tutorials/time-series-
r
I http://r-statistics.co/Time-Series-Analysis-With-R.html

I https://a-little-book-of-r-for-time-
series.readthedocs.io/en/latest/src/timeseries.html
Séries estacionárias

I A série univariada yt é estacionária quando média e variância

permanecerão as mesmas não importa em que ponto a
mesuremos, i.e., elas são invariantes no tempo.

I Exemplo: yt = µ + t , sendo µ o componente determinı́stico e

t o componente estocástico com t ∼ N (0, σ 2 )

I Temos E(yt ) = µ e V ar(yt ) = σ 2

I A série temporal tenderá a retornar para a sua média

(chamaremos reversão a média) e flutuações em torno dessa
média (medida pela variância) terão uma amplitude constante.
Série estacionária estocástica - Simulação no R-Studio
eps <- rnorm(100, mean = 0, sd = 1) criando o componente
estocástico com t ∼ N (0, 1)
mu <- 2 criando o componente determinı́stico com média 2
yt <- mu + eps criando a equação
ts.plot(yt , main = ”Exemplo de serie de tempo estacionaria
estocasticas”, ylab = expression(y[t])) criando o gráfico da equação
Exemplo de serie de tempo estacionaria estocasticas
5
4
3
yt

2
1

0 20 40 60 80 100

Time
Séries estacionárias estocásticas - Dados reais
Produto interno bruto (PIB) - Deflacionado por IPCA, 2019.05=1,0 - IPCA (% a.m.)
Período mantido, Operação: Variação em % no período anterior

Índice de ações: Ibovespa - fechamento - Período mantido, Operação: Consumo de energia elétrica: quantidade - Período mantido,
Variação em % no período anterior Operação: Variação em % no período anterior em GWh
Séries não estacionárias
I A série univariada yt não estacionária tem uma tendência, que
pode ter uma natureza determinı́stica ou estocástica.
I Se a tendência for determinı́stica, a série não estacionária
flutua em torno de uma tendência temporal
- Exemplo: yt = µ + δt + t , sendo µ + δt o componente
determinı́stico e t o componente estocástico com
t ∼ N (0, σ 2 )
Nao estacionaria com tendencia deterministica

eps = rnorm(100,0,1)

25
t <- 1:100

20
y1 <- 5+0.2*t+eps y1

ts.plot(y1, main = “Nao

15

estacionaria com tendencia

10

deterministica”)
5

0 20 40 60 80 100

Time
Séries não estacionárias
I Se a tendência for estocástica, a série não estacionária
move-se em torno de médias flutuantes.
- Exemplo de passeio aletório : yt = yt−1 + t o componente
estocástico com t ∼ N (µ,Pσ2)
y1 = y0 + 1 ... P
yt = y0 + t t
E[yt ] = E[y0 + t tP ] = y0 + tµ
V ar[yt ] = V ar[y0 + t t ] = tσ 2
Passeio aleatorio

eps <- rnorm(100, mean = 0.5,

70
sd = 1.5)

60
50
for (i in 2:length(eps))y[i] <-
40
y[i-1] + eps[i] y

30

ts.plot(y, main = ”Passeio

20

aleatorio”)
10
0

0 20 40 60 80 100

Time
Séries não estacionárias

- Exemplo de passeio aletório com deslocamento (drift) :

yt = 5 + yt−1 + t
o componente estocástico com t ∼ N (0, 1)
Passeio aleatorio com deslocamento

eps= rnorm(500,0,1)

35
y = filter(eps, filter=c(1),

30
method=”recursive”)[-(1:50)]+5

25
y
ts.plot(y, main = ”Passeio

20
aleatorio com deslocamento”)
15
10

0 100 200 300 400

Time
Séries não estacionárias - Dados reais
Produto interno bruto (PIB) – em R$ milhões IPCA (% a.m.)

Taxa de juros: Overnight / Selic - % a.m. Taxa de câmbio comercial para compra: real (R$) / dólar (US$) - fim
período
Diferenciação de séries não estacionárias

I A diferenciação é o método mais comum para tornar os dados

de séries temporais estacionários.
I Este é um tipo especial de filtragem, particularmente
importante na remoção de uma tendência.
I Em geral a diferenciação de primeira ordem geralmente sãoo
suficientes para atingir a estacionariedade em média
I Seja yt = uma série temporal não estacionária. A
estacionariedade é obtida fazendo:
(yt − yt−1 ) = ∆yt = t
Diferenciação de séries não estacionárias

- Exemplo de passeio aletório com deslocamento (drift) :

yt = 5 + yt−1 + t
o componente estocástico com t ∼ N (0, 1) fazendo a diferença
ts.plot(diff(y))
Passeio aleatorio com deslocamento

3
35

2
30

1
25

diff(y)
y

0
20

−1
15

−2
10

−3

0 100 200 300 400

0 100 200 300 400
Time
Time
Processo integrado

I Considere o seguinte modelo univariado yt = µ + φyt−1 + t

I Vimos que se φ = 1 temos que a série é não estacionária e
mostraremos no curso que a variância explode.
I Como dito acima, basta diferenciar a série para torná-la
estacionária.
I No exemplo acima a primeira diferença foi suficiente, então
chamaremos de série integrada de ordem 1. Notação I(1)
I Menos comum, mas existem séries que são integradas de
ordem maior, por exemplo I(2), e neste caso temos que
diferenciar duas vezes.
I Para testar se a série é não estacionária e qual sua ordem
faremos o teste de raiz unitária.
I Se |φ| < 1 temos que a série é estacionária, ou seja, I(0).
Regressão espúria

I A necessidade de teoria econômica para definir as variáveis

explicada e explicativa torna-se muito importante na presença
de raiz unitária.
I Pode-se encontrar relações econométricas entre duas ou mais
variáveis econômicas sem qualquer relaão de causalidade entre
uma e outra por puro acaso ou por causa da têndencia.
I Isso é comum ocorrer com séries não estacionárias
Exemplo: regressão de yt = α + βxt + t em que yt e xt são
I(1) sendo x obtida independentemente com um R2 alto e
significante t-estatı́stico. Contudo, o resultado não tem
significado econômico.
Regressão espúria
y = cumsum(rnorm(250*10,0.05))

150
x = cumsum(rnorm(250*10,0.05))

100
plot(y,type=”l”)

y
points(x,type=”l”,col=”red”)

50
0
0 500 1000 1500 2000 2500

Index
Regressão espúria

3
2
plot(diff(y),type=”l”)

1
points(diff(x),type=”l”,col=”red”)

0
diff(y)

−1
−2
−3
0 500 1000 1500 2000 2500

Index
Passos para análise econométrica de modelos econômicos

Teste de
raiz unitária
Regressão ARIMA
múltipla VAR
linear VECM: Teste de cointegração
GARCH
MQO
Max verossimilhança
GMM
Testes de
multicolinearida
de,
heterocedastici
dade e
autocorrelação
Programação das aulas

Programação detalhada – Econometria III 2019.2

Dia da
Observ
Mês Dia Seman Programação Bibliogra
ações
a
Agosto 9/8/2019 sex Introdução à séries temporais Bueno (cap 1)
16/8/2019 sex Processos Estacionários Bueno (cap 2 e 3)
23/8/2019 sex Processos Estacionários Bueno (cap 2 e 3)
30/8/2019 sex Processos Não Estacionários Bueno (cap 4)
Setembro 6/9/2019 sex Vetor Autoregressivo – entrega do trabalho 1 Bueno (cap 6)
13/9/2019 sex Vetor Autoregressivo Bueno (cap 6)
20/9/2019 sex Vetor de Correção de Erros Bueno (cap 7)
27/9/2019 sex Vetor de Correção de Erros Bueno (cap 7)
Outubro 4/10/2019 sex Séries temporais financeiras – entrega do trabalho 2 Bueno (cap 8)
11/10/2019 sex Séries temporais financeiras Bueno (cap 8)
18/10/2019 sex Prova -
25/10/2019 sex Semana Acadêmica -
Novembro 1/11/2019 sex Apresentação do projeto -
8/11/2019 sex Apresentação do trabalho -
15/11/2019 sex Feriado - -
22/11/2019 sex Vista de prova e segunda chamada -
29/11/2019 sex Apresentação do trabalho -
Dezembro 6/12/2019 sex Prova Final -
13/12/2019 sex Divulgação dos resultados e encerramento do curso -