UNIVERSIDADE DE SÃO PAULO

FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE
DEPARTAMENTO DE ECONOMIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA










ESTRUTURAS DE MEMÓRIA LONGA EM VARIÁVEIS ECONÔMICAS: DA
ANÁLISE DE INTEGRAÇÃO E CO-INTEGRAÇÃO FRACIONÁRIAS À ANÁLISE
DE ONDALETAS


Guilherme de Oliveira Lima Cagliari Marques

Orientadora: Profa. Dra. Vera Lúcia Fava










SÃO PAULO
2007







































Profa. Dra. Suely Vilela
Reitora da Universidade de São Paulo

Prof. Dr. Carlos Roberto Azzoni
Diretor da Faculdade de Economia, Administração e Contabilidade

Prof. Dr. Joaquim José Martins Guilhoto
Chefe do Departamento de Economia

Prof. Dr. Dante Mendes Aldrighi
Coordenador do Programa de Pós-Graduação em Economia
GUILHERME DE OLIVEIRA LIMA CAGLIARI MARQUES












ESTRUTURAS DE MEMÓRIA LONGA EM VARIÁVEIS ECONÔMICAS: DA
ANÁLISE DE INTEGRAÇÃO E CO-INTEGRAÇÃO FRACIONÁRIAS À ANÁLISE
DE ONDALETAS


Tese apresentada ao Departamento de
Economia da Faculdade de Economia,
Administração e Contabilidade da
Universidade de São Paulo como requisito
para obtenção do título de Doutor em
Economia.

Orientadora: Profa. Dra. Vera Lúcia Fava














SÃO PAULO
2007




























FICHA CATALOGRÁFICA
Elaborada pela Seção de Processamento Técnico do SBD/FEA/USP




Marques, Guilherme de Oliveira Lima Cagliari
Estruturas de memória longa em variáveis econômicas: da análise de integração
e co-integração fracionárias à análise de ondaletas / Guilherme de Oliveira
Lima Cagliari Marques. -- São Paulo, 2007.
238 p.

Tese (Doutorado) – Universidade de São Paulo, 2007
Bibliografia.

1. Econometria 2. Análise de séries temporais 3. Processos com memória
longa 4. Análise de ondaletas (wavelets) I. Universidade de São Paulo. Facul-
dade de Economia, Administração e Contabilidade II. Título.

CDD – 330.015195
i
























Ao meu avô, Hygino,
à minha mãe, Marilena,
e à minha esposa, Kelly.























ii
Agradeço inicialmente à minha orientadora Profa. Dra. Vera Lúcia Fava por toda a sua
ajuda, dedicação e amizade.
Agradeço à Profa. Dra. Chang Chiann pelos seus valiosos ensinamentos e sugestões.
Agradeço à minha esposa Kelly pela sua motivação, apoio e companheirismo.
Agradeço à minha mãe, que sempre esteve presente, por todo o seu apoio.
Agradeço às minhas sobrinhas Ariane e Taís e ao meu irmão Gustavo pelo carinho.
Agradeço à amizade de Sérgio Malacrida Jr. e sua esposa Mara e de minhas amigas
Priscila Matias Flori, Fernanda Batola e Beatriz Oliveira.
Agradeço à prestigiosa Fundação de Amparo à Pesquisa do Estado de São Paulo –
FAPESP - pelo suporte financeiro, essencial ao desenvolvimento dessa tese.
Agradeço também aos pareceristas da FAPESP pelos valiosos comentários e sugestões.





iii
RESUMO

Os modelos ARFIMA de memória longa mostraram-se nesse trabalho mais versáteis à análise
da persistência em séries temporais em comparação aos modelos ARIMA. As funções
impulso-resposta dos modelos de integração fracionária indicam que essa classe de modelos
capta mais adequadamente as informações contidas nas baixas freqüências das séries e,
portanto, estes modelos são mais capacitados para avaliar como os choques econômicos são
acomodados no médio e longo prazo. Os estudos simulatórios mostraram que os testes de raiz
unitária aplicados a processos com memória longa possuem baixo poder, e que os estimadores
por máxima verossimilhança e os baseados no espectro de ondaletas são eficientes para
estimar o parâmetro de integração fracionária. Os estudos empíricos encontraram
componentes altamente persistentes nas séries brasileiras do produto, desemprego e consumo.
A análise de co-integração fracionária refutou os resultados do arcabouço I(1)-I(0) que
sugerem a não co-integração entre as séries consumo das famílias e renda disponível. A
variabilidade relativa dessas séries foi analisada por meio da análise em multiresolução de
ondaletas. Concluiu-se que, nas baixas escalas, a variabilidade entre as séries varia em função
da escala temporal envolvida. A doutrina da paridade do poder de compra com dados
brasileiros foi revisitada por meio da análise de co-integração fracionária.





iv
ABSTRACT

The long-memory ARFIMA models proved to be more versatile in this study to the analysis of
endurance in time series compare to the ARIMA models. The impulse-response functions of
the fractionally integrated models indicate that this class of models more adequately gathers
the data enclosed in the low frequencies of the series and thus these models are more befitted
to evaluate how economic shocks are settled in the medium and long terms. Simulation
studies unveiled that the unit root tests applied to long-memory processes have low power,
and that the maximum likelihood estimators as well as those based on wavelet spectrum are
efficient in estimating the fractional difference parameter. Empirical studies have found
highly persistent components in the Brazilian series of the product, unemployment and
consumption. The fractional co-integration analysis rebutted the results of the I(1)-I(0)
framework, which suggest the non co-integration between the series of families’ consumption
and the disposable income. The relative variability of these series was investigated through a
wavelet multiresolution analysis. It was concluded that, in small scales, the variability
between the series changes according to the time scale involved. The Purchasing Power Parity
doctrine with Brazilian data has been revisited through the fractional co-integration analysis.






SUMÁRIO

LISTA DE ABREVIATURAS E SIGLAS ................................................................................ 3
LISTA DE TABELAS ............................................................................................................... 5
LISTA DE FIGURAS ................................................................................................................ 7
LISTA DE SÍMBOLOS ........................................................................................................... 11
1 INTRODUÇÃO ................................................................................................................... 13
2 MEMÓRIA LONGA E ANÁLISE ECONÔMICA ............................................................ 23
2.1 Introdução ..................................................................................................................... 23
2.2 Origem da Memória Longa em Variáveis Econômicas ............................................... 32
2.2.1 Geração do Padrão de Memória Longa pela Agregação de Microprocessos ............ 33
2.2.2 Geração do Padrão de Memória Longa por Quebras Estruturais e Regimes
Alternantes: Memória Longa Espúria? ...................................................................... 36
2.2.3 Origens Naturais da Memória Longa? ....................................................................... 40
2.3 Conclusões .................................................................................................................... 44
3 PROCESSOS ESTOCÁSTICOS INTEGRADOS: A INTEGRAÇÃO FRACIONÁRIA E
MODELOS DE MEMÓRIA LONGA ................................................................................ 45
3.1 O Paradigma (1) (0) I I ÷ .............................................................................................. 45
3.2 O Paradigma da Integração Fracionária ....................................................................... 47
3.3 Processos Estocásticos com Memória Longa ............................................................... 51
3.4 Modelos Auto-Regressivos Integrados Fracionariamente e de Médias Móveis
( , , ) ARFIMA p d q ......................................................................................................... 58
3.4.1 Propriedades Espectrais do Modelo ( , , ) ARFIMA p d q ............................................. 60
3.4.2 Função Impulso-Resposta (FIR) do Modelo ( , , ) ARFIMA p d q ................................ 61
3.5 Modelos de Memória Longa Sazonal ........................................................................... 63
3.5.1 Modelos ( , , ) ( , , )
s
s
ARFISMA p d q P d Q .................................................................. 64
3.5.2 Processo de Gegenbauer ............................................................................................ 68
4 ANÁLISE SIMULATÓRIA DE PROCESSOS DE MEMÓRIA LONGA ........................ 71
4.1 Apresentação ................................................................................................................ 71
4.2 Sobre o Poder dos Testes de Raízes Unitárias Envolvendo Processos com Memória
Longa ............................................................................................................................ 72
4.3 Sobre a Eficiência dos Modelos de Estimação da Memória Longa ............................. 78
4.3.1 Resultados .................................................................................................................. 80
4.4 Conclusões .................................................................................................................... 83
5 INTRODUÇÃO À CO-INTEGRAÇÃO FRACIONÁRIA ................................................. 85
5.1 Análise de Co-Integração Fracionária com Bootstrap .................................................. 85
6 ABORDAGEM EMPÍRICA SOBRE MEMÓRIA LONGA EM VARIÁVEIS
ECONÔMICAS ................................................................................................................... 91
6.1 Análise da Persistência nas Flutuações do Produto Interno Bruto Brasileiro sob a
Óptica dos Modelos de Integração Fracionária ............................................................ 92
6.1.1 Introdução .................................................................................................................. 92
6.1.2 Modelagem Univariada do PIB: o Paradigma (1) (0) I I ÷ e o Paradigma Fracionário
93
6.1.3 Conclusões ............................................................................................................... 101
6.2 Memória Longa Sazonal na Série de Desemprego da Região Metropolitana de São
Paulo ........................................................................................................................... 103
6.2.1 Introdução ................................................................................................................ 103
6.2.2 Modelagem Sazonal Univariada da Série PED ........................................................ 105
6.2.3 Conclusões ............................................................................................................... 117
2

6.3 Análise da Variabilidade Relativa das Séries Consumo das Famílias e Renda
Disponível: Aspectos Empíricos por meio da Análise de ondaletas, Memória Longa e
Co-Integração Fracionária .......................................................................................... 118
6.3.1 Introdução ................................................................................................................ 118
6.3.2 Apresentação das Séries e Aspectos Iniciais ............................................................ 121
6.3.3 Análise em Multirresolução e Variância de Ondaletas ............................................ 124
6.3.4 Análise de Memória Longa nas Séries Consumo das Famílias e Renda Disponível129
6.3.5 Equilíbrio de Longo Prazo entre as Variáveis Consumo das Famílias e Renda
Disponível ................................................................................................................ 138
6.3.5.1 Análise de Co-integração (1) (0) I I ÷ : Metodologias de Engle & Granger
(1987) e de Johansen (1995) ........................................................................ 139
6.3.5.2 Análise de Co-integração Fracionária: Metodologia de Davidson (2002c) ... 142
6.3.6 Conclusões ............................................................................................................... 145
6.4 Hipótese da Paridade do Poder de Compra no Brasil Sob o Arcabouço da Co-
Integração Fracionária ................................................................................................ 148
6.4.1 Introdução ................................................................................................................ 148
6.4.2 Apresentação das Séries e de Suas Propriedades Estatísticas .................................. 152
6.4.3 Análise Sobre a Estabilidade de Longo Prazo: Evidências sobre a PPP ................. 157
6.4.3.1 Análise de Co-integração (1) (0) I I ÷ : Metodologias de Engle & Granger
(1987) e de Johansen (1995) ........................................................................ 157
6.4.3.2 Análise de Co-Integração Fracionária. ........................................................... 158
6.4.4 Conclusões ............................................................................................................... 161
7 CONCLUSÕES E PERSPECTIVAS ................................................................................ 163
REFERÊNCIAS ..................................................................................................................... 169
APÊNDICES .......................................................................................................................... 185
ANEXOS ................................................................................................................................ 217
TABELAS .............................................................................................................................. 221



3

LISTA DE ABREVIATURAS E SIGLAS
ADF: Dickey-Fuller Aumentado (Augmented Dickey-Fuller)
AIC: Critério de Informação de Akaike (Akaike Information Criteria)
ARFIMA: Modelo Auto-Regressivo Integrado Fracionariamente e de Médias Móveis
(Autoregressive Fractionally Integrated Moving Average Model)
ARFISMA: Modelo Auto-Regressivo Integrado Fracionariamente Sazonal e de Médias
Móveis (Autoregressive Fractionally Integrated Seasononal Moving Average
Model)
ARIMA: Modelo Auto-Regressivo Integrado e de Médias Móveis (Autoregressive Integrated
Moving Average Model)
ARMA: Modelo Auto-Regressivo e de Médias Móveis (Autoregressive Moving Average
Model)
BIC: Critério de Informação Bayesiano (Bayesian Information Criteria)
DF: Dimensão Fractal
DF-GLS: Dickey-Fuller com Mínimos Quadrados Generalizados (Dickey-Fuller –
Generalized Least Squares)
DIEESE: Departamento Intersindical de Estatística e Estudos Sócio-Econômicos
DW: Durbin-Watson
DWT: Transformada Discreta de Ondaletas (Discret Wavelet Transform)
ERS: Elliot, Rothenberg e Stock
FAC: Função de Autocorrelação
FAC-P: Função de Autocorrelação Parcial
FDE: Função de Densidade Espectral
FEG: Engle & Granger Fracionário (Fractionally Engle Granger)
FGN: Ruído Fracionário Gaussiano (Fractionally Gaussian Noise)
FIR: Função Impulso-Resposta
FIRA: Função Impulso-Resposta Acumulada
GFT: Teste de Melhor Ajustamento (Goodness of Fit Test)
HQ: Hannan e Quinn
HRP: Hipótese da Renda Permanente
i.i.d.: Independente e Identicamente Distribuído
JB: Jarque – Bera
KPSS: Kwiatkowski, Phillips, Schmidt e Shin
LSE: Estimador de Mínimos Quadrados (Least Squares Estimator)
MODWT: Transformada Discreta de Ondaletas de Máxima Sobreposição (Maximal Overlap
Discret Wavelet Transform)
MP: Periodograma Suavizado (Modiffied Periodogram)
MV: Máxima Verossimilhança
PED: Pesquisa de Emprego e Desemprego
PER: Periodograma
PIB: Produto Interno Bruto
PP: Phillips e Perron
PPP: Paridade do Poder de Compra (Purchasing Power Parity)
R.B.: Ruído Branco
R/S: “Rescaled Range”
RBF: Ruído Braoniano Fracionário
RBF-G: Ruído Braoniano Fracionário Gaussiano
SARIMA: Modelo Auto-Regressivo Integrado e de Médias Móveis Sazonal (Seasonal
Autoregressive Integrated Moving Average Model)
4

SEADE: Sistema Estadual de Análise de Dados
SWR: Shapiro-Wilks-Royston
TNN: Teste de Não-Linearidades (Testing for Neglected Nonlinearity)
VA: Variância Agregada
VAA: Valor Absoluto Agregado
VAD: Variância Agregada Diferenciada
VR: Variância dos Resíduos
WHL: Whittle Local
WLSE: Estimador de Mínimos Quadrados Ordinários por Ondaletas (Wavelet Least Squares
Estimator)
WNN: Teste de Redes Neurais de White (White Neural Network)
W-WLSE: Estimador de Mínimos Quadrados Ordinários Ponderados por Ondaletas
(Weighted Wavelet Least Squares Estimator)



5

LISTA DE TABELAS
Tabela 1 – Testes de Raiz Unitária dos Processos Simulados ................................................. 16
Tabela 2 – Índices de Rejeição dos Testes de Raiz Unitária Sob Memória Longa .................. 74
Tabela 3 - Índices de Rejeição do Teste de Estacionariedade Sob Memória Longa................ 77
Tabela 4 – Estimadores do Parâmetro de Integração Fracionária ............................................ 78
Tabela 5 – Testes de Raiz Unitária ........................................................................................... 95
Tabela 6 – Modelos para a Série do PIB .......................................................... 96
Tabela 7 – Estimadores da Ordem de Integração Fracionária ................................................. 97
Tabela 8 – Modelos para a Série do PIB no Nível ......................................... 98
Tabela 9 – Função Impulso-Resposta do PIB e da Taxa de Crescimento do PIB ................. 100
Tabela 10 – Testes de Raiz Unitária ....................................................................................... 107
Tabela 11 – Modelos SARIMA Ajustados à Série PED ........................................................ 109
Tabela 12 - Estimadores da Ordem de Integração Fracionária .............................................. 110
Tabela 13 – Modelo para a Série PED Livre da Memória Longa Sazonal .. 112
Tabela 14 – Modelos para a Série PED ......................................... 113
Tabela 15 - Função Impulso-Resposta da PED ...................................................................... 116
Tabela 16 - Estatísticas Descritivas das Séries Consumo das Famílias e Renda Disponível . 123
Tabela 17 - Estatísticas de Bootstrap sobre a Variância das Séries ....................................... 123
Tabela 18 - Estatísticas da Transformada MODWT e Distribuição da Energia entre as Escalas
............................................................................................................................. 127
Tabela 19 - Testes de Raiz Unitária ....................................................................................... 131
Tabela 20 – Modelos ....................................................................................... 132
Tabela 21 – Estimadores da Ordem de Integração Fracionária.............................................. 134
Tabela 22 – Modelos ( , , ) ARFIMA p d q Ajustados para as Séries Consumo das Famílias e Renda
Disponível ........................................................................................................... 135
Tabela 23 - Funções Impulso-Resposta Calculadas com Base nos Modelos e
........................................................................................................ 137
Tabela 24 - Modelo de Co-integração .................................................................................... 139
Tabela 25 - Teste de Co-Integração de Engle & Granger ...................................................... 139
Tabela 26 - Testes de Co-Integração pela Metodologia de Johansen .................................... 141
Tabela 27 - P-Valores dos Testes de Co-integração Fracionária com Bootstrap ................... 143
Tabela 28 – Testes de Múltiplas Raízes Unitárias ................................................................. 154
Tabela 29 - Testes de Raiz Unitária ....................................................................................... 154
Tabela 30 – Estimadores da Ordem de Integração Fracionária.............................................. 155
Tabela 31 – Modelos .................................................................................... 156
Tabela 32 – Modelo de Co-Integração ................................................................................... 157
Tabela 33 - Teste de Co-Integração de Engle & Granger ...................................................... 157
Tabela 34 - Testes de Co-Integração pela Metodologia de Johansen .................................... 158
Tabela 35: P-Valores dos Testes de Co-integração Fracionária com Bootstrap .................... 160



( , , ) ARIMA p d q
( , , ) ARFIMA p d q
( , , ) ARFIMA p d q
( , , ) ( , , )
s
ARFISMA p d q P D Q
( , , ) ARIMA p d q
( , , ) ARFIMA p d q
( , , ) ARIMA p d q
( , , ) ARFIMA p d q
6


7

LISTA DE FIGURAS
Figura 1– (A) Processo Passeio Aleatório I(1); (B) Processo Fracionário Reversível na Média
I(0.80) com Tendência Linear; (C) Processo Fracionário Não Estacionário e Não
Reversível na Média I(1.20). ................................................................................. 15
Figura 2 – Processo Ruído Branco Fracionário Gaussiano: ..................................................... 17
Figura 3 – Função Impulso-Resposta dos Modelos ARIMA(1,1,1) e RBF-G (0.35) .............. 18
Figura 4 – (A) Série com Quebra Estrutural e (B) Série com Regimes Alternantes ................ 37
Figura 5 – Processo Ruído Branco Gaussiano com a Simulação de uma Quebra Estrutural em
seu Nível e suas Funções de Autocorrelação ........................................................ 37
Figura 6 – FAC Teórica de Processos com Memória Longa Ruído Branco Fracionários ....... 52
Figura 7 – Espectro Teórico do Processo com Memória Longa (d=0.25) ............................... 53
Figura 8 – FAC Teórica de Processos Antipersistentes ........................................................... 55
Figura 9 – Espectro Teórico do Processo Antipersistente (d=-0.25) ....................................... 56
Figura 10 – Função de Autocorrelação dos Processos com Memória Longa Sazonal de 12
meses. (A) Processo Ruído Branco Fracionário Sazonal com e (B)
Processo Ruído Branco Fracionário Estendido Sazonal com e .. 66
Figura 11 – Função Impulso-Resposta do Processo Ruído Branco Fracionário Sazonal ........ 67
Figura 12 – Espectro Teórico do Processo de Gegenbauer: Uma Singularidade Sazonal na
Freqüência (sazonalidade anual) e ......................................... 69
Figura 13 - Espectro Teórico do Processo de Gegenbauer Multifator: Duas Singularidades
Sazonais nas Freqüências e (sazonalidade anual e
quadrimestral) e e ..................................................................... 70
Figura 14 – Gráficos dos Percentuais de Não Rejeição da Hipótese de Raiz Unitária ao Nível
de 5% de Significância com Séries de Tamanhos 1000, 300, 200,100 N = ............... 75
Figura 15 – Gráfico dos Percentuais de Rejeição da Hipótese de Estacionariedade ............... 77
Figura 16 – Gráficos do Produto Interno Bruto Brasileiro: Série no Nível e sem Tendência
Linear ..................................................................................................................... 93
Figura 17 – Função de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P) da Série do
PIB ......................................................................................................................... 94
Figura 18 – Função de Densidade Espectral do PIB ................................................................ 94
Figura 19 – Função de Autocorrelação e Função de Autocorrelação Parcial .......................... 95
Figura 20 – Função de Autocorrelação (FAC) dos Resíduos dos Modelos ,
, e para o PIB .......................................... 96
Figura 21 – Função de Autocorrelação e Função de Autocorrelação Parcial dos Resíduos e do
Quadrado dos Resíduos do Modelo ARFIMA(0,0.1841,0) ......................................... 98
Figura 22 – Gráfico da Série Filtrada (Modelo ) ....................................... 99
Figura 23 – Modelos e Ajustados para a Série do PIB
Brasileiro ............................................................................................................... 99
Figura 24 - Função Impulso-Resposta do PIB e da Taxa de Crescimento do PIB ................ 101
Figura 25 – Taxa de Desemprego (PED) – Região Metropolitana de São Paulo (RMSP) .... 105
Figura 26 – Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FAC-P)
............................................................................................................................. 106
Figura 27 - Função de Densidade Espectral da PED ............................................................. 107
Figura 28 – Gráficos de Funções de Autocorrelação da PED com Uma Diferença Consecutiva
e Uma Diferença Sazonal de 12 Meses ............................................................... 108
Figura 29 – FAC e FAC-P dos Resíduos do Modelo ....................... 109
0.1
s
d =
0.3 d = 0.1
s
d =
1/ 12
G
v = 0.3
s
d =
,1
1/ 12
G
v =
,2
1/ 4
G
v =
1
0.3
s
d =
2
0.2
s
d =
(1,1, 0) ARIMA
(0,1,1) ARIMA (1,1,1) ARIMA (2,1,1) ARIMA
(0,1.1841, 0) ARFIMA
( , , ) ARFIMA p d q ( , , ) ARIMA p d q
12
(6,1, 0) (1, 0,1) SARIMA
8

Figura 30 - Função de Autocorrelação e Função de Autocorrelação Parcial dos .................. 110
Figura 31 – Série da PED Livre da Componente de Memória Longa Sazonal, Espectro, FAC e
FAC-P .................................................................................................................. 111
Figura 32 – Série PED Filtrada dos Componentes de Memória Longa Sazonal e Consecutiva e
suas Respectivas Funções de Densidade Espectral, de Autocorrelação e
Autocorrelação Parcial ........................................................................................ 112
Figura 33 – Singularidades Espectrais ................................................................................... 114
Figura 34 - Série PED Filtrada dos Componentes de Memória Longa Sazonal e Consecutiva e
suas Respectivas Funções de Densidade Espectral, de Autocorrelação (FAC) e
Autocorrelação Parcial (FAC-P) ......................................................................... 114
Figura 35 – Função Impulso-Resposta Acumulada da PED Calculada com os Parâmetros dos
Modelos ,

(I) e
(II) ..................................................................... 116
Figura 36 - Séries Consumo das Famílias e Renda Disponível (R$ de 2005 em log) ........... 122
Figura 37 - Estatísticas Descritivas, Função de Densidade Acumulada e Função de Densidade
de Probabilidade Empíricas das Séries Consumo das Famílias e Renda Disponível
............................................................................................................................. 123
Figura 38 - Distribuições de Bootstrap das Variâncias das Séries Consumo das Famílias e
Renda Disponível ................................................................................................ 123
Figura 39 – Análise Multirresolução das Séries Consumo das Famílias e da Renda
Disponível: .......................................................................................................... 125
Figura 40 - Variância de Ondaletas com ................................................................ 128
Figura 41 - Variância de Ondaletas com ................................................................ 129
Figura 42 - Variância de Ondaletas com ............................................................... 129
Figura 43 - Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FAC-P)
das Séries Consumo das Famílias e Renda Disponível ....................................... 130
Figura 44 - Função de Densidade Espectral do Consumo das Famílias e da Renda Disponível
............................................................................................................................. 131
Figura 45 - Gráfico das Séries Consumo das Famílias e Renda Disponível em Primeiras
Diferenças ............................................................................................................ 132
Figura 46 - Funções de Autocorrelação (FAC) e Funções de Autocorrelação Parcial (FAC-P)
das Séries Consumo das Famílias e Renda Disponível em Primeiras Diferenças.
............................................................................................................................. 132
Figura 47 - Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FAC-P)
dos Resíduos do Modelo para as Séries Consumo das Famílias e
Renda Disponível ................................................................................................ 133
Figura 48 – Função de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P) dos Resíduos
dos Estimadores de MV ( ) para as Séries Consumo das Famílias e
Renda Disponível ................................................................................................ 134
Figura 49 – Função de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P) dos Resíduos
dos Modelos para as Séries Consumo das Famílias e Renda
Disponível ........................................................................................................... 135
Figura 50 - Resíduos dos Modelos das Séries Consumo das Famílias e Renda
Disponível ........................................................................................................... 136
Figura 51 - Modelos Ajustados para as Séries Consumo das Famílias e Renda Disponível . 136
Figura 52 - Função Impulso-Resposta Calculada com base nas Parametrizações dos Modelos
, , e .............. 137
12
(6, 1, 0) (1, 0,1) SARIMA
12
(6, 0.8797, 0) (0, 0.3277, 0) ARFISMA
12
(6, 0.8775, 0) (0, 0.3253, 0) ARFISMA
3
(95%) IC
q
2
(95%) IC
q
1
(95%) IC
q
( ,1, ) ARIMA p q
(0, , 0) ARFIMA p
( , , ) ARFIMA p d q
( , , ) ARFIMA p d q
(6,1, 0) ARIMA (6,1.1468, 0) ARFIMA (2,1, 0) ARIMA (0,1.3709, 0) ARFIMA
9

Figura 53 - Distribuições Empíricas de Bootstrap das Estatísticas GFT, DW e FEG para as
Hipóteses de Independência Estatística (Forte), Não Co-Integração e não
Causalidade de Granger (Semifraca) e de Simples não Co-Integração (Fraca) .. 143
Figura 54 - Séries dos Preços Internacionais e da Razão Preços Domésticos/Câmbio no Nível
e Excluídas suas Tendências Lineares (Valores em log) .................................... 152
Figura 55 - Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FAC-P)
das Séries Preços Internacionais e da Razão Preços Domésticos/Câmbio Nominal
............................................................................................................................. 153
Figura 56 - Função de Densidade Espectral dos Preços Internacionais e da Razão Preços
Domésticos/Câmbio (Baseada na FACV das Séries sem Tendência Linear) ..... 153
Figura 57 - Função de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P) dos Resíduos
dos Modelos para as Séries dos Preços Internacionais e Preços
Domésticos/Câmbio Nominal ............................................................................. 156
Figura 58 – Resíduos do Modelo de Co-Integração (Com Tendência Linear) ...................... 159
Figura 59 - Distribuições Empíricas de Bootstrap das Estatísticas GFT, DW e FEG para as
Hipóteses de Independência Estatística (Forte), Não Co-Integração e não
Causalidade de Granger (Semifraca) e de Simples não Co-Integração (Fraca) .. 160



( , , ) ARFIMA p d q
10


11

LISTA DE SÍMBOLOS

B Operador Defasagem Temporal
( ) C -
Função Hipergeométrica
C
o
Polinômio de Gegenbauer
Cov Covariância
d Parâmetro de Integração Fracionária.
ˆ
d
Estimador do Parâmetro de Integração Fracionária.
s
d Parâmetro de Integração Fracionária Sazonal.
{ } E -
Esperança Matemática
( ) f -
Função de Densidade Espectral ou Espectro
( ) F -
Transformada de Fourier
h lag temporal
H Coeficiente de Hurst
( ) I -
Ordem de Integração
N Distribuição Normal (Gaussiana)
p
Ordem do Componente Auto-regressivo
P Ordem do Componente Auto-regressivo Sazonal.
q
Ordem do Componente de Médias Móveis
Q
Ordem do Componente de Médias Móveis Sazonal
s Período Sazonal
{ } Var -
Variância Matemática
s
o Parâmetro de Integração Fracionária do Processo de Gegenbauer.
A Operador Diferença
d
A
Operador Diferença Fracionária
s
d
A
Operador Diferença Fracionária Sazonal
i
e Exponencial Complexa de Euller
|
Parâmetro Auto-regressivo
u Polinômio Auto-regressivo
( ) h ¸
Função de Autocovariância
· Proporcional
· Infinito
lim Limite
µ
Média
v Freqüência Angular
G
v Freqüencia de Gegenbauer
t Pi
u Parâmetro de Médias Móveis
O Polinômio de Médias Móveis
µ
Função de Autocorrelação
o Desvio Padrão
2
o Variância
l Ortogonalidade
[ ]
÷
- Maior Valor Inteiro
12

( ) I -
Função Gamma
¢
Função Impulso-Resposta
*
¢ Função Impulso-Resposta Acumulada
R Conjunto dos Números Reais
Z Conjunto dos Números Inteiros
cos Função co-seno
sen Função seno




13

1 INTRODUÇÃO


Em 1966, Clive Granger, um dos mais proeminentes econometristas do século XX, atentou,
sob diferentes aspectos de interpretação e implementação de políticas econômicas, para a
importância do comportamento das variáveis macroeconômicas associado às baixas
freqüências. Granger percebeu que, via de regra, as variáveis de natureza econômica
apresentam uma “forma espectral típica”, cuja feição, mesmo depois de extraídas suas
tendências e sazonalidades, apresenta elevada concentração de energia espectral nas bandas
de freqüências próximas a zero. Em termos econômicos, a descoberta do autor sugere a
presença de longos e persistentes movimentos nas séries. A caracterização encontrada por
Granger no domínio da freqüência está associada a uma importante classe de processos
estocásticos definidos como “processos de longa persistência” ou “processos com memória
longa”.
1
Com a explosão dos modelos paramétricos auto-regressivos e de médias móveis,
introduzidos por Box & Jenkins (1970) e denominados como modelos , a
econometria de séries temporais passou a ser regida segundo a concepção de processos
estocásticos estacionários ou “estacionarizados”, após excluídas suas tendências lineares. A
hipótese da estacionariedade (fraca) é fundamental à modelagem , pois ela
garante um tipo de estabilidade intertemporal da estrutura de memória aos processos
estocásticos, permitindo modelar sua média condicional parametricamente. A contestação do
paradigma da estacionariedade em torno de uma tendência determinista nas séries econômicas
aflorou com a crítica de Nelson & Plosser (1982). Por meio da análise empírica, os autores
perceberam a existência de tendências de caráter estocástico em uma ampla gama de variáveis
macroeconômicas norte-americanas. Eles deduziram que grande parte dessas séries deveria
ser representada em primeiras diferenças, ou em outros termos, que elas representavam
formas integrais de processos estocásticos fracamente estacionários. Nascia então o
paradigma econométrico que, incorporado à metodologia introduzida por Box &
Jenkins, vem dominando a modelagem de séries temporais por meio dos modelos auto-
regressivos integrados e de médias móveis, .
2
Simultaneamente, em outras

1
O trabalho publicado em 1966 é tido na literatura econométrica como preconizador da teoria da memória longa
em séries econômicas. A descoberta de Granger relaciona-se também à natureza de não estacionariedade das
séries econômicas, como apontado por Nelson & Plosser (1982) quase duas décadas mais tarde.
2
Embora outras formas de integração ( ), { } , 1 I d d d
÷
¸ Z de séries econômicas sejam possíveis, elas são
empiricamente em número bastante reduzido. Portanto, é comum referir-se a elas simplesmente como paradigma
(1) (0) I I ÷ .
( , ) ARMA p q
( , ) ARMA p q
(1) (0) I I ÷
( , , ) ARIMA p d q
14

áreas da ciência prosseguiam os estudos sobre processos estocásticos que apresentavam
estruturas de memória particularmente definidas pelos seus componentes de baixa freqüência.
A pesquisa desenvolveu-se no âmbito dos modelos de memória longa, a partir do conceito
matemático da integração/diferenciação fracionária, . Informalmente, séries
definidas com memória longa ou integradas de ordem de integração , apresentam
uma longa cadeia de dependência em sua estrutura de autocorrelações, apesar do seu caráter
estacionário. No início dos anos 80, Granger & Joyeux (1980) e Hosking (1981),
independente e quase simultaneamente, introduziram o modelo auto-regressivo integrado
fracionariamente e de médias móveis, , cujas propriedades
espectrais espelham a forma típica identificada por Granger. Essa classe de modelos
paramétricos é capaz de retratar tanto a estrutura de memória de longo prazo, quanto uma
possível estrutura de curto prazo remanescente na série temporal após a diferenciação
fracionária.

Embora mais de vinte anos tenham se passado após sua introdução como ferramenta de
pesquisa econométrica, a classe de modelos não tem recebido a atenção
merecida, principalmente em pesquisas brasileiras. A representação da estrutura de memória
de uma série temporal, na forma de um processo estocástico integrado fracionariamente, pode
ser utilizada para extrair mais adequadamente o comportamento de baixa freqüência das
variáveis econômicas e, portanto, para identificar seu comportamento associado ao longo
prazo, tão importante na Teoria Econômica. O principal objetivo da pesquisa desenvolvida
nesse trabalho de tese de doutoramento é expor o paradigma fracionário formalizado nos
modelos paramétricos de memória longa, como uma técnica estatística paramétrica mais
eficaz e versátil à análise econômica de séries temporais em comparação aos modelos sob o
paradigma . São abordados nesse trabalho dois enfoques de análise econométrica:
a análise de integração fracionária de séries univariadas e a análise de co-integração de
processos bivariados. Com o intuito proposto, são realizados dois estudos simulatórios
envolvendo processos estocásticos conceituais e quatro estudos empíricos baseados em
variáveis econômicas brasileiras de diferentes áreas, confrontando os resultados dos dois
paradigmas sob diferentes aspectos, gerando subsídios para futuras pesquisas econômicas.

A dicotomia é entendida nesse trabalho como restritiva em comparação à
modelagem fracionária, na qual . Sendo o operador diferença (unitária) um filtro
( ) \ { } I d d ¸ R
1/ 2 d <
( , , ) \ { } ARFIMA p d q d ¸ R
( , , ) ARFIMA p d q
(1) (0) I I ÷
(1) (0) I I ÷
{ } d ¸ R
15

linear retentor da variabilidade associada às baixas freqüências, se aplicado a uma série
integrada de ordem , importantes informações sobre o longo prazo contidas em sua
estrutura de memória serão perdidas. Dessa forma, a análise econômica sob o escopo do
instrumental clássico de séries temporais torna-se mais limitada ao curto prazo e
incoerente, em certa medida, com as propriedades espectrais típicas descobertas por Granger
(1966). Esse fato pode ser agravado quando considerado o baixo poder dos testes de raízes
unitárias tradicionais. Em termos econométricos, isso pode repercutir em equívocos sobre a
interpretação de fenômenos econômicos. Ilustrativamente, são mostrados dois casos típicos
sobre a dificuldade de interpretação envolvendo os paradigmas fracionários e de raiz unitária.
Na Figura 1, são mostradas três séries baseadas em processos estocásticos gaussianos
fracionários, todas com 150 observações: um processo fracionário não estacionário reversível
à média e com uma tendência linear, um processo Passeio Aleatório e um processo integrado
fracionariamente não estacionário e não reversível à média. Graficamente, percebe-se que é
quase indistinguível a natureza “estocástica” dos processos:


Figura 1– (A) Processo Passeio Aleatório I (1); (B) Processo Fracionário Reversível na Média I (0.80) com
Tendência Linear; (C) Processo Fracionário Não Estacionário e Não Reversível na Média I (1.20).

Estatisticamente, por meio de dois testes de raiz unitária tradicionalmente utilizados em
estudos econométricos, o teste Dickey-Fuller Aumentado (ADF) e o teste KPSS, não se
rejeita, indistintamente em relação aos termos deterministas incluídos nos modelos, a hipótese
1 d <
(1) (0) I I ÷


0 20 40 60 80 100 120 140
0
1
0
2
0
3
0
A
B
C
16

de existência de uma raiz unitária em todas as séries.
3
Os valores das estatísticas dos testes
para as séries simuladas A, B e C são mostrados na Tabela 1 abaixo.

Tabela 1 – Testes de Raiz Unitária dos Processos Simulados
Cte& Tend. Cte Nenhum Cte& Tend. Cte Nenhum Cte& Tend. Cte Nenhum Cte& Tend. Cte Nenhum
ADF -2.07 -1.57 -1.42 -3.17 -0.53 2.10 -2.19 -2.08 0.23 -1.96 -1.71 -1.71
KPSS 0.41** 1.22** - 0.32** 3.00** - 0.45** 1.86** - 0.17* 0.85** -
Teste ADF (H
0
: Série I(1)) ; Teste KPSS (H
0
: Série I(0))
* Rejeita H
0
ao Nível de 5% de Significância ; ** Rejeita H
0
ao Nível de 1% de Significância.
TermosDeterministas TermosDeterministas
RBF-G A B
Testes
TermosDeterministas TermosDeterministas
C


Dado o caráter dicotômico dos testes de raiz unitária, não é possível distinguir as propriedades
de integração das séries B e C das de A, que é realmente . Se forem, portanto,
consideradas as indicações dos testes e aplicada uma diferença unitária sobre a série B, por
exemplo, o procedimento acarretará em um problema estatístico denominado
“superdiferenciação”, resultando em um processo estocástico com ordem de integração
negativa, denominado Processo Antipersistente. Como será posteriormente relatado, esse
procedimento equivocado pode aumentar a variância da série, podendo afetar a eficiência de
seus estimadores. No caso da série C, ocorrerá o inverso, ou seja, uma “subdiferenciação”.
Como resultado, a taxa de crescimento da série ainda conterá uma estrutura de memória
longa, que não deve ser desprezada ou subavaliada como memória curta, pois isso acarretará
na perda das informações de longo prazo contidas em sua cadeia de autocorrelações.
Utilizando, por outro lado, um dos estimadores do parâmetro de integração fracionária
abordados nesse trabalho, o estimador de Beran (1995) por máxima verossimilhança (MV),
seriam obtidos os seguintes resultados: , e . Ou seja,
valores pontualmente muito próximos aos dos verdadeiros parâmetros que definem o
comportamento de longo prazo das séries, demonstrando a elevada capacidade adaptativa de
alguns estimadores de memória longa para abordar, inclusive, a propriedade .
Considerando um outro exemplo de processo simulado, conforme exposto na Figura 2, é
identificado um problema ainda mais significativo. A série mostrada, com 150 observações, é
um processo Ruído Branco Fracionário Gaussiano (RBF-G) assintoticamente estacionário.
Trata-se de uma série com memória longa de menor complexidade, pois abstrai
autocorrelações de baixas ordens e termos deterministas em sua composição (comuns às

3
O teste ADF baseia-se na hipótese nula da série ser integrada de ordem 1 e o teste KPSS sobre a hipótese de
estacionariedade ou estacionariedade da série em torno de uma tendência determinista.
(1) I
A
ˆ
0.9995 d =
B
ˆ
0.8488 d =
C
ˆ
1.2141 d =
(1) I
17

séries econômicas). A investigação das propriedades estatísticas sobre a ordem de integração
da série RBF-G por meio dos testes de raiz unitária ADF e KPSS é mostrada à direita na
Tabela 1, destacada anteriormente.


Figura 2 – Processo Ruído Branco Fracionário Gaussiano:
Série com Memória Longa

Partindo da hipótese correta sobre a especificação do modelo de teste, e dado o conhecimento
sobre o verdadeiro processo gerador de dados, o teste ADF rejeita a hipótese de raiz unitária
apenas ao nível de 8% de significância, superior ao normalmente adotado, de 5%. Por outro
lado, o teste KPSS rejeita a hipótese de estacionariedade ao nível de 1% de significância,
embora ela seja a correta. Os problemas que podem ser acarretados pela má interpretação,
nesse caso, são ainda maiores do que os previstos no primeiro exemplo. A superdiferenciação,
induzida pela percepção da presença de uma raiz unitária, produziria um processo
antipersistente e não invertível, quando ele originalmente é invertível. Não obstante, as
análises econômicas baseadas nas elasticidades estimadas por meio desse processo seriam
provavelmente enviesadas e possivelmente espúrias. Estimando-se a ordem de integração pelo
procedimento fracionário mencionado acima, alcança-se , valor muito próximo
ao real. Ainda que particulares, esses exemplos servem para expor a fragilidade das decisões
sobre a especificação de modelos econométricos baseando-se apenas no arcabouço
.
4



4
Essas questões ficarão mais claras adiante no trabalho, quando forem introduzidos os processos estocásticos
integrados fracionariamente.


0 20 40 60 80 100 120 140
-
4
-
2
0
2
4


0 20 40 60 80 100 120 140
-
4
-
2
0
2
4
RBF
(0.35) I
ˆ
0.3574
RBF
d =
(1) (0) I I ÷
18

A memória longa possui diferentes aspectos no tocante à análise econométrica e, portanto, à
análise econômica aplicada. Suponha que a série RBF-G mostrada acima represente uma
variável econômica na qual o gestor de política econômica queira avaliar quais os efeitos de
choques econômicos sobre sua trajetória. Como será mostrado no trabalho, um dos
instrumentos à disposição é a Função Impulso-Resposta. Se o gestor, influenciado pela
avaliação dos testes de ADF e KPSS, adotasse o arcabouço para modelar a série,
ele possivelmente concluiria que o modelo mais adequado é o , com
e .
5
A Figura 3 mostra como os choques econômicos são acomodados pelos
modelos e .


Figura 3 – Função Impulso-Resposta dos Modelos ARIMA(1,1,1) e ARFIMA(0,0.3574,0)

Nesse exemplo específico, o gestor concluiria que os choques econômicos seriam
incorporados permanentemente na estrutura de memória da variável, quando, na verdade, seus
efeitos seriam decrescentes e se dissipariam no longo prazo, como mostra a trajetória da FIR
do modelo . Pequenas variações na ordem de integração de uma
variável econômica podem gerar avaliações significativamente distintas. Sob , os
modelos paramétricos tornam-se mais flexíveis e, portanto, melhor adaptados a considerar as
características particulares das variáveis econômicas. Por conseguinte, essa classe de modelos
produz instrumentos melhor adaptados à análise, ao desenvolvimento e à geração de subsídios
estatísticos para formulação de políticas voltadas principalmente para o médio e longo prazo.
Será mostrado nas análises empíricas desse trabalho que diferentes variáveis econômicas
brasileiras são bem representadas por modelos “simples” de memória longa em comparação a

5
Modelo estimado por MV utilizando o código arima.mle para S-Plus.
(1) (0) I I ÷
(1,1,1) ARIMA 0.3886 | =
0.9335 u =
(1,1,1) ARIMA (0, 0.3574, 0) ARFIMA


0 20 40 60 80 100
0
1
2
3
4
Tempo
F
I
R
0 20 40 60 80 100
0
1
2
3
4
ARIMA
ARFIMA
FIR - ARIMA(1,1,1) X ARFIMA(0,0.35,0)
(0, 0.3574, 0) ARFIMA
{ } d ¸ R
19

outras possíveis especificações complexas. A Teoria da Integração Fracionária, por esse
aspecto, permite especificações bastante parcimoniosas aos modelos de memória longa, o que
expõe uma vantagem de caráter prático a essa classe de modelos. Por sua vez, os modelos
necessitam da inclusão um grande número de parâmetros auto-regressivos e de
médias móveis para captar as autocorrelações de séries com estruturas de dependência mais
extensas. Esse fato torna potencialmente mais complexo os procedimentos de estimação,
considerando as condições de estacionariedade e invertibilidade de modelos polinomiais de
ordens elevadas.

Os temas abordados nesta tese estão dispostos da seguinte forma: no Capítulo 2, é explorado o
tema memória longa na Economia. Nesse âmbito, busca-se, por meio de uma pesquisa
exploratória na literatura econômica e econométrica, discutir as possíveis origens do
fenômeno memória longa em variáveis desse campo da ciência. Entre elas, é exposta a teoria
da herança da memória longa de fenômenos naturais que determinam ou influenciam as
relações econômicas de produção. Nessa etapa, também são discutidas as implicações para a
análise econômica da incorporação da teoria da integração fracionária ao paradigma
tradicional , e é relatado como importantes pesquisas científicas buscam na teoria
da memória longa a explicação para determinados fenômenos econômicos. São apresentados,
no Capítulo 3, os conceitos formais de integração fracionária e processo estocástico com
memória longa. São descritos os modelos ( , , ) ARFIMA p d q de memória longa e o processo
de Gegenbauer e os modelos ( , , ) ARFISMA p d q de memória longa sazonal. Alguns dos
principais métodos de estimação desses modelos e da ordem de integração fracionária são
apresentados no Apêndice 3 desse trabalho.

No Capítulo 4, é proposta uma análise envolvendo simulações de processos estocásticos
integrados fracionariamente, visando abordar o tema da eficiência estatística dos métodos de
estimação do parâmetro de integração. Complementarmente, é apresentada uma análise sobre
o comportamento dos testes de raízes unitárias tradicionais quando aplicados a
processos com memória longa. Entende-se que o baixo poder dos testes de raiz unitária em
relação à condição fracionária pode ter reflexos na modelagem das séries e pode, inclusive, ter
influência sobre a rejeição da hipótese de co-integração em procedimentos de teste do tipo
proposto por Engle & Granger (1987). A avaliação comparativa da eficiência dos testes de
raiz unitária, contrapostos à condição fracionária, é realizada por meio de simulações de
( , ) ARMA p q
(0) (1) I I ÷
(1) (0) I I ÷
20

processos estocásticos integrados com ordens no intervalo . A eficiência dos
modelos fracionários é avaliada com base em processos estocásticos simulados integrados
entre . Nas duas análises são consideradas séries de diferentes tamanhos. A partir
desses dois experimentos, busca-se identificar, entre os estimadores fracionários no domínio
do tempo e da freqüência, aqueles que se apresentam estatisticamente mais acurados e
evidenciar a possibilidade de indução à superdiferenciação por parte dos testes de raízes
unitárias. A partir dessas análises simulatórias é possível identificar quais são os métodos
estatísticos mais adequados para serem utilizados nos estudos empíricos realizados nesse
trabalho e poderão servir, adicionalmente, como um indicativo para outros pesquisadores.

No quinto capítulo, é abordado o tema da co-integração no âmbito da integração fracionária.
O capítulo faz uma breve introdução do conceito de co-integração fracionária, relata os
métodos de análise encontrados na literatura econométrica e descreve os procedimentos de
inferência envolvendo a técnica estatística de “bootstrap”, idealizados por Davidson (2002c).
Esse autor desenvolveu uma técnica de análise da co-integração fracionária não pivotal, ou
seja, na qual as distribuições dos testes que inferem a co-integração são particularizadas,
considerando as características idiossincráticas dos dados utilizados.

O sexto capítulo é dedicado à análise empírica sobre a memória longa em variáveis brasileiras
de naturezas econômicas distintas. O capítulo é formado por quatro estudos aplicados que
englobam os diferentes aspectos da memória longa abordados no trabalho. Em cada estudo, as
análises são desenvolvidas buscando-se contrapor os resultados do paradigma com
os da integração fracionária. Considerando o lado da produção na economia, o primeiro
estudo analisa o aspecto da persistência na série do Produto Interno Bruto (PIB) brasileiro.
Nele, avalia-se como os choques econômicos impactam na trajetória da série, por meio da
comparação das Funções Impulso-Resposta calculadas pelos dois arcabouços econométricos.
Por conseguinte, é analisada a hipótese oriunda da Teoria dos Ciclos Econômicos na
economia brasileira. Pelo lado do emprego, é realizada, no segundo estudo, uma análise
envolvendo memória longa sazonal na série da Pesquisa de Emprego e Desemprego (PED)
em São Paulo. Nesse estudo, também é avaliada a questão da persistência, considerando-se a
influência da memória longa sazonal no cômputo da Função Impulso-Resposta. Duas
metodologias envolvendo a memória longa sazonal são utilizadas: os modelos
, dentro do arcabouço fracionário, e os modelos
0 1 d _ _
1 1 d ÷ < <
(1) (0) I I ÷
( , , ) ( , , )
s
ARFISMA p d q P D Q
21

, pertencentes ao arcabouço . A demanda na
economia brasileira é abordada no terceiro estudo do trabalho, com base nas séries Consumo
das Famílias e Renda Disponível. Nele, são retratados os seguintes aspectos focados pela
Teoria Econômica: (1) a Hipótese da Renda Permanente de Milton Friedman versus a
Demanda Keynesiana; (2) análise de memória longa e (3) análise sobre a relação de longo
prazo entre as duas variáveis por meio da avaliação da co-integração fracionária. A avaliação
empírica dos dois grandes temas da Teoria Econômica enfoca o aspecto da variabilidade
relativa das duas séries. Para tanto, é proposto examinar a variância em multirresolução por
meio da decomposição da variabilidade das séries no domínio tempo-escada, utilizando a
análise de ondaletas. A transformada de ondaletas possui uma característica distintiva nos
estudos envolvendo séries com memória longa, devido à sua elevada capacidade de
“desautocorrelacionar” tais processos. A abordagem sobre a co-integração entre as duas séries
é baseada nos procedimentos de Davidson (2002c), no âmbito da memória longa, e de Engle
& Granger (1987) e de Johansen (1995) no escopo da co-integração . O quarto e
último estudo empírico enfoca, pelo lado da economia internacional, o tema da Paridade do
Poder de Compra (PPP) no Brasil. O estudo faz uma revisão dos resultados obtidos por Alves,
Cati & Fava (2001) à luz dos novos instrumentos de análise de integração e co-integração
fracionária abordados no trabalho. Seguindo o mesmo esquema dos outros estudos, os
resultados obtidos pelo paradigma fracionário são contrapostos aos do paradigma .
As conclusões finais sobre o conjunto da pesquisa são resumidas no Capítulo 7.

A definição matemática do padrão de comportamento denominado memória longa utiliza-se,
em grande medida, das propriedades espectrais dos processos estocásticos no escopo da
Análise de Fourier ou Análise Espectral Clássica. Atualmente, o desenvolvimento das
técnicas de análise da memória longa tem seguido o avanço da análise espectral em novas
bases, denominadas Ondaletas.
6
Embora esses dois temas sejam de considerável relevância,
eles não representam o foco principal dessa pesquisa e, portanto, serão tratados
separadamente no Apêndice 1 e Apêndice 2 do trabalho. A respeito deles, são explorados
principalmente os conceitos utilizados para a formalização dos processos com memória longa
e aqueles necessários à compreensão da lógica dos estimadores espectrais e espectrais de
ondaletas do parâmetro de interação fracionária.

6
Nesse trabalho, será utilizada a denominação ondaletas para o termo inglês “wavelets”, seguindo tradução dos
professores Morettin e Chiann. Ver Morettin (1999).
( , , ) ( , , )
s
SARIMA p d q P D Q (1) (0) I I ÷
(1) (0) I I ÷
(1) (0) I I ÷
22



23

2 MEMÓRIA LONGA E ANÁLISE ECONÔMICA


2.1 Introdução

A historiografia indica que, ainda no início dos anos de 1960, houve um esforço por parte dos
economistas para identificar as possíveis propriedades espectrais características das variáveis
econômicas. A dotação da Teoria Econométrica com a análise espectral de séries temporais
teve, inicialmente, duas motivações básicas: a comprovação da teoria dos Ciclos Econômicos
e a identificação de componentes periódicos sazonais. As teorias dos Ciclos Econômicos,
desenvolvidas por economistas no período pré-Segunda Grande Guerra, como Kondratieff e
Kuznets, nascem da dissociação dos efeitos de curto e longo prazo sobre a economia, ou seja,
pressupõem diferentes movimentos oscilatórios com freqüências distintas dentro de uma
mesma variável econômica, podendo, assim, ser analiticamente decompostos por meio da
análise espectral clássica. Ainda que desprovidos de um esforço comum em torno do objeto
“memória longa”, alguns trabalhos nessa área acabaram ajudando a preconizar a importância
da análise econômica nas baixas freqüências, como os de Cunnyngham (1963), Hatanaka
(1963), Granger & Morgenstern (1963), Nerlove (1964) e Granger & Hatanaka (1964).
Considerado um ícone na percepção do papel da memória longa em variáveis econômicas, o
artigo de Granger (1966), intitulado “The Typical Spectral Shape of an Economic Variable”,
expõe a recorrência de altos níveis de concentração de energia espectral nas mais baixas
freqüências de séries econômicas. Diretamente, o estudo indica as implicações tanto sobre a
análise econométrica como na gestão de políticas e, indiretamente, a dificuldade de mensurar
os componentes nessas faixas de freqüências.

Com a constatação, por meio da Teoria Estatística, de que diversas variáveis econômicas
apresentavam um padrão particular de dependência, descoberto anteriormente em outros
campos da ciência, economistas e pesquisadores ligados à área dos métodos quantitativos
passaram a estudar com afinco as especificidades das relações econômicas e do
comportamento de suas representações numéricas que pudessem explicar tais estruturas de
dependência entre grandes intervalos de tempo. Metodologicamente, Mandelbrot & Van Ness
(1968) deram um grande impulso à análise da memória longa, utilizando o conceito de
“Movimento Browniano Fracionário” introduzido por Kolmogorov (1940) e por Mandelbrot
& Wallis (1968), quando expuseram o método de identificação utilizado até hoje, denominado
24

“Rescaled Range (R/S)”, alternativamente ao proposto anteriormente por Hurst (1951). Na
década de 1970, tiveram início as pesquisas aplicadas em Economia sob o escopo de uma
teoria da memória longa formalmente fundamentada. Mandelbrot (1971), por exemplo,
utilizou um conceito de processo com memória longa, denominado processo “auto-
semelhante”, em uma pesquisa sobre arbitragem de preços.
7
O grande impulso à análise de
variáveis econômicas, baseado nos modelos de memória longa, deu-se somente após uma
década, com a generalização do modelo Auto-regressivo Integrado de Médias Móveis sob o
conceito da integração fracionária, modelo ( , , ) \ ARFIMA p d q d ¸R, apresentado nesse
trabalho no Capítulo 3.

O primeiro interesse dessa etapa é buscar na literatura implicações teóricas para a análise
econômica da incorporação da teoria da integração fracionária ao paradigma ,
transfigurando-o em um novo paradigma: ( ) \ I d d ¸R. Devido à elevada importância do
longo prazo para a Teoria Econômica, diversos autores notaram que o desenvolvimento de
modelos econométricos capazes de caracterizar adequadamente os comportamentos
associados às baixas freqüências de variáveis econômicas pode beneficiar a arquitetura e a
programação de políticas econômicas. Clive Granger, em “What are We Learning About the
Long-Run”, expôs a seguinte argumentação:

“(…) If macrotheories are about equilibria and econometric techniques are not, it becomes
difficult for these theorems to be tested on actual data (…) A major reason for interest in the long-
run is to study the impact of changes in the economy, such as new policies, tastes and
technologies, the effects of which may take some time to be fully understood. (…)“
Granger (1993, p.307)

Aspectos ligados à importância da memória longa para o controle e gestão de variáveis
econômicas podem, portanto, ser investigados sob o ponto de vista de como a Teoria
Econômica compreende determinados fenômenos de longo prazo e em como a aplicação do
instrumental da integração fracionária afeta tal entendimento.

É de longa data que os economistas vêm canalizando seus esforços para melhor compreender
o caráter das oscilações na economia. Adelman (1960) concebeu uma explicação estocástica
para os ciclos econômicos fora do âmbito da Economia “determinista” hickssiana, comum à
sua época. Segundo a autora, a perspectiva estocástica para a origem dos ciclos econômicos,

7
Tradução de “self similar process”.
(1) (0) I I ÷
25

preconizada por Ragnar Frisch em 1933, mostra que perturbações (aleatórias) são suficientes
para originar movimentos persistentes que se propagam para o conjunto da economia. A
Teoria dos Ciclos Econômicos formaliza-se basicamente sobre duas premissas, presentes
tanto em teorias monetaristas quanto nas neo-keynesianas. A primeira afirma que são
preponderantemente os choques sobre a demanda agregada, de natureza monetária ou fiscal,
ou ainda regidos pelo “espírito animal” do Homem, que comandam as flutuações no produto
agregado. A segunda premissa, e mais importante para o tema desse trabalho, diz que o efeito
dos choques da demanda agregada sobre o produto tem caráter temporário, sendo incapaz de
desviar o produto de sua taxa natural de crescimento de longo prazo. As implicações do
trabalho de Nelson & Plosser (1982) são reconhecidamente um marco paradigmático para a
análise econômica e, entre outras interpretações, seus resultados vêm fornecendo
embasamento científico para a negação empírica da segunda assertiva teórica dos ciclos
econômicos. As evidências sobre a presença de uma tendência de caráter estocástico no nível
do produto incitam a rejeição da hipótese de que as flutuações no nível do produto agregado
seriam apenas desvios de curto prazo em torno de uma tendência determinista, representativa
de sua taxa natural de crescimento.
8
A indicação encontrada por esses dois autores para a série
do produto dos E.U.A. é que ela seria melhor representada em primeiras diferenças, ao invés
de ser modelada como um processo estacionário contendo tendência linear e memória
estritamente curta. Muitos pesquisadores, motivados pelas evidências desses dois autores,
empenharam-se na busca de provas empíricas, favoráveis ou não à premissa determinista da
Teoria dos Ciclos Econômicos. Em Campbell & Mankiw (1987a), por exemplo, foi
mensurada a persistência na série trimestral do produto norte-americano no período do pós-
guerra por meio da função impulso-resposta com base nos parâmetros de modelos
. Sob a hipótese dos ciclos econômicos, choques inesperados no produto não
devem influir definitivamente em seus valores futuros associados ao longo prazo. Ou seja,

“(…) If fluctuations in output are dominated by temporary deviations from the natural rate, then
an innovation in output should not substantially change one’s forecast of output in, say, five or ten
years. Over a long horizon, the economy should return to its natural rate; the time series for
output should be trend-reverting. (…)”
Campbell & Mankiw (1987a, p.857)


8
Campbell & Mankiw (1987a) comentam que a implicação da presença de uma raiz unitária na série do produto
condenaria também, como sugerido por Nelson & Plosser (1982), a primeira assersiva dos ciclos econômicos.
Sobre o assunto, ver Shapiro (1987).
( , , ) ARIMA p d q
26

Ainda que utilizando os termos “persistente” e “permanente” com significado difuso nas
considerações do texto, os autores afirmaram ter encontrado indícios sobre a existência de raiz
unitária na série, resultado essencial para o entendimento da “dinâmica econômica”, pois
revela o caráter persistente da variável. No mesmo âmbito, Campbell & Mankiw (1987b)
expuseram uma conceituação estatística de “persistência” baseados em Cochrane (1986) e
estimaram-na utilizando uma abordagem bivariada de “componentes independentes
observados”. A metodologia adotada pelos autores foi de decompor a série do produto em um
componente transitório, associado aos ciclos econômicos, tomando a taxa de desemprego
como sua proxy, e num componente persistente, não relacionado aos ciclos, referente à taxa
natural de crescimento. Sob a hipótese de que o componente relativo aos ciclos econômicos é
“menos persistente” que o relativo à taxa de crescimento natural, os resultados não mostraram
diferença entre os dois componentes. Ao modificarem o modelo utilizando a taxa de
crescimento do produto, a decomposição revelou diferença entre a persistência dos dois
componentes na forma prevista. Segundo suas conclusões, isso pode ser um indicativo de que
a reversão de tendência dos ciclos econômicos pode não ocorrer tão rápido quanto se
imaginava. Essa posição contraria os resultados encontrados por Blanchard (1981) e Kydland
& Prescot (1982), em linha com o pressuposto dos ciclos econômicos, que sugere que o
logaritmo do PIB norte-americano era adequadamente representado por um modelo
em torno de uma tendência determinista.

Embora inicialmente a Teoria Econômica e os estudos empíricos tenham enfocado mais a
persistência na renda, suas implicações sobre variáveis de outras áreas da Economia têm
fundamental importância. Por exemplo, Blanchard & Summers (1986) investigaram o
desemprego na Europa e avaliaram que os choques sobre essa variável possuem efeitos mais
persistentes do que as teorias tradicionais podem explicar, gerando importantes implicações
em termos de políticas de emprego. Coakley et al (2001) aprofundaram a pesquisa
contrapondo a visão de duas vertentes do pensamento sobre o desemprego, a escola da
persistência e a escola estruturalista. A primeira tem sua motivação teórica apoiada na
hipótese da existência de uma taxa natural de desemprego. Nela, desvios com dinâmica de
ajustamento muito lento são gerados por choques transitórios na taxa de desemprego
observada. A segunda vertente entende que os movimentos observados na taxa de desemprego
não podem ser desassociados da taxa de desemprego de longo prazo, ou seja, que a taxa de
longo prazo é endógena. A argumentação dos autores sobre a natureza da persistência no
desemprego, em termos de política econômica, é bastante clara:
(2) AR
27

“(…) If unemployment is high because of persistence, monetary policy can make a contribution without
an immediate risk of inflation. Although a transient recession could, absent intervention, leave its
remnants for years, equally an expansionary monetary policy could have a sustained beneficial
effect.(…)”
Coakley et al (2001, p.180)

Na Economia monetária, a discussão sobre a neutralidade da moeda pressupõe a distinção dos
efeitos da expansão monetária sobre o produto no curto e no longo prazo. O ritmo no qual os
efeitos no nível do produto se dissipam traduz o grau de persistência da resposta do produto
ao impulso da expansão e contração monetária oriundo de choques exógenos. Nessa linha de
pesquisa, Bae et al (2005) estenderam os conceitos de neutralidade e superneutralidade de
longo prazo da moeda de Fisher & Seater (1993), baseados originalmente nos modelos
, para a caracterização dos modelos . A correta identificação
dos efeitos de longo prazo nas séries reflete o caráter da persistência, permanente ou
transitório, dos choques econômicos sobre a variável monetária. A verificação empírica do
fenômeno da neutralidade monetária de longo prazo depende crucialmente do comportamento
condicional da série monetária associado às baixas freqüências, que é melhor captado pelos
modelos de integração fracionária.

Em diferentes áreas de pesquisa econômica, portanto, o caráter da persistência na dinâmica de
ajustamento dos desvios na trajetória das variáveis, causados por choques temporários, é
fundamental na identificação do comportamento de longo prazo e, por conseguinte, para
avaliação de políticas econômicas. O fenômeno da persistência, no entanto, possui dois
caracteres distintos: um caráter permanente, contemplado pelo arcabouço com
integração unitária, e um caráter de longo prazo, abordado mais recentemente pelos modelos
de memória longa ou modelos de longa persistência. Nessa classe de modelos, destaca-se o
arcabouço , cujo comportamento de longo prazo é representado pela integração da
série na forma fracionária. Existe, no âmbito do paradigma , uma lacuna teórica e
instrumental na interpretação da persistência. A imprecisão gerada pelo baixo poder dos
modelos tradicionais de testes para raízes unitárias cria uma lacuna instrumental em meio à
qual as integrações unitária e fracionária se confundem. Ainda sob esse aspecto, a estimação
de processos estacionários com elevada persistência envolve a inclusão de muitos parâmetros,
impondo dificuldades aos procedimentos tradicionais, tais como a instabilidade do modelo.
Por outro lado, Henry & Zaffaroni (2003) afirmam que não existe na literatura uma
( , , ) ARIMA p d q ( , , ) ARFIMA p d q
ARIMA
ARFIMA
(1) (0) I I ÷
28

justificativa teórica consistente que assegure raízes exatamente unitárias em séries
macroeconômicas, em vez de ordens de integração fracionárias próximas à unidade, criando,
com isso, uma lacuna de ordem teórica. Na concepção desse trabalho, os modelos de memória
longa são úteis para melhor compreender as forças que atuam sobre as variáveis econômicas e
seus comportamentos esperados no longo prazo. A forma polar da energia espectral nas
freqüências próximas a zero, identificada na lei da “Forma Espectral Típica”, revela a
importância das flutuações de longo prazo nas variáveis econômicas. Seu decréscimo de
forma suave e “contínuo” pode ser reflexo de periodicidades estocásticas de longa duração.
Ambas as formas definem comportamentos associados às baixas freqüências, instigando a
utilização dos modelos de memória longa em sua caracterização. Os efeitos da identificação
das características de baixa freqüência, segundo Granger (1966), podem ajudar na arquitetura
de políticas econômicas: políticas visando à suavização dos ciclos econômicos, por exemplo,
devem ser capazes, em termos de análise espectral clássica, de aprofundar a concavidade da
densidade de energia espectral sem eliminar sua concentração nas freqüências próximas a
zero. Ou seja, devem controlar as bandas de freqüência relativas aos ciclos econômicos para
suavizar as flutuações de longo prazo sem afetar sua tendência ascendente:

“(…) it can be argued that one should not use a “stop-go” policy similar to that used by the
British government in recent years without at the same time implementing long-term policies that
help to control the trend element (…)”
Granger (1966, p.160)

A introdução dos modelos de memória longa no estudo da trajetória dinâmica do produto, por
alguns autores, pode ser entendida como uma busca pela reconciliação das teorias dos ciclos
econômicos com os fatos empíricos. A consideração de que o produto é regido por um
processo puramente aleatório, , implica que os choques econômicos terão seus efeitos
incluídos permanentemente no futuro infinito da série, enquanto a estacionariedade, ,
implica desvios de curto prazo de sua trajetória temporal. A integração fracionária,
, é um meio termo entre esses pólos. Diebold & Rudebusch (2001),
tentando retratar quais as características que definem os ciclos econômicos, comentam que,
após os co-movimentos entre variáveis econômicas, as flutuações persistentes no nível da
atividade são uma de suas características mais presentes. Sob essa caracterização, desvios em
torno de um nível médio ou tendência, denominado como taxa natural de crescimento,
persistem por um “considerável período de tempo”, mas não infinitamente. Segundo os
(1) I
(0) I
( ) \ 0 1/ 2 I d d < <
29

autores, o arcabouço dos modelos integrados fracionariamente é propício à análise desse tipo
de persistência em séries macroeconômicas. É um deslocamento do foco de análise da
“existência” para a “importância” de componentes persistentes nas séries macro, procurando
inferir quais são os efeitos dos choques, não para o futuro infinito, mas para horizontes
tangíveis, definidos como “longo prazo”, como por exemplo, de cinqüenta a cem anos à
frente. Haubrich & Lo (2001) entendem que a possibilidade de controlar a dependência de
longo prazo por meio dos processos integrados fracionariamente eleva a capacidade de isolar
mais adequadamente os ciclos econômicos das tendências, permitindo o acesso às
propriedades da decomposição.

Diebold & Rudebusch (1989) realizaram um dos primeiros trabalhos de macroeconometria
aplicada sob o arcabouço da integração fracionária, estendendo a linha de pesquisa de
Campbell & Mankiw (1987a). O trabalho foi dedicado à identificação e quantificação da
persistência do produto e do desemprego norte-americano aos choques econômicos.
Baseando-se em uma gama de variáveis anuais e trimestrais, os dois autores utilizaram o
instrumental para modelar a série e calcular a função impulso-resposta
acumulada, utilizada para inferir a dinâmica da absorção dos choques pelas variáveis. Os
resultados encontrados pelo estimador GPH empregado pelos autores são condizentes com a
hipótese de integração fracionária: , tanto para a série do produto real per capita
quanto para a série do desemprego e valores entre e para as outras séries
consideradas.
9
Com base nesses valores, os autores demonstraram a elevada sensibilidade da
função impulso-resposta para o produto norte-americano em relação ao parâmetro de
integração na forma fracionária e unitária. Os efeitos dos choques sobre modelos com
integração fracionária no intervalo , mesmo com valores próximos à unidade,
tendem a se dissipar ao longo do tempo, enquanto nos modelos com integração unitária o
choque é permanente. Embora enfaticamente mencionado pelos autores que o procedimento
gerou um intervalo de confiança muito amplo, que impedisse uma afirmação definitiva, os
indícios de uma ordem de integração fracionária condizente com um processo persistente
reversível à sua média, , é uma evidência substancial em relação aos resultados
dos trabalhos anteriores sob o paradigma .


9
Haubrich & Lo (2001) fazem uma crítica sobre as evidências encontradas, mencionando que o intervalo de
confiança para as estimações pontuais não permite rejeitar a hipótese de raiz unitária nas séries analisadas.
( , , ) ARFIMA p d q
ˆ
0.7 d =
0.5 0.9
0 1 d < <
1/ 2 1 d < <
(1) (0) I I ÷
30

Diebold & Rudebusch (1991) seguem os mesmos passos adotados em seu artigo anterior, com
a finalidade de verificar a negação empírica da Hipótese da Renda Permanente (HRP)
encontrada por outras pesquisas. Dentro do arcabouço , a HRP prediz que a
volatilidade do consumo deve ser maior do que a volatilidade de choques inesperados sobre a
renda. Foi escolhido o arcabouço para a confrontação com a intenção de verificar
se o excesso de suavidade do consumo não seria conseqüência da inadequada representação
para a dinâmica de baixa freqüência das séries. O efeito das inovações na renda sobre
a variação no consumo foi estimado com base na função impulso-resposta para diferentes
horizontes de tempo em um modelo de ciclo de vida. Os autores adotaram três taxas de
desconto intertemporal diferentes, com variando em um intervalo de dois desvios-padrão a
partir de uma estimativa pontual preliminar. As conclusões indicam que as propriedades
estocásticas de longo prazo do produto são decisivas na determinação das respostas do
consumo às inovações na renda, e que essas se revelaram bem inferiores às anteriormente
calculadas pela metodologia . Ou seja, o estudo suscita que as violações da hipótese
da renda permanente devido ao excesso de suavidade do consumo não são tão importantes
quanto se pensava. Contudo, o conjunto dos resultados não provê uma reconciliação cabal
entre os dados empíricos com a teoria. Haubrich (1993), nessa mesma linha de pesquisa,
avaliou se, ao permitir que a renda seja integrada fracionariamente, o Paradoxo de Deaton
sobre o excesso de suavidade do consumo agregado frente à renda agregada poderia ser
superado. Mantendo as hipóteses de renda permanente e da representação univariada, seus
resultados apontam que a solução fracionária permite encontrar, simultaneamente, os valores
observados da variância da renda e do consumo como uma possível solução para o paradoxo.
O trabalho baseia-se, portanto, na hipótese de uma falha dos testes de raízes unitárias frente à
alternativa de integração fracionária quando a renda possui parâmetro próximo à unidade. Se
a hipótese da renda permanente não pode ser desconsiderada sob a memória longa na renda,
então as políticas visando alterar o consumo devem ser formuladas considerando-se isso. Por
exemplo, conjetura-se que políticas visando elevar o consumo presente podem ser formuladas
tendo como alvo a elevação da renda permanente, em vez de atuar especificamente sobre a
renda corrente. Isso faz sentido quando se identifica que os instrumentos para atuar sobre a
renda permanente são distintos daqueles para atuar na renda corrente, como por exemplo,
políticas de estabilidade de emprego.

ARIMA
ARFIMA
ARIMA
d
ARIMA
31

Sob a óptica dos modelos de crescimento econômico neoclássicos, o arcabouço da integração
fracionária tem servido para revisar resultados antes encontrados por outras abordagens. O
artigo outrora mencionado, Michelacci & Zaffaroni (2000), infere, teoricamente, quais seriam
as propriedades empíricas necessárias dos processos que descrevem o produto per capita dos
países-membro da OCDE para que a taxa exponencial de convergência ao “steady state” de
2%, apresentada na literatura sob o arcabouço do modelo de Solow-Swan, apresente-se como
um resultado factível.
10
Sob esse resultado, os choques que atingem a economia, desviando o
produto de sua trajetória de longo prazo, serão absorvidos por uma taxa de 2% e apresentarão
reversão à média. Suas deduções mostram que tal resultado é condizente somente se o produto
per capita apresentar uma estrutura de memória condizente com o intervalo em
um modelo estendido de Solow na forma agregada entre grupos heterogêneos (cross-sectional
heterogeneity). Os resultados empíricos revelaram que as ordens de integração entre os países
da OCDE são diferentes entre si, porém semelhantemente contidas no intervalo ,
indicando uma convergência incondicional ao “steady state” entre eles. Com isso, a
convergência não pode ser analisada diretamente pela abordagem da co-integração
tradicional. O achado “reconcilia” as evidências encontradas em estudos de “cross-section”
com as de séries temporais.

Estudos envolvendo diferentes áreas da Teoria Econômica vêm mostrando que os modelos de
memória longa têm a capacidade de compreender determinados comportamentos associados a
fenômenos econômicos, que outras ferramentas econométricas não são capazes de incorporar
eficientemente. Ser capaz de mensurar eficientemente o componente permanente na variável
do produto agregado, por exemplo, é crucial em estudos macroeconômicos, dada a extensão e
persistência que os choques terão sobre sua trajetória. Por meio dela, poderão ser avaliadas
políticas anticíclicas sobre bandas de freqüências específicas, na tentativa de atenuar períodos
de depressões. Diebold & Rudebusch (1989) lembram que:

“(...) For policymakers, the implications of macroeconomic persistence are just as unsettling.
Strong persistence would call into question, at a fundamental level, the appropriateness of
countercyclical policy. If the cyclical component is insignificant in aggregate output and there is
no steady trend to which to return the economy, attempts at countercyclical policy are at the best
misguided. In addition, when each movement in output is largely permanent, the costs and benefits
of policy actions are far different than when movements are transitory; the price of higher or
lower output over the whole future path of the economy must be weighed in the policy
calculus.(…)”
Diebold & Rudebusch (1989, p.190)

10
Também conhecida como Beta-Convergência. Ver Barro & Sala-I-Martin (1991) e Quah (1993).
1 2 1 d < <
1 2 1 d < <
32

Os modelos de memória longa permitiram maior flexibilidade à modelagem dos
comportamentos de baixa freqüência das séries temporais, com importantes implicações para
a quantificação da persistência de choques sobre as variáveis econômicas, proporcionando,
portanto, melhor avaliação do impacto de políticas econômicas. Pelo aspecto da confrontação,
a aplicação dos modelos de integração fracionária em modelos macoreconométricos
existentes surge como uma crítica às contradições inerentes aos resultados dicotômicos do
antigo paradigma . Isso pode ser percebido nos resultados de Diebold &
Rudebusch (1989), que apontam que a mudança para o paradigma de análise ,
tem fortes implicações em termos da avaliação de políticas macroeconômicas. Por meio da
função impulso-resposta acumulada, os modelos de memória longa foram capazes de mostrar
que choques tendem a ser absorvidos no médio e longo prazo, enquanto os modelos
integrados unitariamente demonstraram efeitos amplificados e persistência exacerbada
indefinidamente. Portanto, a inadequada especificação da ordem de integração de modelos de
séries temporais, aplicados à análise de políticas econômicas, pode gerar comprometimento
das avaliações. As vantagens da modelagem econométrica, baseadas nos princípios da
memória longa, podem ser resumidas como um aumento da eficiência e da capacidade dos
modelos econométricos de servirem como instrumentos de controle de políticas em termos de
uma maior sintonia fina entre os efeitos de médio e longo prazo. A introdução dos modelos de
memória longa e a evolução dos testes, no escopo da Teoria Econômica, são, portanto, um
avanço qualitativo para a análise econométrica com possíveis repercussões sobre a
programação de políticas públicas.


2.2 Origem da Memória Longa em Variáveis Econômicas

O modo de relacionar a memória longa nos estudos econômicos sugere um formato quase
unívoco: parte-se de modelos matemáticos que carregam uma estrutura de dependência de
longo prazo que seja capaz de sintetizar as particularidades das variáveis econômicas
estudadas. Não há, em grande parte dos casos, uma preocupação direta com um possível fator
econômico gerador da memória longa; a preocupação se dá preponderantemente no campo da
modelagem. Duas vertentes, não exclusivas, destacam-se na tentativa de inferir a origem da
memória longa associada, direta ou indiretamente, a fatores econômicos. A primeira vertente
busca no processo de agregação de séries heterogêneas, típico em séries macroeconômicas, a
(1) (0) I I ÷
( ) I d 0 1 d < <
33

explicação do fenômeno estatístico. A segunda entende que a geração do padrão de memória
longa pode estar associada aos eventos denominados como quebras estruturais e regimes
alternantes, também freqüentemente percebidos em variáveis de natureza econômica. A
explicação encontrada nessa linha de pesquisa baseia-se em um possível “mimetismo” das
características que definem a memória longa por séries que sofrem deslocamentos abruptos
em seus níveis.
11
Uma terceira possibilidade de origem da memória longa nas variáveis
econômicas está na herança dos efeitos da memória longa de fenômenos naturais. Embora
sejam encontrados apenas relatos esporádicos sobre essa linha de explicação, ela parece ser
uma explicação teórica consistente para a existência de memória longa em determinadas
variáveis econômicas. Nessa seção, as três interpretações teóricas serão expostas como formas
complementares na explicação da memória longa em variáveis econômicas.


2.2.1 Geração do Padrão de Memória Longa pela Agregação de Microprocessos

Granger (1980) considerou diferentes conceitos de processos estocásticos para formalizar a
argumentação de que o procedimento de geração de dados macroeconômicos a partir da
agregação de “microséries” pode conduzir a modelos com propriedades distintas da
modelagem econométrica tradicional . Os modelos analisados contemplaram
a agregação de processos do tipo:
(2.1)
A partir de hipóteses específicas sobre as distribuições do conjunto de parâmetros dos
modelos, baseando-se em uma distribuição Beta no intervalo restrito , o autor inferiu, por
meio de análises no domínio do tempo e da freqüência, que a agregação de processos
expressos por relações dinâmicas pode definir padrões de memória longa, mesmo partindo de
processos com memória estritamente curta. Por exemplo, a agregação sem ponderação de
modelos descritos por (2.1) pode gerar modelos . Davidson (2005)
menciona que, em Economia, a maioria dos modelos com estrutura adequada a contemplar a

11
O termo mimetismo, traduzido contextualmente do inglês “mimic”, é utilizado freqüentemente por Granger
para referir-se às características ilusórias dos processos com quebras estruturais como processos com memória
longa.
( , , ) ARIMA p d q
1
2
, 1, 1, 2,...,
~ . .(0, )
it i it it i
it
x x i N
R B
o c o
c o
÷
= ÷ < =
[ [ 0,1
N
(1) AR ( , 1) ARMA N N÷
34

memória longa é baseada em alguma noção de agregação de “microprocessos”.
12
O autor
baseou-se em um modelo na forma de (2.1) e mostrou algebricamente o surgimento de um
modelo linear com memória longa com propriedades assintóticas de um movimento
browniano fracionário. Com a mesma perspectiva, Robinson (2003) afirma que, para um
conjunto suficiente de “microséries” como (2.1), em que “ ” é uma variável aleatória com
valores próximos à unidade, a série resultante de sua agregação exibirá função de
autocovariância sob a forma:

2
0
( ) { , } {( ) }
h j
i it it h i
j
h Cov x x E ¸ o
÷·
÷
÷
=
= =
_
(2.2)
e seu o espectro na freqüência zero se caracterizará por
(2.3)
satisfazendo , tal como um processo com memória longa. Lippi &
Zaffaroni (2000) abordaram o tema utilizando uma distribuição semiparamétrica sobre os
mesmos processos conceituais. Yigit & Hightower (sem data) estudaram as propriedades
desse grupo de modelos e a tolerância dos resultados a outras distribuições dos parâmetros
dos microprocessos. Os pesquisadores relataram uma relação positiva entre a extensão da
memória e os valores dos dois primeiros momentos estatísticos. Segundo eles, a geração de
um padrão de memória longa pela microagregação de processos depende crucialmente
da heterogeneidade paramétrica e de coeficientes auto-regressivos próximos ao valor unitário.

Modelos macroeconômicos que incorporam a memória longa vêm sendo formulados a partir
da teoria da agregação de microprocessos. Haubrich & Lo (2001) propuseram uma adaptação
do arcabouço macroeconômico dos Ciclos Econômicos Reais de Long & Plosser (1983),
buscando uma fundamentação econômica para a origem da memória longa, e dedicaram uma
seção à verificação empírica da presença da longa dependência observada na série do produto
norte-americano e de alguns países membros da OCDE. A lógica do modelo é essencialmente
a mesma da microagregação em que uma economia multisetorial tem a produção de cada uma
das indústrias, resumida por um processo com os parâmetros do termo auto-
regressivo dependendo de um conjunto específico de preferências e da tecnologia adotada.
Segundo o modelo, cada indústria, individualmente, não necessita seguir necessariamente os
ciclos econômicos ou apresentar historicamente a memória longa em sua produção para que
ambos apareçam no agregado da economia. Michelacci & Zaffaroni (2000) idealizaram uma

12
Microprocesso ou microsérie pode ser definido como o modelo de série temporal que representa uma das
variáveis elementares compreendidas na variável agregada.
i
o
2
(0) {(1 ) }
x i
f E o
÷
· ÷
0
( )
x
f
v
v
÷
÷÷÷÷÷·
(1) AR
N (1) AR
35

economia cuja produção nos níveis micro e macroeconômico seguem a função de produção
neoclássica de crescimento com especificação estocástica, denominada por eles como “Solow
model with cross-sectional heterogeneity”. A agregação pela soma das funções
idiossincráticas descreve as propriedades do modelo original, que sob hipóteses semelhantes
às adotadas por Granger (1980) apresenta a possibilidade de exibir uma trajetória do produto
com padrão de memória longa, independentemente da natureza dos choques individuais ou
coletivos. Bailie et al (1996), baseando-se nos testes de raiz unitária ADF e KPSS, indicaram a
existência de uma estrutura de memória longa em séries de preços agregados de nove países
industrializados. Yigit & Hightower (sem data) formalizaram a hipótese de que a memória
longa em séries de inflação pode ser advinda da agregação de expectativas inflacionárias
heterogêneas dos agentes econômicos. Sob a hipótese de “homogeneização” das expectativas
(racionais) dos agentes pela introdução de um regime crível de metas de inflação por parte da
autoridade monetária, os autores admitiram a possibilidade da memória longa na variável
desaparecer.

Associadas ao tema, porém ainda não tocadas pelas pesquisas sobre agregação e memória
longa, estão as diferentes formas de agregação das variáveis econômicas. A busca por formas
mais adequadas para a representação numérica das relações econômicas induz os economistas
à adoção de números-índice que, de maneira geral, refletem a necessidade de introduzir
diferentes ponderações sobre as variáveis de interesse. Por exemplo, algumas instituições
financeiras internacionais utilizam-se das representações dos índices de agregados monetários
Divisia Törnqvist-Theil, Currency Equivalent e uma variação do Índice Ideal de Fisher para
mensurar a quantidade de moeda em circulação na economia.
13
No escopo da pesquisa de
Granger estariam os agregados monetários tradicionais M1, M2, M3 e M4, devido à
agregação pela simples soma de seus componentes elementares. Porém, diferentes formas de
ponderação podem gerar efeitos distintos no que tange à estrutura de memória na série
agregada. Logo, entende-se que esse é um espaço ainda a ser explorado.




13
Marques (2003) discute mais profundamente o tema.
36

2.2.2 Geração do Padrão de Memória Longa por Quebras Estruturais e Regimes
Alternantes: Memória Longa Espúria?

Um dos temas intimamente relacionados às variáveis econômicas, que vem crescentemente
sendo estudado, é a geração dos padrões de memória longa resultante de quebras estruturais e
regimes alternantes. Há unanimidade entre os autores pesquisados na constatação causal,
teórica e empírica, de que a incidência de quebras estruturais e regimes alternantes em séries
de tempo produz determinados efeitos sobre suas funções de autocovariância e de densidade
espectral que as tornam semelhantemente caracterizadas como processos com memória longa.
Observa-se, nesse fato, um paralelismo com o ocorrido em trabalhos precedentes envolvendo
quebras estruturais e raízes unitárias. Após Nelson & Plosser (1982) terem posto em dúvida o
paradigma econométrico teórico da época, Perron (1989), Rappoport & Reichlin (1989) e
outros refutaram parcialmente seus resultados ao relatarem a interferência das quebras
estruturais sobre o poder dos testes de raízes unitárias. Como esse assunto é recorrentemente
associado ao tema central deste trabalho, ele será apresentado nesta seção. O intuito desta
exposição, no entanto, será modesto, porque envolve complexidades que fogem do escopo
deste trabalho. Pretende-se introduzir o tema da geração dos padrões de memória longa pela
ocorrência de quebras estruturais e regimes alternantes, relatar as principais pesquisas
realizadas e introduzir a discussão “herdada” do paradigma se a memória longa
que surge da quebras estruturais e regimes alternantes deve ou não se considerada como
espúria.

É propício, introdutoriamente, uma delimitação dos dois conceitos-base mencionados. O
entendimento desses dois fenômenos pode variar entre diferentes áreas da ciência e mesmo
entre diferentes abordagens. Nesse trabalho, quebra estrutural é entendida como uma não-
linearidade; um deslocamento concentrado no tempo e de grande magnitude em relação ao
histórico da série.
14
Por sua vez, o conceito de regime alternante circundará a idéia de uma
seqüência de quebras estruturais, geralmente com menores amplitudes, percebidas ao longo da
trajetória de uma série temporal. Visualmente, uma série com regimes alternantes exibe
diferentes níveis, estáveis durante certo período de tempo, também denominados como
“clusters”. A Figura 4 exemplifica graficamente os dois casos com séries simuladas. O gráfico

14
A quebra estrutural pode ocorrer tanto no nível quanto na variabilidade da série. No caso em questão, o foco é
destinado especificamente às quebras no nível das séries.
(1) (0) I I ÷
37

(A) exibe uma série com quebra estrutural sem alteração em sua trajetória determinista
crescente e o segundo exibe uma série que apresenta dois regimes em seu nível.

(A)
0 200 400 600 800 1000
-
5
0
5
1
0
(B)
0 200 400 600 800 1000
-
4
-
2
0
2
4

Figura 4 – (A) Série com Quebra Estrutural e (B) Série com Regimes Alternantes

Diferentes questões associadas ao tema podem ser encontradas em Banerjee & Urga (2004),
que é um compêndio historiográfico sobre as quebras estruturais. O principal aspecto
observado na literatura referente a essa seção é que há um “mimetismo” das características
distintivas das séries com memória longa por aquelas que apresentam quebras estruturais e
regimes alternantes. Essa peculiaridade pode ser demonstrada a partir da simulação de uma
quebra estrutural no nível de um processo Ruído Branco Gaussiano (RB-G), exposta na Figura
5, abaixo:

Figura 5 – Processo Ruído Branco Gaussiano com a Simulação de uma Quebra Estrutural em seu Nível e
suas Funções de Autocorrelação

0 200 400 600 800
-
2
0
2
4
RB-G
0 200 400 600 800
-
2
0
2
4
6
RB-G com Quebra
Lag
A
C
F
0 50 100 150 200
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0

Correlograma do RB-G
Lag
A
C
F
0 50 100 150 200
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0

Correlograma do RB-G com Quebra
38

Inicialmente, percebe-se que a inclusão de uma quebra no nível do RB-G imprime um formato
hiperbolicamente decrescente sobre sua função de autocorrelação. Utilizando o estimador da
ordem de integração fracionária por MV, obtêm-se, respectivamente, os seguintes resultados
para antes e depois da inclusão da quebra estrutural: e
. Os valores entre parênteses representam os p-valores do parâmetro
estimado. No primeiro caso, portanto, concluir-se-ia corretamente que o processo é aos
níveis de significância estatística tradicionais. No segundo, a presença da quebra estrutural
imprimiu ao processo a característica de um processo com memória longa estacionário. Essas
evidências foram avaliadas por diferentes autores, por meio da análise de processos teóricos
que apresentam aleatoriamente desvios abruptos em seus níveis.

Granger (1999), Granger & Hyung (1999) e Diebold & Inoue (2001) propuseram análises
sobre um desses processos. Trata-se de um processo estocástico com quebras eventuais em
seu nível segundo uma distribuição de probabilidade variante no tempo. Sob certas condições
descritas pelos autores, o modelo gerará quebras estruturais com amplitudes aleatórias
motivado por choques originários no ruído e valores relativamente estáveis em períodos
longos de tempo. Para determinados valores dos parâmetros do modelo, a função de
autocorrelação decai lentamente em direção a zero, tal qual um processo linear com memória
longa ou não estacionário. Diebold & Inoue (2001), seguindo essa linha de pesquisa,
estudaram a circunstancialidade da relação causal entre os fenômenos das quebras estruturais
e regimes alternantes com o padrão de memória longa, por meio de experimentos de Monte
Carlo. Os autores demonstraram com base no mesmo processo de Granger e Hyung (1999)
que, para determinados valores da probabilidade de ocorrência de quebras e do tamanho da
amostra, a ordem de integração estimada segue um processo . De modo geral,
seu estudo mostra que à medida que o número de quebras aumenta em uma série, sua ordem
de integração tende à unidade. Hwang (2000), baseando-se também em simulações de
processos estocásticos, gerou artificialmente séries e , e analisou o efeito
da inclusão de quebras nas séries, chegando a conclusões semelhantes às dos trabalhos
anteriores. Granger & Teräsvirta (1999) analisaram um processo markoviano (não linear) com
regimes alternantes baseando-se em um modelo (linear) ( ) \ I d d ¸R. Por meio de simulações,
eles mostraram que, para esse processo em particular, à medida que se eleva a probabilidade
de mudança de regimes, diminui a ordem de integração fracionária do processo. Eles também
analisaram subamostras dos processos simulados e chegaram às mesmas conclusões. A
ˆ
0.0409(0.1404) d =
ˆ
0.3599(0.0000)
Q
d =
(0) I
( ) \ 0 1 I d d < <
(1) AR (1,1) ARMA
39

pesquisa tem uma importante conclusão: a ordem fracionária em uma série temporal com
diferentes regimes depende do número e da localização das mudanças de regime.

Estudos econométricos aplicados envolvendo séries macroeconômicas e financeiras têm
acolhido o referencial teórico da interferência das quebras estruturais e regimes alternantes
sobre os modelos de memória longa. Caporale & GilAlana (2003), por exemplo, examinaram
o comportamento estocástico de séries de índices de preços ao consumidor de países que
sofreram períodos de hiperinflação em seu passado recente (Argentina, Brasil e Israel). A
intenção dos referidos autores era confrontar os resultados obtidos pela utilização da
modelagem de integração fracionária envolvendo quebras estruturais com os resultados
obtidos por meio de abordagens tradicionais no âmbito dos modelos de raízes unitárias.
15

Foram aplicados testes paramétricos de raízes fracionárias do tipo Multiplicador de Lagrange,
envolvendo termos deterministas, tais como dummies de deslocamento (pulso) e dummies de
inclinação. Os resultados obtidos pelos autores indicam que com a introdução de dummies de
inclinação quadrática, a ordem de integração para a série da Argentina caiu sensivelmente
para valores abaixo de , enquanto que para as séries brasileiras e israelenses as ordens de
integração permaneceram maiores do que 1. Barkoulas, Baum & Caglayan (1999) estudaram
uma possível relação entre memória longa e quebras estruturais sobre taxa de câmbio para um
conjunto de países no período pós-Bretton Woods. Suas avaliações sugeriram que a hipótese
de existência de tendência estocástica na série é mais robusta do que as hipóteses relacionadas
à existência de integração fracionária e quebra estrutural. Além dos trabalhos aplicados
mencionados, Coakey et al (2001) utilizaram um modelo referencial baseado no processo
descrito por Granger & Hyung (1999) para investigar a persistência na taxa de desemprego na
Europa. Outras pesquisas relacionadas ao tema, algumas delas ainda não publicadas, são
Gourieroux & Jasiak (2001), Sibbertsen (2001) e Davidson & Sibbertsen (2004).

A questão controversa e de ordem normativa e que permeia o tema dessa seção é se a
memória longa produzida por quebras estruturais e por regimes alternantes em séries
econômicas deve ou não ser tomada como espúria. Granger & Hyung (1999), por exemplo,
foram aqueles que primeiramente utilizaram a denominação “memória longa espúria”. Lobato
e Savin (1998), considerando outros fatores, tais como heterocedasticidade, agregação e

15
O trabalho referencial utilizado pelos autores é o de Baillie, Chung & Tieslau (1996), que analisou dados dos
países-membro do G7 e da Argentina, Brasil e Israel.
1/ 2
40

componentes cíclicos com memória longa, afirmam que são todos causas de evidências
espúrias de memória. Diebold & Inoue (2001), no entanto, motivam a controvérsia:

“(...) We believe, however, that the temptation to jump to conclusions of “structural change
producing spurious inferences of long memory” should be resisted, as such conclusions are
potentially naive. Even if the “truth” is structural change, long memory may be a convenient
shorthand description, which remain very useful for tasks such predictions. Moreover, at least in
the sorts of circumstances studied in this paper, “structural change” and “long memory” are
effectively different labels for the same phenomenon, in which case attempts to label one as
“true” and other as “spurious” may be of dubious value. (…)”
Diebold & Inoue (2001, p.157)

Essas considerações revelam que, na falta de um instrumento capaz de acolher eficientemente
os fenômenos das quebras estruturais e regimes alternantes endogenamente, os modelos
lineares de memória longa podem servir mais adequadamente como previsores de longo prazo
do nível das séries em comparação aos modelos tradicionais. Em apoio a essa consideração,
pode-se utilizar o seguinte comentário de Granger:

“(...) The thing we know about the long run is that we should expect structural breaks, occasional
large ones and probably many smaller ones. (…)”
Granger (1993, p.310)

Em suma, a análise de quebras estruturais e regimes alternantes é uma das questões
pragmáticas relacionadas diretamente com a análise da memória longa em séries econômicas.
A conclusão causal e unidirecional dos trabalhos estudados é que as quebras estruturais estão
associadas à geração de padrões semelhantes aos da memória longa. Inexistindo um estimador
que consiga incorporar eficientemente as quebras estruturais endogenamente, o modelo linear
de memória longa é apontado pela literatura como uma opção de previsor de longo prazo para
o nível da série.


2.2.3 Origens Naturais da Memória Longa?

Nas seções anteriores, foram discutidas duas diferentes causas da geração dos padrões de
memória longa em séries temporais. É consenso na literatura que esses são apenas alguns
entre os possíveis fatores geradores do fenômeno memória longa, e certamente não explicam
a totalidade dos casos. As duas teorias mencionadas acima possuem a característica de serem
generalistas: são válidas para séries temporais de qualquer campo da ciência. Nos trabalhos
41

mais recentes, apesar de serem na maioria dirigidos à Economia, não se verifica uma
preocupação em explicar uma possível origem teórica da memória longa fora do âmbito da
modelagem estatística. É compreensível que, em variáveis econômicas, haja influências de
fatores naturais no surgimento da longa estrutura de dependência entre as observações.
Também é acolhida a idéia de que a memória longa possa surgir das próprias relações
econômicas. Implicitamente, a hipótese defendida pela teoria da microagregação prevê a
possibilidade de haver a transmissão direta, total ou parcial, do padrão de memória
proveniente dos microprocessos na formação da memória longa na série agregada. A
argumentação dessa seção procura salientar a hipótese de que parte da memória longa em
séries econômicas pode ser herança de fatores naturais. Ou seja, uma origem “natural” da
memória longa em séries econômicas.

A Teoria Econômica, como ciência da escassez, relaciona quantitativa e qualitativamente a
forma como os recursos produtivos, capital e trabalho, são empregados na produção de bens e
serviços. A disponibilidade dos recursos e a tecnologia disponível determinam como e quanto
pode ser produzido em um determinado instante de tempo. A distribuição e o padrão dos
fluxos de exploração dos recursos naturais, portanto, incidem diretamente nas relações
econômicas de produção. A descoberta do fenômeno da memória longa e o desenvolvimento
de modelos estatísticos associados a ela estiveram fundamentalmente ligados aos estudos da
física dedicados à compreensão de fenômenos naturais. As primeiras menções associadas ao
tema da memória longa foram feitas em trabalhos que datam do final do século XIX e do
início do século XX, relativos à astronomia, química e agricultura por Newcomb (1886),
Student (1927) e Fairfield Smith (1938). Em 1940, Kolmogorov definiu o Movimento
Browniano Fracionário motivado pelo estudo da turbulência. O hidrólogo inglês Harold Hurst
(1951, 1957) é tido por muitos como o pioneiro no estudo do fenômeno da memória longa em
pesquisas aplicadas tanto em sua área como na geofísica e climatologia. Sua descoberta
ocorreu quando investigava a regularização do fluxo de águas do Rio Nilo para o
planejamento da Barragem de Aswan High Dam. Ele analisou o comportamento dos dados do
rio e inferiu o que deveria ocorrer se os dados fossem estacionários. O pesquisador descobriu
um padrão diferente de comportamento que ficou conhecido como “Efeito Hurst” e a partir
dessa observação propôs a estatística “Rescaled Adjusted Range” (R/S). Whittle (1956, 1962)
utilizou equações diferenciais parciais estocásticas para dar uma interpretação física aos
resultados empíricos do decaimento hiperbólico das correlações espaciais em estudos a
42

respeito da fertilidade do solo na agricultura de Fairfield Smith. Mandelbrot & Van Ness
(1968), motivados pelos achados empíricos de Hurst, introduziram o Ruído Gaussiano
Fracionário como um modelo de memória longa. Eles mostraram que o Efeito Hurst poderia
ser modelado como um Ruído Gaussiano Fracionário com parâmetro de auto-semelhança
. Mandelbrot, citado diversas vezes, foi um dos autores mais atuantes na
pesquisa sobre a memória longa aplicada em diferentes campos da ciência. Ele é mencionado
como um dos precursores do descobrimento de sua ocorrência no campo da Economia.
16

Mandelbrot & Wallis (1969) pesquisaram a memória longa em variáveis referentes ao fluxo
de rios, nível de chuvas, clima e terremotos. Nos dados geofísicos, a exceção parece estar na
existência de estruturas de memória curta entre as observações. Beran (1994) expôs dados
sobre a temperatura no hemisfério norte, coletados na Inglaterra entre os anos de 1854 e 1989
e sugeriu a existência de uma estrutura de memória longa na série. Segundo esse autor,

“(...) A hydrologist would hardly expect successive observations to be independent. A complicated
physical mechanism creates dependence between the data. (...)”
Beran (1994, p. 32)

Recentemente, a análise de memória longa tem sido empregada nos estudos que avaliam os
impactos das variações climáticas causadas pelos altos níveis de emissão de poluentes na
atmosfera. Seater (1993), por exemplo, estudou o caso do aquecimento global e o efeito
estufa. Gil-Alana (2005) avaliou modelos de memória longa para séries de temperatura do
hemisfério norte e Kallache, Rust & Kropp (2005) analisaram anomalias no fluxo do Rio
Neckar no Sudeste da Alemanha. Nesse último caso, os autores estimaram os parâmetros
relativos à variabilidade natural do rio utilizando os modelos de memória longa. A
pesquisa científica desenvolvida em diversas áreas da ciência, portanto, indica que uma ampla
gama de variáveis ligadas aos fenômenos naturais apresenta estruturas de longa dependência.
Aceitando-se a hipótese de que a memória longa é presente em fenômenos naturais, ligada,
portanto, à escassez dos recursos produtivos, vislumbra-se a possibilidade de um mecanismo
de transmissão de seus efeitos, totais ou parciais, sobre as séries econômicas. Pressupõe-se
que haja, portanto, uma associação direta entre a memória longa em certas variáveis
econômicas com a disponibilidade dos recursos produtivos e com as relações de produção. O
exemplo mais comum é o das séries de índices de preços, principalmente daqueles fortemente
influenciados pela produção do setor primário, que podem carregar a memória longa que

16
Mandelbrot (1963a, 1963b).
[ [ 0.5,1.0 H ¸
ARFIMA
43

surge das condições naturais, como efeitos climáticos, condições geofísicas e utilização dos
recursos naturais renováveis e não renováveis. Entre os efeitos climáticos, pode-se citar o
nível de precipitação atmosférica, efeito El Niño, efeito estufa e ciclos de explosões solares,
que influenciam no nível de exposição aos raios solares. Entre as condições geofísicas e
utilização dos recursos naturais está a fertilidade do solo, o nível das marés, o fluxo de rios e
as correntes marítimas, entre tantos outros. Segundo Haubrich & Lo (2001), que
transcreveram o modelo de Long & Plosser (1983) ao escopo da memória longa,

“(...) One plausible mechanism for generating long-run dependence in output (...) is that
production shocks themselves follow a fractionally integrated process. This explanation for
persistence follows that used by Kydland & Prescott (1982). In general, such an approach begs
the question, but in the present case evidence from geophysical and meteorological records
suggests that many economically important shocks have long-run correlation properties. (...)”
Haubrich & Lo (2001, p.18)

Segundo Beran (1994), Mandelbrot & Wallis (1968) associaram uma das profecias bíblicas
mais conhecidas ao efeito da memória longa pela evidência de ciclos na produção agrícola:

“(...) Seven years of great abundance are coming throughout the land of Egypt, but seven years of
famine will follow them (…)”
(Gênesis 41, 29-30)

O efeito denominado pelos dois autores como “Joseph Effect” é atribuído à possível presença
de memória longa no fluxo de águas do Rio Nilo, fundamental à agricultura no antigo Egito.
Segundo Beran (1994):

“(...) Since ancient time, the Niver River has been known for its characteristics long-term
behavior. Long periods of dryness were followed by long periods of yearly returning floods.
Floods had the effect of fertilizing the soil so that in flood years the yield of crop was particularly
abundant. (…)”

A presença de memória longa na vazante do Rio Nilo é, como percebido nos trechos em
destaque, associada pelos autores à ocorrência de ciclos na produção agrícola no antigo Egito.
Havendo padrões de memória longa na produção agrícola e na disponibilidade dos recursos
naturais, seus efeitos podem ser disseminados sobre outras variáveis econômicas. No tocante
aos recursos humanos, sabe-se que a reprodução da força de trabalho é lenta e dependente de
outras variáveis, como crescimento populacional, educação, treinamento e desenvolvimento
44

tecnológico. Modelos econômicos de crescimento descrevem essas relações, como os
modelos neoclássicos endógenos do tipo “learning by doing” de Lucas (1993). Se o processo
de aprendizado é tomado como acumulativo, lento, gradual e altamente dependente de seu
passado, tal qual o desenvolvimento tecnológico, então, é possível vislumbrar a ocorrência de
memória longa em variáveis referentes ao capital humano que influenciam as relações de
produção.

A linha de pesquisa que procura explicações nos fenômenos naturais sobre a origem da
memória longa em variáveis econômicas é sustentada, em grande medida, por bases teóricas.
Embora seja simples a constatação da presença da memória longa em dados relativos aos
fenômenos naturais e em variáveis econômicas, a comprovação empírica de uma relação
causal entre elas é extremamente delicada, devido ao grande número de variáveis envolvidas e
à complexidade das relações econômicas, como as funções de produção e preferências no
consumo. No campo teórico, parece não existirem incoerências à hipótese da hereditariedade
ou contradições substanciais que possam contestar sua validade.


2.3 Conclusões

Neste capítulo foram relatadas diferentes linhas de pesquisa que percebem na memória longa
a explicação para determinados fenômenos econômicos. Buscou-se enfatizar as implicações,
para a análise econômica, da incorporação do paradigma da integração fracionária às
pesquisas econométricas. Em seguida, foi abordado o tema da origem da memória longa em
variáveis econômicas. Foram expostos três fatores que explicam, pelo menos em parte, o
surgimento desse padrão em séries econômicas. São eles: o processo agregação de variáveis
microeconômicas, a ocorrência de quebras estruturais e regimes alternantes e a herança dos
efeitos de fenômenos naturais e das relações de produção. A hipótese de que parte da
memória longa dos fenômenos naturais é absorvida pelas variáveis econômicas origina-se das
indicações de pesquisas de outras áreas da ciência, que mostram que esses fenômenos
apresentam em sua essência estruturas de longa dependência. Dado o caráter acumulativo da
cadeia produtiva, a existência de memória longa em um dos setores da economia pode ser
repassada para as variáveis agregadas da produção.


45

3 PROCESSOS ESTOCÁSTICOS INTEGRADOS: A INTEGRAÇÃO
FRACIONÁRIA E MODELOS DE MEMÓRIA LONGA


3.1 O Paradigma (1) (0) I I ÷

Os modelos de séries de tempo são tipicamente modelos estocásticos lineares dinâmicos, em
que se busca identificar uma estrutura de dependência entre valores passados, presentes e
futuros de uma variável. Sua origem é diretamente ligada a uma representação particular dos
modelos matemáticos deterministas de equações diferencias, em que o tempo é tomado como
discreto, com variação homogênea para dois instantes consecutivos quaisquer, como ,
por exemplo. Um caso especial da equação em diferenças linear de ordem n, explica Enders
(1995), pode ser expresso pelo modelo linear geral com coeficientes constantes:

0
1
n
t i t i t
i
y A y | c
÷
=
= ÷ ÷
_
(3.1)
com
0
1 | = e n representando a ordem da equação em diferenças. A estabilidade de (3.1) é
garantida em termos da convergência de
t
y a um nível de equilíbrio intertemporal. A
condição de convergência, que requer que todas as raízes características da solução
homogênea da equação em diferenças caiam dentro do círculo unitário. Considerando
como um processo Ruído Branco em (3.1), a condição suficiente é dada por
1
1
n
i
i
|
=
<
_
(3.2). O
caso complementar,
1
1
n
i
i
|
=

_
(3.3) descreve seqüências
t
y não-convergentes. Nesses casos,
ao invés do amortecimento dos choques, ocorre sua propagação ou amplificação. Um dos
casos de interesse é particularmente quando
1
1
n
i
i
|
=
=
_
(3.4), que descreve uma seqüência em
que pelo menos uma das raízes características do polinômio (3.1) tem valor unitário. Esse
caso é denominado como processo estocástico com raiz unitária ou como processo com
integração unitária. O exemplo mais simples é denominado Processo Passeio Aleatório:

1 1
1 2
1 1 1 2
0 1
0
...
, com 0 , 1 e 1
t t t
t t t t
t
t t i
i
y y
y
y y t
| c
c | c | c
c |
÷
÷ ÷
÷
=
= ÷
= ÷ ÷ ÷
= = = _
_
(3.5)
1 t A =
t
c
46

Diz-se que o modelo (3.5) possui memória “infinita” ou “permanente”, de maneira que a
influência do ruído sobre o processo não diminui ao longo do tempo. A condição de
convergência denominada por condição de estacionariedade, , impõe que os efeitos do
ruído se dissipem ao longo do tempo. Com apropriação do termo “integral” do cálculo
contínuo para denominar a somatória dos choques do processo discreto mostrado acima, os
processos com uma raiz unitária passaram a ser conhecidos como “Processos Integrados de
Primeira Ordem” ou simplesmente por “ ”.
17
O processo estacionário definido para
é tradicionalmente referido como “ ” ou processo com “memória curta”, embora ela possa
simplesmente não existir, como no caso do Processo Ruído Branco. Séries com memória
curta possuem o parâmetro da média como fator de atração, enquanto as séries com raiz
unitária não possuem fator de atração. Essas duas propriedades definem um importante
paradigma econométrico, recorrentemente denominado nesse trabalho como paradigma
(1) (0) I I ÷ .

Definição 1 - O processo estocástico
t
y é denominado Processo Estocástico Integrado de
Ordem d , como notação ~ ( )
t
y I d , se a solução de
d
t t
y x A = (3.6) for um processo
estocástico fracamente estacionário,

~ (0)
t
x I , com (1 )
d d
B A = ÷ e
i
t t i
B y y
÷
= .

A dicotomia 1 d = ou 0 d = adotada na maioria das pesquisas econométricas de séries
temporais com base nos chamados “Testes de Raiz Unitária” define, assim, o “Paradigma
Econométrico (1) (0) I I ÷ ”. Tradicionalmente adota-se , e assim, sob os termos da
definição, a operação de aplicar diferenças inteiras a valores sucessivos de uma série resume
um filtro linear com série de entrada
t
y (não-estacionária se 1 d _ ) e série de saída
t
x
(estacionária se 0 d = ). O parâmetro relativo à ordem de integração “ ” é diretamente
associado ao comportamento de baixa freqüência nas séries temporais, representando a
estrutura de dependência dos movimentos que ocorrem no longo prazo. Segundo Morettin &
Toloi (2004), o operador diferença , para pode ser escrito
algebricamente como uma expansão binomial:

17
Em alguns trabalhos também é encontrada a denominação “martingale” para esses processos.
t
c
1
1 | <
(1) I
1
1 | <
(0) I
d
÷
¸Z
d
(1 )
d d
B A = ÷ d
÷
¸Z
47

(3.7) , com (3.8)
ou
(3.9)
Ou seja, (3.9) resumirá o operador diferença para valores inteiros da ordem de integração,
sendo formado por uma expansão de valores não nulos.


3.2 O Paradigma da Integração Fracionária

Seguindo a concepção de Percival & Walden (2000), o universo da integração fracionária
compreende qualquer ordem real: d ¸R. Outros autores, como Granger & Joyeux (1980)
preferem delimitar a conceituação de integração fracionária em 1 1 d ÷ < < . Na prática os dois
conceitos não são conflitantes. De acordo com a álgebra de séries integradas mostrada em
Granger (1980), se ~ ( )
t
x I d é um processo estocástico discreto integrado de ordem
{ } d z o
÷
= ÷ ¸R , sendo [ ] z z
÷
= o maior inteiro contido em e 0 1 o < < uma parte
fracionária, então, para
z
t t
y x A = , tem-se . Portanto, após aplicar sucessivas
diferenças inteiras sobre
t
x , o processo resultante ainda será integrado pelo resíduo
fracionário do parâmetro { } d z o
÷
= ÷ ¸R . Seguindo a concepção de Granger & Joyeux
(1980):

Definição 2 – O processo estocástico ~ ( )
t
y I d , 1 1 d ÷ < < , é definido Processo Estocástico
Integrado Fracionariamente, se:
(1 )
d
t t
B y w ÷ = (3.10)
em que ~ (0)
t
w I é um processo estocástico fracamente estacionário, (1 )
d
B ÷ é o operador
diferença fracionária.

Particularmente, segundo Hosking (1981), se 1/ 2 1/ 2 d ÷ < < , o processo será estacionário e
invertível. Nesse caso, Granger & Joyeux (1980) mostram que se
t t
w u = , com
~ ( , )
t
u ARMA p q , a função de densidade espectral de (3.10) é dada por:
0
(1 ) ( 1)
d
d k k
k
d
B B
k
=
í 1
·
÷ = ÷
·

· ·
( )
_
!
!( )!
d
d
k k d k
í 1
·
=
·

· ·
÷ ( )
2 3
1 1
(1 ) 1 ( 1) ( 1)( 2) ...
2! 3!
d
B dB d d B d d d B ÷ = ÷ ÷ ÷ ÷ ÷ ÷ ÷
( 1) d ÷
d
~ ( )
t
y I o
48


2
( ) 1 ( ) , 0
d
i
y u
f e f
v
v v v t
÷
÷
= ÷ < _ (3.11)
Percival & Walden (2000), abordam o processo integrado fracionariamente definindo-o como
Processo Diferenciado Fracionariamente com
2
. .(0, )
t w
w R B o = em (3.10). A Definição 2 foi
baseada numa concepção mais geral de processo. Adotando-se a hipótese
2
. .(0, )
t w
w R B o =
restringe-se a possibilidade de existência de memória de curto prazo no processo,
posteriormente necessária à definição do modelo .
18
O caso mais simples é
denominado Processo Ruído Branco Fracionário:

Definição 3 – O processo
t
y em (3.10) é definido Processo Ruído Branco Fracionário
Estacionário, se e a seqüência
t
w for um processo Ruído Branco:
2
~ . .(0, )
t t
w R B
c
c o = .

A função de densidade espectral do Processo Ruído Branco Fracionário, derivada por
Morettin & Toloi (2004), é expressa por:

2
2
( ) {2 ( / 2)} , 0
2
d
y
f sen
c
o
v v v t
t
÷
= < _ (3.12)
A condição imposta sobre a ordem de integração, 1/ 2 d < na Definição 3 explicita
propriedade de estacionariedade “assintótica” do processo. O caso mais geral 1 d < pode ser
definido, por exemplo, como Processo Ruído Branco Fracionário ou simplesmente por Ruído
Fracionário.

As definições acima se apoiaram no conceito de “operador diferença fracionária”. Granger
(1980) fornece uma interpretação intuitiva interessante sobre a diferenciação de uma ordem
fracionária: se é um filtro cuja segunda aplicação consecutiva gera uma diferença
inteira sobre uma série, , então, a aplicação apenas uma vez do filtro
sobre a série representa uma diferença fracionária igual a 1/ 2. A técnica de aplicar diferenças
fracionárias sobre uma série é fundamental no estudo de processos com memória longa e em

18
A diferenciação de um processo integrado em sua ordem máxima induz à estacionariedade e não
necessariamente à independência, como nos processos Ruído Branco ou processos (i.i.d.).. Ver Davidson (2005).
( , , ) ARFIMA p d q
1/ 2 d <
( ) B 0
2
( ) (1 ) B B 0 = ÷ ( ) B 0
49

seu desenvolvimento aproveita-se de uma função de apoio, a Função Gama. Seja “u ” uma
variável qualquer:

1
0
1
, 0
( ) , 0
( 1) , 0
t u
e t dt u
u u
u u u
I
I
÷·
÷ ÷
÷
'
1
1
1
1
1
1
= ÷· =
!
1
1
÷ < 1
1
1
1+
]
(3.13)
que interpola uma expansão fatorial: (3.14). O arranjo presente no operador
diferença em (3.7) pode ser diretamente escrito na forma:
(3.15)
e, portanto,
(3.16)
Segundo Brockwell & Davis (1991), (3.16) também pode ser expresso pelo produto
0
1
j k
j d
j
< _
÷ ÷
]
, 0,1, 2,... k = (3.17). Beran (1994) nota que, uma vez que a função é
definida sobre , então, para , a expansão binomial pode ser estendida sobre o eixo
real:
(3.18)
que representa o operador diferença fracionária na forma de um polinômio defasagem infinito,
que também pode ser posto na forma:
(3.19)
Funcionalmente (3.19) é equivalente a (3.7). A operação da diferença fracionária pode ser
entendida como um filtro linear na forma de uma convolução discreta
(1 )
d
t t r t r
r
w B x h x
÷·
÷
=÷·
= ÷ =
_
(3.20)
com
(3.21)
sendo uma série de entrada, ~ (0)
t
w I é a série de saída e a seqüência é
definida Função Impulso-Resposta, satisfazendo a condição de ser absolutamente somável:
( 1) ! u u I ÷ =
( 1)
( 1) ( 1)
d
d
k k d k
I
I I
í 1
÷
·
=
·

· ·
÷ ÷ ÷ ( )
( 1)( 1) ( )
( 1)
( 1) ( 1) ( ) ( 1)
k
k
d
d d k
k k d k d k
I I
I I I I
í 1
÷ ÷ ÷ ÷
·
÷ = =
·

· ·
÷ ÷ ÷ ÷ ÷ ( )
( ) I -
{ } R 0 d >
0
(1 ) ( 1)
d k k
k
d
B B
k
÷·
=
í 1
·
÷ = ÷
·

· ·
( )
_
0
( )
(1 )
( ) ( 1)
d k
k
d k
B B
d k
I
I I
÷·
=
÷ ÷
÷ =
÷ ÷
_
( )
( ) ( 1)
r
d r
h
d r
I
I I
÷ ÷
=
÷ ÷
~ ( )
t
x I d { }
r r
h
÷·
=÷·
50

(3.22)
Tomando-se, por exemplo, o caso do processo Ruído Branco Fracionário, então, com
:

0 0
(1 )
( )
( 1)
( ) ( 1)
d
t t
k
t k t k
k k
B y
d
d k
y y
k d k
c
I
I I
÷· ÷·
÷ ÷
= =
= ÷
í 1
÷ ÷
·
= ÷ =
·

· ·
÷ ÷ ( )
_ _
(3.23)
Simplificadamente,

0
k t k t
k
y t c
÷·
÷
=
=
_
, com:
( )
( ) ( 1)
k
d k
d k
t
I
I I
÷ ÷
=
÷ ÷
(3.24)
Segundo Brockwell & Davis (1991) e Shumway & Stoffer (2000) a representação (3.24)
também pode ser escrita na forma tradicional de Processo Linear Geral adotada nos livros
texto de séries temporais:

0
t j t j
j
y ¢ c
÷·
÷
=
=
_
, com:
( )
( ) ( 1)
j
d j
d j
¢
I
I I
÷
=
÷
(3.25)
em que é finita ou infinita e convergente;
t
y é estacionário e
2
~ . .(0, )
t
R B
c
c o .
19
A
equação (3.23) revela um filtro linear de ordem infinita. Daí a necessidade de uma grande
quantidade de observações de
t
y para aproximar por meio de (3.23). A saída natural para
aplicar o procedimento é truncar o polinômio de acordo com o número de observações
disponíveis. O prestígio dos modelos de memória longa fundamenta-se principalmente na
precisa incorporação do componente de baixa freqüência das séries temporais e em sua
capacidade de especificação parcimoniosa de modelos econométricos. Brockwell & Davis
(1991) introduziram uma técnica de implementação do operador diferença fracionária no
domínio da freqüência, que contorna esse obstáculo. Os autores mostraram que se a seqüência
t
w em (3.10) for um processo ( , ) ARMA p q , com notação
t t
w u = , ~ ( , )
t
u ARMA p q , então,
( ) (1 ) ( )
i d
y u
e
v
v v
÷ ÷
~ ÷ F F (3.26)
em que ( )
y
v F e ( )
u
v F são, respectivamente, as Transformadas Discreta de Fourier dos
processos
t
y e
t
u . Portanto, uma maneira direta de obter a série filtrada ˆ
t
u é aplicar a
Transformada Discreta Inversa de Fourier sobre (3.26), ou seja:

19
Pode-se Escrever (3.25) na forma de choques aleatórios ( )
t t
y B ¢ c = . O polinômio ( ) B ¢ ,
1 2
1 2
( ) 1 ... B B B ¢ ¢ ¢ = ÷ ÷ ÷ , com
j
¢ dado por (3.25), é definido Função de Transferência do filtro linear.
r
r
h
÷·
=÷·
<÷·
_
0 1/ 2 d < <
1
{ }
j j
¢
÷·
=
t
c
51


( )
ˆ
1
ˆ ( ) (1 ) ( )
i d
t y
u e
v
v v
÷ ÷
~ ÷ F F (3.27)
Morettin & Toloi (2004) formalizaram um algoritmo para (3.27). O procedimento é descrito
no Anexo A do trabalho. As duas formas de aplicação do operador diferença fracionária são
aproximadamente equivalentes. A vantagem na prática do filtro na forma espectral se dá em
não precisar truncar em “ ” o polinômio defasagem, implicando a perda das primeiras
observações da série de saída.


3.3 Processos Estocásticos com Memória Longa

Os “Processos com Memória Longa” ou “Processos com Longa Persistência” podem ser
entendidos como uma classe particular dos processos estocásticos integrados
fracionariamente. Os processos de longa persistência são aqueles tais que
. Existem diferentes conceituações de processo com memória longa.
Robinson (2003), por exemplo, relaciona intervalo de memória longa somente com
. Outros expandem a definição para . A conceituação utilizada nesse
trabalho adota o caso mais geral acolhido pela maior parte dos autores. Particularmente, se
o processo será assintoticamente estacionário. Segundo Granger & Joyeux
(1980), para o processo possui variância infinita, portanto, será não estacionário. O
processo estocástico definido por é não estacionário, porém exibe reversibilidade
à sua média. Genericamente, porém muitas vezes imperceptível graficamente, as séries
integradas fracionariamente com apresentam-se limitadas em seu campo de
variação, podendo exibir tendências localmente persistentes. Os processos circunscritos à
condição são não estacionários e não reversíveis à média. Segundo Beran (1995) o
processo com memória longa estacionário pode ser equivalentemente definido tanto no
domínio do tempo como no domínio da freqüência baseando-se, respectivamente, em sua
função de autocovariância e função de densidade espectral:

Definição 4 –[Beran (1994)] O processo
t
x é definido Processo Estocástico Estacionário
com Memória Longa, se existirem as constantes e 0 1 | < < que satisfazem:
/ /
~ ( ) \ {0}
t
x I d d
÷
¸ ÷ R
0 1/ 2 d < < 0 1 d < <
0 1/ 2 d < <
1/ 2 d _
1/ 2 1 d _ <
0 1 d < <
1 d _
0 c
v

52


0
( )
lim 1
x
f
c
|
v
v
v
v
÷
÷
= (3.28)
ou, equivalentemente, se existirem as constantes 0
h
c e 0 1 o < < que satisfazem:

( )
lim 1
x
h
h
h
c h
o
¸
÷
÷÷·
= (3.29)
em que é a função de densidade espectral de ; 1/ 2 v _ são as freqüências Nyquist;
é a função de autocovariância de e são intervalos (lags) temporais.

Ambas as conceituações baseiam-se, portanto, numa relação comportamental “limite” que
expressa, em termos espectrais, a taxa de convergência relativa à freqüência e, no domínio do
tempo, relativa às defasagens temporais entre suas autocovariâncias. Alguns autores, como
Percival & Walden (2000), utilizam-se das relações de proporcionalidade (assintótica)
(3.30) e (3.31) em suas definições de processos contínuos com
longa persistência. Devido à essas caracterizações, os processos com memória longa também
são conhecidos como “power law processes”. O processo Ruído Branco Fracionário com
0 1/ 2 d < < , por exemplo, é um típico processo estacionário com memória longa. A Figura 6
mostra função de autocorrelação teórica de dois processos Ruído Branco Fracionários.

0 50 100 150 200
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
d=0.25
0 50 100 150 200
0
.
5
0
.
6
0
.
7
0
.
8
0
.
9
1
.
0
d=0.45

Figura 6 – FAC Teórica de Processos com Memória Longa Ruído Branco Fracionários

Na freqüência zero a exponencial complexa da transformada de Fourier, ( ), torna-se
unitária e, com isso, o espectro de uma série temporal torna-se o somatório de suas funções de
( )
x
f v
t
x
( )
x
h ¸
t
x h¸Z
0
( )
x
f
o
v
v v
÷
÷
· ( )
x
h
h h
|
¸
÷
÷÷·
·
2 i h
e
t v ÷
53

autocovariância, . A série com memória longa é caracterizada por possuir
função de autocovariância não limitada,
(3.32)
Diz-se, então, que o espectro de uma série com memória longa possui um “pólo” na
freqüência zero:
20

(3.33)
A Figura 7 mostra a representação do espectro teórico de um processo com memória longa
(excluído seu valor na freqüência zero).


Figura 7 – Espectro Teórico do Processo com Memória Longa (d=0.25)

É importante notar que o valor absoluto de cada autocovariância não é o que define a
memória longa; ela é definida pela longa cadeia de dependência em sua função de
autocovariância, ou seja, pela sua taxa de “decaimento”. Um processo linear estacionário
( , ) ARMA p q
, com e (3.34)
exibirá, por exemplo, um comportamento do tipo:

( )
lim 1
y
h
h
h
h
c
¸
|
÷÷·
= (3.35)
ou seja, para h “grande”, sua função de autocovariância aproxima-se de
h
h
c | :

20
O espectro de um processo estocástico estacionário existe sempre. No caso dos processos com memória longa,
o espectro na freqüência zero é infinito. Alguns autores, como Robinson (2003), por exemplo, se baseiam nessa
característica para definir memória longa em processos estocásticos.
(0) ( )
h
f h ¸
÷·
=÷·
=
_
( )
x
h
h ¸
÷·
=÷·
=÷·
_
0
lim ( ) , 1/ 2 1/ 2
x
f
v
v v
÷
=÷· ÷ _ _
0.0 0.1 0.2 0.3 0.4 0.5
1
2
3
4
Frequências de Nyquist
D
e
n
s
i
d
a
d
e

E
s
p
e
c
t
r
a
l
(1 )
t t
B y | c ÷ = 0 1 | < <
2
~ . .(0, )
t
R B
c
c o
54

( )
h h
y h
h c ¸ |
÷÷·
÷÷÷÷ (3.36)
Comparando-se com um processo estacionário
t
x com memória longa, em que
( )
h
x h
h c h
|
¸
÷÷· ÷
÷÷÷÷ , apesar de ambas as funções autocovariância apresentarem
convergência a zero, a taxa com que tende ao valor nulo apresenta uma silhueta
hiperbólica, muito mais lenta que a taxa exponencial exibida por .

O caso especificado por é denominado na literatura como comportamento
“antipersistente”. O padrão antipersistente é conceitualmente admitido quando o espectro do
processo em torno da freqüência zero é nulo. Beran (1994) explica que os processos auto-
semelhantes com incrementos estacionários com 0 1/ 2 H < < , sendo que 1/ 2 d H = ÷ ,
exibem um padrão de processo com memória curta além de suas autocorrelações somarem
zero. Robinson (2003) explica que esse comportamento pode ocorrer quando a variância da
série ( (0) ¸ ), positiva por definição, é contrabalanceada por autocovariâncias ( ( ) h ¸ , 0 h= )
negativas, induzindo que o espectro do processo seja nulo na freqüência zero. Baseando-se
nesses trabalhos, define-se:

Definição 5 – Um processo estocástico
t
a é definido Processo Antipersistente se ele for
integrado de ordem , com:
(3.37)
em que
2
( ) ( )
i h
a
h
f h e
t v
v ¸
÷·
÷
=÷·
=
_
representa o espectro do processo antipersistente.

Diebold & Guiraud (2002) argumentam que pelo fato do espectro ser nulo, o processo
antipersistente não é um processo com memória longa. Beran (1994) explica que a soma das
autocorrelações do processo integrado no intervalo 1/ 2 0 d ÷ < < somam zero, ao contrário
do caso 0 1/ 2 d < < que apresenta soma não limitada. Não é incomum na literatura, no
entanto, encontrar a denominação memória longa também aplicada aos processos
antipersistentes. Lo (1991), por exemplo, considera como processo de longa persistência os
processos integrados com {0} d ¸ ÷ R . Esse autor argumenta que mesmo para 0 d < , a FAC
do processo decairá a uma taxa muito mais lenta que os processos convencionais. Shumway
& Stoffer (2000), por sua vez, admitem o processo Ruído Branco Fracionário com
( )
x
h ¸
( )
y
h ¸
0 d <
0 d <
0
lim ( ) 0
a
f
v
v
÷
=
55

1/ 2 1/ 2 d ÷ < < como uma série típica de memória longa. O comportamento antipersistente
em séries de natureza econômica é improvável. No conjunto de toda a bibliografia
econométrica analisada nesse trabalho não foram encontradas referências desse
comportamento. Por indução, no entanto, esse comportamento pode ser obtido e entende-se,
nesse trabalho, que esse fato pode ser de interesse ao pesquisador. Se for aplicada, por
exemplo, a diferença unitária (1 ) B A= ÷ sobre um processo Ruído Fracionário, ,
, então, , com , será um processo antipersistente. O
procedimento descrito é denominado na literatura como “superdiferenciação” ou
“sobrediferenciação”. Uma idéia dos efeitos da superdiferenciação pode ser dada baseando-se
na série
2
~ . . .(0, )
t u
u i i d o . Nesse caso, é estacionário e segue que:

2
, se: 0
( )
0 , se: 0
u
u
h
h
h
o
¸
'
1 =
1
=
!
1
=
1+
e
1 , se: 0
( )
0 , se: 0
u
h
h
h
µ
'
=
1
1
=
!
1
=
1+
(3.38)
A série será superdiferenciada. Segundo Davidson (2005), ela apresentará:

2
2
2 , se: 0
, se: 1 ( )
0 , se: 1
u
u a
h
h h
h
o
o ¸
'
1 =
1
1
1
÷ = =
!
1
1
1

1
+
(3.39)
Nesse caso, a superdiferenciação dobra a variância da série. A Figura 8 mostra função de
autocorrelação teórica de um processo Ruído Branco Fracionário antipersistente com ordem
fracionária e a Figura 9 mostra seu espectro teórico.

0 10 20 30 40 50
-
0
. 2
0
. 0
0
. 2
0
. 4
0
. 6
0
. 8
1
. 0
d=-0.25
0 10 20 30 40 50
-
0
. 2
0
. 0
0
. 2
0
. 4
0
. 6
0
. 8
1
. 0
d=-0.45

Figura 8 – FAC Teórica de Processos Antipersistentes

Como pode ser percebido na Figura 9, ao contrário dos processos com memória longa que
possuem pólo na freqüência zero e densidade espectral declinante, o processo antipersistente
apresenta-se de forma inversa, com elevada densidade espectral nas altas freqüências.
~ ( )
t
u I o
[ [ 0,1 o ¸
t t
a u A = ~ ( )
t
a I o
÷
1 0 o
÷
÷ < <
{ }
t t
u
¸Z
t t
a u A =
0.25 d =÷
56


Figura 9 – Espectro Teórico do Processo Antipersistente (d=-0.25)

O caso dos processos antipersistentes vem sendo pouco explorado pela literatura. Beran
(1994), por exemplo, afirma que o caso , , “é de menor importância
prática”. Contudo, no caso de estudos econométricos, em que não se sabe a priori o
verdadeiro valor de , o conhecimento prévio sobre as características de uma série super-
diferenciada pode ser útil na estimação da ordem. Alguns autores, como McLeod (1983),
utilizam-se da percepção de que a série foi superdiferenciada pelo monitoramento da
variância do modelo, podendo assim, servir como um indicativo da existência de memória
longa. A importância da classe de processos antipersistentes para a modelagem econométrica
surge do baixo poder dos procedimentos de identificação da ordem de integração das séries do
paradigma (1) (0) I I ÷ . A identificação de suas principais propriedades pode levar a
procedimentos estatísticos de avaliação mais adequados como, por exemplo, a construção de
métodos estatísticos de checagem de uma possível superavaliação da ordem de integração
obtida pelos modelos de estimação. O aprofundamento na pesquisa dos processos
aintipersistentes necessita de estudos mais dirigidos que fogem ao escopo desse trabalho.
Uma pequena contribuição, contudo, pode ser encontrada no estudo envolvendo simulações
realizado nesse trabalho. Nele identificou-se que o estimador da ordem de integração
fracionária semiparamétrico baseado no espectro de ondaletas (WSLE) e o Estimador Local de
Whittle são os mais eficientes na estimação de d quando e que uma versão
modificada do Estimador baseado no Periodograma mostrou-se a mais eficiente para
. Dessa forma, pode-se propor como uma forma de checagem da possível
superdiferenciação, a estimação da ordem de integração fracionária da série filtrada por meio
desses estimadores.

0.0 0.1 0.2 0.3 0.4 0.5
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
1
.
2
Frequências de Nyquist
D
e
n
s
i
d
a
d
e

E
s
p
e
c
t
r
a
l
1/ 2 0 d ÷ < < (0) 0 f =
d
1/ 2 0 d ÷ < <
1 1/ 2 d ÷ < <÷
57

A partir das obras de Granger & Joyeux (1980), Hosking (1981) e Brockwell & Davis (1991),
entre outros, tornou-se bem estabelecido na literatura que diferentes intervalos de valores das
ordens de integração definem as condições de estacionariedade e invertibilidade (assintóticas)
dos modelos. Pelos limites estabelecidos, pode-se resumir categorias de processos
estocásticos segundo propriedades de integração. Para d ¸R:

1 Se - Processos Estacionários (Fracamente) ou “Covariance Stationary”
2 Se 0 d - Processos Persistentes ou Processos com Memória Longa
3 Se 0 d < - Processos Antipersistentes.
4 Se - Processos com Memória Permanente ou Infinita ou ainda Processos com
Raiz Unitária ou com Tendência Estocástica.
5 Se 1 d < - Processos Convergentes.
6 Se 1 d _ - Processos Divergentes.

Sob os limites da integração fracionária, os processos são categorizados da seguinte forma:

7 Se 1/ 2 d ÷ - Processos Invertíveis.
8 Se 1/ 2 d < - Processos Estacionários Assintoticamente.

Os processos com memória longa convergentes podem ser agrupados de forma que:

1.1 Se 0 1/ 2 d < < - Processos com Memória Longa Estacionários e Invertíveis.
1.2 Se 1/ 2 1 d _ < -Processos com Memória Longa Não Estacionários, porém Reversíveis
à Média.
21


Os processos não estacionários com 1 3/ 2 d < < , podem ser transformados em processos
estacionários com memória longa após a aplicação de uma diferença (unitária). Nesse caso, a
série será referente à taxa de crescimento da série original.

Em observação ao caso 4, antes do desenvolvimento dos modelos integrados
fracionariamente, não era incomum referir esse caso como “memória de longo prazo”. São

21
Essa categoria é particularmente importante na análise de Co-Integração Fracionária.
0 d =
1 d =
58

encontrados em alguns trabalhos macroeconométricos aplicados da década de 80 termos como
choques “permanentes” e “persistentes” tomados como sinônimos. Hoje, sob o escopo da
integração fracionária, há uma maior preocupação na utilização dos dois termos. Nesse
trabalho será considerada a ocorrência de choques “permanentes” quando o processo
estocástico for integrado de ordem 1 d = . Essas, e outras questões relacionadas, serão
retomadas mais à frente quando for abordada a função impulso-resposta no escopo dos
modelos univariados.


3.4 Modelos Auto-Regressivos Integrados Fracionariamente e de Médias Móveis
( , , ) ARFIMA p d q

Os modelos ( , , ) ARFIMA p d q foram concebidos por Granger & Joyeux (1980) e Hosking
(1981) a partir da dotação dos modelos ( , , ) ARIMA p d q com o instrumento das diferenças
fracionárias, mostrado em seção anterior. Essa adaptação deu maior flexibilidade à classe de
modelos univariados ao permitir modelar explicitamente tanto os componentes de alta
freqüência, relacionados com a memória de curto prazo, quanto os de baixa freqüência,
relacionados com a memória de longo prazo. Entre as diferentes concepções de modelos de
memória longa, o modelo ( , , ) ARFIMA p d q é o mais difundido. Utilizando o teorema de
Hosking (1981), define-se:

Definição 6 [Hosking(1981)]: A seqüência { }
t t
y
¸Z
define um Modelo ( , , ) ARFIMA p d q
estacionário e invertível se 1/ 2 1/ 2 d ÷ < < e se satisfizer
( )(1 ) ( ) ( )
d
t t
B B y B µ c u O ÷ ÷ = (3.40)
em que é um processo Ruído Branco, { }
t
E y µ = ; é o operador diferença
fracionária e e são, respectivamente,
os polinômios auto-regressivos e de médias móveis de ordens e , cujas raízes
características de e caem todas fora do circulo unitário.

O autor provou que
t
y será invertível se 1/ 2 d ÷ e se as raízes de ( ) 0 B O = caírem todas
fora do círculo unitário e estacionário se 1/ 2 d < e se as raízes de ( ) 0 B u = caírem todas
{ }
t t
c
¸Z
(1 )
d
B ÷
1
1
( ) 1 ...
p
p
B B B | | u = ÷ ÷ ÷
1
1
( ) 1 ...
q
q
B B B u u O = ÷ ÷ ÷
p q
( ) 0 B u = ( ) 0 B O =
59

fora do círculo unitário.
22
A complexa função de autocovariância do modelo foi apresentada
por Brockwell & Davis (1991) e Sowell (1992). Segundo esse último autor:

2
1
( ) ( ) ( , , )
q p
i i
j q i
h j C d b
c
¸ o ç T O
=÷ =
=
__
(3.41)
com: e , , é a i-ésima raiz do polinômio e as funções
, e são definidas por:
(3.42)
(3.43)
(3.44)
sendo uma Função Hipergeométrica.

Em síntese, o parâmetro de integração fracionária do modelo torna-se responsável pelo
controle da memória longa do processo e os parâmetros auto-regressivos e de médias móveis
e , e , controlam a memória de curto prazo. A estrutura de
memória curta relativa às autocorrelações de baixa ordem podem ser entendidas como uma
“memória residual” após a aplicação do filtro diferença fracionária.
23
Alguns autores relatam
que as autocorrelações captadas pela diferença fracionária são muito distantes e que, portanto,
a memória curta é mais adequadamente captada pelos parâmetros auto-regressivos e de
médias móveis. Assim, tal como no modelo tradicional , a razão de
polinômios
( )
( )
( )
B
B
B
o
u
O
= (3.45) traz (1 )
d
t t
w B y = ÷ (3.46) da condição de processo
estacionário, tratada a memória longa pela diferença fracionária, para a condição de processo
Ruído Branco com a modelagem da memória curta ainda remanescente:
(3.47)


22
As provas podem ser encontradas em Hosking (1981, p.170)
23
Termo utilizado por Morettin & Toloi (2004)
p j h \= ÷ ÷ 1
i
b < i
÷
¸Z ( ) 0 B u =
( ) j T
i
ç ( , , )
i
C d b \
min[ , ]
max[0, ]
( ) ( ) ( )
q q h
h j
j h h j u u T
÷
=
= ÷
_
1
1
(1 ) ( )
p
i i k i i l
k l i
b b b b b ç
÷
= =
' '
1 1
1 1
= ÷ ÷
! !
1 1
1 1 + +
] ]
( ) ¦
( ) ¦
2
(1 2 ) ( )
( , , )
(1 ) (1 ) ( )
( ), (1); (1 );
( ), (1); (1 ); 1
i
p
d d
C d b
d d d
b F d d b
F d d b
I I
I I I
÷ ÷\
\ =
÷ ÷\ ÷
÷\ ÷ ÷\ ÷
÷ ÷\ ÷ ÷\ ÷
( , ; ; ) F a b c d
d
i
|
j
u 0,1, 2,..., i p = 0,1, 2,..., j q =
( , , ) ARIMA p d q
2
( ) , ~ . .(0, )
t t t
B w R B
c
o c c o =
60


3.4.1 Propriedades Espectrais do Modelo ( , , ) ARFIMA p d q

Segundo Hosking (1981), o modelo ( , , ) ARFIMA p d q pode ser escrito na forma

1
( ) , com: ( ) (1 ) ( ) ( )
d
t t
y B B B B B ¢ c ¢ O u
÷ ÷
= = ÷ (3.48)
em que
2
~ . .(0, )
t
R B
c
c o . Como (3.48) representa um filtro linear, segundo Morettin &
Toloi(2004, p.443) é válida a relação:

2
( ) ( ) ( )
y
f A f
c
v v v = (3.49)
com: ( )
i j
j
j
A e
v
v ¢
÷·
÷
=÷·
=
_
,
0
1 ¢ = e 0
j
¢ = , se 0 j < . Brockwell & Davis (1991) extraíram
que:

2
1
2 2 2
( ) (1 ) ( ) ( ) (
1 ( ) ( ) (
i d i i
y
d
i i i
f e e e f
e e e f
v v v
c
v v v
c
v v
v
O u
O u
÷ ÷ ÷ ÷ ÷
÷ ÷
÷ ÷ ÷
= ÷ )
= ÷ )
(3.50)
Uma vez que a seqüência { }
t t
c
¸Z
é um Processo Ruído Branco,
2
( )
2
f
c
c
o
v
t
= , então:

2
2
2
2
( )
( ) 1 ,
2
( )
i
d
i
y
i
e
f e
e
v
v c
v
o
v t v t
t
O
u
÷
÷
÷
÷
= ÷ ÷ < < (3.51)
Beran (1994) mostra que, como
1
0
lim 1 1
i
e
v
v
v
÷
÷
÷ = , então (3.51) irá comportar-se na
freqüência zero segundo:

2
2
2
0
2
(1)
( )
2
(1)
d
y
f
v c
o
v v
t
O
u
÷
÷
÷÷÷÷= (3.52)
Logo,
0
lim ( )
y
f
v
v
÷
=÷·, se 0 d . O processo Ruído Branco Fracionário visto na Definição 3
pode ser entendido como um caso particular de um modelo , no caso um
.
24



24
Alguns autores utilizam a igualdade 1 2 ( / 2) ,
i
e sen
v
v t v t
÷
÷ = ÷ < < , para expressar a equação da
densidade espectral. Outros expõem a função nas freqüências de Nyquist:
2 2 2
2 2 2 2
( ) 1 ( ) ( ) , 1/ 2 1/ 2
d
i i i
y
f e e e
t v t v t v
c
v o v O u
÷ ÷
÷ ÷ ÷
= ÷ ÷ < < .
ARFIMA
(0, , 0) ARFIMA d
61

Entre os diferentes procedimentos de estimação dos modelos ( , , ) ARFIMA p d q existem
aqueles que são realizados em dois estágios, que estimam separadamente os parâmetros de
baixa freqüência e de alta freqüência e aqueles que estimam conjuntamente todos os
parâmetros. Alguns desses procedimentos de estimação são expostos no Apêndice 3 desse
trabalho.


3.4.2 Função Impulso-Resposta (FIR) do Modelo ( , , ) ARFIMA p d q

Existem diferentes medidas quantitativas, lineares e não lineares, desenvolvidas para
mensurar o grau de persistência em séries temporais. A mais difundida advém da concepção
dos filtros lineares e é denominada Função Impulso-Resposta (FIR). Tradicionalmente
derivada a partir da estrutura ( , , ) ARIMA p d q , {0 ou 1} d ¸ , sua adequação ao paradigma
fracionário pode ser formalizada sobre os modelos ( , , ) ARFIMA p d q . Granger & Joyeux
(1980) e Hosking (1981) expuseram que o modelo ( , , ) ARFIMA p d q pode escrito como:
(3.53)
ou

1
( )
( ) (1 ) ( ) ( )
t t
d
y B
B B B B
¢ c
¢ O u
÷ ÷
=
= ÷
(3.54)
A equação (3.54) representa um modelo de choques aleatórios e o polinômio

1 2
1 2
( ) 1 ... B B B ¢ ¢ ¢ = ÷ ÷ ÷ (3.55)
capita a influência dos choques passados sobre a trajetória (futura) da série. Cada coeficiente
, 0,1, 2,...,
k
k ¢ = ÷·, representa uma medida do impacto de uma unidade de choque
ocorrido no instante sobre a variável
t
y no instante . Sob essa representação, o
processo ( , , ) ARFIMA p d q será estacionário se a seqüência
1
{ }
k k
¢
_
for convergente. Para
tanto, depende das condições expressas em (3.40).
25
O polinômio ( ) B ¢ define a Função de
Transferência do filtro e, coletivamente, seus coeficientes
k
¢ definem a Função Impulso-
Resposta. Em trabalhos econométricos como Watson (1986), Campbell & Mankiw (1987 a,b)
e Diebold & Rudebusch (1989) é comum encontrar a referência Função Impulso-Resposta

25
Ou seja, que 1/ 2 1/ 2 d ÷ < < e que as raízes dos polinômio ( ) 0 B u = e ( ) 0 B O = caiam todas fora do
círculo unitário.
( )
(1 )
( )
d
t t
B
y B
B
c
O
u
÷
= ÷
t k ÷ t
62

Acumulada (FIRA). A FIRA é uma representação da FIR dada pela soma acumulada da
seqüência , definida para a taxa de crescimento da série (1 )
t t
y B y A = ÷ .
26
Seja
(1 ) d d = ÷
¯
. Então, tomando-se 0 µ = em (3.40), pode-se escrever:

* *
0
( )
(1 ) (1 )
( )
( ) , 1
d
t t
t
B
B y B
B
B
c
¢ c ¢
O
u
÷ = ÷
= =
¯
(3.56)
Os coeficientes do polinômio passarão então a captar os efeitos dos choques ocorridos
no instante ( ) t k ÷ , 1, 2,... k = , sobre a taxa de crescimento de
t
y no instante t . Acumulando
seus valores até cada instante 0,1, 2,... k = , são obtidos os efeitos dos choques sobre o nível
da série:
*
0
k
k j
j
FIRA ¢
=
=
_
(3.57) Segundo Campbell & Mankiw (1987a), se (1 )
t
B y ÷ é
estacionário, então
* 2
0
( )
k
k
¢
÷·
=
<÷·
_
, logo,
*
lim 0
k
k
¢
÷÷·
= . Explicam os autores que:

“(...) stationarity of the differenced series implies that an innovation does not change one’s
forecast of growth over a long horizon (...)”
Campbell & Mankiw (1987 b, p. 861)

A FIRA, definida sobre a taxa de crescimento da série, é igual à FIR calculada para o nível da
série. São duas representações de uma mesma identidade. Ambas medem a resposta de
t k
y
÷

dada uma inovação ocorrida em t . Particularmente no caso do processo Ruído Branco
Fracionário, tem-se , e assim, baseando-se em Shumway & Stoffer (2000), a FIR
desse processo pode ser calculada por (3.25). Ou seja,

0
( )
, 1 , 1, 2,...
( ) ( 1)
k k
d k
FIR k
d k
¢ ¢
I
I I
÷
= = = =
÷
(3.58)
Se 1 d , pode-se calcular por

*
0
1
( 1)
1 , 1, 2,...
( 1) ( 1)
k
k j
j
k
j
FIRA
k d
k
k d
¢
I
I I
=
=
=
÷ ÷
= ÷ =
÷ ÷
_
_
(3.59)

26
O intuito da aplicação da diferença unitária não está diretamente relacionado com o cálculo da FIRA; ela é
aplicada visando alcançar a estacionariedade (assintótica) da série.
0
{ }
k k
¢
÷·
=
*
( ) B ¢
( )
1
( )
B
B
O
u
=
63

A FIR como uma medida da persistência em séries temporais tem papel importante na análise
de memória longa em variáveis econômicas. Pequenas variações na ordem de integração de
uma série produzem efeitos ampliados em sua dinâmica em intervalos mais longos. Visando
uma comparação entre os modelos ( , , ) ARIMA p d q e ( , , ) ARFIMA p d q , nos estudos
empíricos desse trabalho a FIR será calculada com base nos parâmetros estimados pelas duas
metodologias.


3.5 Modelos de Memória Longa Sazonal

Determinados processos, comuns em Economia, apresentam movimentos periódicos
denominados “movimentos sazonais” ou simplesmente chamados de “sazonalidade”. Nessa
seção, será abordado um tipo de sazonalidade cuja característica distintiva é sua elevada
persistência no tempo. Esse tipo de sazonalidade é denominado na literatura por “memória
longa sazonal”. Alguns desses movimentos apresentam periodicidades nitidamente regulares,
parecendo tal qual uma função determinista. Esse tipo de sazonalidade é comumente referida
como “sazonalidade determinista”. A previsibilidade torna-se bastante acurada nesses casos.
Em outros casos, no entanto, o caráter estocástico associado à sazonalidade torna a
regularidade do padrão sazonal menos definida, pois, segundo Morettin & Toloi (2004), o
componente sazonal é variante no tempo. É sobre esse tipo de sazonalidade, estocástica, que
essa seção se dedica. Particularmente, os processos com memória longa sazonal apresentam
um amortecimento hiperbólico de um ou mais movimentos oscilatórios em sua função de
autocorrelação, cujos picos associam-se ao chamado “período sazonal”. O período sazonal
refere-se ao intervalo de tempo necessário para completar um ciclo dos efeitos da
sazonalidade sobre a série temporal. Diferentemente dos processos com memória longa
tradicional ou consecutiva, que apresentam um pólo em seu espectro nas freqüências
próximas a zero, os processos com memória longa sazonal apresentam singularidades
espectrais em freqüências mais elevadas, denominadas “freqüências sazonais”. Séries com
mais de uma periodicidade sazonal com memória longa exibem, conseqüentemente, picos de
energia em mais de uma freqüência em seu espectro. Sob a tipificação econômica tradicional,
as freqüências referentes aos ciclos sazonais são contidas no período de um ano e ocorrem
principalmente por influência de fatores naturais, como as estações do ano para a safra
agrícola; ciclos lunares para a pesca ou ainda podem ser oriundos de manifestações culturais,
como datas comemorativas para as vendas no comércio. Esse último caso retrata bem o
64

caráter estocástico do fenômeno em séries econômicas, pois envolvem influências que nascem
das decisões dos agentes econômicos, como, por exemplo, a antecipação das compras de fim-
de-ano. Movimentos com periodicidade maior são geralmente associados aos ciclos
econômicos, outrora mencionados nesse trabalho. O tema da memória longa sazonal tem
ganhado espaço na pesquisa científica em diversos campos. Hennig Rust do Potsdan Institute
for Climate Impact Research, por exemplo, vem desenvolvendo um software para a estimação
de modelos generalizados, que envolve tanto a memória longa quanto a curta, sazonal e não
sazonal, visando aplicações nas ciências geofísicas
27
. Atenção especial ao tema vem sendo
dada pela Econometria. Ooms (1995) expõe, na forma de um compêndio ou “survey”, a
evolução da pesquisa sobre memória longa sazonal e fornece importantes indicações
relacionadas com a Economia. O autor também propõe uma adaptação ao estimador GPH,
tornando-o capacitado para estimar ordens de integração fracionárias associadas aos picos de
energia espectral identificados como periodicidades sazonais. Reisen et al (2004) avaliaram a
performance do estimador GPH adaptado em comparação ao estimador espectral por máxima
verossimilhança e relatam seu bom desempenho. A relevância do tema para estudos
econômicos aplicados estimula a sua abordagem nesse trabalho. Essa seção propõe-se a
descrever dois modelos de memória longa sazonal. O primeiro é uma versão fracionária dos
modelos ( , , ) ( , , )
s
SARIMA p d q P D Q , que são restritos a , [0 ou 1] d D¸ . O segundo,
denominado Processo de Gegenbauer, vem sendo difundido devido à sua versatilidade. Um
dos procedimentos recentes de estimação desse modelo, mostrado no Apêndice 3, apóia-se na
análise espectral de ondaletas.


3.5.1 Modelos ( , , ) ( , , )
s
s
ARFISMA p d q P d Q

Dada à elevada influência da sazonalidade sobre a estrutura de memória de determinadas
séries temporais, o componente sazonal necessita freqüentemente de um modelo
complementar capaz de absorver seus efeitos. De fato, os modelos de memória longa sazonal
são modelos de memória longa “generalizados” ou modelos “flexíveis”. A idéia básica é
acoplar uma estrutura de memória longa sazonal a uma não sazonal, além de considerar as
estruturas memória curta sazonal e não sazonal em um único modelo. Alguns autores referem-
se a essa classe de modelos pela denominação ou

27
Ver referência sobre o programa computacional FARISMA.
( , , ) ( , , )
s
s
ARFISMA p d q P d Q
65

. Pressupondo um processo constituído apenas por uma
estrutura de memória longa sazonal, define-se, com base em Porter-Hudak (1990), o processo
com memória longa sazonal mais simples, o Processo Ruído Branco Sazonal ou
.

Definição 7: Define-se Processo Ruído Branco Fracionário Sazonal, com apenas um
componente sazonal, o processo estocástico
(3.60)
em que 1/ 2 1/ 2
s
d ÷ < < é denominada ordem de integração fracionária sazonal,
e é o operador diferença sazonal.

O operador diferença sazonal, , atua sobre os lags múltiplos de s , . O
operador diferença fracionária sazonal, (3.61), aplica o filtro (3.19) para lags
sazonais e zero para os demais. No caso em que , normalmente com , e
excepcionalmente para séries econômicas, recai-se na situação em que a série possui
uma tendência estocástica sazonal ou raiz unitária sazonal. Igualmente ao caso da memória
longa para correlações consecutivas, o modelo fracionário sazonal será estacionário e
invertível sob . Um modelo de memória longa sazonal mais flexível é uma extensão
do processo Ruído Branco Fracionário (Definição 3), que incorpora a estrutura de memória
longa sazonal do processo (3.60). Baseando-se em Reisen et al (2004):

Definição 8: Define-se Processo Ruído Branco Fracionário Estendido Sazonal, para uma
periodicidade sazonal, o processo estocástico
(3.62)
com 1/ 2 1/ 2
s
d ÷ < < , 1/ 2 1/ 2 d ÷ < < e 1/ 2 1/ 2
s
d d ÷ < ÷ < , sendo
s
B e B ,
respectivamente, os operadores diferença sazonal e diferença consecutiva e .

( , , ) ( , , )
s
s
FARISMA p d q P d Q
(0, 0, 0) (0, , 0)
s
s
ARFISMA d
(1 )
s
d s
t t
B s c ÷ =
2
~ . .(0, )
t
R B
c
c o
s
B
s
B
s
t t t s
u B u u
÷
= ÷
(1 )
s s
d d s
B A = ÷
s
d
÷
¸Z 1
s
d =
2
s
d =
1/ 2
s
d <
(1 ) (1 )
s
d s d
t t
B B s c ÷ ÷ =
2
~ . .(0, )
t
R B
c
c o
66

Para 1
s
d d ÷ o processo torna-se não estacionário. A Figura 10 exibe a função de
autocorrelação (teórica) de processos Ruído Branco Fracionário Sazonal e Ruído Branco
Estendido Sazonal.

Figura 10 – Função de Autocorrelação dos Processos com Memória Longa Sazonal de 12 meses.
(A) Processo Ruído Branco Fracionário Sazonal com e (B) Processo Ruído Branco Fracionário
Estendido Sazonal com e

Uma extensão natural é considerar em (3.62) como fracamente estacionário e incluir no
modelo estruturas auto-regressivas e de médias móveis, responsáveis por captar as
autocorrelações de baixas ordens (memória curta) sazonais e não sazonais:

Definição 9: O processo é definido Modelo se
representar uma solução da equação em diferenças na forma
(3.63)
com , , em que é um Processo Ruído Branco,
, é o operador diferença fracionária, é o operador diferença
fracionária sazonal e os polinômios auto-regressivos e
e os de médias móveis e
são, respectivamente, captam as autocorrelações
consecutivas e sazonais, de ordens , , e , cujas raízes características de ,
, e caem todas fora do circulo unitário.
0 20 40 60 80 100
-
0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
(A)
lags
F
A
C
0 20 40 60 80 100
0
.
5
1
.
0
1
.
5
(B)
lags
F
A
C
0.1
s
d =
0.3 d = 0.1
s
d =
t
c
{ }
t t
s
¸Z
( , , ) ( , , )
s s
ARFISMA p d q P d Q
( ) ( )(1 ) (1 ) ( ) ( ) ( )
s
d s d s
t t
B B B B s B B µ c u u O O ÷ ÷ ÷ =
, [ 1/ 2;1/ 2]
s
d d ¸ ÷ 1/ 2
s
d d ÷ < { }
t t
c
¸Z
{ }
t
E s µ = (1 )
d
B ÷ (1 )
s
d
B ÷
1
1
( ) 1 ...
p
p
B B B | | u = ÷ ÷ ÷
( ) ( ) 1 ( ) 2 ( )
1 2
( ) 1 ...
s s s s s s s P
P
B B B B | | | u = ÷ ÷ ÷
1
1
( ) 1 ...
q
q
B B B u u O = ÷ ÷ ÷
( ) ( ) 1 ( ) 2 ( )
1 2
( ) 1 ...
s s s s s s s Q
Q
B B B B u u u O = ÷ ÷ ÷ ÷
p q P Q ( ) 0 B u =
( ) 0 B O =
( )
( ) 0
s s
B u =
( )
( ) 0
s s
B O =
67

Baseando-se na definição do Processo ARFISMA, pode-se calcular a FIR incorporando os
componentes de memória longa e memória curta sazonais. Assumindo 0
s
µ = :

( ) ( )
(1 ) (1 )
( ) ( )
s
s s
d d s
t t s s
B B
s B B
B B
c
O O
u u
÷ ÷
= ÷ ÷ (3.64)
ou

( )
( ) ( )
( ) (1 ) (1 )
( ) ( )
s
s
t t
s s
d s d s
s s
s B
B B
B B B
B B
¢ c
¢
O O
u u
÷ ÷
=
= ÷ ÷
¯
¯
(3.65)
O polinômio

1 2
1 2
( ) 1 ...
s
B B B ¢ ¢ ¢ = ÷ ÷ ÷
¯ ¯ ¯
(3.66)
envolve operadores defasagens temporais B
¯
que sobrepõem os efeitos da memória longa (e
curta) em autocorrelações consecutivas e sazonais. Os coeficientes
s
k
¢ , 1 k , tal como para o
modelo ARFIMA, definem a FIR sazonal em relação ao período 1, 2,... k = do modelo
ARFISMA. A Figura 11 mostra a FIR sazonal do modelo
12
(0, 0.2, 0) (0, 0.25, 0) ARFISMA
para 0,1, 2,...,100 k = . Nela, percebe-se os efeitos da sobreposição da memória longa sazonal
de 12 meses aos da memória longa consecutiva.


Figura 11 – Função Impulso-Resposta do Processo Ruído Branco Fracionário Sazonal
com Parâmetros de Integração 0.2 d = e 0.25
s
d = ( 12) s =




0 20 40 60 80 100
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Tempo
F
I
R
68

3.5.2 Processo de Gegenbauer

Uma das formas características dos processos com memória longa sazonal freqüentemente
encontrado nas referências sobre o tema é o Processo de Gegenbauer. O processo é abordado
por diversos autores, como Chung (1996), Whitcher (2000) e Gençay et al (2002). Gil-Alana
(2000) utilizou a versatilidade desse processo para criar um modelo generalizado envolvendo
componentes de tendência, sazonalidade e ciclos a partir da integração fracionária. O
processo, em sua forma mais simples, foi inicialmente referido por Hosking (1981):
(3.67)
O processo é estacionário e invertível pelas conjunções de com ou de
com . Pode ser facilmente mostrado que o processo possui representação na
forma do produto envolvendo duas exponenciais complexas
28
:
(3.68)
Gray et al. (1989), baseado no polinômio de Gegenbauer, , mostrou que:
(3.69)
Ou seja, que o processo possui representação infinita na forma de um filtro linear de médias
móveis:
(3.70)
Chung (1996), por sua vez, mostrou uma forma de calcular recursivamente por meio da
expressão:
(3.71)
O espectro do processo (3.67) é dado por:
(3.72)
Por (3.72) é possível perceber que a função de densidade espectral do processo de
Gegenbauer possui um pólo quando (3.73), que pode ser reescrito na forma:
(3.74)

28
Ooms (1995) e Reisen, Rodrigues & Palma (2004) abordam o processo sob essa representação.
( )
2
1 2
s
t t
B B s
o
µ c ÷ ÷ =
1 µ = 1/ 4
s
o <
1 µ < 1/ 2
s
o <
( )( )
1 1 , 1/ 2 1/ 2
s
i i
t t
Be Be s
o
v v
c v
÷
l
÷ ÷ = ÷ < <
l
l
,
C
o
µ /
2
,
0
1 2B B C B
o
o
µ
µ
÷·
÷
=
l
÷ ÷ =
l
l
_
/
/
/
,
0
t t
s C
o
µ
c
÷·
÷
=
=
_ / /
/
C
o
µ /
, 1, 2,
1 1
2 1 2 1 C C C
o o o
µ µ µ
o o
µ
÷ ÷
í 1 í 1
÷ ÷
· ·
= ÷ ÷ ÷

· ·
· ·
( ) ( )
/ / /
/ /
¦ ¦
2
2
( ) 2 cos(2 ) , 1/ 2 1/ 2
s
G
f
o
c
v o tv µ v = ÷ ÷ < <
cos(2 ) 0 tv µ ÷ =
1
cos ( ) / 2
G
v µ t
÷
=
69

A freqüência
G
v é denominada Freqüência de Gegenbauer. Para , a freqüência de
Gegenbauer exibe a periodicidade sazonal com memória longa. Complementarmente, a
função de autocorrelação do processo mais simples é dada por:
(3.75)
Gençay et al (2002) também exibem um Processo de Gegenbauer Generalizado, introduzido
por Woodward et al. (1998):
(3.76)
Para , o processo resume o caso mais simples com apenas uma singularidade espectral
sazonal. Para , , o processo exibe múltiplas singularidades espectrais sazonais
nas freqüências de Gegenbauer
(3.77)
relacionadas às sazonalidades com memória longa com parâmetros de integração fracionária
, , e função de densidade espectral expressa por:
(3.78)
A Figura 12 e a Figura 13 mostram os espectros teóricos (na escala decibél) dos processos de
Gegenbauer com um e dois componentes sazonais com memória longa.


Figura 12 – Espectro Teórico do Processo de Gegenbauer: Uma Singularidade Sazonal na Freqüência
(sazonalidade anual) e
0
s
o
2 1
( ) cos(2 )
s
h
G
h h h
o
µ tv
÷÷· ÷
÷÷÷÷
( )
2
1
1 2
sk
m
k t t
k
B B s
o
µ c
=
÷ ÷ =
]
1 m=
m M = 1 M
1 1
,
(cos )(2 ) , 1, 2,...,
G k k
k M v µ t
÷ ÷
= =
sk
o 1, 2,..., k M =
( )
2
2
1
( ) 2 cos(2 ) , 1/ 2
k
m
d
G k
k
f
c
v o tv µ v
÷
=
= ÷ <
]
0.0 0.1 0.2 0.3 0.4 0.5
0
5
1
0
1
5
Frequências de Gegenbauer
F
u
n
ç
ã
o

d
e

D
e
n
s
i
d
a
d
e

E
s
p
e
c
t
r
a
l

(
d
B
)
1/ 12
G
v = 0.3
s
d =
70



Figura 13 - Espectro Teórico do Processo de Gegenbauer Multifator: Duas Singularidades Sazonais nas
Freqüências e (sazonalidade anual e quadrimestral) e e

Uma particularidade mencionada por Chung (1996) é que o Processo de Gegenbauer carrega
uma estrutura de memória longa não sazonal. Tomando-se em (3.76), obtém-se
(3.79) relativo à freqüência , que representa o operador diferença fracionária
com parâmetro fracionário não sazonal . O Processo de Gegenbauer também pode ser
acoplado a uma estrutura de memória ( , ) ( , )
s
SARMA p q P Q , pressupondo fracamente
estacionário em (3.76). Essa estrutura recebe a denominação na literatura de Modelo
Gegenbauer. A descrição de outros modelos sazonais
flexíveis pode ser encontrada em Ooms (1995) e Gil-Alana (2000).

No Apêndice 3 desse trabalho são descritos alguns dos principais estimadores dos modelos de
memória longa e parâmetros de integração fracionária. Nele, é apresentado estimador de
Whitcher baseado na análise espectral de ondaletas para o modelo (3.67).



0.0 0.1 0.2 0.3 0.4 0.5
-
5
0
5
1
0
1
5
Frequências de Gegenbauer
F
u
n
ç
ã
o

d
e

D
e
n
s
i
d
a
d
e

E
s
p
e
c
t
r
a
l

(
d
B
)
,1
1/ 12
G
v =
,2
1/ 4
G
v =
1
0.3
s
d =
2
0.2
s
d =
1
k
µ =
( )
1
2
1 B
o
÷ 0
G
v =
2 d o =
t
c
( , , ) ( , , )
sk s
ARFISMA p q P Q o o
71

4 ANÁLISE SIMULATÓRIA DE PROCESSOS COM MEMÓRIA LONGA


4.1 Apresentação

Nesse capítulo é proposta uma análise baseada em simulações visando abordar o tema da
eficiência estatística dos modelos de estimação da ordem de integração fracionária. Seu
objetivo é identificar, entre os estimadores mais conhecidos, aqueles que apresentam maior
eficácia, servindo, assim, como indicação para futuras pesquisas e para as análises empíricas
desenvolvidas no Capítulo 6. Adicionalmente, é realizada uma avaliação sobre o
comportamento dos testes de raízes unitárias tradicionais (1) (0) I I ÷ no âmbito dos processos
de memória longa, cuja motivação é discutir a indução à superdiferenciação comentada por
alguns autores. Em ambos os casos serão utilizados processos fracionários “simples” da classe
Ruído Fracionário Gaussiano (FGN), persistentes e antipersistentes, englobando os processos
Ruído Branco Fracionário, processos fracionários não estacionários reversíveis na média e
processos com uma raiz unitária. Não serão incluídas dificuldades adicionais aos processos
pela incorporação de tendências de natureza determinista ou de estruturas de memória de
curto prazo. Os respectivos procedimentos estatísticos e computacionais serão discutidos em
cada uma das respectivas seções.

Esse capítulo está disposto da seguinte forma: a primeira seção investigará o índice de
rejeição da hipótese de uma raiz unitária do teste bem-estabelecido ADF de Said & Dickey
(1980) e dos testes mais recentes DF-GLS e ERS de Elliot, Rothenberg & Stock (1996). Além
desses, será avaliado o índice de rejeição da hipótese nula de estacionariedade do teste KPSS
de Kwiatkowski, Phillips, Schmidt & Shin (1992). Em todos os casos serão utilizadas
simulações de processos persistentes com parâmetro de integração no intervalo 0 1 d < < . Em
seguida será avaliada a eficiência de uma ampla gama dos modelos de estimação do
parâmetro de memória longa no intervalo 1 1 d ÷ < < por meio das estatísticas amostrais da
média, variância, viés e erro quadrático médio. Serão avaliados os estimadores utilizados
nesse trabalho descritos anteriormente e outros que serão oportunamente referenciados.


72

4.2 Sobre o Poder dos Testes de Raízes Unitárias Envolvendo Processos com
Memória Longa

Os testes pivotais tradicionais de raízes unitárias são geralmente construídos sobre a
dicotomia (1) (0) I I ÷ . São exemplos, os testes ADF, DF-GLS, ERS e KPSS abordados nesse
estudo. A partir da dedução por Granger & Joyeux (1980) e Hosking (1981) sobre a condição
da estacionariedade assintótica dos processos estocásticos com memória longa, a condição
(0) I perdeu parte de sua funcionalidade para a condição estendida ( ) I d com 1/ 2 d < .
Embora seja clara a inaptidão desses testes para o caso fracionário, eles podem conter certo
poder na identificação da condição de estacionariedade assintótica definida dentro do
arcabouço da integração fracionária. A intenção desse primeiro experimento é analisar, por
meio de simulações, se o limiar da rejeição da hipótese de raiz unitária dos testes tradicionais
é próximo ao limite de estacionariedade teorizado para os modelos de memória longa,
1/ 2 d = . Assim, verificar se esses testes detêm algum poder na detecção da condição de
estacionariedade fora do âmbito da integração unitária, ou seja, considerando a hipótese que a
série pode ser constituída por um processo com memória longa. Pesquisas anteriores já
demonstraram a importância do tema.
29
Sowell (1990), por exemplo, derivou a distribuição
assintótica do teste de Dickey-Fuller para processos não estacionários e identificou um baixo
poder do teste. Diebold & Rudebusch (1991b) ampliaram a abrangência do estudo de Sowell,
realizando um experimento de Monte Carlo sobre processos com memória longa nos
intervalos de estacionariedade e não estacionariedade. Os autores concluíram também um
baixo poder do teste DF, porém crescente em relação ao tamanho da amostra. Em outro
trabalho, Hassler & Wolters (1994) realizaram experimentos semelhantes aos de Diebold &
Rudebusch, porém utilizando adicionalmente a versão “aumentada” do teste DF com
diferentes defasagens e o teste de Phillips-Perron (PP). Hassler & Wolters concluíram uma
elevada potência para os testes DF e PP no intervalo de estaionariedade assintótica, superior
ao dos testes ADF, que sofre influências negativas em relação ao aumento do número de
defasagens utilizadas. Lee & Schmidt (1996) abordaram o comportamento do teste KPSS em
séries com memória longa e concluíram sua consistência no intervalo estacionário 1/ 2 d < .



29
Fava & Alves (1998) fazem um apanhado descritivo desses trabalhos.
73

Os testes de raiz unitária ADF, DF-GLS e ERS são pivotais em torno da hipótese nula
0
: 1 H d = . Sua rejeição, considerando o caso fracionário, implica 1 d < . Pelo paradigma da
integração fracionária, a série será estacionária (assintoticamente) se 1/ 2 d < . Portanto, o
poder do teste na detecção da estacionariedade assintótica está na probabilidade de rejeitar
0
: 1 H d = , dado que a série é realmente integrada de ordem 1/ 2 d < . O procedimento
adotado para os testes (1) (0) I I ÷ foi o de buscar identificar o índice referente ao percentual
de rejeição da hipótese nula de existência de raiz unitária quando o processo é construído de
tal forma que . O caso de processos antipersistentes foi abstraído do experimento.
Em seguida a análise foi ampliada para com a intenção de identificar o
comportamento dos testes no intervalo de não estacionariedade à medida que 1 d ÷ . No teste
KPSS a hipótese nula é especificada em termos da estacionariedade da série ou da
estacionariedade em torno de uma tendência determinista. Portanto, a inferência será oposta à
dos testes mencionados acima. Esse caso será avaliado mais adiante no estudo.

Os processos com memória longa simulados nesse experimento pertencem à classe dos
Processos Gaussianos Fracionários, sem inclusão de termos deterministas ou de componentes
de memória de curto prazo.
30
O número de lags utilizados na estrutura auto-regressiva dos
testes foi escolhido com base no critério de Ng & Perron (1995), resumido no Anexo B do
trabalho, partindo-se de um máximo de 12 lags. Os algoritmos das simulações foram escritos
em linguagem S, utilizando códigos do módulo Finmetrics 2.02 para S-Plus 7.0 de processos
( , , ) ARFIMA p d q . Para cada 0 1 d _ _ , com intervalos 0.1 o = , foram gerados 1000 M =
processos persistentes com tamanhos {100, 200,300,1000} N = e aplicados os testes de raiz
unitária sobre cada um. Os processos não estacionários reversíveis na média, 1/ 2 1 d < < ,
foram gerados a partir da integração de processos antipersistentes estacionários
1/ 2 0 d ÷ < < . Os processos com 0 d = e 1 d = foram gerados a partir do gerador de dados
aleatórios gaussianos do programa S-Plus, aplicando-se uma integração sobre a série para o
caso em que 1 d = . Os processos antipersistentes não invertíveis, 1 1/ 2 d ÷ < <÷ foram
gerados a partir da diferenciação de séries persistentes estacionárias, 0 1/ 2 d < < . O ponto
ainda pouco estudado na literatura devido sua condição ímpar de alta instabilidade, 1/ 2 d = ,
não foi avaliado nesse experimento pelo desconhecimento de modelos teóricos para sua
simulação.

30
As definições de processos gaussianos fracionários e movimentos brownianos fracionários são encontradas em
Beran (1994, p.55).
0 1/ 2 d _ <
1/ 2 1 d < _
74

A Tabela 2 abaixo, mostra os percentuais de rejeição da hipótese nula de raiz unitária nas
simulações obtidos pelos testes ADF, DF-GLS e ERS aos níveis de significância de 1%, 5% e
10%. Para valores 0 1/ 2 d _ < mostrados na tabela, os percentuais associados representam a
proporção rejeição de
0
: 1 H d = quando
0
H é realmente falsa, que define o poder dos testes
para a estacionariedade assintótica.
31


Tabela 2 – Índices de Rejeição dos Testes de Raiz Unitária Sob Memória Longa


Sob as hipóteses usuais, os testes comportaram-se harmonicamente com os padrões dos níveis
de significância adotados. O comportamento dos testes sob a presença de memória longa pode
ser visualizado separadamente para cada tamanho de série nos quatro gráficos da Figura 14.

31
Embora a hipótese nula dos testes seja especifica para 1 d = , é possível avaliar a capacidade dos testes em
detectar a não estacionariedade da série no intervalo fracionário 1 / 2 1 d < _ . Nesse caso, os valores para
1 / 2 1 d < _ exibidos na tabela, representariam o percentual de rejeição de
0
H (série não estacionária) quando
0
H é “verdadeira”. Os níveis apresentados na tabela revelam o baixo poder dos testes para esse caso.
75

Em cada gráfico, ao contrário da Tabela 2, são dispostas as curvas representativas de não
rejeição da hipótese de raiz unitária no intervalo 0 1 d _ _ ao nível de 5% de significância.



Figura 14 – Gráficos dos Percentuais de Não Rejeição da Hipótese de Raiz Unitária ao Nível de 5% de
Significância com Séries de Tamanhos 1000, 300, 200,100 N =

Os gráficos mostram uma superioridade dos testes ADF e DF-GLS na rejeição de no
intervalo de estacionariedade assintótica, 0 1/ 2 d _ < , como pode ser percebido pelo
deslocamento da curva na cor alaranjada em relação ao eixo das ordenadas nos itens de (a) a
(d). Para grandes amostras, o índice de não rejeição de dos testes ADF e DF-GLS
manteve-se próximo a 0% no intervalo de estacionariedade assintótica. Para séries com 300,
200 e 100 observações o percentual de não rejeição de aumenta significativamente,
indicando o baixo poder dos testes na detecção da estacionariedade assintótica da série em
pequenas amostras. Próximo ao limiar da estacionariedade assintótica, 0.5 d = , os testes
ADF, DF-GLS e ERS rejeitaram
0
: 1 H d = , ao nível de 5% de significância em amostras de
tamanho 100 N = somente em 33.0%, 37.0% e 19.2% dos casos, respectivamente. Em séries
de tamanho 200 N = , o percentual eleva-se para 64.1%, 59.8% e 34.3%, respectivamente.
Para grandes amostras, 1000 N = , o percentual de rejeição mostrou-se elevado, 99.5%,
99.5% e 93.1%. Esse quadro revela que os testes exibem poder sobre a condição de
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 10 20 30 40 50 60 70 80 90 100
ADF
DFGLS
ERS
(%)
(d)
PercentuaisdeNãoRejeiçãodeH
0
para de[0.0;1.0] - TestesADF,DF-GLS eERS
Níveisacima de5%deSignificância
(N=1000, M=1000)
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 10 20 30 40 50 60 70 80 90 100
ADF
DFGLS
ERS
(%)
(d)
PercentuaisdeNãoRejeiçãodeH
0
para de[0.0;1.0] - TestesADF,DF-GLS eERS
Níveisacima de5%deSignificância
(N=300, M=1000)
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 10 20 30 40 50 60 70 80 90 100
ADF
DFGLS
ERS
(%)
(d)
PercentuaisdeNãoRejeiçãodeH
0
para de[0.0;1.0] - TestesADF,DF-GLS eERS
Níveisacima de5%deSignificância
(N=200, M=1000)
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 10 20 30 40 50 60 70 80 90 100
ADF
DFGLS
ERS
(%)
(d)
PercentuaisdeNãoRejeiçãodeH
0
para de[0.0;1.0] - TestesADF,DF-GLS eERS
Níveisacima de5%deSignificância
(N=100, M=1000)
0
H
0
H
0
H
(b) (a)
(d) (c)
76

estacionariedade assintótica somente em séries muito longas. Em séries com tamanhos
tradicionalmente encontrados na economia brasileira, 50 300 N < < , excluindo as séries
financeiras, os testes possuem baixa capacidade de distinguir a estacionariedade assintótica.
Sobre o percentual de rejeição de
0
: 1 H d = no intervalo fracionário 1/ 2 1 d < _ , os três
testes comportaram-se semelhantemente. Para 0.7 d = e séries com observações,
por exemplo, o teste ADF rejeitou a hipótese de raiz unitária ao nível de 5% de significância
em 15.8% dos casos, e os testes DF-GLS e ERS, em 18.5% e 18.1%, respectivamente. Para
0.8 d = , as proporções são de 13.7%, 13.0% e 13.0%. O nível apontado de não rejeição da
hipótese nula no intervalo 1/ 2 1 d _ < reflete um baixo poder dos testes de
distinguir séries com uma raiz unitária daquelas que são não estacionárias e apresentam
reversibilidade à sua média. Essa imprecisão pode se refletir em um baixo poder dos testes de
co-integração do tipo de Engle & Granger, quando os resíduos do modelo de co-integração
apresentarem ordem de integração no intervalo 1/ 2 1 d _ < e forem avaliados pelo método
ADF, como é tradicionalmente feito.

A análise baseada no teste KPSS é particularmente distinta dos outros testes. Por construção, o
teste KPSS é pivotal em “
0
: H Série Estacionária” e sua estatística baseia-se na hipótese nula
0
: 0 H d = . A Figura 15 mostra as curvas dos percentuais de rejeição da hipótese nula para
amostras de tamanho {100, 200,300,1000} N = , obtidos por meio das simulações com o teste
KPSS e a Tabela 3 exibe seus valores. Para 1/ 2 1 d < _ o percentual refere-se à rejeição de
0
H quando
0
H é realmente falsa em sentido amplo, ou seja, levando em consideração o
intervalo fracionário. Esse caso define o poder do teste KPSS para a hipótese de não
estacionariedade no intervalo 1/ 2 1 d < _ . O teste KPSS revelou elevado poder na rejeição de
0
H (série estacionária) para ordens 1/ 2 1 d < _ em séries grandes. A partir de 1/ 2 d , para
ao nível de 5% de significância, o índice de rejeição de
0
: 0 H d = mostrou-se
sempre superior a 95%, chegando a 99.7% para . Para 0.8 d = e 1000 N = , por
exemplo, o percentual de rejeição de
0
H do teste foi de 99.3%.

100 N =
0
: 1 H d =
1000 N =
1 d =
77


Figura 15 – Gráfico dos Percentuais de Rejeição da Hipótese de Estacionariedade
com Séries de Tamanhos 1000, 300, 200,100 N =

Tabela 3 - Índices de Rejeição do Teste de Estacionariedade Sob Memória Longa


0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 10 20 30 40 50 60 70 80 90 100
N=1000
N=300
N=200
N=100
(%)
(d)
Percentuais de Rejeição de H
0
para de[0.0;1.0] - Teste KPSS
Nível de 5% de Significância
78

Em pequenas amostras, no entanto, o teste apresentou índices de não rejeição elevados. Para
0.8 d = com 100 N = , ao nível de 5% de significância o teste não rejeitou a
0
: 0 H d = em
28% dos casos. Para o mesmo número de observações, o teste com séries integradas de ordens
0.6 d = e 0.7 d = não rejeitou
0
H em 43.3% e 34.6% dos casos, respectivamente. Pela
Figura 15, percebe-se que, no intervalo 0 1/ 2 d < < o índice de rejeição varia entre 10% e
35% para pequenas amostras ( 100 N = ) ao nível de 5% de significância, revelando um baixo
poder na detecção da condição de estacionariedade assintótica.


4.3 Sobre a Eficiência dos Modelos de Estimação da Memória Longa

Nessa seção são analisadas comparativamente as propriedades estatísticas de duas classes de
estimadores dos parâmetros de integração fracionária. A avaliação foi baseada em simulações
de processos estocásticos integrados fracionariamente, persistentes e antipersistentes. O
pressuposto utilizado nesse experimento foi o completo desconhecimento a priori sobre as
ordens fracionárias estimadas, como no caso de um pesquisador que utilize os métodos de
estimação sobre uma série, sem dispor de qualquer informação inicial sobre sua condição de
estacionariedade/não estacionariedade e de persistência/antipersistência. As propriedades
estatísticas amostrais priorizadas nesse estudo referem-se aos critérios de consistência e
eficiência estatística dos estimadores, examinados por meio da média, variância, viés e erro
quadrático médio.
32
Foram selecionados para o experimento estimadores denominados
“heurísticos”, espectrais e estimadores no domínio do tempo.
Tabela 4 – Estimadores do Parâmetro de Integração Fracionária




32
As fórmulas dos critérios estatísticos utilizados são mostradas no Apêndice 4 do trabalho.
Heurísticos Espectrais e Não Espectrais
Método da Variância Agregada (VA) Método do Periodograma (GPH)
Método da Variância Agregada Diferenciada (VAD) Método do Periodograma Suavizado (MP)
Método do Valor Absoluto Agregado (VAA) Método de Whittle Local (WHL)
Método da Dimensão Fractal de Higuchi (DF) Método de Ondaletas (WLSE)
Método da Variância dos Resíduos de Peng (VR) Método de Ondaletas Ponderado (W-WLSE)
Rescaled Range (R/S) Método ARFIMA por MV (ARFIMA)
79

A denominação “heurística” foi utilizada nesse trabalho para os métodos de caráter
exploratório. Sobre essa classe de “estimadores” ver, por exemplo, Beran (1994), Wuertz
(2006) e o material disponibilizado pelo professor Murrad Taqqu em sua página na internet.
33

Entre os estimadores avaliados, os métodos do periodograma (GPH), do periodograma
suavizado de Reisen, de ondaletas, de ondaletas ponderados e de máxima verossimilhança
foram descritos no Apêndice deste trabalho.
34
No entanto, devido a restrições nos códigos
computacionais utilizados, duas observações devem ser relatadas. A primeira é que foi
adotada a janela de Daniell ao invés da janela de Parzen, sugerida por Reisen (1994), para o
estimador baseado no periodograma suavizado [Ver Priestley (1994, p.441)]. A segunda
observação refere-se ao procedimento de estimação ( , , ) ARFIMA p d q por MV. O estimador
utilizado é o mesmo adotado nos estudos empíricos, envolvendo os mesmos procedimentos de
maximização. Contudo, para esse experimento, não foi possível implementar o algoritmo de
Beran (1995) que permite estimar ordens não estacionárias diretamente.

Foram utilizadas somente simulações de Processos Gaussianos Fracionários, sem a inclusão
de termos deterministas ou de componentes de memória de curto prazo. Quatro especificações
dos modelos ( , , ) ARFIMA p d q em relação à sua estrutura de memória de curto prazo foram
utilizadas: (0, ,0) ARFIMA d , (1, , 0) ARFIMA d , (0, ,1) ARFIMA d e (1, ,1) ARFIMA d . O
interesse sobre as diferentes especificações é avaliar o efeito de superespecificações dos
termos de memória de curto prazo sobre as estimações do parâmetro de memória longa. As
rotinas computacionais de simulação foram escritas em linguagem S e R, utilizando códigos
dos módulos Finmetrics 2.02, Waveslim 1.5 e Wavelets 2.02 para S-Plus 7.0 e os módulos
FSeries, Fracdiff e Locwhitt para R.
35
Nesse estudo, ampliou-se o intervalo paramétrico de
análise em relação à seção anterior para 1 1 d ÷ < < , com intervalos de 0.05 o = , sendo
gerados 1000 M = processos simulados com tamanhos comuns às séries econômicas,
{100, 200,300, 400,500,1000} N = . Particularmente no caso dos modelos ( , , ) ARFIMA p d q ,
seus resultados serão avaliados somente no intervalo 0 1/ 2 d < < , pois o código utilizado não
foi capacitado para estimar ordens negativas e não estacionárias, como mencionado
anteriormente. O procedimento escolhido foi o de aplicar cada modelo de estimação sobre os

33
http://math.bu.edu/people/murad/
34
Devido à restrições no código computacional utilizado, foi adotada a janela espectral retangular de Daniell ao
invés da janela de Parzen sugerida por Reisen (1994) para o estimador baseado no periodograma suavizado.
35
Os módulos computacionais utilizados estão relatados nas referências do trabalho.
80

mesmos processos simulados M vezes. Os resultados das simulações estão resumidos em
formato de tabelas, uma para cada ordem fracionária em intervalos 0.10 o = .
36
Nas tabelas
constam os valores das estatísticas calculadas para cada tamanho amostral e, abaixo, três
gráficos referentes, respectivamente, à variância, viés e erro quadrático médio dos
estimadores. As tabelas estão numeradas entre (4.3.1) a (4.3.18) e dispostas no item Tabelas
ao final do trabalho. As tabelas de (4.3.1) a (4.3.9) referem-se às simulações de processos
persistentes, com 0 1 d < < . Na seqüência, as tabelas (4.3.10) a (4.3.18) referem-se às
simulações de processos antipersistentes, ordenados de forma decrescente em função do
parâmetro de integração, 1 0 d ÷ < < . Como anteriormente, foram abstraídas as ordens que
representam o ponto de não estacionariedade, 1/ 2 d =± .


4.3.1 Resultados

Os resultados dos relatórios referentes ao viés e erro quadrático médio são, resumidamente,
apresentados abaixo. Foram analisadas quatro partições do intervalo 1.0 1.0 d ÷ < < relativas
às características de perisitência, antipersistência, estacionariedade e não estacionariedade
com reversibilidade à média.

- Caso I: 0 1/ 2 d < <

Viés: Globalmente, os estimadores espectrais exibiram menor viés. Os estimadores
heurísticos que se destacaram foram: VAA, VR e R/S. Para valores baixos de d , o VAA
apresentou mais baixo viés; para ordens próximas a meio pela esquerda,
( )
1/ 2 d
÷
÷ , o viés
de VAA aumenta e os estimadores VR e R/S passam a apresentar os melhores resultados. Entre
os estimadores espectrais, os que se destacaram foram: WHL, (0, , 0) ARFIMA d , GPH e
WSLE. O estimador WHL apresentou maior estabilidade em relação ao tamanho amostral. Os
estimadores WSLE e W-WSLE mostraram viés pequeno para grandes amostras. O modelo
(0, , 0) ARFIMA d exibiu viés crescente para grandes amostras à medida que
( )
1/ 2 d
÷
÷ ,
porém gerou os melhores resultados para séries com 200, 300 e 400 observações.

36
Foram considerados nesse estudo todos os resultados relativos aos processos simulados com ordens no
intervalo 1 1 d ÷ < < a cada diferencial de 0.05 o = . No entanto, as tabelas anexadas referem-se apenas às
ordens entre intervalos 0.10 o = , para evitar uma grande quantidade de informações repetidas. As demais
tabelas podem ser solicitadas ao autor.
81

E.Q.M.: Os modelos VR, R/S e DF mostraram baixos valores para esse critério entre os
heurísticos; os modelos (0, , 0) ARFIMA d , WHL e WSLE, no entanto, revelaram os melhores
resultados entre os espectrais.

- Caso II: 1 2 1 d < <

Viés: Para ordens próximas a 1 2 pela direita,
( )
1/ 2 d
÷
÷ , todos os estimadores mostraram
elevado viés. Entre eles, o que exibiu os melhores resultados foi o GPH. A medida que d se
distancia de 1 2, percebeu-se uma redução do viés, principalmente entre os estimadores
espectrais. Para ordens próximas a 1 2, somente o estimador VAD destacou-se entre os
heurísticos. Com o distanciamento do ponto 1 2 d = , passam a ganhar destaque os
estimadores VR e WSLE e W-WSLE, enquanto o estimador GPH mantém um nível de viés
estável.

E.Q.M.: O estimador VR mostrou grande superioridade frente aos outros heurísticos. Todos
os estimadores espectrais apresentaram pequeno erro quadrático médio. O estimador GPH
apresentou melhores resultados para
( )
1/ 2 d
÷
÷ , sendo superado à medida que se distancia
desse ponto por outros estimadores, com destaque para WSLE, WHL, MP e W-WSLE.

- Caso III: 1 2 0 d ÷ < <

Viés: Entre os heurísticos, o VR apresentou baixo viés seguido de perto pelos estimadores DF
e VA. Entre os espectrais, destacaram-se o WSLE e o W-WSLE.

E.Q.M.: Novamente o estimador VR revelou-se superior, inclusive, em relação aos espectrais.
Destacam-se também os estimadores DF, VAA e VA. Os estimadores espectrais com menor
E.Q.M. foram o WSLE, o WHL e o W-WSLE, principalmente para grandes amostras.

- Caso IV: 1 1 2 d ÷ < <÷

Viés: Fora os estimadores GPH e MP, todos os outros exibiram viés crescente.

82

E.Q.M.: Todos os estimadores espectrais mostraram bons resultados nesse intervalo e
superiores aos heurísticos. Grande destaque ao MP e ao WHL.

De maneira geral, todos os estimadores analisados refletiram sinais claros de consistência
assintótica, e , sendo que os estimadores espectrais e não
espectrais revelaram-se mais acurados do que os estimadores heurísticos. A variância dos
estimadores mostrou-se estável em função das ordens fracionárias, porém mais elevada, em
média, entre os estimadores heurísticos do que entre os espectrais. O estimador heurístico que
apresentou maior variância foi o estimador VAD e o espectral foi o GPH. Para , foi
o VR que apresentou menor variância entre os estimadores do primeiro grupo e entre os não
viesados do segundo grupo, foi o estimador WHL.
37
Ressalva-se, no entanto, que para
, foi o estimador que apresentou a menor variância. O maior
nível do erro quadrático médio percebido nos estimadores heurísticos é devido ao viés mais
elevado entre os estimadores desse grupo. Tal como preconizado pela literatura sobre
memória longa, percebeu-se que, à medida que as ordens fracionárias das séries simuladas
aproximaram-se de , os estimadores sofreram fortes efeitos que incidem
diretamente sobre sua acurácia, principalmente causados pela elevação no viés. As
propriedades dos estimadores mostraram-se particularmente distintas em relação aos quatro
intervalos básicos. No intervalo de estacionariedade dos processos persistentes, os
estimadores de Whittle apresentaram resultados superiores. Quando considerado o intervalo
, os estimadores que se mostraram sempre presentes entre os menos enviesados
foram o GPH, o WSLE e o W-WSLE. Nas simulações de processos antipersistentes
estacionários houve uma superioridade do estimador heurístico VR, embora os estimadores
DF, VA e WSLE apresentem viés pequeno. Entre os processos antipersistentes não
estacionários, os estimadores GPH e MP apresentaram-se muito superiores aos outros.

A experiência com os modelos mostrou que a superespecificação gerada
pela inclusão de termos de memória curta inexistentes no estimador do verdadeiro processo
causa viés nas estimativas. Os modelos possuem a vantagem de poder
explicitar os termos de memória de curto prazo que podem interferir na estimação do

37
A distinção entre estimadores não-viesados e viesados deve ser feita para ordenar a variância, pois devido à
condição de estacionariedade dos modelos ( , , ) ARFIMA p d q , são gerados somente resultados
ˆ
~1 2
i
d , se
1/ 2 1 d _ _ , e
ˆ
~ 0
i
d , se 1 1 2 d ÷ < <÷ , com 1, 2,..., i M = .
ˆ
lim { }
n
E d d
÷·
=
ˆ
lim { } 0
n
Var d
÷·
=
1 1 d ÷ < <
0 1 2 d < < (0, , 0) ARFIMA d
1 2 d =±
0 1 d < <
( , , ) ARFIMA p d q
( , , ) ARFIMA p d q
83

parâmetro de memória longa. Contudo, sua principal desvantagem é de não ser capaz de
estimar consistentemente no intervalo sem informações prévias sobre a ordem de
integração da série analisada.

A conclusão final desse estudo baseia-se nos seguintes fatos: (i) os modelos
são os mais eficientes e flexíveis no intervalo ; (ii) ampliando o intervalo para
todo o espaço paramétrico de processos persistentes e antipersistentes, , os
estimadores WHL e WSLE estiveram sempre entre os mais estatisticamente eficientes.
Portanto, esses dois estimadores podem ser preliminarmente aplicados em pesquisas
econométricas. Baseando-se em seus resultados, alcançada a condição , pode-se
complementarmente aplicar uma modelagem com o intuito de inferir a
existência de componentes relevantes de memória de curto prazo presentes na série.


4.4 Conclusões

No primeiro experimento simulatório desse capítulo, buscou-se avaliar o comportamento dos
testes de raiz unitária quando aplicados à séries com memória longa. Os resultados das
simulações apontam um baixo poder dos testes de raiz unitária ADF, DF-GLS e ERS para a
detecção da condição de estacionariedade assintótica em pequenas amostras ( 100, 200 N = ).
Para grandes amostras ( 1000 N = ) os testes exibiram eficiência satisfatória. O teste KPSS
exibiu níveis elevados de rejeição de
0
: 0 H d = para ordens 1/ 2 1 d < _ em séries grandes.
Em séries menores, seu poder cai significativamente. Existem duas grandes desvantagens da
análise da memória longa baseada nos testes de raiz unitária. A primeira diz respeito a não
possibilidade de obter uma estimativa pontual sobre a ordem fracionária e, conseqüentemente,
em não se poder aplicar transformações “exatas” sobre as séries por meio do instrumental
fracionário. Em segundo lugar, são raras as séries de natureza econômica, principalmente
entre as brasileiras, que apresentam tamanho próximo ao considerado como grande no
experimento, .

No segundo estudo desse capítulo foi elaborado o tema da eficiência estatística dos
estimadores do parâmetro de integração fracionária, classificados em duas categorias:
d [0.5;1.0]
( , , ) ARFIMA p d q
0 1 2 d < <
1 1 d ÷ < <
ˆ
0 1 2 d < <
( , , ) ARFIMA p d q
1000 N =
84

estimadores heurísticos e espectrais/semiparamétricos. De maneira geral, todos os estimadores
analisados mostraram sinais de consistência assintótica. As propriedades dos estimadores
mostraram-se particularmente distintas em relação aos quatro intervalos analisados de d . Em
termos do erro quadrático médio, globalmente para os tamanhos de amostra, destacaram-se os
estimadores MP e WHL no intervalo 1 1/ 2 d ÷ < <÷ . No intervalo 1/ 2 0 d ÷ < <
destacaram-se WHL, WSLE e W-WSLE. Para 0 1/ 2 d < < , sobressaíram-se os estimadores
(0, , 0) ARFIMA d por MV e os estimadores WHL e WSLE. Por fim, os estimadores com
melhor desempenho em 1/ 2 1 d < < foram: WSLE, MP e WHL, W-WSLE.

Os resultados obtidos nos dois experimentos simulatórios realizados nessa etapa serão
considerados nos estudos empíricos envolvendo a modelagem e análise de co-integração de
variáveis econômicas brasileiras propostos no Capítulo 6. Outras questões relacionadas ao
tema, principalmente envolvendo a co-integração fracionária serão comentadas no estudo
sobre a variabilidade relativa do consumo e renda disponível e no estudo sobre a paridade do
poder de compra brasileiro.


85

5 INTRODUÇÃO À CO-INTEGRAÇÃO FRACIONÁRIA


5.1 Análise de Co-Integração Fracionária com Bootstrap

Diferentes formulações metodológicas têm sido introduzidas tentando harmonizar a teoria da
co-integração ao paradigma ( ) \ I d d ¸R. A noção de co-integração fracionária segue os
princípios introduzidos por Engle & Granger (1987) no âmbito do paradigma .
Seguindo Caporale & Gil-Alana (2004a) e Davidson (2004), define-se co-integração
fracionária da seguinte forma:

Definição 10: Os componentes de um vetor são ditos co-integrados de ordem
, se: (I) todos os processos componentes de forem integrados de
mesma ordem , , e (II) se existir pelo menos um vetor da matriz
, tal que , para .

A existência de co-integração, circunscrita à sua conceituação tradicional, pressupõe
1 d b = = .
38
Com a incorporação da teoria da integração fracionária ao paradigma (1) (0) I I ÷ ,
um processo integrado de ordem ( ) I d , tal que 1 3/ 2 d < < , por exemplo, embora não
estacionário, exibirá incrementos estacionários. Davidson (2002c, p. 189) explica que a
modelagem das relações dinâmicas entre esses processos requer uma generalização do
arcabouço convencional. O tema foi abordado por Marinucci & Robinson (2001) e Robinson
& Marinucci (2003), que deduziram o estimador de Mínimos Quadrados no Domínio da
Freqüência e examinaram diferentes circunstâncias da co-integração fracionária envolvendo a
condição de estacionariedade assintótica. Caporale & Gil-Alana (2004a), por sua vez,
propuseram um método de teste de co-integração fracionária em dois estágios em que a
hipótese de não co-integração é confrontada com hipóteses alternativas de co-integração
fracionária. A metodologia de análise proposta por esses autores é uma ampliação da
seqüência de procedimentos do teste de co-integração de Engle & Granger (1987). Partindo
de um modelo bivariado, (1) testa-se se as ordens de integração (fracionárias) das séries

38
A co-integração de processos (2) I vem sendo bastante explorada em estudos econométricos na atualidade. No
entanto, tradicionalmente a co-integração é baseada em processos (1) I .
(1) (0) I I ÷
( 1) N
t
( , ): X ~ ( , ) d b CI d b
it
x
t
X
~ ( )
it
x I d d
÷
¸R 0
i
| =
( ) N r |
t
'X ~ ( ) I d b | ÷ 0 b
86

supostamente co-integradas são estatisticamente iguais e (2) infere-se se a ordem de
integração dos resíduos da equação de co-integração é igual ou menor que a ordem dos
regressores. Sua formalização se dá pela aplicação de um teste do tipo “Score”, descrito em
Robinson (1994a) com base no modelo:
(5.1)
em que (5.2) é obtido por Mínimos Quadrados Ordinários e . A
avaliação da co-integração fracionária é formalizada sobre um teste das hipóteses:
(5.3)
A rejeição de implica existência de uma ordem de integração de menor magnitude do que
a das séries originais e, portanto, que existe uma relação de co-integração entre os processos
e de . Buscando corrigir o viés favorável à hipótese de estacionariedade dos
resíduos, tal como apontado por MacKinnon (1990) no âmbito dos testes de integração
unitária, os autores realizaram um experimento de Monte Carlo envolvendo simulações com
amostras finitas para inferir os valores críticos do teste.

Davidson (2002c) introduziu importantes questões à análise da co-integração fracionária
relacionando-a com os procedimentos de bootstrap. Como resultado, surgiu uma metodologia
alternativa à realização de testes pivotais para a análise da co-integração de séries integradas
no intervalo 1/ 2 3/ 2 d < < . O autor explica detalhadamente os princípios teóricos do teste
sob ordens fracionárias baseando-se no Modelo Vetorial de Correção de Erros:

¦ ¦
t t
( ) (1 ) 1 (1 ) X ( )
b d
B B B B o| u O E
÷
l
´
÷ ÷ ÷ ÷ =
l
l
(5.4)
sendo
t 1 2
X ( , ,..., )
t t Nt
x x x
´
= e
t
E ~ . . .(0, ) i i d E de dimensão ( 1) N . As matrizes polinomiais
de ordem finita ( ) B u e ( ) B O possuem todas as raízes características fora do círculo unitário.
As matrizes o e | de dimensões ( ) N r e posto r referem-se, respectivamente, aos
coeficientes de correção de erros e de co-integração. O equilíbrio da equação, que implica um
sistema co-integrado, requer a condição:

t
(1 ) ~ (0)
d b
B I | X
÷
´
÷ (5.5)
ou

t
~ ( ) I d b | X
´
÷ (5.6)
(1 )
d
t t
B u
u
c
÷
÷ =
1 2
ˆ
t t t
x x u | ÷ = ~ (0)
t
I c
0
: 0
: 0
a
H
H
u
u
'
=
1
1
!
1
<
1+
0
H
1t
x
2t
x
t
X
87

Particularmente, 0 o | = = (5.7) implica a não co-integração. O caso fracionário introduzido
por Granger (1986), denominado por Modelo Vetorial de Correção de Erros Fracionário
(FVECM), exprime (5.4) sob o pressuposto:
, , 0
i i
d d b b b d
÷
= ¸ = < _ R (5.8)
ou seja, um sistema que envolve processos com memória longa persistentes e com parâmetros
de integração iguais, ~ ( )
it
x I d .
39
Nitidamente, a hipótese (5.8) é impraticável para o caso
fracionário fora de intervalos de confiança.

É mérito da pesquisa realizada por Davidson (2002c, 2003, 2004) identificar a possibilidade
de interação dos procedimentos de bootstrap à análise de co-integração fracionária. No
escopo da co-integração fracionária, explica Davidson (2002c), as implicações do teorema
central do limite não são válidas quando as ordens de integração não são conhecidas a priori.
O autor lista que “(...) as estatísticas de teste não são assintoticamente pivotais e são
dependentes do parâmetro de integração fracionária, bem como dos parâmetros
relacionados às covariâncias (...)” e, ainda, que “(...) as estatísticas de teste passam a
depender da convergência de “funcionalidades” do Movimento Browniano Fracionário,
marcado pela ocorrência de incrementos correlacionados, invalidando as tabulações dos
testes padrão (...)”. Com isso, os testes padrão “t” e “F” não são diretamente aplicáveis.
40
Os
procedimentos de simulação utilizando bootstrap são tomados por Davidson como uma
solução natural para esses impasses, pois “(...) eles geram aproximações assintóticas de
primeira ordem para testes não pivotais (...)”. A lógica de Davidson (2002c) é particularizar
o teste para o conjunto de dados avaliados, utilizando interativamente os procedimentos de
bootstrap e de integração fracionária. A metodologia envolve a realização de simulações de
Monte Carlo visando estimar a distribuição “empírica” das estatísticas utilizadas para inferir a
hipótese de co-integração. As distribuições empíricas de bootstrap são construídas mantendo-
se as características de cada série, tornando o teste individualizado para cada caso. O autor
teorizou a inferência de três relações estatísticas relacionadas à co-integração: de simples co-
integração entre as séries (hipótese fraca), de co-integração e causalidade de Granger
(hipótese semifraca) e de independência estatística (hipótese forte).


39
Outro caso particular importante surge quando 1 d b = = , que representa o VECM de Johansen (1988).
40
Sentenças grafadas em itálico entre aspas são traduções do texto original.
88

Assumindo 0 o | = = em (5.4), ou seja, impondo a hipótese
0
: 0 H b = de não co-
integração, Davidson (2002) explica que o sistema transforma-se em:
( )(1 ) X ( )
d
t t
B B B u O E ÷ = (5.9)
sendo, (1 ) X ~ (0)
d
t
B I ÷ . Com base nos procedimentos de bootstrap com reposição de
t
E ,
passadas pelo filtro invertido de (5.9), o autor propõe a obtenção de séries “reamostradas” de
X
t
,
*
, 1
{X }
M
t i i=
, que preservam a mesma dinâmica de X
t
, mas que são, por construção, não co-
integradas. As distribuições dos testes estatísticos utilizados para inferir a co-integração
podem, então, ser estimadas utilizando
*
, 1
{X }
M
t i i=
. Em um sistema bivariado, por exemplo, (5.9)
corresponde a:

1
1 1 1
( )(1 ) ( ) ( )
d
t t
B B x B µ c u O ÷ ÷ = (5.10)

2
2 2 2
( )(1 ) ( ) ( )
d
t t
B B x B µ c u O ÷ ÷ = (5.11)
Para testar a hipótese de não co-integração com independência estatística entre
1t
x e
2t
x , o
autor sugere uma seqüência de procedimentos baseados na estimação de (5.10) e (5.11). Sob a
igualdade estatística de
1
ˆ
d e
2
ˆ
d , a série residual é reamostrada M vezes com reposição,
gerando
*
2 , 1
ˆ { }
M
t i i
c
=
. A partir da seqüência
*
2 , 1
ˆ { }
M
t i i
c
=
, “reconstitui-se” a seqüência
*
2 , 1
{ }
M
t i i
x
=
por
meio dos parâmetros estimados da equação (5.11). A seqüência
*
2 , 1
{ }
M
t i i
x
=
será, por construção,
não co-integrada com
1t
x , porém possuirá uma estrutura de memória semelhante à da série
original
2t
x . Então, a partir de
*
, 1
ˆ { }
M
t i i
u
=
, obtido por meio da estimação por Mínimos Quadrados
Ordinários de:

* *
2 , 1 ,
ˆ
t i t t i
x x u |
´
= ÷ (5.12)
é possível mapear a distribuição das estatísticas de teste residuais sob
0
H verdadeira, por
construção. O valor da estatística de teste obtida com as séries originais é, então, localizado na
distribuição de bootstrap, permitindo inferir a hipótese testada com base no p-valor
encontrado. A inferência das outras duas hipóteses, fraca e semifraca, que avaliam a co-
integração (simples) e a co-integração conjuntamente à causalidade de Granger, seguem os
mesmos procedimentos. Porém, nesses casos, são utilizadas as seqüências
*
2 , 1
{ }
M
t i i
c
=
¯
oriundas,
respectivamente, das equações

* * *
2 2 1 2 1 2 1 1 3 1 4 1 1
ˆ ˆ ˆ ˆ ˆ
t t t t t t
c c o c o c o c o c
÷ ÷ ÷
= ÷ ÷ ÷ ÷ ¯ (5.13)
e
2
ˆ
t
c
89


* * *
2 2 1 2 1 2 1 3 1 1
ˆ ˆ ˆ ˆ
t t t t t
c c ¸ c ¸ c ¸ c
÷ ÷
= ÷ ÷ ÷ ¯ (5.14)
estimadas por Mínimos Quadrados Ordinários. Por esse procedimento, busca-se extrair a
dinâmica das séries que se quer testar, para poder, então, incorporá-las nas distribuições
empíricas de bootstrap associadas às suas hipóteses nulas.

As estatísticas de teste residuais, detalhadamente descritas por Davidson (2002c), são de três
tipos. A primeira, denominada nesse trabalho por Engle & Granger Fracionário (FEG), segue
os mesmos passos do teste de Engle & Granger para o caso (1) (0) I I ÷ , porém adaptado à
integração fracionária.
41
Ou seja, baseia-se na estimação do parâmetro de integração
fracionário de ˆ
t
u . O segundo tipo considerado é um teste do tipo F, denominado “Goodness
of Fit Test” (GFT), calculado sobre o modelo de co-integração envolvendo os termos de
intercepto e tendência determinista. Sua estatística é dada por:

2 2
2
1 1
2
1
ˆ
ˆ
N N
t t
t t
N
t
t
x
GFT N
µ
µ
= =
=
÷
=
_ _
_
(5.15)
O último tipo de teste refere-se à estatística de Durbin-Watson (DW):

1
1
2
1
2
1
2
ˆ ˆ
2
ˆ
N
t t
t
N
t
t
DW
µ µ
µ
A
÷
÷
=
÷
÷
=

_
_
(5.16)
As distribuições de bootstrap dos testes, sob
0
H verdadeira, são estimadas a partir das três
estatísticas utilizando cada par do conjunto
*
1 2 , 1
{ , }
M
t t i i
x x
=
formado por séries não co-integradas.
Algumas informações complementares sobre os procedimentos da co-integração fracionária
adotados nesse trabalho serão mencionadas nas duas seções de análise empírica que abordam
o tema. No Anexo C do trabalho é descrito o algoritmo utilizado nas análises de co-integração
fracionária com bootstrap seguindo os passos de Davidson (2002c).



41
Embora se tenha adotado essa denominação, Davidson (2002) explica que esse teste não é comparável ao
original, principalmente pela incorporação de uma tendência determinista em (5.12).
90


91

6 ABORDAGEM EMPÍRICA SOBRE MEMÓRIA LONGA EM VARIÁVEIS
ECONÔMICAS


Esse capítulo destina-se a uma avaliação empírica sobre a existência dos padrões de memória
longa em séries econômicas brasileiras e de suas implicações no âmbito da Teoria Econômica.
Os estudos foram idealizados buscando enfocar variáveis de diferentes áreas da Economia.
São analisadas séries referentes às áreas de produção, emprego, consumo e setor externo. Os
estudos foram baseados em destacados trabalhos sobre a economia norte-americana e
brasileira. Os resultados encontrados sob o paradigma fracionário são, sempre que possível,
confrontados com aqueles obtidos com base no paradigma . São utilizados, além
dos instrumentos de análise estatística tradicionais, os modelos ( , , ) ARIMA p d q e
( , , ) ARFIMA p d q , o teste de co-integração fracionária de Davidson (2002c) e os testes de co-
integração (1) (0) I I ÷ de Engle & Granger (1987) e Johansen (1995). Os testes ADF, DF-
GLS, ERS e KPSS, avaliados no Capítulo 4, são adotados para inferir existência de uma raiz
unitária nas séries avaliadas. Adicionalmente, é utilizado o teste modificado de Phillips &
Perron (MEPP).
42
Em um dos estudos, no qual se procura avaliar a existência de múltiplas
raízes unitárias, é aplicado o teste de Dickey-Pantula (1987). Os instrumentos de análise
espectral clássica e de ondaletas, como o periodograma e periodograma suavizado e análise
em multirresolução e variância de ondaletas, são utilizados como ferramentas auxiliares.

Os estudos estão compreendidos nas seções 6.1 a 6.4. Na primeira, é avaliada a persistência
na série do PIB brasileiro. Na segunda, é abordado o comportamento de memória longa
sazonal na série de desemprego da Pesquisa de Emprego e Desemprego (PED) na Região
Metropolitana de São Paulo, adotando os modelos de memória longa generalizados. O
terceiro estudo avalia as séries do consumo das famílias e renda disponível, procurando
discutir aspectos relativos à Hipótese da Renda Permanente de Milton Friedman e a dinâmica
da relação entre as séries, à luz do instrumental da análise de ondaletas e da integração e co-
integração fracionária. O último estudo faz uma revisão dos resultados obtidos em Alves, Cati
& Fava (2001), utilizando outros modelos de memória longa mais recentes. Vale ressaltar o
esforço computacional necessário à avaliação dos modelos envolvidos nesses temas. Foram,
em sua grande maioria, elaboradas rotinas nos programas S-Plus, R e MatLab.

42
Maiores informações sobre o teste podem ser encontradas em Zivot & Wang (2006).
(1) (0) I I ÷
92

6.1 Análise da Persistência nas Flutuações do Produto Interno Bruto Brasileiro sob a
Óptica dos Modelos de Integração Fracionária


6.1.1 Introdução

Em estudos econométricos, os modelos estocásticos de séries temporais revelaram-se
importantes ferramentas para a comprovação empírica de hipóteses formalizadas pela Teoria
Econômica. No Capítulo 2 desse trabalho, foram relatadas duas premissas freqüentemente
presentes nas teorias subjacentes aos ciclos econômicos. A primeira associa-se à hipótese de
que os choques geradores de flutuações no produto agregado são predominantemente
originários da demanda agregada. A segunda, tal como uma previsão determinista, pressupõe
que os choques de demanda têm caráter temporário sobre o produto e, assim, os desvios
percebidos no nível da variável agregada são flutuações de curta duração que ocorrem em
torno de uma taxa de crescimento de longo prazo. A existência de uma tendência de natureza
estocástica na série do produto tem forte implicação negativa sobre o pressuposto teórico dos
ciclos econômicos. Inúmeros trabalhos, alguns deles outrora citados, destinaram-se à
verificação empírica do segundo pressuposto teórico, sob o arcabouço econométrico
. Estudando o caso da economia norte-americana, Diebold & Rudebush (1989)
encontraram sinais de um comportamento de memória longa em séries do produto, contrários,
portanto, aos indícios apontados por estudos que seguiram a linha de pesquisa de Nelson &
Plosser (1982). Os autores realizaram um estudo semelhante ao de Campbell & Mankiw
(1987a, b) sobre a persistência dos efeitos de choques sobre o produto, e concluíram que os
choques agregados que incidem sobre o produto norte-americano dissipam-se no longo prazo,
condizentes, assim, com a hipótese dos ciclos econômicos.

Essa seção, no escopo dos modelos de integração fracionária, propõe-se a analisar a
transitoriedade das flutuações no Produto Interno Bruto (PIB) brasileiro e procurar por
indícios sobre a validade da segunda assertiva teórica das teorias associadas aos ciclos
econômicos. São utilizados os dados da série histórica do PIB brasileiro abrangendo os anos
de 1900 a 2005, com valores anuais atualizados monetariamente em Reais de 2005.
43


43
Atualização monetária realizada pela fonte dos dados: Instituto de Pesquisas Econômicas Aplicadas (IPEA)
(1) (0) I I ÷
93

6.1.2 Modelagem Univariada do PIB: o Paradigma (1) (0) I I ÷ e o Paradigma
Fracionário

A Figura 16 mostra dois gráficos referentes, respectivamente, à série do PIB na transformação
logarítmica e à mesma série na forma de desvios em torno do eixo zero, obtida pela extração
da tendência linear e do intercepto, por meio do Método de Mínimos Quadrados.


1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
1
7
1
8
1
9
2
0
2
1


1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
1
7
1
8
1
9
2
0
2
1
ln(PIB)
PIB - Série no Nív el

1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
-
0
.
5
0
.
0
0
.
5


1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
-
0
.
5
0
.
0
0
.
5
ln(PIB)*
PIB - Série Sem Tendência Linear

Figura 16 – Gráficos do Produto Interno Bruto Brasileiro: Série no Nível e sem Tendência Linear
(Logaritmo dos Valores Anuais em Reais de 2005)

As funções de autocorrelação (FAC) e autocorrelação parcial (FAC-P) calculadas para a série
do PIB são mostradas na Figura 17. Na Figura 18, é disposto o gráfico da função de densidade
espectral da série sem tendência, estimado por meio do periodograma, com uma janela
espectral de Parzen com largura de faixa 0,1. A presença de concentração de energia espectral
próxima à freqüência zero e o decaimento hiperbólico da função de autocorrelação são, a
priori, indicativos do padrão de memória longa na série.

94


Figura 17 – Função de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P) da Série do PIB


Figura 18 – Função de Densidade Espectral do PIB
(Baseada na FACV da Série sem Tendência Linear)

O gráfico da série do PIB sem tendência linear, apresentado na Figura 16, demonstra,
aparentemente, um movimento cíclico não regular. Sua função de densidade espectral não
exibe picos isolados de energia em bandas de freqüências específicas. É percebido, tal como a
forma típica descrita por Granger (1966), uma elevada concentração de energia espectral nas
freqüências baixas, que decresce ao longo do eixo das freqüências. Também não são
observados movimentos oscilatórios na FAC ou na FAC-P indicando a presença de
periodicidades cíclicas.

Inicialmente, foram utilizados os métodos da análise tradicional . A Tabela 5 exibe
os resultados dos testes de raiz unitária aplicados à série.
Lag
0 10 20 30 40
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC
Lag
0 10 20 30 40
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC-P
Frequência (Nyquist)
0.0 0.1 0.2 0.3 0.4 0.5
-
1
0
0
-
8
0
-
6
0
-
4
0
Densidade Espectral do PIB - Sem Tendência
(1) (0) I I ÷
95

Tabela 5 – Testes de Raiz Unitária


O teste KPSS rejeitou a hipótese do PIB ser , enquanto todos os outros não rejeitaram a
hipótese da série ser , independentemente da inclusão dos termos deterministas nas
equações dos testes. Apoiando-se nesses resultados, foram calculadas a FAC e FAC-P da
série resultante da primeira diferença do PIB, mostradas na Figura 19.


Figura 19 – Função de Autocorrelação e Função de Autocorrelação Parcial
da Série PIB em Primeiras Diferenças

Por meio da FAC, percebem-se autocorrelações estatisticamente diferentes de zero nos lags
de ordem 1, 29, 30 e 31. A FAC-P exibe uma autocorrelação de ordem 28, indicando a
possibilidade de existência de estruturas de memória na série filtrada. Tradicionalmente, na
metodologia , autocorrelações de ordem muito elevada, principalmente nas
séries em primeiras diferenças, são consideradas como espúrias. Caso contrário, seria
necessário estimar um modelo , degenerado dos termos intermediários entre
ADF I(1)
DF-GLS I(1)
ERS I(1)
MEPP I(1)
KPSS I(1)
Testes ADF, DF-GLS ERS e MEPP: H
0
: 1 Raiz Unitária ; Teste KPSS: H
0
: Série Estacionária
* Rejeita H
0
ao Nível de 5% de Significância.
** Rejeita H
0
ao Nível de 1% de Significância.
Variáveis
Termos Deterministas
Decisão
Constante e Tendência Constante SemConst. e Tend.
-1.2430 -0.7438 1.1140
-1.1873 0.3471 1.1140
0.2398** 2.2197** -
27.1429 39.9727 268.3574
-1.1098 0.2948 9.3258
(0) I
(1) I
Lag
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC
Lag
0 20 40 60 80 100
-
0
.
2
0
.
0
0
.
2

FAC-P
( , , ) ARIMA p d q
(31,1, 0) ARIMA
96

os lags 1 e 29. Seguindo os procedimentos da modelagem , foram estimados
três modelos, buscando captar a autocorrelação de baixa ordem. Seus resultados são
mostrados na Tabela 6. A FACs dos resíduos dos modelos são mostradas na Figura 19. A
indicação dos critérios de informação mostra o modelo como o mais indicado.
Contudo, o coeficiente estimado do termo exibe um valor estatisticamente igual à
unidade, revelando um modelo instável, muito próximo da condição de não estacionariedade.
O mesmo ocorre com os modelos e .

Tabela 6 – Modelos para a Série do PIB



Figura 20 – Função de Autocorrelação (FAC) dos Resíduos dos Modelos , ,
e para o PIB
( , , ) ARIMA p d q
(1,1,1) ARIMA
(1) AR
(2,1,1) ARIMA (1,1, 2) ARIMA
( , , ) ARIMA p d q
| , u o
|,u P-Valor Intercepto o
c BIC Ljung-Box(12)* Box-Pierce(12)* ARCH-LM**
ARIMA(1,1,0) |
1
=0.6468 0.0748 0.0000 - 0.0465 -338.56 25.7033 (0.0118) 23.9454 (0.0207) 11.3268 (0.9373)
ARIMA(0,1,1)
u
1
=-0.4823 0.0854 0.0000 - 0.0535 -311.65 21.4303 (0.0444) 20.0766 (0.0657) 15.4967 (0.7473)
|
1
=0.9913 0.0146 0.0000
u
1
=0.8736 0.0530 0.0000
|
1
=1.1110 0.1164 0.0000
|
2
=-0.1163 0.1137 0.2214
u
1
=0.8904 0.0577 0.0000
|
1
=0.9926 0.0139 0.0000
u
1
=0.7670 0.0985 0.0000
u
2
=0.1227 0.0982 0.1985
* P-Valores em parânteses (H
0
: Não Existe Autocorrelação) ; ** P-Valores em parânteses (H0: Não Existem Efeitos ARCH)
§
Raízes do Polinômio: AR(1.006133, 8.544289); MA(1.123064)
Variáveis
(log)
Modelo
ARI MA(p, d, q)
ARIMA(2,1,1)
§
-354.55 8.2232 (0.7675) 7.4340 (0.8277) 13.8767 (0.8367) -
14.7766 (0.7890)
PIB
- 0.0412 -356.42 10.1632 (0.6016) 9.3298 (0.6755) 14.6755 (0.7947)
ARIMA(1,1,2) - 0.0412 -353.43 7.9910 (0.7858) 7.1666 (0.8464)
ARIMA(1,1,1)
0.0400
Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Produto Interno Bruto (ARIMA(1,1,0))
Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Produto Interno Bruto (ARIMA(0,1,1))
Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Produto Interno Bruto (ARIMA(1,1,1))
Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Produto Interno Bruto (ARIMA(2,1,1))
(1,1, 0) ARIMA (0,1,1) ARIMA
(1,1,1) ARIMA (2,1,1) ARIMA
97

A FAC do quarto modelo na hierarquia do critério BIC, o , indica que ainda
existem autocorrelações não captadas pelo modelo. Os resultados induzem, portanto, à
escolha do modelo , porém, sob fortes suspeitas quanto à sua estacionariedade.

Sob o paradigma d ¸R, foram estimados os parâmetros de integração fracionária e avaliadas
especificações pelos procedimentos de Beran (1995). Na Tabela 7, são
apresentados os valores estimados por meio dos principais modelos espectrais e por MV pelo
modelo (0, , 0) ARFIMA d
44
.

Tabela 7 – Estimadores da Ordem de Integração Fracionária
WLSE W-WLSE WLSE W-WLSE WLSE W-WLSE WLSE W-WLSE
d 1.1841 1.4787 1.1316 1.0027 1.0109 1.0648 1.1041 1.0855 1.1503 1.1001 1.1810
o
d 0.0765 0.2932 0.0528 0.0205 0.0229 0.0378 0.0434 0.0464 0.0558 0.0498 0.0607
P-Valor 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
IC(d±2 o)
[1.03;1.34] [0.89;2.06] [1.03;1.24] [0.96;1.04] [0.97;1.06] [0.99;1.14] [1.02;1.19] [0.99;1.18] [1.04;1.26] [1.00;1.20] [1.06;1.30]
(*) Argumentos padrão no cálculo do Periodograma (GPH): span=1, taper=0.1, o=0.5 ; M-Per é o estimador suavizado de Reisen.
db4 la8 la16 PI B
Estimadores Tradicionais* Estimadores de Ondaletas
MV GPH M-Per
Haar


Apesar da silhueta aparentemente bem comportada da série em torno de uma tendência
determinista, os resultados apresentados na Tabela 7 revelam fortes indícios da série no nível
conter uma tendência de natureza estocástica. Os resultados são consistentes com uma
estrutura de memória longa na taxa de crescimento do PIB. Todas as estimações pontuais
produziram grandezas superiores à unidade. A possibilidade de a série não ser estacionária e
apresentar reversibilidade à média foi obtida somente dentro dos intervalos de confiança de
dois desvios-padrão em cinco casos, ainda que muito próximos da unidade. O estimador
GPH, adotado originalmente no estudo de Diebold & Rudebusch (1989), foi o que gerou a
maior estimativa para o parâmetro de integração, , e os valores mais extremos
para o intervalo de confiança, devido à sua elevada variância. Os estimadores WLSE baseados
nas ondaletas Haar, db4 e la8 e o estimador W-WSLE com a ondaleta Haar contêm em seus
intervalos de confiança o valor unitário e, portanto, não excluem a possibilidade de a série ser
estritamente . Tomando-se o caso do estimador de MV, ou , não são
percebidas, com base na Figura 21, autocorrelações residuais significativamente diferentes de
zero dentro do intervalo de 95% de significância. No mesmo nível, também não são

44
Aplicados à primeira diferença da série, os estimadores GPH e M-Per geraram, respectivamente,
0.4869(
ˆ
0.2934)
GPH
d = e
ˆ
0.2123(0.0877)
MP
d = , com os desvios-padrão entre parênteses.
(1,1, 0) ARIMA
(2,1,1) ARIMA
( , , ) ARFIMA p d q
ˆ
1.4787 d =
(1) I (0,1.1841, 0) ARFIMA
98

observadas autocorrelações no quadrado dos resíduos, que são indicativas da presença de uma
estrutura de variância condicional não homogênea na série.


Figura 21 – Função de Autocorrelação e Função de Autocorrelação Parcial dos
Resíduos e do Quadrado dos Resíduos do Modelo

Na modelagem com ordens e , não foram encontradas
influências de autocorrelações de curto prazo remanescentes após a filtragem da memória
longa. Os modelos e , descritos na Tabela 8, geraram
parâmetros auto-regressivos e de médias móveis não estatisticamente diferentes de zero. A
série livre do componente de memória longa foi calculada pelo estimador (0, , 0) ARFIMA d , e
é mostrada na Figura 22.

Tabela 8 – Modelos para a Série do PIB no Nível


Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Resíduos (ARFIMA(0,1.1841,0))
Lag
P
a
r
t
i a
l
A
C
F
0 20 40 60 80 100
-
0
.
2
-
0
.
1
0
.
0
0
.
1
0
.
2

FAC-P - Resíduos (ARFIMA(0,1.1841,0))
Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Resíduos ao Quadrado (ARFIMA(0,1.1841,0))
Lag
P
a
r
t
i a
l
A
C
F
0 20 40 60 80 100
-
0
.
2
-
0
.
1
0
.
0
0
.
1
0
.
2

FAC-P - Resíduos ao Quadrado (ARFIMA(0,1.1841,0))
(0,1.1841, 0) ARFIMA
( , , ) ARFIMA p d q 0 p 0 q
(1, , 0) ARFIMA d (0, ,1) ARFIMA d
( , , ) ARFIMA p d q
d
o
d P-Valor
|
i
, u
i
o
|,u P-Valor
µ
Ax
o
c BIC Ljung-Box(12)* Box-Pierce(12)* ARCH-LM**
ARFIMA(0,d,0) 1.1841 0.0765 0.0000 - - - 0.0458 0.0406 -369.82 8.3240 (0.7593) 7.5039 (0.8226) 17.2518 (0.6366)
ARFIMA(1,d,0) 0.9902 0.1628 0.0000 |
1
=0.2820 0.1994 0.1604 0.0471 0.0411 -363.09 10.2407 (0.5949) 9.2785 (0.6790) 16.2646 (0.7001)
ARFIMA(0,d,1) 1.0642 0.1465 0.0000 u
1
=-0.1930 0.1834 0.2951 0.0466 0.0410 -363.22 10.1300 (0.6046) 9.1936 (0.6863) 15.3132 (0.7582)
* P-Valores em parânteses (H
0
: Não Existe Autocorrelação)
** P-Valores em parânteses (H0: Não Existem Efeitos ARCH)
Variável
(log)
Modelo
ARFIMA(p, d, q)
PIB
99


Figura 22 – Gráfico da Série Filtrada (Modelo )


Figura 23 – Modelos e Ajustados para a Série do PIB Brasileiro

Os resultados encontrados, tanto pelo arcabouço ( , , ) ARIMA p d q quanto pelo
( , , ) ARFIMA p d q , contradizem a hipótese de desvios temporários do produto em torno de
uma taxa de crescimento, associada às teorias dos ciclos econômicos. Eles afirmam que os
efeitos dos choques que ocorrerem em um dado instante na série do PIB não se dissipam ao
longo do tempo. Resta ainda, porém, a avaliação do grau de amplificação associado à
persistência dos choques sobre o futuro da série do produto. Utilizou-se a função impulso-
resposta introduzida no Capítulo 3 para mensurar tais efeitos:
, (6.1)
Cada coeficiente representa uma medida do impacto de uma unidade de choque ocorrido
no instante sobre o PIB no instante , com . As FIR calculadas para
o nível da série do PIB e para sua taxa de crescimento são mostradas na Tabela 9. A função
foi calculada com base nos parâmetros estimados pelos modelos (0,1.1841, 0) ARFIMA , W-

1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
-
0
. 1
5
-
0
. 1
0
-
0
. 0
5
0
. 0
0
. 0
5
0
. 1
0
0
. 1
5


1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
-
0
. 1
5
-
0
. 1
0
-
0
. 0
5
0
. 0
0
. 0
5
0
. 1
0
0
. 1
5
Resíduos
(0,1.1841, 0) ARFIMA

1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
1
7
1
8
1
9
2
0
2
1


1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
1
7
1
8
1
9
2
0
2
1
PIB
ARFIMA(0,1.1841,0)
ARIMA(2,1,1)
PIB e Modelos ARFIMA(0,1.1841,0) e ARIMA(2,1,1)
( , , ) ARFIMA p d q ( , , ) ARIMA p d q
t
( )
t t
y B ¢ c =
0
1 ¢ =
k
¢
t k ÷ t 0,1, 2,..., k = ÷·
100

WSLE (la8 e db4), MP e . Para o estimador (0,1.1841, 0) ARFIMA também
foram calculadas as FIR com base no intervalo de confiança de dois desvios-padrão.

Tabela 9 – Função Impulso-Resposta do PIB e da Taxa de Crescimento do PIB
1 2 3 4 5 10 20 30 40 50
d=1.1841 PI B 1.1841 1.2931 1.3724 1.4356 1.4885 1.6739 1.8918 2.0348 2.1435 2.2322
MV A PI B 0.1841 0.1090 0.0794 0.0632 0.0529 0.0303 0.0173 0.0124 0.0098 0.0082
PI B 1.0311 1.0471 1.0580 1.0662 1.0728 1.0946 1.1175 1.1314 1.1414 1.1493
A PI B 0.0311 0.0160 0.0109 0.0082 0.0066 0.0034 0.0017 0.0012 0.0009 0.0007
PI B 1.3371 1.5625 1.7380 1.8845 2.0116 2.4888 3.1101 3.5526 3.9071 4.2077
A PI B 0.3371 0.2254 0.1756 0.1465 0.1271 0.0812 0.0516 0.0395 0.0327 0.0282
d=1.1503 PI B 1.1503 1.2367 1.2987 1.3475 1.3880 1.5280 1.6887 1.7923 1.8701 1.9331
W-WLSE (la8) A PI B 0.1503 0.0864 0.0620 0.0488 0.0405 0.0226 0.0126 0.0089 0.0070 0.0058
d=1.1316 PI B 1.1316 1.2061 1.2590 1.3004 1.3346 1.4519 1.5848 1.6697 1.7330 1.7840
M-Per A PI B 0.1316 0.0745 0.0529 0.0414 0.0342 0.0189 0.0104 0.0073 0.0057 0.0047
d=1.1041 PI B 1.1041 1.1616 1.2019 1.2332 1.2588 1.3457 1.4424 1.5032 1.5481 1.5840
W-WLSE(db4) A PI B 0.1041 0.0575 0.0403 0.0313 0.0257 0.0139 0.0075 0.0052 0.0040 0.0033
d=1.4787 PI B 1.4787 1.8326 2.1251 2.3794 2.6072 3.5179 4.8202 5.8192 6.6591 7.3969
GPH A PI B 0.4787 0.3539 0.2924 0.2543 0.2278 0.1607 0.1127 0.0914 0.0788 0.0701
PI B 1.6468 2.0651 2.3357 2.5107 2.6239 2.8077 2.8309 2.8312 2.8312 2.8312
A PI B 0.6468 0.4183 0.2705 0.1750 0.1132 0.0128 0.0002 0.0000 0.0000 0.0000
PI B 3.0014 5.1084 7.2165 9.3133 11.3975 21.6297 41.1796 59.5705 76.8710 93.1458
A PI B 1.8850 1.8749 1.8648 1.8548 1.8448 1.7957 1.7014 1.6121 1.5274 1.4472
(d+2o
d
) =
1.3371
ARI MA(1,1,0)
Ordem
Estimada
Série
I mpacto de Choques Sobre o Futuro do PI B
Anos
(d-2o
d
) =
1.0311
ARI MA(2,1,1)


Com base na Figura 24, é possível identificar que a FIR do modelo estimado por MV para o
nível do PIB aparenta uma seqüência de pesos não convergente, traduzindo o caráter não
estacionário da série. Para a primeira diferença do PIB, o modelo produz uma FIR
convergente, demonstrando que os efeitos dos choques sobre a taxa de crescimento da série
dissipam-se lentamente ao longo do tempo, dada sua estacionariedade assintótica. Pela Tabela
9, é possível verificar que, para a ordem estimada , os choques que incidirem
sobre o PIB serão amplificados, dobrando seus efeitos passados aproximadamente 30 anos.
45

Para o mesmo período, os choques terão impacto de apenas 1.28% sobre a taxa de
crescimento da série. A FIR calculada sobre os parâmetros do modelo
demonstra a elevada instabilidade desse modelo e sua inadequação para descrever o
comportamento da série. Na Figura 24, são comparadas as FIR dos modelos
(0,1.1841, 0) ARFIMA e (1,1, 0) ARIMA . Percebe-se que os efeitos avaliados dos choques
econômicos sobre o nível da série pelo modelo (1,1, 0) ARIMA são mais elevados para todo o
período em relação aos efeitos do modelo (0,1.1841, 0) ARFIMA , que cresce mais lentamente.

45
Resultados nessa mesma linha foram encontrados na série do PIB per capita. Nesse caso, o componente
persistente mostrou-se ainda mais elevado, como reflexo de sua ordem de integração estimada
ˆ
1.3062 d = .
(2,1,1) ARIMA
ˆ
1.1841 d =
(2,1,1) ARIMA
101

As funções avaliadas para a taxa de crescimento da série mostram que os efeitos dos choques
pelo modelo (1, 0, 0) ARIMA possuem pesos inicialmente mais elevados, porém decrescem
rapidamente, tornando-se praticamente nulos após 20 anos. Os efeitos avaliados pelo modelo
(0, 0.1841, 0) ARFIMA são inicialmente inferiores, porém decrescem lentamente, refletindo o
caráter da memória longa.


Figura 24 - Função Impulso-Resposta do PIB e da Taxa de Crescimento do PIB
Calculada Sobre os Parâmetros Estimados dos Modelos e (1,1, 0) ARIMA


6.1.3 Conclusões

Esse estudo enfocou o comportamento do PIB brasileiro sob a óptica da integração fracionária
direcionada à análise da persistência de suas flutuações ao longo do tempo. Utilizando a
metodologia tradicional, não foram alcançados modelos que permitissem maior segurança às
estimações dos efeitos de longo prazo dos choques econômicos sobre a série. Os resultados
referentes à estimação do parâmetro de integração (fracionária) apontaram que a variável
econômica não é estacionária. Sob essa representação, os impactos das inovações se
perpetuarão de forma amplificada ao longo do tempo sobre o nível da variável. Por sua vez, a
taxa de crescimento da série do PIB possui uma estrutura de memória longa assintoticamente


0 50 100 150
0
1
2
3
4
Tempo (Anos)
F
I
R
0 50 100 150
0
1
2
3
4
ARIMA(1,1,0)
ARFIMA(0,1.1841,0)
FIR ARIMA(1,1,0) X ARFIMA(0,1.1841,0) do PIB


0 50 100 150
0
.
0
0
.
2
0
.
4
0
.
6
Tempo (Anos)
F
I
R
0 50 100 150
0
.
0
0
.
2
0
.
4
0
.
6
ARIMA(1,0,0)
ARFIMA(0,0.1841,0)
FIR ARIMA(1,0,0) X ARFIMA(0,0.1841,0) do DPIB
(0,1.1841, 0) ARFIMA
102

estacionária, revelando que os efeitos dos choques dissipam-se muito lentamente. Adequando
os modelos de memória longa ao cômputo da função impulso-resposta, na segunda parte do
estudo, foram avaliados os efeitos dos choques sobre o PIB e sobre sua taxa de crescimento
em um intervalo de 50 anos. Pelo estimador de MV, após cinco, dez e cinqüenta anos, as
inovações sobre o PIB brasileiro terão seus efeitos amplificados de acordo com os fatores
1.49, 1.67 e 2.23, respectivamente. Comparativamente, os valores da FIR calculados com base
no arcabouço (1) (0) I I ÷ , são mais elevados que os obtidos pelos modelos de memória longa:
2.62, 2.881 e 2.83. Essa substancial diferença reflete a inadequação dos modelos ARIMA na
captação da estrutura de memória associada ao comportamento de baixa freqüência da série
do PIB.

Sendo assim, foram encontrados sinais na série do PIB brasileiro que não corroboram o
pressuposto teórico dos ciclos econômicos, ou seja, indícios que não concordam com a
hipótese de que os desvios no produto são variações temporárias ao longo de sua taxa de
crescimento de longo prazo. No caso da série da taxa de crescimento do PIB, são claros os
sinais da existência de convergência, porém após longos períodos de ajustamento. Por fim, é
possível extrair a conclusão que o desenvolvimento dos modelos de integração fracionária é
de grande relevância ao avanço dos métodos de análise de variáveis econômicas no médio e
longo prazos. O estimador GPH, que foi um dos primeiros métodos de estimação do
parâmetro de memória longa, foi aquele utilizado por Diebold & Rudebusch (1989) no estudo
aplicado à economia norte-americana. Em suas conclusões, os autores afirmaram que os
intervalos de confiança encontrados eram muito amplos, não permitindo a eles conclusões
concisas. Nesse estudo, foram utilizadas novas metodologias de estimação que se mostraram
adequadas à uma sintonia mais fina entre o impulso dos choques e a resposta nas variáveis.
Sob esse aspecto, percebeu-se que a função impulso-resposta é altamente influenciada por
pequenas variações na ordem de integração da série. Portanto, o estudo ajuda a concretizar a
idéia da importância da pesquisa sobre os modelos de memória longa e integração fracionária
para a avaliação dos impactos de políticas econômicas sobre a economia agregada.


103

6.2 Memória Longa Sazonal na Série de Desemprego da Região Metropolitana de
São Paulo


6.2.1 Introdução

Um dos grupos de variáveis econômicas mais enfocados em pesquisas estatísticas aplicadas
na atualidade é aquele que reflete o fluxo de trabalhadores em inatividade no mercado de
trabalho. Essa área tem ganhado importância na pesquisa econométrica recente com o
desenvolvimento de uma linha de pesquisa conhecida como Microeconometria, ou análise de
dados em painel. Nesse tipo de abordagem, os métodos quantitativos são construídos sobre
dados desagregados, denominados “microdados”. A base de microdados é formada, na
maioria dos casos, por meio de entrevistas periódicas a agentes econômicos. No Brasil, o
exemplo mais conhecido é a base de dados da Pesquisa Mensal de Emprego (PME), realizada
pelo Instituto Brasileiro de Geografia e Estatística (IBGE), que recolhe informações sobre
ocupação e renda em períodos sucessivos predeterminados. Existem fatores econômicos, no
entanto, cuja avaliação em prol de políticas públicas pressupõe o nível agregado dos dados.
Um desses casos é a noção de rigidez no mercado de trabalho. A Teoria Econômica percebe
nas instituições, por exemplo, uma das principais fontes da elevada rigidez no mercado de
trabalho. Seu reflexo incide diretamente sobre o nível de emprego devido aos custos diretos e
indiretos envolvidos na demissão e contratação de trabalhadores, como multas e encargos
trabalhistas ou treinamento de pessoal. São inúmeras as causas que podem dar origem ao
fenômeno da rigidez no mercado de trabalho, e fogem tanto ao escopo quanto ao tema desse
trabalho. No entanto, circunscrita ao interesse desse estudo está a avaliação do grau de
persistência na série de desemprego como uma possível interpretação da rigidez no mercado
de trabalho. Sob esse enfoque, pressupõe-se que capacidade de absorção de choques pelas
séries que medem o desemprego reflete um grau de flexibilidade desse mercado. A análise de
memória longa possui vantagens sobre a análise tradicional no estudo sobre o
ajustamento intertemporal de variáveis econômicas, devido à sua perspicácia em captar o
comportamento de baixa freqüência das séries temporais. Segundo a “Escola da Persistência”
no mercado de trabalho, uma série estacionária de taxa de desemprego, marcada por uma
longa cadeia de autocorrelações positivas, é condizente com a hipótese teórica de existência
de uma taxa “natural” de desemprego. Nesse caso, embora as políticas públicas voltadas para
a redução do desemprego sejam ineficazes no longo prazo, seus efeitos serão prolongados,
(1) (0) I I ÷
104

permitindo que o gestor de política econômica analise o custo-benefício de sua implantação.
Variáveis não estacionárias, com uma ou mais raízes unitárias, por outro lado, terão os efeitos
de choques advindos de políticas majorados e a trajetória futura da variável econômica será
definitivamente influenciada pela estrutura de memória presente na série. Seguindo essa linha
de pesquisa, o estudo pretendido nessa seção busca identificar medidas do grau de
persistência em uma das principais séries de desemprego da Região Metropolitana de São
Paulo, a Pesquisa de Emprego e Desemprego (PED). As séries brasileiras sobre desemprego,
no entanto, são particularmente marcadas por fortes influências sazonais que dificultam as
avaliações estatísticas sobre a existência de grandes ciclos ou de movimentos convergentes a
uma taxa natural de desemprego. A teoria da integração fracionária permite generalizações de
modelos univariados a fim de adequá-los às condições observadas de elevada persistência
sazonal com diferentes periodicidades. A análise de memória longa será, portanto, o
instrumento utilizado para duas finalidades nesse estudo: extrair a estrutura de memória longa
sazonal da série analisada e avaliar o grau de persistência sazonal e não sazonal existente no
nível da série. Adicionalmente, será realizada a confrontação entre os resultados da
modelagem de memória longa com os da metodologia tradicional .

Foram analisadas nessa seção três metodologias: uma delas sob o arcabouço e
outras duas sob o da integração fracionária. A primeira abordagem apoiou-se nos modelos
sazonais, tradicionalmente conhecidos como . Sob a
égide dos modelos de integração fracionária sazonal, duas metodologias foram empregadas.
Com o intuito de medir a dimensão da persistência da componente sazonal isoladamente, foi
adotado um processo de Gegenbauer unifatorial, estimado por meio do procedimento que
busca “desautocorrelacionar” seqüências numéricas pela decomposição no domínio tempo-
escala de ondaletas. A partir da filtragem da componente sazonal da série, aplicou-se a
modelagem para a estimação de parâmetros de memória longa e curta não
sazonal. A segunda metodologia fracionária aplicada permitiu estimar conjuntamente os
componentes de memória longa, consecutiva e sazonal, além dos parâmetros de memória
curta, , , e . Para os três modelos, foram calculadas suas
respectivas funções impulso-resposta (FIR), buscando identificar como as diferentes
especificações prevêem os efeitos dos choques no mercado de trabalho, ou seja, como eles
influenciam a trajetória da taxa de desemprego na cidade de São Paulo e região.

(1) (0) I I ÷
(1) (0) I I ÷
ARIMA ( , , ) ( , , )
s
SARIMA p d q P D Q
( , , ) ARFIMA p d q
( ) AR p ( ) MA q ( )
s
SAR P ( )
s
SMA Q
105

6.2.2 Modelagem Sazonal Univariada da Série PED

A série abordada nesse estudo é composta por observações mensais do indicador de
desemprego na Região Metropolitana de São Paulo, PED, calculado em conjunto pelos
institutos SEADE e DIEESE.
46
Na Figura 25, são mostrados dois gráficos referentes à PED
sob a transformação logarítmica.


1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008
2
.
0
2
.
2
2
.
4
2
.
6
2
.
8
3
.
0


1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008
2
.
0
2
.
2
2
.
4
2
.
6
2
.
8
3
.
0
ln(PED)
PED(%) RMSP - Série no Nív el

1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008
-
0
.
6
-
0
.
2
0
.
2
0
.
6


1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008
-
0
.
6
-
0
.
2
0
.
2
0
.
6
ln(PED)*
PED(%) RMSP - Série Sem Tendência Linear

Figura 25 – Taxa de Desemprego (PED) – Região Metropolitana de São Paulo (RMSP)
FONTE: SEADE/DIEESE

No primeiro gráfico, a série é mostrada em seu nível histórico, e no segundo, é exibida sem a
sua tendência linear e intercepto por meio do Método de Mínimos Quadrados. A série
representa o percentual de desempregados na Região Metropolitana de São Paulo e compõe-
se de 272 observações, com início em dezembro de 1984 estendendo-se até julho de 2007.
Visualmente, o gráfico da série sem tendência linear induz à suposição de um comportamento
de reversibilidade à média, ou seja, de que a PED gravita estocasticamente em torno de um
nível médio. Esse padrão é natural aos processos estocásticos não estacionários e integrados

46
Compreende o desemprego aberto e o desemprego oculto.
106

fracionariamente no intervalo 1/ 2 1 d _ < . As funções de autocorrelação (FAC) e de
autocorrelação parcial (FAC-P) da PED são mostradas na Figura 26.


Figura 26 – Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FAC-P)
(Série da PED em log)

No gráfico da FAC, percebe-se um decaimento hiperbólico “ondular” da função, apresentando
valores estatisticamente diferentes de zero até aproximadamente o lag 70. A silhueta
lentamente decrescente da FAC é indicativa da presença de memória longa na série da PED,
enquanto seu movimento na forma senoidal reflete um padrão tipicamente sazonal. A FAC-P,
na qual são excluídas as influências de lags intermediários, indica a existência de
autocorrelações de curto prazo na série. O gráfico contido na Figura 27 mostra a função de
densidade espectral na escala decibel (dB) estimada para a série, excluída sua tendência
linear. Além da concentração de energia espectral nas freqüências mais baixas, o estimador
espectral (periodograma) exibe dois picos nas freqüências 0.08148 e 0.1666 referentes,
respectivamente, a 12.27 e 6 meses, indicativo da presença de duas periodicidades sazonais da
série.

Lag
0 20 40 60 80 100
0
.
0
0
.
4
0
.
8

FAC
Lag
0 20 40 60 80 100
-
0
.
5
0
.
0
0
.
5
1
.
0

FAC-P
107


Figura 27 - Função de Densidade Espectral da PED
(Baseada na FACV da Série sem Tendência Linear)

Foram aplicados os testes de raiz unitária sobre a série. Como pode ser visualizado na Tabela
10, nenhum dos testes rejeitou a hipótese da série ser , independentemente dos termos
deterministas incluídos em suas formas funcionais. Pelo arcabouço , portanto,
presume-se a existência de uma tendência estocástica na série da PED.
47


Tabela 10 – Testes de Raiz Unitária


Na Figura 28, são mostrados os gráficos e as funções de autocorrelação da PED em primeiras
diferenças e em primeiras diferenças sazonais de 12 meses.
48
Pelo gráfico (B), referente à
FAC da primeira diferença da série, nota-se um componente sazonal extremamente
persistente. O gráfico (D) exibe a FAC da série em primeiras diferenças consecutivas e

47
Foi avaliada também a existência de três e duas raízes unitárias na série, por meio do teste de Dickey-Pantula.
O teste rejeitou a hipótese de múltiplas raízes unitárias ao nível de 1% de significância:
3
7.17 ˆ t ÷ = e
2
ˆ 4.19 t = ÷ .
48
As transformações refletem a aplicação dos seguintes filtros lineares: (1 )
t t
u B u A = ÷ e
12 12
(1 )(1 )
t t
u B B u A A = ÷ ÷
Frequência (Nyquist)
0.0 0.1 0.2 0.3 0.4 0.5
-
1
2
0
-
1
0
0
-
8
0
-
6
0
-
4
0
Densidade Espectral da PED - Sem Tendência
(1) I
(1) (0) I I ÷
ADF I(1)
DF-GLS I(1)
ERS I(1)
MEPP I(1)
KPSS I(1)
Testes ADF, DF-GLS ERS e MEPP: H
0
: 1 Raiz Unitária ; Teste KPSS: H
0
: Série Estacionária
* Rejeita H
0
ao Nível de 5% de Significância.
** Rejeita H
0
ao Nível de 1% de Significância.
0.3545** 3.404** -
6.3693 5.1806 6.5013
-2.7285 -1.5417 1.5051
-2.7140 -1.7910 0.3164
-2.3165 -1.4734 0.3164
Variáveis
Termos Deterministas
Decisão
Constante e Tendência Constante SemConst. e Tend.
108

sazonais de 12 meses. Notam-se nesse gráfico, no entanto, sinais de que a série pode ter sido
“sazonalmente superdiferenciada”.


Figura 28 – Gráficos de Funções de Autocorrelação da PED com Uma Diferença Consecutiva e Uma
Diferença Sazonal de 12 Meses

Embora a diferença tenha eliminado grande parte das longas correlações
periódicas, o surgimento de elevadas autocorrelações negativas em torno do lag 12, não
presentes na FAC do gráfico (B), são evidências do “superdimensionamento” do componente
sazonal. Como resultado, a modelagem tradicional da série filtrada mostrada no gráfico (C),
pela metodologia , necessitaria suprir o modelo com termos capazes de expurgar
as autocorrelações introduzidas artificialmente pela superdiferenciação. A Tabela 11 destaca
quatro modelos

ajustados à série da PED pelo procedimento de
MV. Além das especificações exibidas, outras formas auto-regressivas e de médias móveis de
ordens mais elevadas foram estimadas, porém nenhuma produziu resultados relevantes. O
modelo considerado como mais adequado foi o , apresentado nas
duas últimas colunas da tabela. Essa especificação conseguiu capturar as autocorrelações
consecutivas e sazonais de maneira satisfatória (ver Figura 29).


(A) D(PED)
1986 1990 1994 1998 2002 2006
-
0
.
1
0
0
.
0
0
.
1
0


1986 1990 1994 1998 2002 2006
-
0
.
1
0
0
.
0
0
.
1
0
(B) FAC da D(PED)
Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0


(C) D(D(PED),12)
1986 1990 1994 1998 2002 2006
-
0
.
1
0
0
.
0
0
.
0
5
0
.
1
5


1986 1990 1994 1998 2002 2006
-
0
.
1
0
0
.
0
0
.
0
5
0
.
1
5
(D) FAC da D(D(PED),12)
Lag
A
C
F
0 20 40 60 80 100
-
0
.
4
0
.
0
0
.
4
0
.
8

12 12
(1 ) B A = ÷
( , ) ARMA p q
( , , ) ( , , )
s
SARIMA p d q P D Q
12
(6,1, 0) (1, 0,1) SARIMA
109

Tabela 11 – Modelos SARIMA Ajustados à Série PED


Lag
0 20 40 60 80 100
0
.
0
0
.
4
0
.
8

FAC - Resíduos do SARIMA(6,1,0)x(1,0,1)
Lag
0 20 40 60 80 100
-
0
.
1
0
0
.
0
0
.
1
0

FAC-P - Resíduos do SARIMA(6,1,0)x(1,0,1)

Figura 29 – FAC e FAC-P dos Resíduos do Modelo

Ignorando arbitrariamente, a princípio, a componente sazonal, além de qualquer estrutura de
memória curta existente na série PED, foi estimada a ordem de integração fracionária segundo
as classes de estimadores espectrais tradicionais e de ondaletas. A Tabela 12 mostra os
|
1
0.5000 - 0.5771 0.4863 0.6721 - 0.5416 0.8757
o
|,u
0.0600 - 0.0597 0.0572 0.0586 - 0.0600 0.0654
P-Valor 0.0000 - 0.0000 0.0000 0.0000 - 0.0000 0.0000
|
2
0.3025 - 0.2401 - 0.1338 - 0.2524 -
o
|,u
0.0671 - 0.0696 - 0.0715 - 0.0686 -
P-Valor 0.0000 - 0.0006 - 0.0627 - 0.0002 -
|
3
-0.5031 - -0.5868 - -0.6391 - -0.5583 -
o
|,u
0.0673 - 0.0687 - 0.0690 - 0.0679 -
P-Valor 0.0000 - 0.0000 - 0.0000 - 0.0000 -
|
4 0.2902 - 0.2929 - 0.3337 - 0.2905 -
o
|,u
0.0673 - 0.0690 - 0.0691 - 0.0683 -
P-Valor 0.0000 - 0.0000 - 0.0000 - 0.0000 -
|
5 0.1414 - 0.1008 - 0.0635 - 0.1169 -
o
|,u
0.0671 - 0.0701 - 0.0715 - 0.0691 -
P-Valor
0.0361
-
0.1516
-
0.3756
-
0.0918
-
|
6
-0.2988 - -0.3120 - -0.3014 - -0.3021 -
o
|,u
0.0600 - 0.0597 - 0.0585 - 0.0601 -
P-Valor
0.0000
-
0.0000
-
0.0000
-
0.0000
-
u
1
- - - - - -0.3575 - 0.6910
o
|,u
- - - - - 0.0580 - 0.0993
P-Valor - - - - - 0.0000 - 0.0000
BI C
o
c
Ljung-Box(12)*
Box-Pierce(12)*
ARCH-LM**
* P-Valores em parânteses (H
0
: Não Existe Autocorrelação)
** P-Valores em parânteses (H0: Não Existem Efeitos ARCH)
0.0287 0.0248 0.0264 0.0232
48.5334 (0.0022) 46.4074 (0.0040) 48.8961 (0.0020) 65.2083 (0.0000)
43.0552 (0.0000) 13.0824 (0.3631) 18.7881 (0.0938) 8.3469 (0.7575)
40.8901 (0.0000) 12.5242 (0.4045) 18.0912 (0.1129) 8.0001 (0.7851)
(6,1,0) x (1,0,1)
12
SARIMA(p,d,q) x(P,D,Q)
12
-1,113.46
Parâmetros
Estimados
(6,1,0) x (0,1,0)
12
-1,044.49
(6,1,0) x (1,0,0)
12
(6,1,0) x (0,0,1)
12
-1,131.64 -1,132.31
12
(6,1, 0) (1, 0,1) SARIMA
110

parâmetros estimados. Nenhum dos estimadores mostrou-se pontualmente inferior à
unidade.
49


Tabela 12 - Estimadores da Ordem de Integração Fracionária


A Figura 30 exibe, respectivamente, a FAC e FAC-P da série filtrada pelo estimador com
valor mais expressivo, ou por MV.
50
Notam-se, tal como relatado ao caso sazonal, indícios de
que a série foi superdiferenciada.


Figura 30 - Função de Autocorrelação e Função de Autocorrelação Parcial dos
Resíduos do Modelo

A dimensão da persistência da componente sazonal foi, então, inicialmente avaliada por meio
de um Processo de Gegenbauer unifatorial. Utilizando o estimador de Whitcher baseado em
ondaletas, foi estimada a memória longa sazonal relativa ao pico de energia espectral em

49
Ressalva-se que os estimadores GPH e M-Per aplicados à primeira diferença da série geraram,
respectivamente, 0.1145(0.2102
ˆ
)
GPH
d =÷ e 0.0590(0.0309)
ˆ
MP
d =÷ , com os desvios-padrão entre parênteses.
50
Estimador FARIMA do Finmetrics para S-Plus baseado nos algoritmos de Beran (1995) e Haslett & Raftery
(1989).
LSE WLSE LSE WLSE LSE WLSE LSE WLSE
d 1.4845 1.0335 1.0839 1.0190 1.0713 1.0850 1.1864 1.1208 1.2488 1.1396 1.2768
o
d
0.0476 0.2102 0.0480 0.0296 0.0280 0.0565 0.0547 0.0717 0.0686 0.0782 0.0709
P-Valor 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
IC(d±2 o)
[1.39;1.58] [0.61;1.45] [0.99;1.18] [0.96;1.08] [1.02;1.13] [0.97;1.20] [1.08;1.30] [0.98;1.26] [1.11;1.39] [0.98;1.30] [1.14;1.42]
(*) Argumentos padrão no cálculo do Periodograma (GPH): span=1, taper=0.1, o=0.5 ; M-Per é o estimador suavizado de Reisen.
(**) Calculados com o nível 8 de decomposição (N'=256)
PI B la16 Haar
MV GPH M-Per
db4 la8
Estimadores Tradicionais* Estimadores de Ondaletas**
Lag
A
C
F
0 20 40 60 80 100 120
-
0
.
4
0
.
0
0
.
4
0
.
8

FAC dos Resíduos
Lag
P
a
r
t
i a
l
A
C
F
0 20 40 60 80 100 120
-
0
.
4
-
0
.
2
0
.
0
0
.
2

FAC-P dos Resíduos
(0,1.4845, 0) ARFIMA
111

torno da freqüência 0.08148, mostrado no periodograma da série (ver Figura 27).
51
Foi
estimado o seguinte modelo de memória longa sazonal com base na ondaleta “la8”:
(6.2)
A freqüência de Gegenbauer, identificada pelo modelo , representa uma
periodicidade de 11.28 meses. O desvio-padrão das inovações do modelo foi estimado em
e o valor de log-verossimilhança de -1743.769. O parâmetro de integração
fracionária sazonal, , reflete o caimento hiperbólico senoidalmente decrescente
na série da PED. A Figura 31 mostra a série da PED livre da memória longa sazonal e suas
respectivas FAC e FAC-P.


Figura 31 – Série da PED Livre da Componente de Memória Longa Sazonal, Espectro, FAC e FAC-P

No gráfico do espectro da série filtrada da memória longa sazonal, mostrado acima, percebe-
se que não existem demais picos de energia, portanto, não são identificadas outras
periodicidades remanescentes na série. Identifica-se somente a elevada concentração de
energia nas freqüências próximas a zero, indicativa de memória longa (simples) ou de sua não
estacionariedade. A mesma indicação é verificada pelo caimento suavizado de sua FAC. A
FAC-P indica a existência de memória de curto prazo, provavelmente segundo um processo
AR(6). O modelo estimado em duas etapas, o , em

51
Como será discutido mais adiante, a segunda singularidade espectral não concentra energia suficiente para
refletir um padrão sazonal, portanto, utilizou-se um processo de Gegenbauer capaz de captar apenas uma
singularidade espectral.
( )
0.3277
2
1 0.8489 (1 )
t t
B B B d u ÷ ÷ ÷ =
0.0886
G
v =
0.0663
u
o =
0.3277
G
o =
Time
1985 1990 1995 2000 2005
-
0
.
4
-
0
.
2
0
.
0
0
.
2
PED Livre da ML Sazonal
Frequência (Nyquist)
D
e
n
s
i
d
a
d
e

E
s
p
e
c
t
r
a
l
0.0 0.1 0.2 0.3 0.4 0.5
-
1
2
0
-
8
0
-
6
0
-
4
0
Densidade Espectral da PED Livre da ML Sazonal
Lag
A
C
F
0 20 40 60 80 100
0
.
0
0
.
4
0
.
8

FAC - Série Livre da ML Sazonal
Lag
P
a
r
t
i
a
l

A
C
F
0 20 40 60 80 100
-
0
.
4
0
.
0
0
.
4
0
.
8

FAC-P - Série Livre da ML Sazonal
12
(6, 0.8797, 0) (0, 0.3277, 0) ARFISMA
112

que a parte não sazonal foi estimada por MV, revelou, tal como observado inicialmente no
estudo, que a série PED apresenta um padrão de memória longa não estacionário reversível à
média. O espectro suavizado dos resíduos do modelo apresenta-se “aplainado”, aspecto
característico de Processos Ruído Branco.

Tabela 13 – Modelo para a Série PED Livre da Memória Longa Sazonal



Figura 32 – Série PED Filtrada dos Componentes de Memória Longa Sazonal e Consecutiva e suas
Respectivas Funções de Densidade Espectral, de Autocorrelação e Autocorrelação Parcial

O segundo modelo de memória longa sazonal avaliado permite estimar conjuntamente os
componentes de memória longa, consecutiva e sazonal, e os parâmetros de memória curta,
sazonal e não sazonal, , , e . O estimador de MV aplicado é
uma generalização do estimador proposto por Beran (1994), baseado na aproximação de
Whittle.
52
A Tabela 14 traz os modelos estimados que geraram os melhores resultados. Além
desses, foram estimadas especificações envolvendo termos auto-regressivos e de médias

52
Foram utilizados os códigos FARISMA para R fornecidos por Henning Rust. Ver referência FARISMA na
parte dos programas computacionais.
( , , ) ARFIMA p d q
d
o
d P-Valor
|
i
o
| P-Valor
µ
Ax
o
c BIC Ljung-Box(12)* Box-Pierce(12)* ARCH-LM**
|
1
=0.6452 0.1175 0.0000
|
2
=-0.2017 0.0739 0.0068
|
3
=-0.5184 0.0718 0.0000
|
4
=0.2745 0.0787 0.0006
|
5
=0.0857 0.0719 0.2343
|
6
=-0.2357 0.0618 0.0002
§
Raízes do Polinômio AR: (1.192055 1.370715 1.370715 1.192055 1.260472 1.260472)
* P-Valores em parânteses (H
0
: Não Existe Autocorrelação) ; ** P-Valores em parânteses (H0: Não Existem Efeitos ARCH)
Variáveis
(log)
Modelo
ARFIMA(p, d, q)
§
PED sem
ML
Sazonal
ARFIMA(6,d,0)
§
0.8797 0.1101 0.0000 0.0005 0.0262 -1161.01 4.8953 (0.9614) 4.7058 (0.9671) 81.8696 (0.0000)
Time
1985 1990 1995 2000 2005
-
0
.
1
0
0
.
0
0
.
0
5
0
.
1
0
PED Livre dos Componentes de ML
Frequência (Nyquist)
D
e
n
s
i d
a
d
e

E
s
p
e
c
t
r
a
l
0.0 0.1 0.2 0.3 0.4 0.5
-
1
1
0
-
1
0
0
-
9
0
Densidade Espectral da PED Livre dos Componentes de ML
Lag
A
C
F
0 20 40 60 80 100
0
.
0
0
.
4
0
.
8

FAC - PED Livre dos Componentes de ML
Lag
P
a
r
t
i a
l
A
C
F
0 20 40 60 80 100
-
0
.
1
0
0
.
0
0
.
1
0

FAC-P - PED Livre dos Componentes de ML
( ) AR p ( ) MA q ( )
s
SAR P ( )
s
SMA Q
113

móveis sazonais, e . Nenhuma delas, porém, gerou resultados
significativos. O primeiro modelo da tabela pode ser denominado como “Processo Ruído
Branco Fracionário Sazonal”. A estimação desses modelos apresentou maior instabilidade em
relação aos modelos tradicionais, provavelmente devido à inevitável interferência entre os
parâmetros de ordens sazonais e não sazonais.

Tabela 14 – Modelos para a Série PED


Apesar de exibir um coeficiente estatisticamente nulo e coeficientes e
significantes apenas a 7% e 8%, respectivamente, o modelo escolhido entre os nove expostos
foi o , pela necessidade de captação das
autocorrelações residuais. Nos demais modelos, uma autocorrelação de ordem 6,
provavelmente aquela captada pelo espectro na freqüência próxima a 0.17, persistia
sistematicamente na FAC e FAC-P. A inclusão do termo auto-regressivo de ordem 6
expurgou seu efeito. Sendo assim, entende-se que a energia espectral da segunda
( )
s
SAR P ( )
s
SMA Q
( , , ) ( , , )
s
ARFISMA p d q P D Q
(0,d,0) x(0,D,0)
12
(1,d,0) x(0,D,0)
12
(0,d,1) x(0,D,0)
12
(1,d,1) x(0,D,0)
12
(2,d,0) x(0,D,0)
12
(3,d,0) x(0,D,0)
12
(4,d,0) x(0,D,0)
12
(5,d,0) x(0,D,0)
12
(6,d,0) x(0,D,0)
12
d
1.3986 0.7332 1.2400 0.7062 0.5732 0.8560 0.6823 0.7150 0.8775
o
d
0.0476 0.1745 0.0663 0.1973 0.2053 0.1037 0.1953 0.1663 0.1293
P-Valor 0.0000 0.0000 0.0000 0.0000 0.0056 0.0000 0.0000 0.0000 0.0000
D
12 0.4399 0.4072 0.4066 0.3942 0.3949 0.3479 0.3551 0.3496 0.3253
o
ds
0.0426 0.0432 0.0422 0.0435 0.0433 0.0424 0.0435 0.0435 0.0434
P-Valor 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
|
1
- 0.6781 - 0.6887 0.8809 0.6046 0.7937 0.7715 0.6136
o
|,u
- 0.1634 - 0.1647 0.2123 0.1111 0.2057 0.1752 0.1390
P-Valor - 0.0000 - 0.0000 0.0000 0.0000 0.0001 0.0000 0.0000
|
2
- - - - -0.1174 0.1192 0.0716 0.0595 0.1009
o
|,u
- - - - 0.0911 0.0699 0.0949 0.0864 0.0728
P-Valor - - - - 0.1985 0.0894 0.4516 0.4919 0.1672
|
3
- - - - - -0.2482 -0.3229 -0.3154 -0.3363
o
|,u
- - - - - 0.0598 0.0798 0.0773 0.0708
P-Valor - - - - - 0.0000 0.0001 0.0001 0.0000
|
4
- - - - - - 0.1366 0.1776 0.1437
o
|,u
- - - - - - 0.0854 0.0871 0.0780
P-Valor - - - - - - 0.1109 0.0426 0.0665
|
5
- - - - - - - -0.0641 -0.0006
o
|,u
- - - - - - - 0.0619 0.0708
P-Valor - - - - - - - 0.3011 0.9924
|
6
- - - - - - - - -0.1145
o
|,u
- - - - - - - - 0.0653
P-Valor - - - - - - - - 0.0809
u
1
- - 0.2126 0.0600 - - - - -
o
|,u
- - 0.0825 0.0953 - - - - -
P-Valor - - 0.0105 0.5295 - - - - -
BI C -1,068.66 -1,089.56 -1,073.98 -1,090.10 -1,085.36 -1,093.96 -1,091.73 -1,087.22 -1,084.12
o
c
0.0328 0.0313 0.0320 0.0307 0.0312 0.0304 0.0302 0.0301 0.0300
Ljung-Box(12)* 29.8271 (0.0030) 40.2854 (0.0001) 111.5035 (0.0000) 36.5112 (0.0003) 44.8832 (0.0000) 24.0839 (0.0198) 20.3074 (0.0615) 18.4400 (0.1030) 14.3800 (0.2771)
Box-Pierce(12)* 29.0708 (0.0038) 39.4836 (0.0001) 109.3530 (0.0000) 35.7825 (0.0004) 44.0413 (0.0000) 23.5060 (0.0237) 19.7806 (0.0714) 17.9696 (0.1166) 13.8864 (0.3080)
ARCH-LM** 62.4192 (0.0000) 58.1082 (0.0001) 71.1987 (0.0000) 55.9588 (0.0002) 57.4008 (0.0001) 62.9343 (0.0000) 65.8539 (0.0000) 64.4084 (0.0000) 57.1644 (0.0002)
* P-Valores em parânteses (H
0
: Não Existe Autocorrelação)
** P-Valores em parânteses (H0: Não Existem Efeitos ARCH)
Parâmetros
Estimados
ARFISMA(p,d,q)X(P,D,Q)
12
(5) AR (4) AR (6) AR
12
(6, 0.8775, 0) (0, 0.3253, 0) ARFISMA
114

singularidade percebida no periodograma suavizado não é suficientemente alta para se refletir
em um padrão sazonal com período de 6 meses.
53



Figura 33 – Singularidades Espectrais

A Figura 33 destaca as singularidades espectrais avaliadas na série. A primeira, a mais
saliente, refere-se à componente de memória longa sazonal estimada. A Figura 34 mostra a
série filtrada, seu espectro, FAC e FAC-P.


Figura 34 - Série PED Filtrada dos Componentes de Memória Longa Sazonal e Consecutiva e suas
Respectivas Funções de Densidade Espectral, de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P)

Os parâmetros de integração fracionária sazonais e não sazonais, estimados conjuntamente
pelo modelo FARISMA, mostraram igualdade, até a segunda casa decimal, aos obtidos pelo

53
Adicionalmente, foi realizado o teste de Whittle para avaliar a significância da periodicidade nessa freqüência.
O resultado rejeitou, ao nível de 5% de significância, a hipótese de existência da sazonalidade de 6 meses.
Detalhes sobre o teste podem ser encontrados em Morettin & Toloi (2004).
0.005 0.010 0.020 0.050 0.100 0.200 0.500
1
e
-
0
7
1
e
-
0
5
1
e
-
0
3
1
e
-
0
1
FARIMA[6,d,0]
Frequency
S
p
e
c
t r
u
m
Time
1985 1990 1995 2000 2005
-
0
.
1
0
0
.
0
0
.
1
0
PED Livre da ML Sazonal
Frequência (Nyquist)
D
e
n
s
i d
a
d
e

E
s
p
e
c
t
r
a
l
0.0 0.1 0.2 0.3 0.4 0.5
-
1
2
0
-
1
1
0
-
1
0
0
-
9
0
Densidade Espectral da PED Livre da ML Sazonal
Lag
A
C
F
0 20 40 60 80 100
0
.
0
0
.
4
0
.
8

FAC - Série Livre da ML Sazonal
Lag
P
a
r
t
i a
l
A
C
F
0 20 40 60 80 100
-
0
.
1
5
-
0
.
0
5
0
.
0
5

FAC-P - Série Livre da ML Sazonal
115

procedimento em dois estágios. O procedimento em dois estágios demonstrou uma leve
superioridade na captação das autocorrelações de curto prazo, refletindo-se em menores
“rugosidades” no espectro da série filtrada nas freqüências mais altas. Adotando-se a soma
dos quadrados dos resíduos como parâmetro para avaliar o ajustamento dos modelos
fracionários sazonais à série da PED, obteve-se uma ligeira superioridade daquele estimado
em duas etapas (II) em relação ao que utilizou a estimação conjunta dos parâmetros (I):
0.1797
II
SQR = e 0.1871
I
SQR = .

De modo geral, as estimações refletem um componente de memória longa sazonal,
assintoticamente estacionário, com período de 12 meses e um componente de memória longa
relativo às autocorrelações sucessivas, não estacionário e reversível à média. A interação entre
os dois componentes de memória longa induzem a não estacionariedade do modelo. As duas
abordagens fracionárias mantêm consonância na escolha de um processo na captação
das autocorrelações de curto prazo, embora tenham estimado coeficientes distintos.

A persistência da série relativa às inovações foi avaliada por meio da função impulso-resposta
(FIR) modificada para compreender tanto a componente de memória longa sazonal quanto a
não sazonal, além da estrutura de memória de curto prazo. A FIR mostra como a trajetória da
PED é afetada pelos choques estocásticos. Portanto, ela reflete como os choques no mercado
de trabalho da Região Metropolitana de São Paulo são absorvidos pelo índice de desemprego
medido pela PED. Os modelos mostraram que a resposta do nível da série em função dos
choques é determinada fundamentalmente pelo comportamento não estacionário da série e
sofre grande influência do componente sazonal. A Tabela 15 mostra os valores estimados da
FIR gerados pelos coeficientes dos modelos sazonais ,
e

para períodos
entre 1 e 20 anos, enquanto a Figura 35 confronta graficamente suas trajetórias.

(6) AR
12
(6,1, 0) (1, 0,1) SARIMA
12
(6, 0.8797, 0) (0, 0.3277, 0) ARFISMA
12
(6, 0.8775, 0) (0, 0.3253, 0) ARFISMA
116

Tabela 15 - Função Impulso-Resposta da PED
SARIMA(6,1,0)x(1,0,1)
12
ARFISMA(6,0.8797,0)x(0,0.3277,0)
12
ARFISMA(6,0.8775,0)x(0,0.3253,0)
12
12
2.9271 1.4195 1.3965
24 5.0089 1.7149 1.6044
36 6.9471 1.8716 1.7323
48 8.6528 1.9843 1.8286
60 10.1445 2.0766 1.9076
120 15.2411 2.3925 2.1807
240 19.2185 2.7589 2.5005
PED
Função Impulso-Resposta (FIR)
Meses á
Frente



Figura 35 – Função Impulso-Resposta Acumulada da PED Calculada com os Parâmetros dos Modelos
,

(I) e (II)

Os impactos dos choques sobre o nível da PED tendem a ser amplificados ao longo do tempo
pelas duas abordagens. Nos modelos de memória longa, este fato é devido à interação entre os
parâmetros de integração sazonais e não sazonais. Nitidamente, o modelo SARIMA
superavalia os efeitos das inovações sobre o nível futuro da série. Os modelos de memória
longa conseguem sintonizar o comportamento associado às baixas freqüências da série e,
assim, produzem parâmetros mais adequados à representação do comportamento associado a
essas freqüências. O caráter persistente não estacionário dos modelos de memória longa
descarta a hipótese do nível da série desviar-se temporariamente de uma taxa natural de


0 50 100 150 200
0
5
1
0
1
5
2
0
Tempo (Meses)
F
I
R
0 50 100 150 200
0
5
1
0
1
5
2
0
SARIMA
ARFISMA I
ARFISMA II
FIR - PED


0 50 100 150 200
0
1
2
3
Tempo (Meses)
F
I
R
0 50 100 150 200
0
1
2
3
ARFISMA I
ARFISMA II
FIR - PED
12
(6,1, 0) (1, 0,1) SARIMA
12
(6, 0.8797, 0) (0, 0.3277, 0) ARFISMA
12
(6, 0.8775, 0) (0, 0.3253, 0) ARFISMA
117

desemprego de longo prazo. Os modelos prevêem que, após 10 anos, os efeitos das inovações
na série serão amplificados entre 2.18 e 2.38 vezes e, após 20 anos, entre 2.50 e 2.75 vezes.


6.2.3 Conclusões

Essa seção retratou a modelagem da série PED delimitada aos arcabouços e da
integração fracionária enfocando o tema da persistência em sua estrutura de memória. Foram
utilizados dois modelos de memória longa generalizados para considerar periodicidades de
natureza sazonal. Sob essa caracterização, três estruturas de memória foram decompostas na
série: uma estrutura de memória longa não estacionária e reversível à média, uma estrutura de
memória longa sazonal estacionária e uma estrutura de autocorrelações de curto prazo não
sazonais. Pelos dois arcabouços, fracionário e (1) (0) I I ÷ , foi verificada a inconsistência na
hipótese de convergência a uma taxa natural de desemprego na Região Metropolitana de São
Paulo e, portanto, desfavorável à argumentação da Escola da Persistência. A trajetória da PED
é essencialmente determinada por um comportamento não estacionário. A existência de um
componente permanente na taxa de desemprego da PED exprime a elevada rigidez no
mercado de trabalho da Região Metropolitana de São Paulo. A taxa de crescimento do
desemprego em São Paulo, por outro lado, é assintoticamente estacionária e também marcada
pela persistência sazonal.


(1) (0) I I ÷
118

6.3 Análise da Variabilidade Relativa das Séries Consumo das Famílias e Renda
Disponível: Aspectos Empíricos por meio da Análise de Ondaletas, Memória Longa e
Co-Integração Fracionária


6.3.1 Introdução

Desde os postulados de Keynes acerca do consumo, introduzidos em sua Teoria Geral de
1936, diversas vertentes teóricas estabeleceram-se tentando explicar os diferentes aspectos do
comportamento do consumidor. Um dos fatos de grande interesse nos estudos
macroeconômicos em alguns países é a aparente suavidade da variável representativa do
consumo agregado das famílias, relativamente à variabilidade da renda. Segundo Campbell &
Deaton (1989, p. 357), sobre a economia norte-americana:

(…) One of the most striking features of aggregate consumption behavior is that aggregate
consumption is smooth relative to aggregate income. Shifts in aggregate income are associated
with relatively small shifts in aggregate consumption, and variations in consumption about a
trend are smaller than variations in income about a trend. (…)

A visão keynesiana original prevê um consumidor decisivamente influenciado por sua renda
corrente, portanto, teoricamente contraditória à observância empírica da suavidade relativa do
consumo. Uma teoria, provavelmente a de maior destaque na explicação dessa constatação,
foi exposta por Milton Friedman em 1957, em sua obra intitulada “A Theory of Consumption
Function”. Friedman, partindo de um arcabouço de expectativas racionais dos agentes
econômicos em relação às escolhas intertemporais, introduzido anteriormente por Irving
Fisher, pressupôs a decomposição da renda agregada em dois componentes primários: a renda
permanente e a renda corrente ou transitória. A renda permanente é, segundo a concepção de
Friedman, aquela que os agentes esperam manter no futuro. Ela é entendida como uma
percepção associada ao longo prazo no ciclo de vida das pessoas, na forma de uma renda
intertemporal. Sua característica distintiva é, segundo o autor, sua menor volatilidade
comparativamente à renda de curto prazo, presumidamente transitória. A hipótese da renda
permanente (HRP) introduzida por Friedman conciliou a veracidade da constatação da
suavidade do consumo ao pressupor que essa variável é preponderantemente explicada pela
renda permanente. Inovações na renda corrente gerariam inovações proporcionalmente
pequenas na renda permanente e, portanto, inovações pequenas também no consumo. Robert
119

Hall, em 1978, propôs avaliar empiricamente a HRP a partir de um teste sobre a significância
dos termos defasados da renda, em um modelo de regressão, envolvendo as variáveis
consumo corrente e renda disponível, referentes aos E.U.A. Pressupondo que, sob a HRP, o
efeito conjunto dos coeficientes da renda defasada deve ser estatisticamente desprezível, Hall
(1978) mostrou resultados que não apontaram fortes evidências contrárias à HRP. Três anos
depois, Marjorie Flavin retomou o tema questionando a adequação do modelo utilizado nos
testes por Hall (1978). Flavin (1981) desenvolveu um modelo estrutural no qual o consumo
responde fundamentalmente às mudanças percebidas na renda permanente pelos agentes
econômicos a partir dos choques sobre suas rendas correntes. O modelo foi utilizado para
estimar o excesso de sensibilidade do consumo em relação à renda corrente e testar a hipótese
resultante da HRP de que o excesso de sensibilidade deve ser zero. Seus procedimentos foram
formalizados sobre a metodologia e, ao contrário de Hall (1978), implicaram a
rejeição categórica da HRP. Em 1987, Angus Deaton expôs a possível invalidade empírica do
Modelo do Ciclo de Vida e da HRP, na explicação do aparente excesso de suavidade do
consumo. Atento às implicações originárias dos trabalhos de Beveridge & Nelson (1981) e
Nelson & Plosser (1982) sobre modelagem de variáveis econômicas, o autor relatou
evidências contrárias à hipótese de que a renda permanente é, de fato, mais suave que a renda
corrente e, portanto, a HRP não poderia embasar a explicação da suavidade relativa do
consumo. O pesquisador extraiu do modelo macroeconômico estilizado adotado por Flavin
(1981) qual deveria ser a variabilidade relativa das mudanças do consumo sob a HRP, em
termos dos choques não esperados na renda permanente. Fundamentando-se no arcabouço
ele evidenciou que as inovações da renda permanente são mais voláteis que as inovações
na renda corrente. Por esse motivo, o modelo circunscrito à Teoria do Ciclo de Vida sob a
HRP prevê que a variabilidade do consumo deve ser maior que a das inovações da série da
renda, fato contraditório ao evidenciado pelos dados norte-americanos. Ao mostrar um
excesso de suavidade relativa nos dados observados do consumo em comparação ao previsto
pelo modelo sob a HRP, Deaton (1987) instituiu um fato na literatura macroeconômica que
ficou conhecido como “O Paradoxo de Deaton”. Segundo Campbell & Deaton (1989, p. 357):

(…) However, there is no logical necessity that permanent income must be smoother than current
income.” (…) “Beveridge and Nelson (1981) showed that innovation variance of permanent
income will exceed that of current income if the growth rate of current income is predominant
positively auto-correlated” (…) “Deaton (1987) drew out the implications of these results for the
consumption functions, arguing that permanent income is indeed noisier than current income so
that permanent income theory fails to offer any straightforward and well-supported account of
why consumption is smoother than income (…)

( , ) ARMA p q
(1) I
120

Segundo as pesquisas desses dois autores, utilizando modelos VAR, o consumo é
relativamente suave porque ele responde defasadamente às variações na renda. Outro
embasamento fornecido por Deaton (1992) mostra a suavidade do consumo como fruto da
percepção idiossincrática sobre a renda: embora a renda de um indivíduo possa parecer
extremamente volátil para um observador, ela pode não revelar “muitas surpresas” para
aquela pessoa e, portanto, ela pode suavizar seu consumo. Diebold & Rudebusch (1991)
propuseram avaliar a validade do Paradoxo de Deaton sob o arcabouço da integração
fracionária. Segundo eles, o intuito é verificar se o aparente excesso de suavidade do consumo
não seria resultante da adoção de “pressupostos arbitrários” nos procedimentos dos testes
estatísticos realizados por Deaton. Os resultados de Diebold & Rudebusch (1991) mostraram-
se ambíguos quanto à existência de um excesso de suavidade do consumo devido à ampla
gama de possibilidades gerada pelos intervalos de confiança dos parâmetros de integração
fracionária estimados. Haubrich (1993) abordou de maneira semelhante o tema utilizando
outro instrumental fracionário. Com as mesmas implicações da argumentação de Diebold &
Rudebusch (1991), o autor expôs que a inadequada interpretação sobre a série renda conter
uma tendência estocástica pode induzir à percepção equivocada de um excesso de volatilidade
na renda permanente. Assim, o consumo, em sua comparação, torna-se relativamente suave. O
autor concluiu que o arcabouço fracionário consegue conciliar a HRP com a variância
observada dos dados e, portanto, explicar o paradoxo do excesso de suavidade. Lardic &
Mignhon (2005) expandiram a pesquisa de Diebold & Rudebusch (1991) considerando dados
sobre a Alemanha, França, Reino Unido, Estados Unidos e Canadá. As autoras também
compararam as implicações da utilização do instrumental com o e
observaram uma discrepância nos resultados para a Alemanha, Canadá e Reino Unido entre as
duas técnicas: para os dois primeiros países, a modelagem negou a existência do
Paradoxo de Deaton, avaliada favoravelmente pela metodologia ; no caso do Reino
Unido, o oposto foi verificado. Somente para a França e Estados Unidos os resultados, sob
ambas as metodologias, ratificaram a existência do paradoxo. Lardic & Mignhon (2005)
creditaram a diferença de resultados à melhor capacidade dos modelos de memória longa em
especificar a dinâmica da renda.

Partindo dessa breve exposição introdutória, o propósito desse estudo é abordar, no âmbito da
economia brasileira, as variáveis consumo e renda sob três aspectos. O primeiro é a
variabilidade relativa das séries. Seu propósito é verificar se a variável consumo das famílias
apresenta-se mais suave que a renda disponível, tal como nos relatos sobre a economia norte-
ARIMA ARFIMA
ARFIMA
ARIMA
121

americana e de outros países. Inicialmente, a comparação entre os padrões de variabilidade
das duas séries é feita de forma exploratória por meio de suas estatísticas descritivas. Em
seguida, é proposta uma abordagem alternativa com a decomposição da variabilidade das duas
séries em diferentes níveis de escala de tempo, por meio da análise em multirresolução de
ondaletas. Essa análise permite verificar se os padrões relativos à variabilidade das duas séries
alteram-se em função da escala temporal envolvida. A motivação desse enfoque advém da
percepção, pela Teoria Econômica, de que os agentes exibem diferentes comportamentos
associados ao intervalo de tempo envolvido, que resume suas ações direcionadas ao curto ou
longo prazo como reflexo de sua racionalidade. O segundo grande tema tratado nesse estudo
refere-se à análise de memória longa nas duas variáveis econômicas. São retratadas,
comparativamente, as características das séries extraídas por meio dos arcabouços
e da integração fracionária. São examinadas suas funções de autocorrelação e suas funções de
densidade espectral e confrontados os resultados dos testes de raízes unitárias tradicionais
com a ordem de integração estimada pelos métodos fracionários. Partindo dos modelos
e são estimados os parâmetros de memória, curta e longa,
e calculadas suas respectivas funções impulso-resposta, que permitirão distinguir as
implicações de cada metodologia sobre a influência dos choques econômicos no
comportamento das séries. O terceiro tema é o equilíbrio de longo prazo entre as duas
variáveis por meio da análise de co-integração. São comparados os resultados obtidos sob a
metodologia de Johansen (1995), no escopo da integração , com os resultados dos
procedimentos de Davidson (2002c), que avalia a co-integração no âmbito da integração
fracionária, apoiando-se na técnica de bootstrap.


6.3.2 Apresentação das Séries e Aspectos Iniciais

Nesse estudo, são utilizadas as mesmas variáveis sobre a economia brasileira nas quais são
baseados a maior parte dos estudos sobre a economia norte-americana: consumo das famílias
e renda disponível. A Figura 36 traz os valores anuais, em log, das duas séries históricas, entre
os anos de 1947 a 2005, atualizados monetariamente em relação ao ano de 2005.
54



54
Foram utilizados os mesmos índices adotados pelo Instituto de Pesquisas Econômicas aplicadas (IPEA) para a
correção da série histórica do Produto Interno Bruto (PIB). O fator utilizado representa o Deflator Implícito do
PIB, considerando as mudanças de moeda que ocorreram no período.
(1) (0) I I ÷
( , , ) ARIMA p d q ( , , ) ARFIMA p d q
(1) (0) I I ÷
122


Figura 36 - Séries Consumo das Famílias e Renda Disponível (R$ de 2005 em log)

As séries abordadas nesse estudo fazem parte da conta Renda Nacional Disponível Bruta do
Sistema de Contas Nacionais calculado pelo Instituto Brasileiro de Geografia e Estatística
(IBGE). O gráfico referente às séries sem suas tendências lineares foi obtido por meio da
estimação dessas pelo Método de Mínimos Quadrados. A análise gráfica preliminar não
revela diferenças significativas no comportamento das duas variáveis. A Tabela 16 e a Figura
37 retratam as estatísticas descritivas das séries. A Figura 37 traz dois gráficos: um gráfico do
tipo “box plot” e um gráfico conjunto das funções de densidade acumulada e de densidade de
probabilidade empírica (FDA e FDP). No primeiro, os valores extremos das hastes verticais
revelam o valor máximo e mínimo das variáveis, enquanto os retângulos mostram a
concentração dos valores das séries entre o 25
o
percentil e o 75
o
percentil. As linhas
horizontais internas indicam os valores da média de cada série. O segundo gráfico mostra uma
FDP não simétrica para as duas variáveis. O coeficiente de variação, obtido pela razão desvio-
padrão/média, não evidencia diferença significativa entre os valores calculados para o nível
das séries.


1945 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
1
8
.
5
1
9
.
5
2
0
.
5


1945 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
1
8
.
5
1
9
.
5
2
0
.
5
ln(cons)
ln(renda)
Renda Disponív el e Consumo da Famílias - Séries no Nív el

1945 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
-
0
.
5
0
.
0
0
.
5


1945 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
-
0
.
5
0
.
0
0
.
5
ln(cons)
ln(renda)
Renda Disponív el e Consumo da Famílias - Séries Sem Tendência Linear
123

Tabela 16 - Estatísticas Descritivas das Séries Consumo das Famílias e Renda Disponível
Média Desv. Pad. C. Variação Assimetria Curtose 0.00 0.25 0.50 0.75 1.00
Consumo 19.8547 0.8358 0.0421 -0.5294 1.8025 18.2145 19.2169 20.2357 20.5387 20.7959
Renda 20.2397 0.9021 0.0446 -0.4792 1.8072 18.4788 19.5262 20.5935 21.0054 21.357
D(Consumo) 0.0445 0.0512 1.1506 -0.3283 2.5659 -0.0835 0.0137 0.0456 0.0868 0.1351
D(Renda) 0.0496 0.0400 0.8065 -0.4160 2.7461 -0.0537 0.0214 0.0487 0.0825 0.1318
Quartil
Variáveis
Estatísticas



Figura 37 - Estatísticas Descritivas, Função de Densidade Acumulada e Função de Densidade de
Probabilidade Empíricas das Séries Consumo das Famílias e Renda Disponível

A Tabela 17 resume os valores das estatísticas das distribuições empíricas de bootstrap e os
respectivos intervalos de confiança, sem e com o ajuste pelo viés estimado.
55
A Figura 38
mostra as distribuições estimadas pela técnica.

Tabela 17 - Estatísticas de Bootstrap sobre a Variância das Séries
Observado Viés Média Desv. Padrão 2.5% 5.0% 95.0% 97.5% 2.5% 5.0% 95.0% 97.5%
Consumo 0.6986 -0.0126 0.6861 0.0825 0.5208 0.5488 0.8188 0.8431 0.5554 0.5785 0.8501 0.8803
Renda 0.8137 -0.0108 0.8029 0.0947 0.6117 0.6441 0.9568 0.9870 0.6415 0.6704 0.9852 1.0150
IC Empíricos IC Empíricos (viés ajustado)
Variáveis
Estatísticas de Bootstrap



Figura 38 - Distribuições de Bootstrap das Variâncias das Séries Consumo das Famílias e Renda
Disponível

55
Nesse estudo, a ordem adotada foi de 10.000 replicações.
Consumo Renda
18.5
19
19.5
20
20.5
21
21.5
V
a
l
o
r
e
s
:

C
o
n
s
u
m
o
,

R
e
n
d
a
Estatisticas Descritivas
17 17.5 18 18.5 19 19.5 20 20.5 21 21.5 22 22.5 23 23 23
0
0.2
0.4
0.6
0.8
1
x , y
F
(
x
)

,

F
(
y
)

,

f
(
x
)

,

f
(
y
)
FDA X FDP - Empíricas
FDA(Consumo)
FDA(Renda)
FDP(Consumo)
FDP(Renda)
0.4 0.6 0.8 1.0 1.2
0
1
2
3
4
5



0.4 0.6 0.8 1.0 1.2
0
1
2
3
4
5



Consumo Famílias
Renda Disponível
Var. Ajustada
Var. Empírica
Pto. Igualdade Dist. Emp.
Limites Área Igualdade
Distribuições de Bootstrap
Valor
0.4098 0.7547 0.9714
124

6.3.3 Análise em Multirresolução e Variância de Ondaletas

A Teoria Econômica prevê diferentes comportamentos associados ao curto e longo prazo
como reflexo das ações racionais dos agentes econômicos. Por meio da decomposição de
ondaletas no domínio tempo-escala, é possível estender a análise da variabilidade de séries
econômicas condicionada às diferentes periodicidades. Dentro da ampla gama de famílias de
ondaletas, foi escolhida para a análise multirresolução a ondaleta “la8” pertencente à família
das ondaletas ortonormais “least asymmetric”, construída por Ingrid Daubechies. A escolha
foi baseada em sua característica de “quase-simetria”, e por produzir uma decomposição mais
suavizada do sinal.
56
Percival & Walden (2000) comentam que apesar das ondaletas da família
“coiflets”, também construídas por Daubechies, apresentarem melhores propriedades em
termos do deslocamento de fase angular que as ondaletas “la”, sua forma triangular torna-as
inferiores para absorver as características da maioria das séries temporais. A Figura 39 exibe a
decomposição em multirresolução conjunta das séries em cinco níveis de escalas diádicas
geradas por meio da DWT.
57
O componente de aproximação ou escala ( ) exibe o
comportamento de nível da série em termos da escala física, , de 32 anos ( ).
Os componentes de detalhes ( ) refletem o comportamento de alta freqüência das séries e
são responsáveis pela decomposição de suas variabilidades: eles mostram como o
comportamento médio das variáveis, associado a uma determinada escala de tempo, varia de
um período para outro. Os componentes de detalhe refletem as variações sobre
as escalas físicas , , ou seja, de 1, 2, 4, 8 e 16 anos (Percival &
Walden (2000), p. 128 e 192). Gençay et al (2002, p.142) explicam que cada componente de
detalhe captura a variabilidade da série associada às freqüências no intervalo
. Ou seja, captura qualquer oscilação com período de a unidades
de tempo. Assim, o conjunto de gráficos formado pela Figura 39, em relação ao consumo das
famílias, mapeia as mudanças no padrão (médio) de consumo dos agentes econômicos
(famílias) em considerando diferentes intervalos de tempo.

56
A escolha da largura do filtro baseou-se na condição 2 L d _ , para filtros la(L), aplicada às séries não
estacionárias e para evitar o problema de transbordamento (“leakage”) na análise de variância de ondaletas
[Percival & Walden (2000, p.305-06 e 196) ].
57
O número de níveis para decomposição seguiu o critério
0 2
log ( ) J N _ . Foi aplicado o procedimento “zero-
padding” para corrigir o problema de distorção nas bordas.
5 S
2
J
j
t ì A =
0
5 J =
j
D
1 2 5
, ,..., D D D
1
2
j
j
t t A
÷
= 1, 2,...,5 j =
j
D
1
1/ 2 1/ 2
j j
v
÷
_ _ 2
j 1
2

125


Figura 39 – Análise Multirresolução das Séries Consumo das Famílias e da Renda Disponível:
Componentes de Detalhe { 1, ..., 5} D D Associados às Escalas (físicas) de 1, 2, 4 8 e 16 anos e Componente
de Aproximação
5
{ } S Associado à Escala de 32 anos

Conforme a figura, e como é previsto pela Teoria Econômica, as amplitudes das variações do
consumo e da renda estão positivamente associadas às escalas mais altas. As variações
maiores são as menos freqüentes em ambas as variáveis: mudanças singulares na renda e no
consumo ocorrem, com maior probabilidade, no longo prazo. No curto prazo, as mudanças
associadas a essas variáveis, embora sejam mais voláteis, possuem menor amplitude. Pelos
componentes de detalhes e , é possível perceber que o comportamento da variância
entre as séries nas escalas de 16 e 8 anos possuem comportamentos quase semelhantes. Na
0 10 20 30 40 50 60
18
19
20
21
22
Séries Consumo das Famílias e Renda Disponível (log)
Consumo
Renda
0 10 20 30 40 50 60
18
20
22
Componente de Escala S5
S
5
0 10 20 30 40 50 60
-0.2
0
0.2
Componentes de Detalhes D5:D1
D
5
0 10 20 30 40 50 60
-0.2
0
0.2
D
4
0 10 20 30 40 50 60
-0.2
0
0.2
D
3
0 10 20 30 40 50 60
-0.1
0
0.1
D
2
0 10 20 30 40 50 60
-0.05
0
0.05
D
1
5 D 4 D
126

escala de 4 anos, a variabilidade das duas séries começa a exibir padrões diferentes a partir da
observação referente ao ano de 1981. A diferença entre as variabilidades das séries, como
pode ser constatada nos gráficos dos componentes , e , é concentrada nas escalas
mais baixas. As variabilidades associadas aos prazos mais longos possuem comportamentos
muito próximos. Na escala de 1 ano, apesar de algumas diferenças de amplitude em
determinados momentos, os componentes parecem estar em fase, ou seja, em um mesmo
alinhamento temporal.

Embora a análise da variância em multirresolução seja possível tanto por meio da
Transformada Discreta de Ondaletas (DWT) como pela Transformada Discreta de Ondaletas
de Máxima Sobreposição (MODWT), o segundo caso gera, de acordo com Percival (1995),
um estimador da variância de ondaletas assintoticamente mais eficiente.
58
A análise da
variância em multirresolução provém diretamente da condição estabelecida pela conservação
de energia, também válida para os coeficientes da MODWT.
59
De acordo com Percival &
Walden (2000) e Gençay et al (2002):
(6.3)
sendo que e representam, respectivamente, o vetor dos coeficientes de detalhes e
de aproximação obtidos pela transformada MODWT nas escalas e
. Serroukh, Walden & Percival (2000) e Percival & Walden (2000) explicam que
os coeficientes de ondaletas relativos à escala , tal como os componentes de detalhe
da DWT, são nominalmente associados com freqüências no intervalo . Na
Tabela 18, é mostrada a distribuição de energia entre os coeficientes da transformada
MODWT para as duas séries estudadas e suas respectivas estatísticas. Na última coluna da
tabela, é possível perceber que a energia das séries é extremamente concentrada nos
coeficientes de escala, que refletem as tendências das séries.


58
A MODWT gera coeficientes em multirresolução que são associados a filtros “em fase” com a série original e
não promove o “downsampling” no processo de filtragem. Maiores detalhes, ver Percival & Walden (2000).
59
Ao contrário do que ocorre com a DWT, em que a conservação de energia é obedecida tanto pelos coeficientes
de ondaletas quanto pelos componentes de ondaletas (cristais), na MODWT ela é garantida somente para os
coeficientes de ondaletas.
1
D 2 D 3 D
2 2
2
( ) ( )
1
( )
J
w w
j J
j
x t W V
=
= ÷
_
¯ ¯
( ) w
j
W
¯
( ) w
J
V
¯
1
2
j
j
t t A
÷
= 2
J
j
t ì A =
1, 2,..., j J =
( ) w
j
W
¯
j
t
1
[1/ 2 ;1/ 2 ]
j j
t t A A
÷
127

Tabela 18 - Estatísticas da Transformada MODWT e Distribuição da Energia entre as Escalas


Na penúltima coluna, são apresentadas as variâncias de ondaletas estimadas por MODWT.
Contudo, Percival & Walden (2000) explicam que o estimador da variância de ondaletas pela
MODWT será não viesado se forem descartados os coeficientes de ondaletas que sofrem
influência do filtro de ondaletas nas bordas da série no processo de filtragem.
60
Esse
procedimento de descarte é denominado por Whitcher (1999) como “brick-wall conditions”.
A Figura 40, Figura 41 e Figura 42 exibem as variâncias de ondaletas, com a transformação
logarítmica, calculadas por meio da MODWT com imposição da condição “brick wall” para
os três níveis de escalas temporais diádicas mais baixos, , e sem a condição para as
duas escalas mais altas, .
61
Cada gráfico atribui à variância de ondaletas um intervalo
de confiança, calculado sob diferentes hipóteses da distribuição dos dados. Percival & Walden
(2000) mostraram formas de calcular os intervalos baseando-se em três tipos de
“equivalência” dos graus de liberdade (EDOF). O procedimento promove uma correção,
dependendo da hipótese assumida sobre a distribuição dos dados. No primeiro caso, Figura
40, o intervalo foi calculado com base no procedimento , indicado aos casos em que não se
tem informações, a priori, sobre a distribuição. Na Figura 41, foi utilizado o procedimento
, que pressupõe uma distribuição não gaussiana, e na Figura 42, foi utilizado o
procedimento , que pressupõe a distribuição Normal. Os autores comentam que a hipótese
de normalidade é uma boa escolha quando se dispõe de um número razoável de observações,
. Independentemente da hipótese adotada para a construção do intervalo de
confiança, é percebido nos três gráficos que, ao nível de 95% de confiança, não é verossímil a

60
Procedimento de filtragem circular é tradicionalmente utilizado para solucionar o problema denominado por
“bordering conditions” que ocorre nas extremidades das séries pela utilização de filtros de ondaletas com
larguras mais amplas.
61
A inexistência de coeficientes de MODWT sem sofrerem dos efeitos da filtragem circular impede a estimação
da variância (não viesada) nos níveis 4 e 5.
Variável Coef. Min 1Q Mediana 3Q Max Média Dev. Pad Var Energy %
W1 -0.8490 -0.0120 0.0020 0.0100 0.6520 0.0000 0.1450 0.0210 0.0050
W2 -0.6930 -0.0210 -0.0020 0.0260 0.6550 0.0000 0.1670 0.0280 0.0070
W3 -0.7520 -0.0640 0.0090 0.0730 0.6140 0.0000 0.2220 0.0490 0.0120
W4 -0.7970 -0.0970 0.0410 0.1240 0.6650 0.0000 0.3290 0.1080 0.0270
W5 -0.9780 -0.5320 0.1950 0.4950 0.6590 0.0000 0.5710 0.3260 0.0810
V5 19.2810 19.4560 19.8440 20.2520 20.4270 19.8550 0.4080 0.1660 99.8680
W1 -0.9450 -0.0090 -0.0010 0.0080 0.7220 0.0000 0.1600 0.0260 0.0060
W2 -0.7760 -0.0150 -0.0030 0.0210 0.7480 0.0000 0.1880 0.0350 0.0080
W3 -0.8420 -0.0630 0.0090 0.0630 0.7040 0.0000 0.2510 0.0630 0.0150
W4 -0.8700 -0.0840 0.0450 0.1490 0.7020 0.0000 0.3530 0.1250 0.0300
W5 -1.0460 -0.5660 0.2110 0.5110 0.7430 0.0000 0.6120 0.3750 0.0900
V5 19.6280 19.8130 20.2460 20.6670 20.8500 20.2400 0.4360 0.1900 99.8510
Estatísticas da Transformada MODWT - semBrick-Wall
Consumo
Renda
1, 2,3 j =
4,5 j =
3
q
2
q
1
q
128 N _
128

hipótese de igualdade entre as variâncias de ondaletas das duas séries na escala de tempo mais
baixa (um ano).
62
A partir da escala de tempo de dois anos, é obtida a igualdade estatística, ou
seja, considerando seus intervalos de confiança. Para as escalas mais altas, nota-se a
convergência das variâncias a níveis relativos estáveis, nos quais são observados valores
levemente superiores do parâmetro da renda disponível. A dinâmica exposta por esse quadro
revela que, à medida que o intervalo temporal é estendido, o consumo torna-se relativamente
suave até atingir um patamar de igualdade estatística em relação à variância da renda
disponível. Essa constatação revela que não é encontrada, nos dados brasileiros, a motivação
básica que induziu Friedman à criação da HRP. Ou seja, não se verificou que o consumo é
expressivamente mais suave que a renda corrente. No entanto, a HRP não perde sua
relevância, devido à verificação empírica da suavização relativa do consumo à renda
disponível em função das escalas temporais (mais elevadas). As incertezas e a miopia dos
agentes econômicos em relação à sua renda futura são provavelmente os principais fatores que
explicam a variância do consumo relativamente mais elevada que a da renda no curto prazo.
À medida que são considerados prazos maiores, os agentes econômicos elevam sua
capacidade de prever corretamente sua renda intertemporal, e essa maior previsibilidade,
reduz suas incertezas, impelindo-os a suavizar seu padrão de consumo. A igualdade estatística
das variâncias nas escalas mais elevadas indica, nos termos da HRP, que no Brasil a renda
permanente revela-se igual à renda corrente, seguindo, portanto, a lógica keynesiana.


Figura 40 - Variância de Ondaletas com


62
Resultados semelhantes foram obtidos com as ondaletas Haar, Daubechies (d4 e d8), least asymmetric (s2, s4
e s6) , coiflet (c6) e best localized (l2, l4 e l6).
0 1 2 4
-10
-9
-8
-7
-6
-5
-4
-3
-2
-1
Variância de Ondaletas com Brick-Wall e IC
q3
(95%) - Valores em log
Escalas (a
j
=2
j-1
; j=1,2,3)
V
a
r
i
â
n
c
i
a
Consumo
Renda
8 16
-4
-3
-2
-1
0
1
2
3
4
Variância de Ondaletas sem Brick-Wall e IC
q3
(95%) - Valores em log
Escalas (a
j
=2
j-1
; j=4,5)
V
a
r
i
â
n
c
i
a
Consumo
Renda
3
(95%) IC
q
129


Figura 41 - Variância de Ondaletas com


Figura 42 - Variância de Ondaletas com

6.3.4 Análise de Memória Longa nas Séries Consumo das Famílias e Renda Disponível

Essa seção destina-se à avaliação da persistência nas séries consumo das famílias e renda
disponível por meio da estimação de suas ordens de integração (fracionárias) e de suas
representações . A análise desenvolvida nessa etapa interage com a análise
de co-integração fracionária desenvolvida subseqüentemente. Em paralelo aos modelos de
memória longa, serão estimados os modelos correspondentes pela abordagem
e confrontadas as principais diferenças de resultados entre as metodologias.
63

Com esse fim, a disposição dos tópicos dessa seção foi ordenada sob duas temáticas:
abordagem e abordagem de memória longa. Sob o primeiro enfoque será
mostrada a análise econométrica de raiz unitária tradicional. Em seguida, serão estimados os

63
Modelos ( , , ) ARIMA p d q estimados por MV por meio do S-Plus.
0 1 2 4
-10
-9
-8
-7
-6
-5
-4
-3
Variância de Ondaletas com Brick-Wall e IC
q2
(95%) - Valores em log
Escalas (a
j
=2
j-1
; j=1,2,3)
V
a
r
i
â
n
c
i
a
Consumo
Renda
8 16
-7
-6
-5
-4
-3
-2
-1
0
1
Variância de Ondaletas sem Brick-Wall e IC
q2
(95%) - Valores em log
Escalas (a
j
=2
j-1
; j=4,5)
V
a
r
i
â
n
c
i
a
Consumo
Renda
2
(95%) IC
q
0 1 2 4
-10
-9
-8
-7
-6
-5
-4
-3
Variância de Ondaletas com Brick-Wall e IC
q1
(95%) - Valores em log
Escalas (a
j
=2
j-1
; j=1,2,3)
V
a
r
i
â
n
c
i
a
Consumo
Renda
8 16
-7
-6
-5
-4
-3
-2
-1
0
1
Variância de Ondaletas sem Brick-Wall e IC
q1
(95%) - Valores em log
Escalas (a
j
=2
j-1
; j=4,5)
V
a
r
i
â
n
c
i
a
Consumo
Renda
1
(95%) IC
q
( , , ) ARFIMA p d q
( , , ) ARIMA p d q
(1) (0) I I ÷
130

modelos sob a abordagem , de acordo com as indicações dos testes anteriores.
Sob o segundo enfoque, serão utilizados os procedimentos fracionários para a identificação de
comportamentos de memória longa nas séries. Na seqüência, serão identificadas as
especificações melhores adaptadas à filtragem das informações de memória
longa e curta existentes nos dados. A partir das duas metodologias, serão comparadas suas
funções impulso-resposta. Os modelos fracionários escolhidos irão compor a análise de co-
integração fracionária, desenvolvida na seção seguinte e comparada com.as abordagens de co-
integração (1) (0) I I ÷ de Engle & Granger (1987) e Joanhsen (1995).

Na Figura 43, são mostradas as funções de autocorrelação (FAC) e autocorrelação parcial
(FAC-P) das séries consumo das famílias e renda disponível. Algumas particularidades são
evidenciadas em seus gráficos: (1) as formas, tanto a FAC como a FAC-P das duas séries
apresentam-se muito semelhantes; (2) a FAC de ambas exibe a característica de caimento
hiperbólico na forma de uma co-senóide amortecida, podendo indicar a presença longos ciclos
no nível das séries. Por sua vez, a FAC-P exibe uma elevada autocorrelação de ordem 1 para
ambas as séries.


Figura 43 - Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FAC-P) das Séries
Consumo das Famílias e Renda Disponível

Na Figura 44, são mostrados os gráficos da função de densidade espectral (FDE) das duas
séries, estimada por meio do periodograma com uma janela espectral de Parzen com largura
( , , ) ARIMA p d q
( , , ) ARFIMA p d q
Lag
A
C
F
0 10 20 30 40 50 60
-
0
.
4
0
.
0
0
.
4
0
.
8

FAC - Consumo das Famílias
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50 60
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC-P - Consumo das Famílias
Lag
A
C
F
0 10 20 30 40 50 60
-
0
.
4
0
.
0
0
.
4
0
.
8

FAC - Renda Disponível
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50 60
-
0
.
2
0
.
2
0
.
6

FAC-P - Renda Disponível
131

de faixa de 0.1. As FDE foram estimadas com base nas séries, extraídas as suas respectivas
tendências lineares pelo Método de Mínimos Quadrados Ordinários.


Figura 44 - Função de Densidade Espectral do Consumo das Famílias e da Renda Disponível
(Baseada na FACV das Séries sem Tendência Linear)

A FDE mostra-se lentamente decrescente, revelando uma concentração de energia espectral
nas baixas freqüências. Tanto os comportamentos da FAC quanto da FDE são peculiares aos
processos com memória longa/não estacionários. Os testes utilizados para inferir a ocorrência
de uma tendência estocástica nas séries são mostrados na Tabela 19.

Tabela 19 - Testes de Raiz Unitária


Como pode ser observado, nenhum deles apresentou evidências contrárias à hipótese da série
conter uma raiz unitária. Os resultados do teste KPSS, sob a hipótese nula de estacionariedade,
mostraram-se em linha com os resultados dos testes ADF, DF-GLS, ERS e MEPP,
independentemente dos termos deterministas incluídos na equação testada. Na Figura 45 é
Frequência (Ny quist)
0.0 0.1 0.2 0.3 0.4 0.5
-
1
0
0
-
6
0
-
2
0
Densidade Espectral do Consumo da Famílias - Sem Tendência
Frequência (Ny quist)
0.0 0.1 0.2 0.3 0.4 0.5
-
8
0
-
6
0
-
4
0
Densidade Espectral da Renda Disponível - Sem Tendência
Constante e Tendência Constante Nenhum Constante e Tendência Constante Nenhum
ADF -0.7419 -2.1610 0.7347 I(1) -0.5267 -2.0340 0.9899 I(1)
DF-GLS -1.0954 -0.1987 0.7347 I(1) -0.6074 0.3339 0.9899 I(1)
ERS 7.2559 20.8498 64.1379 I(1) 35.0184 47.4779 151.7508 I(1)
MEPP -2.6202 -0.5406 7.9939 I(1) -0.7538 0.1772 11.7560 I(1)
KPSS 0.3630** 1.4991** - I(1) 0.3686** 1.5241** - I(1)
Testes ADF, DF-GLS ERS e MEPP: H
0
: 1 Raiz Unitária ; Teste KPSS: H
0
: Série Estacionária
* Rejeita H
0
ao Nível de 5% de Significância ; ** Rejeita H
0
ao Nível de 1% de Significância.
Consumo das Famílias Renda Disponível
Testes
Termos Deterministas
Decisão
Termos Deterministas
Decisão
132

mostrado o gráfico das séries em primeiras diferenças e na Figura 46, suas respectivas FAC e
FAC-P.

Figura 45 - Gráfico das Séries Consumo das Famílias e Renda Disponível em Primeiras Diferenças

Figura 46 - Funções de Autocorrelação (FAC) e Funções de Autocorrelação Parcial (FAC-P) das Séries
Consumo das Famílias e Renda Disponível em Primeiras Diferenças.

Baseando-se nos valores da FAC e FAC-P, foram estimados modelos para as
duas séries. Os modelos que se mostraram melhor ajustados para descrever o comportamento
histórico de ambas as séries são mostrados na Tabela 20. Outras especificações com
parâmetros auto-regressivos e de médias móveis de ordens mais elevadas foram testados e não
produziram resultados superiores.





1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
-
0
.
0
5
0
.
0
0
.
0
5
0
.
1
0


1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
-
0
.
0
5
0
.
0
0
.
0
5
0
.
1
0
D(ln(cons))
D(ln(renda))
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Consumo das Famílias (Primeira Diferença)
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
0
0
.
2
0
.
4

FAC-P - Consumo das Famílias (Primeira Diferença)
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Renda Disponível (Primeira Diferença)
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
0
0
.
2
0
.
4

FAC-P - Renda Disponível (Primeira Diferença)
( ,1, ) ARIMA p q
133

Tabela 20 – Modelos ( , , ) ARIMA p d q
| o
| P-Valor Intercepto o
c BIC Ljung-Box(12)* Box-Pierce(12)* ARCH-LM**
|
1
=0.3811 0.1244 0.0034
|
2
=0.0460 0.1327 0.7301
|
3
=0.0466 0.1316 0.7245
|
4
=0.1361 0.1316 0.3059
|
5
=-0.1851 0.1327 0.1692
|
6
=0.4412 0.1244 0.0008
|
1
=0.5181 0.1257 0.0001
|
2
=0.3391 0.1257 0.0092
§
Raízes dos Polinômios: (1.1965, 1.1624, 1.1624, 1.0427, 1.1236, 1.1965) e (1.1155, 2.6432) ; Médias das séries extraídas.
* P-Valores em parânteses (H
0
: Não Existe Autocorrelação) ; ** P-Valores em parânteses (H
0
: Não Existem Efeitos ARCH)
Renda
Disponível
ARIMA(2,1,0) -204.56 0.0346
ARIMA(p, d, q)
12.5971
(0.7627)
-150.62
7.9414
(0.7897)
Variáveis
(log)
Modelo
§
Consumo
das Famílias
ARIMA(6,1,0)
6.5665
(0.8849)
0.0435 0.0635
9.5770
(0.6530)
8.22256
(0.7673)
7.1911
(0.9809)
-0.0051



Figura 47 - Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FAC-P) dos Resíduos
do Modelo para as Séries Consumo das Famílias e Renda Disponível

Os valores apresentados na Tabela 21 referem-se aos parâmetros de integração fracionária
estimados para as duas séries. Tomando-se o estimador de MV, considerado o mais acurado
nesse trabalho, são exibidos parâmetros superiores à unidade, indicando que as séries são não
estacionárias e não reversíveis à média. Apenas o estimador que utiliza a ondaleta Haar e com
o método mínimos quadrados avaliou, pontualmente, um parâmetro inferior à unidade.
64




64
Como relatado anteriormente, a ondaleta Haar possui um filtro de largura 2, não sendo, segundo Percival &
Walden (2000), a mais adequada na estimação do espectro de ondaletas. Os estimadores GPH e M-Per aplicados
à primeira diferença da série geraram, respectivamente,

0.7299(
ˆ
0.3863)
GPH
c
d = e 0.4503(
ˆ
0.1021)
c
MP
d = para a
série do consumo das famílias e

0.3233(0.3863
ˆ
)
GPH
y
d = e 0.2424(0.0369
ˆ
)
y
MP
d = , com os desvios-padrão entre
parênteses.
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Consumo das Famílias (ARIMA(6,1,0))
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
0
0
.
1
0
.
2

FAC-P - Consumo das Famílias (ARIMA(6,1,0))
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Renda Disponível (ARIMA(2,1,0))
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC-P - Renda Disponível (ARIMA(2,1,0))
( ,1, ) ARIMA p q
134

Tabela 21 – Estimadores da Ordem de Integração Fracionária



Figura 48 – Função de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P) dos Resíduos dos
Estimadores de MV ( ) para as Séries Consumo das Famílias e Renda Disponível

A Tabela 22 mostra os valores dos parâmetros estimados sob a modelagem .
Da mesma forma como ocorrido na modelagem , uma autocorrelação de
ordem 6 mostrou-se persistente após a diferenciação fracionária da série consumo das
famílias. O mesmo procedimento adotado anteriormente foi realizado para os modelos
. Foi escolhido o modelo para a série consumo das
famílias. No caso da série renda disponível, aceitou-se a indicação da estatística BIC e deu-se
preferência ao modelo mais parcimonioso ao porque não
são evidenciadas autocorrelações residuais estatisticamente diferentes de zero em sua FAC e
FAC-P. Graficamente, pouco se pode distinguir entre os modelos e
, como observado na Figura 51. O critério de informação baeysiano (BIC)
Variáveis Parâmetros
(log) LSE WLSE LSE WLSE LSE WLSE LSE WLSE
d 1.2413 1.6747 1.1909 0.9918 1.0404 1.0757 1.1894 1.1116 1.2744 1.1555 1.3511
o
d
0.1029 0.3863 0.0715 0.0351 0.0275 0.0705 0.0668 0.0936 0.1006 0.1093 0.1183
P-Valor 0.0000 0.0001 0.0000 0.0000 0.0000 0.0001 0.0001 0.0003 0.0002 0.0005 0.0003
IC(d±2 o)
[1.04;1.45] [0.90;2.45] [1.05;1.33] [0.92;1.06] [0.99;1.10] [0.93;1.22] [1.06;1.32] [0.92;1.30] [1.07;1.48] [0.94;1.37] [1.11;1.59]
d 1.3709 1.6769 1.1605 0.9777 1.0270 1.0600 1.1708 1.0962 1.2527 1.1401 1.3268
o
d
0.1029 0.3863 0.0658 0.0335 0.0280 0.0663 0.0671 0.0880 0.1007 0.1018 0.1178
P-Valor 0.0000 0.0001 0.0000 0.0000 0.0000 0.0001 0.0001 0.0002 0.0002 0.0004 0.0004
IC(d±2 o)
[1.17;1.58] [0.90;2.45] [1.03;1.29] [0.91;1.04] [0.97;1.08] [0.93;1.19] [1.04;1.30] [0.92;1.27] [1.05;1.45] [0.94;1.34] [1.09;1.56]
(*) Estimador de MV de Beran (1995) do S-Plus ; GPH calculado com argumentos padrão: span=1, taper=0.1, o=0.5; M-Per é o estimador
suavizado de Reisen com Janela Espectral de Parzen ; Todos calculados com a série extraindo a média.
(**) Estimador de Percival & Walden (2000) construído com base no código WaveCov para S-Plus de Whitcher ; Calculados com 5 níveis de decomposição.
Renda
Disponível
Consumo das
Famílias
GPH
Haar
MV M-Per
Estimadores Tradicionais*
db4
Estimadores de Ondaletas**
la16 la8
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Consumo das Famílias (ARFIMA(0,1.2413,0))
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
0
0
.
2
0
.
4

FAC-P - Consumo das Famílias (ARFIMA(0,1.2413,0))
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Renda Disponível (ARFIMA(0,1.3709,0))
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
0
0
.
1
0
.
2

FAC-P - Renda Disponível (ARFIMA(0,1.3709,0))
(0, , 0) ARFIMA p
( , , ) ARFIMA p d q
( , , ) ARIMA p d q
( , , ) ARFIMA p d q (6,1.1468, 0) ARFIMA
(0, , 0) ARFIMA d (1, , 0) ARFIMA d
( , , ) ARIMA p d q
( , , ) ARFIMA p d q
135

indica que se deve dar preferência aos modelos ajustados pela metodologia
em comparação aos . A avaliação da soma dos quadrados dos resíduos mostra
uma ligeira superioridade dos modelos de memória longa: ,
, , .

Tabela 22 – Modelos ( , , ) ARFIMA p d q Ajustados para as Séries Consumo das Famílias e Renda
Disponível



Figura 49 – Função de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P) dos Resíduos dos
Modelos para as Séries Consumo das Famílias e Renda Disponível
( , , ) ARFIMA p d q
( , , ) ARIMA p d q
0.0957
Cons
ARFIMA
SQR =
0.0987
Cons
ARIMA
SQR =
Re
0.0667
nda
ARFIMA
SQR =
Re
0.0685
nda
ARIMA
SQR =
d
o
d P-Valor
|
i
, u
i
o
|,u P-Valor
µ
Ax
o
c BIC Ljung-Box(12)* Box-Pierce(12)* ARCH-LM**
ARFIMA(0,d,0) 1.2413 0.1029 0.0000 - - - 0.0441 0.0475 -184.32 23.5291 (0.0236) 19.7165 (0.0726) 17.8136 (0.4007)
ARFIMA(1,d,0) 0.5051 0.2493 0.0477 |
1
=0.8615 0.1617 0.0000 0.0458 0.0483 -177.55 28.4984 (0.0047) 23.9308 (0.0208) 18.4957 (0.3582)
ARFIMA(0,d,1) 1.0777 0.2048 0.0000 u
1
=-0.2284 0.2545 0.3732 0.0443 0.0513 -171.80 29.6044 (0.0032) 24.9330 (0.0151) 18.1945 (0.3767)
|
1
=0.2343 0.2766 0.4015
|
2
=0.0452 0.1467 0.7592
|
3
=0.0484 0.1284 0.7080
|
4
=0.1305 0.1254 0.3036
|
5
=-0.1529 0.1275 0.2368
|
6
=0.4601 0.1248 0.0006
ARFIMA(0,d,0) 1.3709 0.1029 0.0000 - - - 0.0496 0.0337 -223.32 9.4610 (0.6631) 8.1802 (0.7709) 6.4335 (0.9898)
ARFIMA(1,d,0) 0.5185 0.1906 0.0088 |
1
=0.9198 0.0957 0.0000 0.0503 0.0336 -219.74 9.4881 (0.6608) 8.0924 (0.7779) 6.9106 (0.9847)
ARFIMA(0,d,1) 1.1506 0.2222 0.0000 |
1
=-0.2973 0.2708 0.2770 0.0495 0.0382 -205.70 14.5734 (0.2656) 12.6790 (0.3928) 9.9409 (0.9061)
§
Raízes do Polinômio: (1.1888, 1.1429, 1.1429, 1.0677, 1.1024, 1.1888)
* P-Valores em parânteses (H
0
: Não Existe Autocorrelação) ; ** P-Valores em parânteses (H0: Não Existem Efeitos ARCH)
Modelo
Variáveis
(log)
ARFIMA(6,d,0)
§
ARFI MA(p, d, q)
§
7.5797 (0.8171) 6.2881 (0.9009) 12.1133 (0.7932) 1.1468 0.3029 0.0005 0.0436 -170.77 0.0442
Renda
Disponível
Consumo
das
Famílias
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Consumo das Famílias (ARFIMA(6,1.1468,0))
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
0
0
.
1
0
.
2

FAC-P - Consumo das Famílias (ARFIMA(6,1.1468,0))
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Renda Disponível (ARFIMA(0,1.3709,0))
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
0
0
.
1
0
.
2

FAC-P - Renda Disponível (ARFIMA(0,1.3709,0))
( , , ) ARFIMA p d q
136


Figura 50 - Resíduos dos Modelos das Séries Consumo das Famílias e Renda Disponível


Figura 51 - Modelos Ajustados para as Séries Consumo das Famílias e Renda Disponível

A comparação entre as FIR calculadas a partir de cada modelo selecionado permite identificar
a diferença dos efeitos dos choques sobre o futuro das séries pelas metodologias

1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
-
0
.
1
5
-
0
.
1
0
-
0
.
0
5
0
.
0
0
.
0
5
0
.
1
0
0
.
1
5


1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
-
0
.
1
5
-
0
.
1
0
-
0
.
0
5
0
.
0
0
.
0
5
0
.
1
0
0
.
1
5
Consumo da Famílias
Renda Disponivel
( , , ) ARFIMA p d q

1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
1
8
.
5
1
9
.
5
2
0
.
5


1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
1
8
.
5
1
9
.
5
2
0
.
5
Consumo
ARFIMA(6,1.1468,0)
ARIMA(6,1,0)
Consumo da Famílias e Modelos ARFIMA(6,1.1468,0) e ARIMA(6,1,0)

1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
1
8
.
5
1
9
.
5
2
0
.
5


1950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000 2005
1
8
.
5
1
9
.
5
2
0
.
5
Renda
ARFIMA(0,1.3709,0)
ARIMA(2,1,0)
Renda Disponível e Modelos ARFIMA(0,1.3709,0) e ARIMA(2,1,0)
137

e . Na Tabela 23, são mostrados os valores da FIR sob os
dois arcabouços e na Figura 52 são exibidos seus respectivos gráficos comparativos.

Tabela 23 - Funções Impulso-Resposta Calculadas com Base nos Modelos e




Figura 52 - Função Impulso-Resposta Calculada com base nas Parametrizações dos Modelos
, , e

O quadro exibido pelas FIR expressa o padrão não estacionário das séries: os choques sob as
duas abordagens continuam permanentemente na memória do processo. Particularmente para
a série consumo das famílias, a FIR-ARFIMA mantém-se sempre crescente a um nível
superior ao da FIR-ARIMA. Já para a série renda disponível, as FIR-ARIMA mostraram
( , , ) ARIMA p d q ( , , ) ARFIMA p d q
( , , ) ARFIMA p d q
( , , ) ARIMA p d q
ARFIMA(6,1.1468,0) ARIMA(6,1,0) ARFIMA(0,1.13709,0) ARIMA(2,1,0)
1
1.3811 1.3811 1.3709 1.5181
5
2.0373 1.8881 2.1434 3.4806
10
3.4980 3.1888 2.7078 4.9643
20
5.1814 4.6210 3.4592 6.3192
30
6.2722 5.5849 4.0040 6.7729
40
7.0116 6.2243 4.4456 6.9248
50
7.5236 6.6460 4.8231 6.9757
100
8.7795 7.3583 6.2213 7.0012
150 9.4034 7.4464 7.2248 7.0013
Anos à
Frente
Consumo das Famílias Renda Disponível
Função Impulso-Resposta (FIR)


0 50 100 150
0
2
4
6
8
1
0
Tempo (Anos)
F
I
R
0 50 100 150
0
2
4
6
8
1
0
ARFIMA
ARIMA
FIR - Consumo das Famílias


0 50 100 150
0
2
4
6
8
1
0
Tempo (Anos)
F
I
R
0 50 100 150
0
2
4
6
8
1
0
ARIMA
ARFIMA
FIR - Renda Disponível
(6,1, 0) ARIMA (6,1.1468, 0) ARFIMA (2,1, 0) ARIMA (0,1.3709, 0) ARFIMA
138

valores superiores aos da FIR-ARFIMA na maior parte do período avaliado. Adicionalmente,
a FIR-ARFIMA exibiu um crescimento mais lento, porém contínuo, no intervalo avaliado de
150 anos. A FIR do modelo mostrou-se mais rapidamente convergente para
um valor estacionário, estimado em 6.9001 após 100 anos aproximadamente. Após 139 anos,
os valores da FIR-ARFIMA ultrapassam os da FIR-ARIMA. A diferença entre as duas
metodologias, mesmo para períodos mais próximos, 10 a 20 anos, é significativa.
Considerando a FIR para o período de 10 anos, por exemplo, o impacto estimado dos choques
pela abordagem tradicional é 82.20% mais elevado do que aquele obtido pela abordagem
fracionária. A bibliografia sobre os modelos integrados fracionariamente indica que essa
classe de modelos é mais acurada na captação dos comportamentos de baixa freqüência das
séries temporais. Seguindo essa concepção, ainda que desconhecido o verdadeiro processo
gerador da série, é coerente avaliar que a diferença percebida entre a FIR-ARIMA e a FIR-
ARFIMA seja resultado da existência de uma estrutura de memória longa na série da renda
disponível, cuja especificação consegue melhor representá-la.


6.3.5 Equilíbrio de Longo Prazo entre as Variáveis Consumo das Famílias e Renda
Disponível

A impressão visual extraída da Figura 36 é de que as séries consumo das famílias e renda
disponível apresentam trajetórias semelhantes, mantendo uma distância que não sofre grandes
variações ao longo do tempo. A questão de relevância econômica, no entanto, é saber se esse
comportamento afim deve-se simplesmente a uma tendência linear comum entre as variáveis
ou se advém de um equilíbrio continuado (permanente) entre suas tendências estocásticas.
Essa relação de interesse pode ser avaliada por meio da análise de co-integração. A
estabilidade na relação entre as duas variáveis permite inferir, por exemplo, a elasticidade do
consumo das famílias em relação à renda disponível por meio dos modelos de regressão
lineares. A existência de um componente de memória longa em ambas as séries, cuja
igualdade é exeqüível no intervalo de confiança de dois desvios-padrão, orienta a análise de
co-integração sob o escopo fracionário. Sua realização, nesse estudo, seguirá a técnica de
James Davidson, introduzida no Capítulo 5.
(2,1, 0) ARIMA
(0,1.3709, 0) ARFIMA
139

6.3.5.1 Análise de Co-integração (1) (0) I I ÷ : Metodologias de Engle & Granger (1987) e
de Johansen (1995)

O teste de co-integração entre a série consumo das famílias e renda disponível pela
abordagem de Engle & Granger foi realizado sobre os resíduos da equação de co-integração
mostrados na Tabela 24. De acordo com Phillips & Ouliaris (1990), o procedimento pode ser
baseado nos testes de raiz unitária de Dickey-Fuller Aumentado (ADF) e de Phillips-Perron
(PP), com distribuição distinta das originais.

Tabela 24 - Modelo de Co-integração


Na Tabela 25, são dispostas as estatísticas dos testes ADF e PP e, entre parênteses, são
destacados os respectivos p-valores gerados com base nos valores críticos obtidos por meio
da metodologia superfície de resposta de MacKnnon (1996).
65


Tabela 25 - Teste de Co-Integração de Engle & Granger
Constante e Tendência Constante Nenhum
ADF -2.2143 (0.6940) -2.1295 (0.4661) -2.1569 (0.1846) I(1) - Não Co-Integram
PP -2.2350 (0.6729) -2.1798 (0.4408) -2.2071 (0.1691) I(1) - Não Co-Integram
H
0
: Não Co-Integram
* Rejeita H
0
ao Nível de 5% de Significância ; ** Rejeita H0 ao Nível de 1% de Significância.
P-Valores em parênteses calculados com base em MacKinnon (1996)
Testes de Raíz Unitária
Testes
Termos Deterministas no Modelo de Co-Integração
Decisão


Particularmente no caso em questão, a avaliação sobre a co-integração independeu da
especificação dos termos deterministas nos testes de raiz unitária. Pelos dois testes, não é
rejeitada a hipótese nula que impele caracterizar o comportamento dos resíduos seguindo uma
tendência estocástica. Portanto, por meio da abordagem de Engle & Granger conclui-se que
não há co-integração entre as séries.


65
Outras informações em Zivot & Wang (2006).
140

Pela metodologia de Johansen, o teste de co-integração pressupõe a escolha dos termos
deterministas compreendidos na especificação do modelo Vetor de Correção de Erros (VEC).
Com base no comportamento conjunto das séries na Figura 36, a escolha da forma funcional
do modelo de teste tornou-se restrita a dois dos possíveis casos teorizados por Johansen: (1)
ao modelo com constante irrestrita ao vetor de co-integração e (2) ao modelo com tendência
determinista restrita ao vetor de co-integração.
66
A segunda possibilidade, aparentemente
crível, é resultante da constatação de que o coeficiente estimado por Mínimos Quadrados
relativo à tendência linear da série renda disponível é levemente superior ao estimado para o
consumo das famílias ( e ). Entre as duas formas selecionadas,
foram consideradas três possíveis ordens para o modelo Vetor Auto-Regressivo (VAR) sobre
o qual o teste é consubstanciado. As ordens foram definidas de acordo com os três principais
critérios de informação, Akaike (AIC), Schwarz (BIC) e Hannan-Quinn (HQ) e também pela
inspeção de autocorrelações estatisticamente não nulas na FAC e FAC-P dos resíduos do
modelo de teste.
67
A Tabela 26 sintetiza os resultados com as hipóteses-padrão do teste. No
modelo mais parcimonioso, o , a tendência restrita ao vetor de co-integração mostrou-
se estatisticamente desprezível com p-valor 0.3373. Com base no modelo com constante
irrestrita (I), aparentemente o mais indicado entre todos, ao nível de 5% de significância
encontrou-se um resultado controverso: os testes não rejeitaram a hipótese de
estacionariedade das variáveis devido à sucessiva negação das hipóteses de posto nulo e posto
unitário. Essa conclusão é discrepante tanto com os testes de raiz unitária, quanto pela maioria
dos estimadores fracionários. Admitindo-se a condição mais restritiva aos padrões estatísticos,
ou seja, ao nível de 1% de significância, a estatística do traço, e apenas ela, instiga a não
rejeição da co-integração considerando o modelo (I). Para os modelos e , as
tendências lineares restritas ao vetor de co-integração mostraram-se estatisticamente
relevantes ao nível de 1%. O teste realizado sobre o modelo (IV) indica que as duas séries não
co-integram. O mesmo resultado é apontado pelo modelo mais amplo (VI).

66
O caso (1) admite um “paralelismo” entre trajetórias de séries que exprimem uma tendência na forma linear; o
caso (2) indica que as trajetórias das séries, linearmente crescentes/decrescentes, divergem segundo uma relação
linear estável. As outras especificações tornam-se inexeqüíveis de acordo com as trajetórias observadas; seus
resultados são mostrados no Apêndice 5.
67
Por esse procedimento, a ordem do VAR foi elevada até a exclusão de todas as autocorrelações não nulas
percebidas na FAC e FAC-P dos resíduos dos modelos VAR/VEC.
0.0016**
ˆ
0.0512
y
| =
0.0017**
ˆ
0.0469
c
| =
(1) VAR
(2) VAR (8) VAR
141

Tabela 26 - Testes de Co-Integração pela Metodologia de Johansen


Dada a essencialidade da normalidade dos resíduos nos procedimentos de Johansen, foram
aplicados os testes de Jarque-Bera (JB) e de Shapiro-Wilks-Royston 95 (SWR) aos resíduos
dos modelos. A estatística SWR, mais rigorosa, rejeitou ao nível de 5% a normalidade dos
resíduos da série consumo das famílias nas equações (II), (III), (IV), (V) e (VI) e dos resíduos
da série renda disponível nos modelos (VI) e (III) e (IV). A estatística JB rejeitou a
normalidade dos resíduos nas equações (III) e (IV). Em ambas as séries não foram
encontradas observações “outliers” que pudessem estar conduzindo os resíduos à condição
não gaussiana. A adversidade percebida pode ser, portanto, resultante do número reduzido de
observações (59). A ponderação das três possíveis conclusões que a metodologia de Johansen
produziu deve considerar duas complexidades que emergiram no processo. A primeira
envolve a constatação de autocorrelações seriais nos resíduos dos modelos de teste (I) a (IV).
A segunda, a questão de resíduos não gaussianos que surgiu nos modelos (III) a (VI), quando
se buscou superar a primeira dificuldade aumentando a extensão auto-regressiva dos modelos
. A avaliação, portanto, defronta-se com um custo-benefício de aceitar menores
probabilidades de encontrar resíduos não normalmente distribuídos em troca de menos
autocorrelações residuais. Não se tendo insumos suficientes para qualificar e quantificar quais
os efeitos de cada adversidade sobre as estatísticas do teste, as conclusões tornam-se
imprecisas. Mesmo assim, parece haver maiores indícios a favor da não co-integração.

Em suma, posto que a pesquisa pela abordagem de Engle & Granger refutou a co-integração,
aliado à condição extremamente circunstancial na qual ela é admitida no procedimento de
95% 99% 95% 99%
H
0
: r=0
0.2390 20.63 ** 15.41 20.04 15.84 * 14.07 18.63
H
0
: r=1 0.0793 4.79 * 3.76 6.65 4.79 * 3.76 6.65
H
0
: r=0 0.2488 27.33 * 25.32 30.45 16.59 18.96 23.65
H
0
: r=1 0.1691 10.74 12.25 16.26 10.74 12.25 16.26
H
0
: r=0 0.1004 11.25 15.41 20.04 6.03 14.07 18.63
H
0
: r=1 0.0875 5.22 * 3.76 6.65 5.22 * 3.76 6.65
H
0
: r=0 0.2079 19.27 25.32 30.45 13.28 18.96 23.65
H
0
: r=1 0.0997 5.98 12.25 16.26 5.98 12.25 16.26
H
0
: r=0 0.1358 12.01 15.41 20.04 7.44 14.07 18.63
H
0
: r=1 0.0856 4.56 * 3.76 6.65 4.56 * 3.76 6.65
H
0
: r=0 0.2977 22.70 25.32 30.45 18.02 18.96 23.65
H
0
: r=1 0.0876 4.68 12.25 16.26 4.68 12.25 16.26
t
H
0
(r
0
): r=r
0
vs. H
1
(r
0
):r>r
0 ;
tt
H
0
(r
0
): r=r
0
vs. H
1
(r
0
):r=r
0
+1
ttt
Valores Críticos Tabulados Consideram os Termos Determinístas - Osterwald & Lenum (1992) .
§
Baseado na não observação de autocorrelações significantes na FAC do VEC de ordem (p-1)
*Rejeita H
0
a 5% significância ; **Rejeita H
0
a 1% significância
FAC
§
8
Constante I rrestrita (V)
Tendência Restrita (VI )
BI C e HQ 1
Constante I rrestrita (I )
Tendência Restrita (I I )
AI C 2
Constante I rrestrita (I I I )
Tendência Restrita (I V)
Valores Críticos
ttt
Critério
Ordemdo
VAR
Termos Deterministas Hipóteses Autovalor
Est.
Traço
t
Valores Críticos
ttt
Est. Max
Autovalor
tt
/ VAR VEC
142

Johansen, essa avaliação, baseada no arcabouço , é levada a anuir à inexistência de
uma tendência estocástica comum entre as séries.


6.3.5.2 Análise de Co-integração Fracionária: Metodologia de Davidson (2002c)

A análise de co-integração baseada no arcabouço fracionário apoiou-se na técnica de
bootstrap. Pela metodologia, são geradas reamostragens dos componentes residuais dos
modelos , visando a estimação da distribuição empírica das estatísticas de
teste associadas à hipótese de não co-integração. Seguindo Davidson (2002c), três hipóteses
básicas são testadas: a independência estatística (hipótese forte); a não co-integração
conjuntamente à não causalidade de Granger (hipótese semifraca) e, por fim, a simples não
co-integração (hipótese fraca).
68
A lógica do autor é particularizar o teste para as séries
avaliadas a partir de procedimentos interativos de bootstrap e de integração fracionária. São
impostas as restrições estatísticas que permitem criar artificialmente a condição estabelecida
pelas hipóteses nulas. As séries são, então, recompostas e as estatísticas para a inferência da
co-integração são calculadas iterativamente, mapeando suas respectivas distribuições
(empíricas). As distribuições são, dessa forma, geradas considerando as peculiaridades
relativas às estruturas de memória de cada série. Para a implementação dos testes, foram
utilizados os modelos e estimados
anteriormente para a série consumo das famílias e renda disponível. Duas das estatísticas de
teste utilizadas são residuais, a DW e a FEG. A outra é relativa à significância conjunta dos
estimadores, a GFT.
69
Para gerar a distribuição das estatísticas sob a hipótese forte, foram
calculadas reamostragens dos resíduos do modelo ,
posteriormente reconstituídos pelo filtro invertido do mesmo modelo. Para a hipótese fraca,
foram utilizadas as reamostragens dos resíduos da equação:
(6.4)

68
Ressalta-se que a co-integração no âmbito da teoria (1) (0) I I ÷ é compreendida pelo arcabouço fracionário e
que, embora haja uma semelhança entre os testes FEG e o teste de Engle & Granger ( (1) I ), segundo Davidson
(2002c), eles não são diretamente comparáveis.
69
Foram realizados também os testes envolvendo a estatística DFEG, mostrados no Apêndice 6, que gerou
resultados análogos aos da estatística FEG.
(1) (0) I I ÷
( , , ) ARFIMA p d q
(6,1.1468, 0) ARFIMA (0,1.3709, 0) ARFIMA
5000 M = (6,1.1468, 0) ARFIMA
(0.1320*) (0.1716) (0.1671) (0.1699)
, , 1 , 1 , , 1 ,
ˆ ˆ ˆ ˆ ˆ ˆ 0.0.2812 0.0870 0.0053 0.2882
c t c t y t y t y t c t
u u u u u c
÷ ÷ ÷
= ÷ ÷ ÷ ÷
143

para gerar as reamostragens , que por sua vez foram utilizadas para calcular .
Pelo mesmo procedimento, a distribuição da hipótese semifraca foi estimada por meio das
reamostragens dos resíduos da equação:
(6.5)
Os p-valores, apresentados na Tabela 27, indicam a localização das estatísticas de teste na
distribuição de bootstrap. Ou seja, eles indicam a probabilidade da hipótese nula ser
verdadeira com base nos dados originais das séries.

Tabela 27 - P-Valores dos Testes de Co-integração Fracionária com Bootstrap



Figura 53 - Distribuições Empíricas de Bootstrap das Estatísticas GFT, DW e FEG para as Hipóteses de
Independência Estatística (Forte), Não Co-Integração e não Causalidade de Granger (Semifraca) e de
Simples não Co-Integração (Fraca)

*
,
ˆ { }
c t
c
*
,
ˆ { }
c t
u
*
t
c
(0.1275*) (0.1638) (0.1641)
, , 1 , , 1 ,
ˆ ˆ ˆ ˆ ˆ 0.2789 0.0030 0.2720
c t c t y t y t c t
u u u u c
÷ ÷
= ÷ ÷ ÷
GFT - Hip. Forte
f
.
d
.
p
-200 0 200 400 600 800
0
.
0
0
.
0
0
4
0
.
0
0
8
GFT - Hip. Semifraca
f
.
d
.
p
-200 0 200 400 600 800
0
.
0
0
.
0
0
4
0
.
0
0
8
GFT - Hip. Fraca
f
.
d
.
p
p
0 500 1000 1500
0
.
0
0
.
0
0
2
0
.
0
0
5
DW - Hip. Forte
f
.
d
.
p
0.0 0.2 0.4 0.6 0.8 1.0 1.2
0
1
2
3
0.90%
DW - Hip. Semifraca
f
.
d
.
p
0.0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
0.14%
DW - Hip. Fraca
f
.
d
.
p
0.0 0.2 0.4 0.6 0.8
0
1
2
3
4
5
0.14%
FEG - Hip. Forte
f
.
d
.
p
0.2 0.6 1.0 1.4
0
.
0
1
.
0
2
.
0
1.37%
FEG - Hip. Semifraca
f
.
d
.
p
0.0 0.5 1.0 1.5
0
.
0
1
.
0
2
.
0
0.58%
FEG - Hip. Fraca
f
.
d
.
p
0.2 0.6 1.0 1.4
0
.
0
1
.
0
2
.
0
0.69%
144

O p-valor de 0.0014 para a estatística DW, sob a hipótese fraca, por exemplo, indica que,
sendo a hipótese de não co-integração a correta, a probabilidade de se obter uma estatística
com valor 0.6707 seria de apenas 0.14%. A Figura 53 resume graficamente cada um dos casos
por meio das distribuições empíricas de bootstrap estimadas. Em todos os casos, as
estatísticas rejeitaram as hipóteses de independência estatística de não co-integração associada
à não causalidade de Granger, e de simples não co-integração, ao nível de 1.5% de
significância. A estatística GFT, identificada por Davidson (2002c) como aquela que possui
maior poder na identificação da co-integração fracionária, inclusive para os casos
, , exibiu significância máxima na rejeição das três hipóteses nulas. No
Apêndice 7 do trabalho são mostradas as análises de co-integração fracionária sob esse
mesmo arcabouço, porém baseadas na forma funcional degenerada da série consumo das
famílias, . No Apêndice 8 o teste é baseado na forma
de um processo Ruído Fracionário, . A primeira análise permitiu
avaliar os efeitos de uma possível superespecificação do modelo para a série do consumo das
famílias na modelagem da autocorrelação isolada de ordem 6. A segunda retratou quais
seriam os resultados dos testes de co-integração fracionária, caso a autocorrelação isolada
fosse considerada como espúria. Os resultados conjuntos de ambas as análises, ao nível de
significância estatística de 5%, corroboram aqueles obtidos pelo modelo completo.
70


Pela abordagem de memória longa adotada nessa etapa, portanto, são nítidas as conclusões
acerca da co-integração ao escopo da integração fracionária entre as duas séries estudadas. As
evidências apontam que as metodologias circunscritas ao paradigma mostraram-
se incapazes de extrair a existência dessa relação. No caso do modelo de Engle & Granger, o
fator presumido pode advir do baixo poder dos testes de raiz unitária, particularmente do
ADF, frente às alternativas fracionárias, principalmente quando . Em capítulo
anterior, o poder do teste ADF, em contraposição a diferentes ordens fracionárias, foi avaliado
por meio de um grande número de simulações. Identificou-se que, para ordens entre 0.8 e 0.9,
que resume o caso em questão, (por MV), o teste tende a rejeitar a hipótese de
raiz unitária apenas entre 3.7% e 1.3% das vezes em séries de tamanho .
Considerando o valor do limite inferior do intervalo de confiança do parâmetro fracionário, a
dois desvios-padrão, , a proporção de rejeição da hipótese nula

70
Somente em um dos casos, o da estatística FEG para a hipótese forte (independência estatística) com base no
modelo degenerado, que se rejeitou a hipótese nula ao nível de 6% ao invés de 5% de significância.
( ) 1/ 2 CI d b ÷ 0 b
1 2 3 4 5
(6,1.1468, 0) { , , , , } ARFIMA | | | | | ÷
(0,1.2413, 0) ARFIMA
(1) (0) I I ÷
1/ 2 1 d < <
ˆ
0.8535
res
d =
100 N =
ˆ
[0.6477;1.0593]
res
d
IC =
145

pelo teste ADF foi de 7.4%. Dado que a ordem de integração estritamente unitária
encontra-se a 1.42 desvios-padrão acima da ordem fracionária estimada, existe a possibilidade
de que, no caso em questão, pelo teste de Engle & Granger, concluiu-se equivocadamente
sobre a co-integração entre as séries
71
. O teste de Johansen, por sua vez, mostrou-se altamente
sensível à especificação das equações nas quais os testes são formalizados. Esse teste é
concebido na forma pivotal, e como conseqüência, ele possui estruturas rígidas a serem
utilizadas na modelagem das séries. Dois tipos de adversidades surgiram nos procedimentos e
não foram encontradas alternativas metodológicas que ajudassem a superá-las, sem que novas
complicações emergissem. Mesmo com a observância desses impasses, foram percebidos
mais sinais que indicaram a não co-integração entre as séries. Contudo, as complexidades
encontradas abrem caminho à sua contestação. Apesar do maior esforço computacional
necessário à implementação dos procedimentos arquitetados por Davidson (2002c), não foram
identificadas maiores dificuldades. A metodologia desenvolvida por esse autor, que vincula o
arcabouço da integração fracionária com a técnica de bootstrap não é pivotal e, com isso,
torna-se mais flexível quanto à forma funcional das equações que modelam a estrutura de
memória das séries. O procedimento é, dessa forma, melhor ajustado aos casos particulares,
principalmente daqueles em que as séries exibem sinais de elevada persistência. A mudança
de paradigma na avaliação da co-integração indica ser o fator preponderante na alteração dos
resultados. Portanto, conclui-se que as duas séries são fracionariamente co-integradas. Essa
constatação estatística permite explorar a estabilidade da relação linear entre as duas séries,
cujos parâmetros estimados por mínimos quadrados são mostrados na Tabela 24. O
coeficiente referente à renda disponível, dada à aplicação logarítmica anterior sobre as séries,
resume a elasticidade do consumo em relação à renda. Nesses termos, um aumento de 1% na
renda disponível induz às famílias aumentarem seu consumo médio em aproximadamente
0.92%.


6.3.6 Conclusões

Esse estudo dispôs-se a avaliar três aspectos associados às variáveis econômicas consumo das
famílias e renda disponível. O primeiro enfocou a variabilidade relativa das duas séries. A
análise de ondaletas mostrou-se uma importante ferramenta à disposição da análise de séries

71
Não é possível afirmar com maior segurança essa hipótese dado que a distribuição do teste utilizado para
avaliar a co-integração é a de MacKinnon (1996).
0
: 1 H d =
146

com memória persistente. Ela permitiu comparar a variabilidade das séries em diferentes
níveis de decomposição. Verificou-se que a variância de ondaletas da série consumo das
famílias na escala mais baixa (1 ano) é maior que a variância da série renda disponível e que,
para as escalas de tempo mais amplas, a igualdade estatística entre as duas séries pode ser
obtida. Essa constatação é consistente com a hipótese de que o consumo das famílias no
Brasil segue a lógica keynesiana. A suavização relativa do consumo em relação à renda nas
escalas temporais mais elevadas, por sua vez, é explicada pela HRP, que prevê a suavização
do consumo como um reflexo da melhor previsibilidade dos agentes econômicos sobre sua
renda (intertemporal).

Os modelos de integração fracionária mostraram a elevada significância da estrutura de
memória longa nas duas séries. Ambas revelaram padrões não estacionários e não reversíveis
à média. Mesmo em primeiras diferenças, as séries exibem alta persistência em suas cadeias
de autocorrelações. O modelo de memória longa revelou, por meio da função impulso-
resposta, uma acomodação mais suave dos choques que incidem sobre a série renda
disponível do que o modelo . Para a série consumo das famílias, os
coeficientes da FIR calculados pela metodologia ARFIMA exibiram valores superiores ao
obtidos pelo método ARIMA. Enquanto os valores da FIR ARIMA ÷ convergem para um
nível aparentemente estável, os coeficientes da FIR ARFIMA ÷ mostram uma trajetória
crescente.

O terceiro aspecto abordado foi a estabilidade de longo prazo entre as duas variáveis. O
quadro gerado pelo estudo expôs que as duas metodologias mais conhecidas de inferência da
co-integração em séries econômicas, baseadas no arcabouço , compelem à rejeitar
a co-integração entre as séries. Os procedimentos alternativos adotados sob o arcabouço
fracionário, por sua vez, indicam resultados contrários. O teste baseado no modelo de Engle &
Granger pode ter induzido a rejeição da co-integração devido ao baixo poder dos testes de raiz
unitária frente às alternativas fracionárias. Pressupõe-se que a rejeição da co-integração pelo
teste de Johansen, por sua vez, é devido à sua inabilidade de captar adequadamente a estrutura
de memória longa compartilhada entre as séries. As complexidades encontradas nos
procedimentos do teste de Johansen abrem caminho à contestação de seus resultados. Os
testes pela abordagem de Davidson (2002c) foram categóricos na conclusão que as séries
exibem uma tendência estocástica comum, apesar de nitidamente compartilharem uma
( , , ) ARIMA p d q
(1) (0) I I ÷
147

tendência determinista. A abordagem fracionária permitiu inferir favoravelmente uma relação
de causalidade entre as duas variáveis. A escolha do paradigma mais adequado às
peculiaridades das séries na avaliação da co-integração foi determinante para os resultados.
Conclui-se, portanto, que as duas séries são fracionariamente co-integradas e que a renda
disponível Granger-causa o consumo das famílias. A estabilidade de longo prazo entre as duas
variáveis permitiu estimar a elasticidade do consumo das famílias em relação às variações na
renda disponível em aproximadamente 0.92.



148

6.4 Hipótese da Paridade do Poder de Compra no Brasil Sob o Arcabouço da Co-
Integração Fracionária


6.4.1 Introdução

A historiografia econômica indica que os princípios da Teoria da Paridade do Poder de
Compra (PPP) entre as nações abertas ao comércio internacional surgiram na Europa no
século XVI.
72
Sob diferentes enfoques, o tema da PPP é até os dias de hoje um dos mais
investigados no campo da economia internacional. Existe uma ampla gama de referências
bibliográficas sobre o assunto e inúmeras pesquisas aplicadas. Nesse estudo, o enfoque
destinado à PPP é econométrico, sob o escopo dos modelos de memória longa e com
aplicação empírica ao caso brasileiro. A idéia básica da doutrina da PPP fundamenta-se no
pressuposto que a arbitragem nos mercados de bens conduz à igualdade de preços dos
produtos (homogêneos) transacionados. Dependendo do grau de abertura da economia, os
níveis de preços domésticos agregados dos países engajados no comércio internacional
podem, segundo o princípio, ser altamente interdependentes. A concepção da PPP inspira a
suposição da existência de uma convergência dinâmica entre os níveis de preços das
economias abertas, ponderados pelas suas respectivas taxas cambiais. Claramente, o ritmo do
ajustamento dos preços, e de sua própria existência, dependerá de uma série de questões,
como a ocorrência de imperfeições de mercado, das condições institucionais dos países e da
própria produtividade idiossincrática das nações. Outras complexidades originam-se da
ocorrência de assimetria de informações, de altos custos de transporte, da heterogeneidade dos
bens e da cesta de bens consumida entre os países, no peso que os itens “transacionáveis”
representam no índice de preços doméstico e a existência de barreiras comerciais e
alfandegárias, incluindo impostos, subsídios e quotas de importação. Vale ressaltar que as
variáveis que determinam a dinâmica de ajustamento de preços de acordo com a PPP podem
alterar o seu grau de influência ao longo do tempo. Portanto, é natural presumir a validade da
hipótese da PPP em intervalos mais amplos, seguindo dinâmicas de ajustamentos diferentes
ao longo do tempo: ajustamentos mais rápidos em alguns momentos e ajustamentos mais
lentos, ou até nenhum ajustamento, em outros. Não obstante, é comum a constatação
estatística para diversos países da inexistência de uma relação estável de longo prazo entre os

72
Será utilizada ao longo desse estudo a sigla PPP (oriunda do termo em inglês “purchasing power parity”) para
denominar o termo paridade do poder de compra.
149

níveis de preços nos estudos empíricos sobre a PPP. A literatura econômica fornece indícios
extraídos de pesquisas, principalmente sobre os países desenvolvidos de que, se a
convergência da PPP existe, ela é extremamente lenta (ver Frankel & Rose (1995)).
73
Para o
curto prazo, os trabalhos empíricos revelam que os desvios entre as variáveis são muito
elevados e voláteis, impedindo a caracterização de convergência. Com certas ressalvas, são
atribuídos à rigidez dos preços nominais e aos choques monetários e financeiros os obstáculos
criados ao ajustamento no curto prazo da PPP. Analiticamente, se a dinâmica do ajustamento
dos preços da doutrina da PPP existir e for lenta, ou seja, associada a movimentos de baixas
freqüências, ela pode ser melhor representada pelos modelos de integração fracionária
comparativamente aos modelos , tradicionalmente utilizados.
74
Sob esse aspecto,
os modelos de memória longa podem ser, para alguns casos, o instrumento de reconciliação
entre a doutrina da PPP com os dados empíricos. Se a natureza do ajustamento da PPP é de
longo prazo, condizente com um comportamento de reversibilidade à média, como previsto
por diversos autores, então, como foi mostrado anteriormente nesse trabalho, os testes de raiz
unitária terão baixo poder na distinção desse comportamento em vista daquele regido por uma
tendência puramente estocástica.
75
A influência desse fato sobre a avaliação da PPP em
estudos aplicados baseados na Teoria da Co-Integração pode ocorrer de duas formas: (1) no
comprometimento da validação do pressuposto básico da ordem das variáveis a serem
utilizadas nos testes de co-integração e (2) no poder dos testes de co-integração, quando
adotados os métodos de inspeção residuais do tipo Engle & Granger (1987).

Embora diversos autores já tivessem apontado para a questão da convergência de longo prazo
da PPP, a primeira referência sobre sua representação na forma de uma co-integração
fracionária foi encontrada em Cheung & Lai (1993b). Baillie & Bollerslev (1994) adotaram a
mesma perspectiva para estudar a relação e, mais recentemente, Alves, Cati & Fava (2001) e
Caporale & Gil-Alana (2004). Fora do âmbito da co-integração, Cheung (1993) avaliou a
memória longa nas taxas de câmbio por meio do estimador GPH, e Smallwood (2005) atentou
para a existência de não linearidades juntamente a padrões de memória longa nas relações da
PPP por meio dos estimadores “STAR”. Esse último tomou as taxas de câmbio reais de uma
ampla gama de países em relação ao dólar norte-americano para avaliar os indícios da PPP em

73
Rugoff (1996) reúne diversas referências sobre pesquisas empíricas aplicadas ao tema e relata as conclusões
gerais extraídas do conjunto das obras.
74
Enders (1995) fornece exemplos e comenta diversos aspectos da análise da PPP sob o arcabouço (1) (0) I I ÷ .
75
Ainda que não estacionários, os processos fracionários com 1 d < possuem função impulso-resposta
convergente a zero. Logo, essa classe de processos é importante na caracterização da co-integração fracionária.
(1) (0) I I ÷
(1) I
150

cada país por meio dos modelos e modelos não lineares . Foi
relatado pelo autor que, para alguns países, os modelos de memória longa lineares são mais
adequados na representação de suas taxas cambiais, enquanto que para outros, inclusive para
o Brasil, os modelos não lineares com memória longa são os mais adequados. O autor
encontrou poucas evidências favoráveis à PPP para os países cuja taxa de câmbio real segue a
forma linear de memória longa. Para os países cuja série foi modelada segundo um regime
não linear e com memória longa, o autor concluiu que existem indícios mais favoráveis à
PPP. Os casos brasileiro, argentino, koreano e mexicano estão, segundo Smallwood, incluídos
nesse grupo. Cheung & Lai (1993a) demonstraram formalmente que a PPP pode ser testada
no âmbito da co-integração, e mostraram como erros de medida associados à
representatividade das variáveis “preço” podem interferir nos resultados. Mostraram ainda
que o baixo poder do teste de co-integração do tipo Engle & Granger, conjuntamente aos
erros de medida, podem ser os responsáveis pela rejeição da hipótese da PPP em pesquisas
aplicadas. Adotando a metodologia de Johansen, os autores encontraram fortes evidências
favoráveis à PPP entre os E.U.A. e Canadá e outros quatro países europeus. Cheung & Lai
(1994) avaliaram a hipótese de reversibilidade à media da taxa de câmbio real entre os E.U.A.
e sete países europeus, além do Japão, por meio do teste de raiz unitária DF-GLS. O teste
apresentou indícios mais favoráveis à hipótese da PPP do que o teste ADF nos resultados do
trabalho. Cheung & Lai (1993b) mostraram a possibilidade de reversibilidade à média da
relação da PPP pelo arcabouço da co-integração fracionária. Baseando seu estudo no
estimador GPH, os autores compararam os resultados obtidos com os testes de Engle &
Granger e concluíram pela existência de co-integração fracionária nas taxas de câmbio norte-
americana em relação a todos os outros cinco países avaliados. Baillie & Bollerslev (1994)
presumiram que as indicações contrárias à PPP obtidas pelas metodologias de Engle &
Granger e de Johansen poderiam ser causadas pela existência de memória longa no termo de
correção de erros. Caporale & Gil-Alana (2004) abordaram o tema da PPP na Alemanha,
Japão e E.U.A. baseando-se em dados cambiais e em fatores suplementares, “reais” e
monetários, representados por medidas dos diferenciais de produtividade do trabalho e de taxa
de juros entre os países. Os autores concluíram que existe a co-integração entre as variáveis
para os três países na forma fracionária. Alves, Cati & Fava (2001) procuraram testar a
validade da doutrina teórica da PPP da economia brasileira a partir de testes sobre a
estabilidade das relações entre variáveis representativas do nível de preços domésticos ,
preços internacionais e taxa de câmbio nominal . No artigo em questão, foram
( , , ) ARFIMA p d q FI STAR ÷
( ) p
*
( ) p ( ) e
151

testadas duas versões da PPP: uma denominada absoluta, que pressupõe a estabilidade da
relação , e uma versão denominada relativa, que presume a estabilidade da relação
. Os autores investigaram a existência de uma relação de co-integração
fracionária entre as variáveis em concordância com a PPP. Para ambas as formas analisadas
não foram encontradas evidências estatísticas sobre a relação de longo prazo e, assim, a PPP
foi empiricamente rejeitada. A metodologia de análise da memória longa adotada pelos
autores baseou-se numa versão fracionária do teste de Engle & Granger (1987), apoiando-se
nos estimadores espectrais GPH. Como retratado no capítulo sobre a análise de simulações,
novos estimadores fracionários mais eficientes que os estimadores de GPH vêm sendo
propostos. Na mesma direção, métodos estatísticos mais recentes, como aquele apresentado
por Davidson (2002c), foram propostos à análise da co-integração fracionária. O estudo
proposto nessa seção tem como premissa retomar os resultados apontados por Alves, Cati &
Fava (2001) para a versão tradicional (absoluta) da PPP, sob uma perspectiva metodológica
alternativa àquela utilizada pelos autores, tanto relacionada à análise da integração quanto à
da co-integração fracionária. A memória longa nas séries será analisada por meio dos
principais estimadores examinados nesse trabalho. A utilização de diferentes técnicas visa a
estabelecer uma base robusta à conclusão da existência de memória longa nas variáveis e de
suas características. A co-integração fracionária das séries será reavaliada por meio dos
procedimentos de Davidson (2002c) envolvendo a técnica de bootstrap. Dessa forma, buscar-
se-ão, a partir dos novos métodos, evidências que apontem se a mudança metodológica
permite inferir positivamente a relação de PPP no caso brasileiro.

A estrutura dessa seção está semelhantemente disposta à das outras análises empíricas
realizadas nesse trabalho. Em resumo, ela segue o seguinte ordenamento: inicia-se com uma
breve apresentação dos dados; em seguida, são aplicados os testes de raiz unitária sob o
paradigma e estimados os modelos de memória longa para cada uma das
variáveis. Subseqüentemente, são abordadas as metodologias de análise de co-integração sob
o arcabouço e sob o paradigma fracionário. A última parte relata as conclusões
resultantes do estudo.

*
1
ep
p
=
*
ln ln
p
e
p
A A
í 1
·
=
·

· ·
( )
(1) (0) I I ÷
(1) (0) I I ÷
152

6.4.2 Apresentação das Séries e de Suas Propriedades Estatísticas

Na Figura 54 são apresentadas, em log, as mesmas séries utilizadas na versão da PPP absoluta
da pesquisa referida acima, atualizadas à data mais recente, com 151 observações anuais. A
série representativa dos preços internacionais é constituída, entre 1855 a 1930, pelos gastos
domésticos britânicos e, entre 1930 a 2005, pelo deflator implícito do produto interno bruto
norte-americano. O nível de preços doméstico é aproximado pela série do índice de preços ao
consumidor entre 1855-1912 e pelo deflator implícito do produto interno bruto brasileiro entre
1912-2005. A série do câmbio refere-se à taxa de câmbio nominal.
76
As séries são mostradas
em seus níveis e na forma de desvios do eixo zero a partir da extração de suas tendências
lineares e interceptos, por meio da estimação pelo Método de Mínimos Quadrados Ordinários.


Figura 54 - Séries dos Preços Internacionais e da Razão Preços Domésticos/Câmbio no Nível e Excluídas
suas Tendências Lineares (Valores em log)


76
A descrição bem detalhada sobre as variáveis é encontrada no referido artigo de Alves, Cati & Fava (2001).
Nele, os autores descrevem inclusive os fatos econômicos históricos associados às variáveis.
Preços Internacionais X Preços Domésticos/Câmbio - Séries no Nível (log)

1860 1880 1900 1920 1940 1960 1980 2000
-
2
0
2
4
6
8
p*
p/e
Preços Internacionais X Preços Domésticos/Câmbio - Sem Tendências Lineares (log)

1860 1880 1900 1920 1940 1960 1980 2000
-
1
.
5
-
0
.
5
0
.
5
1
.
5
p*
p/e
153

As FAC das séries em seu nível apresentam silhuetas lentamente decrescentes. As FAC-P de
ambas as séries apresentam uma autocorrelação de ordem 1 estatisticamente diferente de zero,
indicando uma possível estrutura de memória de curto prazo.


Figura 55 - Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FAC-P) das Séries
Preços Internacionais e da Razão Preços Domésticos/Câmbio Nominal


Figura 56 - Função de Densidade Espectral dos Preços Internacionais e da Razão Preços
Domésticos/Câmbio (Baseada na FACV das Séries sem Tendência Linear)

Na Figura 56, são mostrados os gráficos das funções de densidade espectral, estimadas por
meio do periodograma e do periodograma suavizado utilizando uma janela espectral de
Parzen com largura de faixa de 0.05. Não são percebidas concentrações de energia
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Preços Internacionais
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC-P - Preços Internacionais
Lag
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Preços Domésticos/Câmbio
Lag
P
a
r
t
i a
l
A
C
F
0 10 20 30 40 50
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC-P - Preços Domésticos/Câmbio
Freqüência (Ny quist)
0.0 0.1 0.2 0.3 0.4 0.5
-
8
0
-
4
0
Densidade Espectral dos Preços Internacionais - Sem Tendência
Freqüência (Ny quist)
0.0 0.1 0.2 0.3 0.4 0.5
-
8
0
-
4
0
Densidade Espectral dos Preços Domésticos/Câmbio - Sem Tendência
154

representativas de periodicidades cíclicas na série. Seus padrões de distribuição de energia
espectral seguem aquele descrito por Granger (1966) para variáveis de natureza econômica.
As hipóteses tradicionais de raízes unitárias foram testadas nas séries. Pelo teste de Dickey-
Pantula, foi avaliada a existência de múltiplas raízes unitárias: . Os termos
deterministas não mostraram relevância estatística nas especificações. O teste de Dickey-
Pantula rejeitou a hipótese de existirem múltiplas raízes unitárias ao nível de 1% de
significância (ver Tabela 28).

Tabela 28 – Testes de Múltiplas Raízes Unitárias


A avaliação da presença de uma tendência estocástica ( ) foi baseada nos testes Dickey-
Fuller Aumentado (ADF), teste do Ponto Ótimo Factível (ERS), teste Eficiente de Philips-
Perron Modificado (MEPP), teste DF-GLS e teste KPSS. A Tabela 29 resume os resultados
dos testes sob a hipótese nula da série ser integrada de ordem um.

Tabela 29 - Testes de Raiz Unitária


(3) (2) I I ÷
p*
t
ot
; t
|t
p/e
t
ot
; t
|t
p*
t
ot
; t
|t
p/e
t
ot
; t
|t
VC (1%): -4.0200, -3.4740 e -2.5804 ; VC (5%): -3.4399, -2.8806 e -1.9430 ; VC (10%): -3.1443, -2.5770 e -1.6153
VC (5%) para t
ot
e t
|t
: 3.14 e 2.81.
3 R. U.
2 R. U.
Variáveis
Termos Deterministas Hipótese
Nula
-8.9063 -8.9395 -8.9678
Constante e Tendência Constante Nenhum
Rejeita I(2)
Rejeita I(2)
-0.1178 ; 1.0381 1.5898 -
-9.0647 -9.0033 -8.8177
-7.0825 -6.7018 -4.8503
-0.8231 ; 2.0607 1.8717 -
Rejeita I(3)
-0.0421 ; 0.1845 0.2593 -
-7.8726 -7.9028 -7.4869
Rejeita I(3)
0.0297 ; -0.0115 0.0423 -
Decisão
(1) I
Constante e Tendência Constante Nenhum Constante e Tendência Constante Nenhum
ADF -1.5310 0.8287 2.0180 I(1) -1.4930 -0.2206 0.5071 I(1)
DF-GLS -0.8428 1.3702 2.0180 I(1) -1.5764 0.5863 0.5071 I(1)
ERS 36.9995 50.2409 52.8554 I(1) 14.1774 23.3623 30.3079 I(1)
MEPP -0.8481 1.4578 3.5737 I(1) -1.6246 0.5733 0.6687 I(1)
KPSS 0.6374** 2.4831** - I(1) 0.4648** 2.1619** - I(1)
Testes ADF, DF-GLS ERS e MEPP: H
0
: 1 Raiz Unitária ; Teste KPSS: H
0
: Série Estacionária
* Rejeita H
0
ao Nível de 5% de Significância ; ** Rejeita H
0
ao Nível de 1% de Significância.
Preços I nternacionais Preços Domésticos/Câmbio
Testes
Termos Deterministas
Decisão
Termos Deterministas
Decisão
155

Tabela 30 – Estimadores da Ordem de Integração Fracionária


Os estimadores da ordem e integração fracionária para a série dos preços internacionais
exprimem a condição de não estacionariedade e não reversibilidade à média. No caso da série
preços domésticos/câmbio nominal, os estimadores “tradicionais” e os estimadores baseados
nas ondaletas la8 e la16 revelaram a mesma indicação da série anterior, enquanto os
estimadores pelas ondaletas Haar e db4 indicaram um processo reversível à média.
77
O
estimador baseado na ondaleta Haar exibiu valores inferiores a todos os outros. Deve-se notar
que a feição dessa ondaleta é mais adequada a captar a variabilidade de alta freqüência das
séries temporais e, portanto, ela é comparativamente inferior às outras ondaletas em
“sintonizar” o comportamento de baixa freqüência, que determina o padrão de memória
longa. A Tabela 31 exibe os modelos estimados para as duas séries por
meio do estimador de MV. De acordo com o critério de informação baeysiano (BIC), as
especificações mais adequadas são aquelas que expressam as séries como processos Ruído
Branco Fracionário. Há, no entanto, uma autocorrelação de ordem 1 na série dos preços
internacionais estatisticamente significante ao nível de 5%. Sob a forma funcional
para os preços internacionais e para a razão preços
domésticos/câmbio nominal, a ordem de integração das duas séries torna-se praticamente
igual, e , e retém o valor unitário como altamente provável. Ou
seja, são grandes as possibilidades de ambas as séries serem puramente . A FAC e FAC-P
dos modelos e para as variáveis e

77
Os estimadores GPH e M-Per aplicados à primeira diferença da série geraram os seguintes valores (desvios-
padrão entre parênteses):
*
0.2181(0.2568
ˆ
)
GPH
p
d = ;
*
0.1602(0.0712)
ˆ
p
MP
d = ;
/
0.0005(0.2568
ˆ
)
GPH
p e
d =÷ com e
/
0.0729(0.1044
ˆ
)
p e
MP
d =÷ .
Parâmetros
LSE WLSE LSE WLSE LSE WLSE LSE WLSE
d 1.3061 1.4640 1.1155 1.0110 1.0155 1.0832 1.1381 1.1063 1.2093 1.1193 1.2732
o
d
0.0640 0.2568 0.0474 0.0137 0.0116 0.0293 0.0184 0.0382 0.0303 0.0468 0.0523
P-Valor 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
IC(d±2 o)
[1.18;1.43] [0.95;1.98] [1.02;1.21] [0.98;1.04] [0.99;1.04] [1.02;1.14] [1.10;1.17] [1.03;1.18] [1.15;1.27] [1.03;1.21] [1.17;1.38]
d 1.0470 1.1082 1.1164 0.8689 0.8094 0.9362 0.8946 0.9658 0.9561 0.9842 1.0122
o
d
0.0640 0.2568 0.1352 0.0206 0.0261 0.0285 0.0284 0.0363 0.0279 0.0425 0.0336
P-Valor 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
IC(d±2 o)
[0.92;1.18] [0.59;1.62] [0.85;1.39] [0.83;0.91] [0.76;0.86] [0.88;0.99] [0.84;0.95] [0.89;1.04] [0.90;1.01] [0.90;1.07] [0.95;1.08]
(*) Estimador de MV de Haslett & Rafetery (1989) do S-Plus ; GPH calculado com argumentos padrão: span=1, taper=0.1, o=0.5; M-Per é o estimador
suavizado de Reisen com Janela Espectral de Parzen ; Todos calculados com a série extraindo a média.
(**) Estimador de Percival & Walden (2000) construído com base no código WaveCov para S-Plus de Whitcher ; Calculados com 7 níveis de decomposição.
db4
Estimadores de Ondaletas**
la16 la8
p/e
p*
GPH
Haar
MV M-Per
Variáveis
(log)
Estimadores Tradicionais*
( , , ) ARFIMA p d q
(1, , 0) ARFIMA d (0, , 0) ARFIMA d
*
ˆ
1.0502
p
d =
/
ˆ
1.0470
p e
d =
(1) I
(1,1.0502, 0) ARFIMA (0,1.0470, 0) ARFIMA
*
t
p ( / )
t
p e
156

são mostradas na Figura 57. De maneira geral, o comportamento das autocorrelações na FAC
exibe o padrão de ruído branco.

Tabela 31 – Modelos
d
o
d P-Valor
|
i
, u
i
o
|,u P-Valor
µ
Ax
o
c BIC Ljung-Box(12)* Box-Pierce(12)* ARCH-LM**
ARFIMA(0,d,0) 1.3061 0.0640 0.0000 - - - 0.0185 0.0653 -387.22 12.9216 (0.3748) 12.2635 (0.4248) 5.2461 (0.9998)
ARFIMA(1,d,0) 1.0502 0.1513 0.0000 |
1
=0.3630 0.1799 0.0454 0.0174 0.0648 -385.13 8.6092 (0.7359) 8.1332 (0.7746) 4.1063 (1.0000)
ARFIMA(0,d,1) 1.1111 0.1459 0.0000 u
1
=-0.3392 0.1752 0.0547 0.0173 0.0645 -386.49 7.0503 (0.8543) 6.6255 (0.8813) 3.7936 (1.0000)
|
1
=0.3180 0.1646 0.0553
|
2
=-0.0570 0.0904 0.5292
ARFIMA(0,d,0) 1.0470 0.0640 0.0000 - - - 0.0198 0.1469 -144.62 12.6533 (0.3947) 11.9281 (0.4515) 24.4808 (0.2703)
ARFIMA(1,d,0) 0.7937 0.1467 0.0000 |
1
=0.3406 0.1760 0.0549 0.0180 0.1455 -142.26 9.9064 (0.6242) 9.2439 (0.6820) 24.6757 (0.2615)
ARFIMA(0,d,1) 0.8461 0.1435 0.0000 u
1
=-0.3267 0.1731 0.0611 0.0183 0.1448 -143.97 9.0868 (0.6955) 8.4073 (0.7525) 25.2971 (0.2345)
|
1
=0.2447 0.1480 0.1006
|
2
=-0.1128 0.0912 0.2181
* P-Valores em parânteses (H
0
: Não Existe Autocorrelação) ; ** P-Valores em parânteses (H0: Não Existem Efeitos ARCH)
0.1453 1.1101 ARFIMA(2,d,0)
p/e
ARFIMA(2,d,0) 0.9191 0.1289
-379.60 0.0173 0.0649
0.0187
0.0000
0.0000
Modelo
Variáveis
(log)
ARFIMA(p, d, q)
0.1451 -138.46 9.2556 (0.6810) 8.5435 (0.7414) 24.2598 (0.2806)
p*
3.8902 (1.0000) 7.2790 (0.8386) 7.7290 (0.8059)



Figura 57 - Função de Autocorrelação (FAC) e Autocorrelação Parcial (FAC-P) dos Resíduos dos Modelos
para as Séries dos Preços Internacionais e Preços Domésticos/Câmbio Nominal

Nas FAC-P são percebidas algumas autocorrelações estatisticamente não nulas em lags de
ordens elevadas apesar das indicações das estatísticas de Ljung-Box e de Box-Pierce
78
. Sobre
a questão da existência de uma variância condicional heterocedástica, não foram encontrados
quaisquer sinais de sua ocorrência, tanto na FAC e FAC-P dos resíduos ao quadrado quanto
pelo teste ARCH-LM, cujas estatísticas e seus respectivos p-valores para os dois modelos
foram: 4.1063 (1.0000) e 24.4808 (0.2703).

78
Além dos valores destas estatísticas apresentados na Tabela 30 para 12 lags, foram calculados seus valores
para os lags 24, 36 e 72. Em todos os casos a indicação de seqüência não autocorrelacionada foi mantida.
( , , ) ARFIMA p d q
Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Preços Internacionais (ARFIMA(1,1.0502,0))
Lag
P
a
r
t
i a
l
A
C
F
0 20 40 60 80 100
-
0
.
2
-
0
.
1
0
.
0
0
.
1

FAC-P - Preços Internacionais (ARFIMA(1,1.0502,0))
Lag
A
C
F
0 20 40 60 80 100
-
0
.
2
0
.
2
0
.
6
1
.
0

FAC - Preços Domésticos/Câmbio (ARFIMA(0,1.0470,0))
Lag
P
a
r
t
i a
l
A
C
F
0 20 40 60 80 100
-
0
.
1
0
.
0
0
.
1

FAC-P - Preços Domésticos/Câmbio (ARFIMA(0,1.0470,0))
( , , ) ARFIMA p d q
157

6.4.3 Análise Sobre a Estabilidade de Longo Prazo: Evidências sobre a PPP


6.4.3.1 Análise de Co-integração (1) (0) I I ÷ : Metodologias de Engle & Granger (1987) e
de Johansen (1995)

O teste de co-integração de Engle & Granger foi formalizado sobre os resíduos da equação de
co-integração mostrado na Tabela 32.

Tabela 32 – Modelo de Co-Integração


A avaliação da co-integração baseou-se nos testes de Dickey-Fuller Aumentado (ADF) e de
Phillips-Perron (PP). Na Tabela 33, estão resumidas as estatísticas dos testes. Entre
parênteses, estão destacados os respectivos p-valores calculados com base na metodologia
“superfície de resposta” de MacKnnon (1996).

Tabela 33 - Teste de Co-Integração de Engle & Granger


A decisão sobre a existência de co-integração, ao nível de 5% de significância, independe da
especificação dos termos deterministas sobre o modelo de co-integração. Pelos dois testes,
não é rejeitada a hipótese nula de não co-integração entre as séries. Sendo assim, pela
abordagem de Engle & Granger, conclui-se que não há co-integração entre as séries formadas
pelos preços internacionais e pela razão preços domésticos/câmbio nominal, invalidando a
hipótese de paridade do poder de compra entre o Brasil e seus principais parceiros comerciais
históricos.
p* | o
| Est. t P-Valor R
2
R
2
Adjust. DW
Intercepto 4.7570 0.0311 152.9812 0.0000 0.8513 0.8503 0.1655
p/e 1.0742 0.0368 29.2098 0.0000
Teste F: 853.2 (P-Valor 0.0000)
Regressão: Preços Internacionais X Preços Domésticos/Câmbio
Constante e Tendência Constante Nenhum
ADF -2.8320 (0.3529) -2.5640 (0.2571) -2.5700 (0.0808) I(1) - Não Co-Integram
PP -2.9660 (0.3065) -2.7873 (0.1846) -2.7951 (0.0517) I(1) - Não Co-Integram
H
0
: Não Co-Integram
* Rejeita H
0
ao Nível de 5% de Significância ; ** Rejeita H0 ao Nível de 1% de Significância.
P-Valores em parênteses calculados com base em MacKinnon (1996)
Testes de Raíz Unitária
Testes
Termos Deterministas no Modelo de Co-Integração
Decisão
158

Na etapa inicial do teste de Johansen, estimou-se um VAR de segunda ordem, de acordo com
as indicações dos critérios de informação de BIC, HQ e AIC. Pela Figura 54 é possível
averiguar que o modelo mais adequado para o teste é aquele com uma constante irrestrita ao
modelo de co-integração. Visando evitar possíveis erros oriundos de uma interpretação
gráfica equivocada, considerou-se também o modelo com uma tendência restrita. As outras
especificações foram descartadas devido à sua nítida inadequação em relação aos dados. A
Tabela 34 traz os valores das estatísticas do traço e do máximo autovalor utilizadas para testar
a hipótese de posto nulo (não co-integração).

Tabela 34 - Testes de Co-Integração pela Metodologia de Johansen


Tanto pela estatística do traço quanto pela do máximo autovalor não se rejeita a hipótese de
posto nulo contraposta à hipótese de posto unitário, implicando a inexistência de um vetor de
co-integração entre as variáveis. Portanto, semelhantemente à conclusão do teste de Engle &
Granger, a metodologia de Johansen compele à invalidade da hipótese da paridade do poder
de compra no caso brasileiro.


6.4.3.2 Análise de Co-Integração Fracionária.

No escopo dos modelos de memória longa, foi avaliada a ocorrência de relação de equilíbrio
de longo prazo no sistema na forma de uma co-integração fracionária. O enfoque dessa etapa
é avaliar se existe um comportamento de baixa freqüência da série compatível com aquele
denominado por reversibilidade à média, não capitado adequadamente pelos testes
. Foram aplicados os procedimentos de Davidson (2002c) tomando-se os modelos
e , respectivamente, para a série dos preços
internacionais ( ) e da razão preços domésticos/câmbio ( ). Ressalta-se que esse caso
95% 99% 95% 99%
H
0
: r=0
0.0575 9.51 15.41 20.04 8.82 14.07 18.63
H
0
: r=1 0.0046 0.69 3.76 6.65 0.69 3.76 6.65
H
0
: r=0 0.0575 15.35 25.32 30.45 8.82 18.96 23.65
H
0
: r=1 0.0429 6.53 12.25 16.26 6.53 12.25 16.26
t
H
0
(r
0
): r=r
0
vs. H
1
(r
0
):r>r
0
tt
H
0
(r
0
): r=r
0
vs. H
1
(r
0
):r=r
0
+1
ttt
Valores Críticos Tabulados Consideram os Termos Determinístas - Osterwald & Lenum (1992) .
*Rejeita H
0
a 5% significância ; **Rejeita H
0
a 1% significância
Hipóteses Autovalor
Est.
Traço
t
Valores Críticos
ttt
Est. Max
Autovalor
tt
BIC, HQ e
AIC
2
Constante Irrestrita (I)
Tendência Restrita (II)
Valores Críticos
ttt
Critério
Ordemdo
VAR
Termos Deterministas
(1) (0) I I ÷
(1,1.0502, 0) ARFIMA (0,1.0470, 0) ARFIMA
*
t
p /
t t
p e
159

não exclui o caso de co-integração . Sobre os resíduos do modelo ,
, foram aplicados os procedimentos de bootstrap e os filtros invertidos
juntamente com a “reintegração” fracionária. A partir das séries de bootstrap reconstruídas,
, foram calculadas as distribuições das estatísticas GFT, DW e FEG associadas à
hipótese de independência estatística (hipótese forte), baseando-se no modelo:
79

(6.6)


Figura 58 – Resíduos do Modelo de Co-Integração (Com Tendência Linear)

Atentando-se à possibilidade de não linearidades omitidas na relação de co-integração, foram
realizados os testes de redes neurais TNN de Teräsvirta, Lin & Granger (1993) e WNN de
Lee, White & Granger (1993) nos resíduos de (6.6). A hipótese de linearidade no nível da
série não foi rejeitada para diferentes lags utilizados no teste
80
. Sob a hipótese de simples não
co-integração (hipótese fraca), os mesmos procedimentos aplicados à hipótese forte foram
efetuados sobre os resíduos da equação de regressão:
(6.7)
Sob a hipótese de não co-integração conjuntamente a não causalidade de Granger (hipótese
semifraca) utilizou-se os resíduos de:

79
A metodologia de Davidson (2002c) permite a incorporação da tendência linear no modelo de co-integração.
Para a comparação com o modelo originalmente proposto por Engle & Granger (1987), no Apêndice 9 desse
estudo, são mostrados os testes excluindo o componente determinista do modelo. Sua eliminação não alterou os
resultados obtidos, porém nele todas as estatísticas rejeitam a hipótese de independência estatística entre as
variáveis ao nível de 5% de significância.
80
As estatísticas dos testes TNN e WNN estão dispostas no Apêndice 10.
(1) I (1,1.0502, 0) ARFIMA
*
ˆ
p
t
u ( , ) ARMA p q
* 5000
1
{ }
t M
p
=
¯
*
(0.0678**) (0.0010**) (0.0551**)
4.3219 0.0070 0.7605( / )
t t t t
p t p e ç = ÷ ÷ ÷ ¯

1860 1880 1900 1920 1940 1960 1980 2000
-
1
.
0
-
0
.
5
0
.
0
0
.
5
1
.
0


1860 1880 1900 1920 1940 1960 1980 2000
-
1
.
0
-
0
.
5
0
.
0
0
.
5
1
.
0
Resíduos de Co-Integração
* * / / / *
1 1 1
(0.0049) (0.0833) (0.0342) (0.0335**) (0.0841)
ˆ ˆ ˆ ˆ ˆ ˆ 0.0006 0.0465 0.0049 0.1772 0.0378
p p p e p e p e p
t t t t t t
u u u u u c
÷ ÷ ÷
= ÷ ÷ ÷ ÷ ÷
160

(6.8)
A Tabela 35 traz os valores calculados das estatísticas de teste e os p-valores referentes às três
hipóteses. Também são mostradas, na Figura 59, as distribuições empíricas de bootstrap
utilizando uma janela gaussiana para suas suavizações. A linha vertical pontilhada (na cor
vermelha) indica o valor da estatística de teste utilizado no cômputo dos respectivos p-
valores.

Tabela 35: P-Valores dos Testes de Co-integração Fracionária com Bootstrap



Figura 59 - Distribuições Empíricas de Bootstrap das Estatísticas GFT, DW e FEG para as Hipóteses de
Independência Estatística (Forte), Não Co-Integração e não Causalidade de Granger (Semifraca) e de
Simples não Co-Integração (Fraca)

* * / / *
1 1
(0.0048) (0.0827) (0.0331**) (0.0365)
ˆ ˆ ˆ ˆ ˆ 0.0006 0.0398 0.1765 0.0476
p p p e p e p
t t t t t
u u u u c
÷ ÷
= ÷ ÷ ÷ ÷
Hip. Forte
Hip. Semifraca
Hip. Fraca
Modelos: ARFIMA(1, 1.0502,0) para p* e ARFIMA(0, 1.0470,0) para p/e
Estatísticas
GFT
Preços Internacionais X Preços Domésticos/Câmbio
DW
0.0269
0.1991 0.3470 0.1470
FEG
1.0216
0.2460
0.3599
0.0137
0.1520
Estatística do Teste 190.5851 0.1169
0.1922
GFT - Hip. Forte
f
.
d
.
p
0 100 200 300 400
0
.
0
0
.
0
0
6
0
.
0
1
2
98.63%
GFT - Hip. Semifraca
f
.
d
.
p
0 200 400 600 800
0
.
0
0
.
0
0
2
0
.
0
0
5
80.09%
GFT - Hip. Fraca
f
.
d
.
p
p
0 200 400 600 800
0
.
0
0
.
0
0
2
0
.
0
0
5
80.78%
DW - Hip. Forte
f
.
d
.
p
0.0 0.1 0.2 0.3 0.4
0
2
4
6
8
1
0
75.40%
DW - Hip. Semifraca
f
.
d
.
p
0.0 0.1 0.2 0.3 0.4 0.5
0
2
4
6
8
65.30%
DW - Hip. Fraca
f
.
d
.
p
0.0 0.1 0.2 0.3 0.4 0.5
0
2
4
6
8
64.01%
FEG - Hip. Forte
f
.
d
.
p
0.8 1.0 1.2 1.4
0
1
2
3
4
2.69%
FEG - Hip. Semifraca
f
.
d
.
p
0.8 1.0 1.2 1.4
0
.
0
1
.
0
2
.
0
14.70%
FEG - Hip. Fraca
f
.
d
.
p
0.6 0.8 1.0 1.2 1.4 1.6
0
.
0
1
.
0
2
.
0
13.50%
161

Os resultados obtidos são dúbios em relação à hipótese de independência estatística entre as
duas variáveis. Enquanto os testes baseados nas estatísticas GFT e FEG rejeitaram a hipótese
nula de independência estatística ao nível de 5% de significância, a estatística DW não rejeita.
Em relação às hipóteses de não co-integração e não causalidade de Granger e de simples não
co-integração, os resultados baseados nas três estatísticas apontam para um mesmo sentido:
todos não rejeitam a hipótese que nega a existência de estabilidade de longo prazo nas
relações estocásticas das séries. O pressuposto de ajustamento lento devido à rigidez nos
mecanismos de mercado e institucionais em direção a uma paridade do poder de compra entre
o Brasil com seus parceiros comerciais mostrou-se, segundo essa avaliação, ilusório. A
trajetória comum, percebida por meio da Figura 58, reflete, segundo esses resultados, apenas
uma tendência linear afim entre as variáveis. Sendo assim, rejeita-se a hipótese de haver co-
integração, fracionária ou não, entre os dois conjuntos de variáveis e, por conseguinte, rejeita-
se a hipótese da PPP em sua versão absoluta.


6.4.4 Conclusões

A averiguação empírica sobre a PPP realizada nesse estudo no âmbito da co-integração
corroborou os resultados anteriormente obtidos por Alves, Cati e Fava (2001). Não foram
encontrados sinais da validade da PPP no período avaliado, que se estende de 1855 a 2005.
Buscou-se avaliar principalmente se as novas técnicas relacionadas à integração e co-
integração fracionária poderiam trazer uma nova luz à pesquisa empírica da PPP no Brasil. Os
testes de co-integração revelaram a inexistência da relação estável de longo prazo
envolvendo as tendências estocásticas das variáveis preços internacionais e da razão preços
domésticos/câmbio. Sob o paradigma , três hipóteses sob diferentes graus de restrições
estatísticas, teoricamente independentes entre si, foram testadas. A hipótese de independência
estatística mostrou sinais contraditórios que não permitem uma afirmação concisa sobre sua
existência. As hipóteses de não co-integração fracionária, com ou sem causalidade de
Granger, não foram rejeitadas por todas as estatísticas utilizadas. Os resultados obtidos abrem
caminho a outras considerações. Entre elas, está a influência de erros de medida e o grau de
representatividade das séries utilizadas nesse trabalho em relação às variáveis “ótimas”
previstas nos modelos teóricos.

(1) (0) I I ÷
( ) I d
162


163

7 CONCLUSÕES E PERSPECTIVAS


O foco principal desse trabalho foi abordar o tema da memória longa em variáveis de natureza
econômica sob diferentes aspectos. A literatura econométrica examinada revelou mudanças
no paradigma de análise de séries temporais. Nos anos 80, foi questionada a modelagem de
diversas séries econômicas baseada na hipótese de estacionariedade em torno de uma
tendência determinista. Como resultado, surgiu o paradigma (1) (0) I I ÷ , que mostrou que
grande parte das séries econômicas deveria ser representada em primeiras diferenças. A
mudança de abordagem teve fortes implicações sobre a avaliação da persistência em séries
econômicas, pois revelou o caráter permanente dos efeitos dos choques sobre a trajetória das
variáveis. O surgimento da teoria da integração fracionária revelou um novo paradigma
econométrico, no qual as ordens de integração inteiras representam apenas casos particulares.
A nova classe de modelos oriunda dessa teoria vem demonstrando a imprecisão do arcabouço
(1) (0) I I ÷ em capturar o comportamento de baixa freqüência de séries temporais, com
grande influência na modelagem paramétrica de variáveis econômicas e, por conseguinte, na
análise da persistência. Os modelos de memória longa conseguem extrair adequadamente as
longas estruturas de dependência nas séries temporais por meio do parâmetro de integração
fracionária. Com base na função impulso-resposta, é possível estabelecer uma sintonia fina
entre a ordem de integração fracionária e os efeitos das inovações sobre o futuro da série.
Dessa forma, os modelos de memória longa mostram-se uma importante ferramenta estatística
para a análise econômica da persistência.

No Capítulo 2 desse trabalho, foram exploradas as implicações teóricas para a análise
econômica da incorporação da teoria da integração fracionária ao paradigma .
Foram relatadas importantes pesquisas científicas que buscam na teoria da memória longa a
explicação para determinados fenômenos econômicos, como o dos grandes ciclos. A pesquisa
revelou que diferentes graus de persistência fundamentam hipóteses distintas na Teoria
Econômica e, portanto, a mensuração da persistência em bases empíricas pode servir como
instrumento de sua comprovação ou negação. Foram sondadas, a partir de análises teóricas,
três possíveis origens do fenômeno memória longa em variáveis econômicas. Discutiu-se a
geração do padrão de memória longa pelo processo de agregação de microséries, por quebras
(1) (0) I I ÷
164

estruturais e regimes alternantes e, com maior destaque, a hipótese da herança desse
comportamento de fenômenos naturais que influencia as relações econômicas.

No Capítulo 3 foram apresentados, formalmente, os conceitos de integração fracionária e de
processo estocástico com memória longa, envolvendo tanto correlações consecutivas quanto
sazonais. A partir dos modelos ( , , ) ARFIMA p d q e ( , , ) ARFSIMA p d q , a função impulso-
resposta foi exposta como uma medida representativa do grau de persistência em séries
temporais. Foram resumidos, no Apêndice 3 do trabalho, alguns dos principais métodos de
estimação do parâmetro de integração fracionária para processos com memória longa e
memória longa sazonal.

No Capítulo 4 foram propostas duas análises envolvendo simulações de processos
estocásticos integrados fracionariamente. Avaliou-se o comportamento dos testes de raiz
unitária ADF, DF-GLS e ERS e KPSS, quando aplicados aos processos com memória longa.
Com base nesse experimento, concluiu-se que os testes ADF, DF-GLS e ERS possuem baixo
poder na detecção da condição de estacionariedade (assintótica) de séries com tamanho
amostral entre 100 e 200 observações, tamanho esse, típico das séries macroeconômicas
brasileiras. O mesmo ocorreu com o teste KPSS para a condição de não estacionariedade no
intervalo 1/ 2 1 d _ < . Foi identificado também que o teste ADF possui índice de rejeição de
0
: 1 H d = superior aos níveis de significância adotados em processos com 1/ 2 1 d _ < .
Presume-se que esse fato pode também influenciar nos critérios de rejeição/aceitação dos
testes co-integração do tipo de Engle & Granger, já esses são, na maioria das vezes, baseados
na aplicação do teste ADF sobre os resíduos do modelo de co-integração. Motivado pelo fato
de que pequenas variações na ordem de integração de uma variável econômica podem gerar
avaliações significativamente distintas em termos da persistência dos choques no médio e
longo prazo, ainda no Capítulo 4, foi apresentada uma avaliação sobre a eficiência dos
estimadores do parâmetro de integração fracionária. Os estimadores analisados mostraram
sinais claros de consistência assintótica. Comparativamente, suas propriedades mostraram-se
particularmente distintas em função do sinal e da grandeza do parâmetro de integração
fracionária. Destacaram-se, no quesito estatístico de menor erro quadrático médio, os
estimadores MP e WHL para 1 1/ 2 d ÷ < <÷ ; WHL, WSLE e W-WSLE para 1/ 2 0 d ÷ < < ;
(0, , 0) ARFIMA d por MV, WHL e WSLE para 0 1/ 2 d < < e, por fim, os estimadores WSLE,
MP, WHL e W-WSLE para 1/ 2 1 d < < . O estimador ( , , ) ARFIMA p d q por MV, acoplado ao
165

algoritmo de estimação de Beran (1995), foi o preferido nesse trabalho. Essa escolha
considerou a elevada eficiência do estimador no intervalo de estacionariedade assintótica e
sua maior flexibilidade, que permite estimar ordens no intervalo 1/ 2 3/ 2 d ÷ < < .

O Capítulo 5 apresentou os conceitos relacionados à co-integração fracionária e descreveu os
procedimentos para sua inferência utilizados no Capítulo 6, dedicado à análise empírica de
variáveis econômicas brasileiras sob o instrumental fracionário. Quatro estudos aplicados
foram desenvolvidos nesse último capítulo e, em todos os casos, foram comparados os
resultados do paradigma fracionário aos do paradigma (1) (0) I I ÷ . Para tanto, foram
elaboradas diversas rotinas computacionais envolvendo códigos em linguagem S e R e
diferentes módulos dos programas estatísticos S-Plus, R e MatLab. De maneira geral, todas as
séries econômicas brasileiras avaliadas nesse estudo são bem representadas por modelos
simples de memória longa em comparação a outras especificações mais complexas. O estudo
da seção 6.1 considerou o lado da produção na economia brasileira baseando-se na série do
PIB. Pelas abordagens ARIMA e ARFIMA avaliou-se graus distintos de persistência dos
choques macroeconômicos sobre o nível da série. Embora ambas as metodologias concordem
com o caráter não estacionário da série, a dimensão dos efeitos estimados dos choques pela
metodologia ARIMA são superiores aos da metodologia ARFIMA para todo o período
considerado. Esse fato é explicado pela capacidade do modelo de memória longa de captar as
autocorrelações associadas ao comportamento de baixa freqüência da série. No longo prazo,
os índices da FIR obtidos pelas duas metodologias convergem para um mesmo nível. Em
intervalos mais curtos, de cinco anos, por exemplo, os efeitos das inovações esperados pela
FIR sobre o nível da série seriam de 2.62 e 1.48 segundo as metodologias ARIMA e
ARFIMA, respectivamente. Ampliando-se o horizonte de tempo para dez e cinqüenta anos, os
valores estimados da FIR ARIMA ÷ foram de 2.81 e 2.83, respectivamente, e de e 1.67 e 2.32
pela FIR ARFIMA ÷ . A existência de um componente permanente na série do produto
implica a rejeição da hipótese da Teoria dos Ciclos Econômicos. Os choques econômicos são
definitivamente incorporados à série, inviabilizando a hipótese de sua reversibilidade a uma
taxa natural. As estimações do modelo ARIMA mostraram-se menos eficientes na captação
das autocorrelações da série, principalmente aquelas de ordens mais elevadas.

O segundo estudo aplicado buscou avaliar a existência de estruturas de memória longa em
variáveis relativas ao nível de emprego/desemprego. A série selecionada foi a PED, que mede
o percentual de desempregados na Região Metropolitana de São Paulo. A série exibiu um
166

significativo componente sazonal, estimado como memória longa sazonal com base em dois
modelos de integração fracionária generalizados. Apesar de, separadamente, os parâmetros de
integração estimados, referentes à memória longa sazonal e não sazonal, apresentarem-se
inferiores à unidade, a conjunção de seus efeitos implica a não estacionariedade do processo e
sem reversibilidade à sua média. As seqüências estimadas da FIR pelos arcabouços
fracionários e (1) (0) I I ÷ mostraram-se inconsistentes com a hipótese de convergência a uma
taxa natural de desemprego. A identificação da existência de um componente permanente na
taxa de desemprego da PED exprime a elevada rigidez no mercado de trabalho da Região
Metropolitana de São Paulo. O instrumental fracionário, por sua vez, permitiu identificar que
a influência das inovações sobre o futuro da série é significativamente inferior ao pressuposto
com base no arcabouço (1) (0) I I ÷ sazonal, que não consegue captar adequadamente a
dinâmica de baixa freqüência da série. Pelos modelos fracionários estimados avaliou-se que,
mesmo após 20 anos, os efeitos dos choques no mercado de trabalho terão impactos no nível
da série, mensurados entre 2.50 e 2.75 vezes o seu efeito inicial, enquanto que os efeitos
previstos com base no modelo SARIMA são de 19.21.

O tema do consumo das famílias brasileiras foi estudado na seção 6.3. Três aspectos
relacionados ao tema, retratados pela Teoria Econômica, foram abordados. Em primeiro lugar,
a variabilidade relativa entre as séries consumo das famílias e renda disponível foi analisada.
Utilizou-se a análise de ondaletas que possui propriedades distintivas na análise de séries com
elevado grau de persistência. A abordagem comparativa das variâncias de ondaletas das séries
em multirresolução evidenciou que, nas escalas temporais mais baixas, a variância do
consumo das famílias é mais elevada que a da renda disponível. Nas escalas mais elevadas, as
variâncias de ondaletas alcançam a igualdade estatística. Os padrões distintos de variabilidade
em função da dimensão temporal têm respaldo nas teorias econômicas baseadas nas
expectativas dos agentes econômicos. As incertezas e a miopia dos agentes em relação à sua
renda futura são fatores que podem explicar a maior variabilidade do consumo em relação à
renda no curto prazo. À medida que são considerados prazos mais amplos, os agentes
econômicos elevam sua capacidade de previsão de sua renda intertemporal, reduzindo suas
incertezas e impelindo-os a suavizar seu consumo. Na parte referente à modelagem
univariada, os modelos refletiram processos não estacionários e não reversíveis à suas médias.
Os valores da FIR ARFIMA ÷ para a série consumo das famílias revelaram-se superiores aos
da FIR ARIMA ÷ . No caso da série renda disponível, ocorreu o inverso, como foi
167

normalmente encontrado nesse trabalho. A análise sobre a relação de longo prazo entre as
duas variáveis foi realizada por meio da inferência da co-integração. A existência da co-
integração foi testada em dois âmbitos: no da memória longa e no do paradigma .
Pela metodologia tradicional, a relação de co-integração foi rejeitada. Já as evidências
encontradas na análise de co-integração fracionária com bootstrap foram amplamente
favoráveis à sua aceitação. Uma vez que os testes de co-integração fracionária são
particularizados para as séries utilizadas, e dada a sua maior capacidade de identificar os
comportamentos de reversibilidade à média, conclui-se a existência de uma relação estável de
longo prazo entre as séries consumo das famílias e renda disponível. Essa comprovação
permitiu mensurar a elasticidade consumo-renda para o período em aproximadamente 0.92.

O quarto e último estudo empírico elaborado na seção 6.4 foi destinado à avaliação dos
efeitos do comércio externo brasileiro, sob a óptica da Teoria da Paridade do Poder de
Compra. O estudo revisou os resultados de Alves, Cati & Fava (2001) à luz dos novos
instrumentos de análise de integração e co-integração fracionária e concluiu, em harmonia
com os resultados desses autores, a invalidade do pressuposto da paridade do poder de compra
para o Brasil no período de 1855 a 2005. Não há, portanto, indícios que possam sustentar a
hipótese de convergência de preços dos produtos transacionados entre os países envolvidos na
pesquisa.

Em suma, os estudos aplicados permitiram avaliar que os modelos de memória longa
produzem especificações mais parcimoniosas de processos com longa estrutura de
dependência e captam mais adequadamente as informações contidas nas baixas freqüências
das séries. Como reflexo, a função impulso-resposta calculada com base nos parâmetros
estimados dos modelos ARFIMA e ARFISMA

de séries não estacionárias mostrou, de
maneira geral, coeficientes com menores magnitudes, para todo o intervalo de tempo, do que
os obtidos com base nos modelos ARIMA e SARIMA. Apenas no caso da série consumo das
famílias verificou-se o oposto. Os coeficientes da função impulso-resposta mensurados com
base nas especificações ARIMA tendem a exibir valores mais elevados e rápida convergência
a um nível elevado. Os modelos fracionários mostraram, dessa forma, maior capacidade de
avaliar como os choques econômicos são acomodados no médio e longo prazo. Portanto, as
técnicas fracionárias, avaliadas como base nos modelos ARFIMA

e ARFISMA, mostraram-
(1) (0) I I ÷
168

se mais flexíveis e versáteis à análise da persistência nas séries temporais econômicas em
comparação aos modelos ARIMA

e SARIMA.

Diversas possibilidade de estudos foram identificadas ao longo desse trabalho. No Capítulo 2,
por exemplo, foi abordado o tema da microagregação na geração do padrão de memória longa
em séries temporais. No entanto, diferentes formas de ponderação dos dados no processo de
agregação, tradicionais em Economia, podem gerar efeitos distintos no que tange à estrutura
de memória (longa) da série agregada. Entende-se que esse é um tema ainda a ser explorado.
Particularmente em relação às simulações, percebeu-se que os experimentos do Capítulo 4
podem ser ampliados para considerar intervalos maiores de integração fracionária e processos
com memória longa sazonal. Entende-se também, que pouco foi explorado a respeito dos
processos antipersistentes. Aprofundar a análise sobre essa classe de processos pode ajudar a
desenvolver procedimentos que evitem a superdiferenciação. Na linha de pesquisa
envolvendo simulações, é possível desenvolver um estudo baseado em simulações de
processos fracionários comparando a eficiência dos modelos ( , , ) ARIMA p d q e
( , , ) ARFIMA p d q em sua representação e comparar suas respectivas funções impulso-
resposta. Em relação ao estudo sobre a paridade do poder de compra no Brasil, os resultados
obtidos abrem caminho a outras considerações que podem ser objeto de novas pesquisas,
como a influência de erros de medida e a representatividade das séries utilizadas nesse
trabalho. Uma questão mais ampla envolvendo a economia brasileira, sob uma perspectiva
histórica, surge das evidências obtidas no estudo: quais os motivos que levaram à invalidade
da doutrina da PPP na economia brasileira? Neste caso, abre-se a possibilidade de pesquisar
os motivos que fizeram com que os mecanismos de mercado não agissem de forma que a
paridade do poder de compra fosse atingida.

Por fim, a pesquisa realizada ao longo desse trabalho, de maneira geral, permitiu avaliar que
os modelos de memória longa e a integração fracionária vêm sendo pouco utilizados nas
pesquisas econométricas aplicadas no Brasil. Ela também permitiu avaliar que a análise de
ondaletas é um instrumento extremamente rico e ainda muito pouco explorado pela
Econometria. Sua flexibilidade, que permite analisar tanto séries estacionárias quanto séries
não estacionárias e sua capacidade de decompor e sintetizar seqüências em diferentes níveis
de escalas de tempo são propriedades extremamente atraentes para pesquisas econômicas
aplicadas.
169

REFERÊNCIAS

Abramovich, F., Bailey, T.C. & Sapatinas, T. (2000) "Wavelet Analysis and Its Statistics
Applications". The Statistician. 49. 1.
Adelman, I. (1960) "Business Cycles - Endogenous or Stochastic?". The Economic Journal,
70 (280), 783-796.
Alves, D. C. O., Cati, R. C. & Fava, V. L. (2001) "Purchasing power parity in Brazil: a test
for fractional cointegration. Applied Economics, v. 33: 1175-1185.
Anderson, R. G., Berry, J. E. & Nesmith, T. D. (1997a) "Introduction to the St. Louis
Monetary Services Index Project". Review (Jan/Feb). Federal Reserve Bank of St. Louis.
Anderson, R. G., Berry, J. E. & Nesmith, T. D. (1997b) "Monetary Aggregation Theory and
Statistical Index Numbers". Review (Jan/Feb). Federal Reserve Bank of St. Louis.
Anderson, R. G., Berry, J. E. & Nesmith, T. D. (1997c) "Building New Monetary Services
Index: Concepts, Data and Methods". Review (Jan/Feb). Federal Reserve Bank of St. Louis.
Bai, J. & Perron, P. (1998) "Estimating and Testing Linear Models with Multiple Structural
Changes". Econometrica, 66.
Bai, J. (1997) "Estimating Multiple Breaks One at a Time". Econometric Theory, 13.
Baillie, R. T. & Bollerslev, T (1994) "Cointegration, Fractional Cointegration, and Exchange
Rate Dynamics". Journal of Finance, XLIX (2), 737-745.
Baillie, R. T., Chung, C.-F. & Tieslau, M. A. (1996) "Analysing Inflation by the Fractionally
Integrated ARFIMA-GARCH Model". Journal of Applied Econometrics, 11, 23-40.
Banerjee, A. & Urga, G. (2004) “Modelling Structural Breaks, Long Memory and Stock
Market Volatility: An Overview”. Journal of Econometrics.
Barkoulas, J. T., Baum, C. B. & Caglayan, M. (1999) "Long memory or structural breaks:
Can either explain nonstationary real exchange rates under the current float?". Journal of
International Financial Markets, Institutions and Money, 9(4). 359-376.
Barro, J. & Sala-I-Martin, X. (1991) "Convergence Across States and Regions" Brooking
Paper on Economic Activity, 1, 107-182.
Bautahar, M., Marimoutou, V. & Nouira, L. (2007) “Estimation Methods of the Long
Memory Parameter: Monte Carlo Analysis and Application”. Journal of Applied Statistics,
34, 3, April, 261-301.
Beran, J. (1994) “Statistics for Long-Memory Processes”. Chapman & Hall.
Beran, J. (1995) “Maximum Likelihood Estimation of the Differencing Parameter for
Invertible Short and Long Memory Autoregressive Integrated Moving Average Models”.
Journal of the Royal Statistical Society. Series B (Methodological), Vol. 57, 4, p. 659-672.
170

Blackman, R. B. & Tuckey, J. W. (1959) “The Measurement of Power Spectrum from the
Point of View of Communications Engineering”. Dover: New York.
Blanchard, O. J. & Summers, L. H. (1986) "Hysteresis and the European Unemployment
Problem”. NBER Working Paper, 1950.
Blanchard, O. J. (1981) "What is Left of the Multiplier-Accelerator?". American Economic
Review Proceedings, May, 71, 150-154.
Bochner, S. (1936) “Summation of Multiple Fourier Series by Spherical Means”.
Transactions American Mathematical Society, 40, 175-207.
Bollerslev, T. & Wright, J. H. (2000) "Semiparametric Estimation of Long-Memory Volatility
Dependencies: The Role of Hight-Frequency Data". Journal of Econometrics. 98.
Bollerslev, T. & Mikkelsen, H. O. (1996) "Modeling and Pricing Long Memory in Stock
Market Volatility". Journal of Econometrics. 73, 151-184.
Bos, C. S., Franses, P. H. & Ooms, M. (1999) "Long-Memory and Level Shifts: Re-
Analyzing Inflation Rates". Empirical Economics , 24(3), 427-449.
Box, G. E. P. & Jenkins, G. M. (1970) "Time Series Analysis: Forecasting and Control". San
Francisco: Holden-Day (Revisited Edition, 1976).
Box, G. E. P., Jenkins, G. M. & Reisen, G. (1994) "Time Series Analysis: Forecasting and
Control". Third Edition. Englewood Cliffs: Prentice Hall.
Britanak, V., Yip, P. & Rao, K. R. (2007) “Discret Cosine and Sine Tranforms: General
Properties, Fast Algorithms and Integer Approximations”. Elsevier, Academic Print.
Brockwell, P. J. & Davis, R. A. (1991) “Time Series: Theory and Methods”. New York,
Springer-Verlag.
Busetti, F. & Harvey, A. (2001) "Testing for the Presence of a Random Walk in Series with
Structural Breaks". Journal of Time Series Analysis 22, 127-150.
Busetti, F. & Harvey, A. (2003) "Further Comments on Stationarity Tests in Series with
Structural Breaks". Journal of Time Series Analysis 24, 137-140.
Campbell, J. Y. & Deaton, A. (1989) "Why is Consumption too Smooth?". The Review of
Economics Studies, 56, 3 (Jul.), 357-373.
Campbell, J. Y. & Mankiw, N. G. (1987a) "Are Output Fluctuations Transitory?". Quarterly
Journal of Economics, 102, 4 (November 1987), 857-880. Também publicado sob o mesmo
título em: National Bureau of Economic Research. NBER Working Paper Series, 1986, #
1916.
Campbell, J. Y. & Mankiw, N. G. (1987b) "Permanent and Transitory Components in
Macroeconomic Fluctuations". The Americam Economic Review, 77, 2 (May), 111-117.
Canuto, O & Fonseca P. dos Santos, P. (2004) "Macroeconomics and Sovereign Risk
Ratings". Washington, World Bank.
171

Caporale, G. M. & Gil-Alana, L. A. (2003) "Long Memory and Structural Breaks in
Hiperinflation Countries". Journal of Economics and Finance. 27, 2, 136-152.
Caporale, G. M. & Gil-Alana, L. A. (2004a) “Fractional Cointegration and Tests of Present
Value Models”. Review of Financial Economics, 13, 245-258.
Caporale, G. M. & Gil-Alana, L. A. (2004b) “Fractional Cointegration and Real Exchange
Rates”. Review of Financial Economics, 13, 327-340.
Chambers, M. J. (1998) "Long Memory and Aggregation in Macroeconomic Time Series".
International Economic Review, 39, 4.
Chen, G., Abraham, B. & Peiris, S. (1993) “Lag Window Estimation of the Degree of
Differencing in Fractionally Integrated Time Series Models”. Journal of Time Series
Analysis, 15, 473-487.
Cheung, Y (1993) "Long Memory in Foreign-Exchange Rates”. Journal of Business &
Economic Statistics, 11, 1, 93-101.
Cheung, Y. & Diebold, F. X. (1994) "On Maximum Likelihood Estimation of the
Differencing Parameter of Fractionally-Integrated Noise with Unknown Mean". Journal of
Econometrics. 62. North Holand, 301-316.
Cheung, Y. & Lai, K. S. (1993a) "Long-run Purchasing Power Parity During the Recent
Float”. Journal of International Economics, 34, 181-192. North Holand.
Cheung, Y. & Lai, K. S. (1993b) "A Fractional Cointegration Analysis of Purchasing Power
Parity”. Journal of Business & Economic Statistics, 11, 1, 103-112.
Cheung, Y. & Lai, K. S. (1994) "Mean Reversion in Real Exchange Rates”. Economics
Letters, 46, 251-256
Cheung, Y. W. & Lai, K. S. (1993) “A Fractional Cointegration Analysis of Purchasing
Power Parity”. Journal of Business and Economic Statistics, 11, 1, 103-112.
Chiann, C. (1997) "Análise de Ondaletas em Séries Temporais". Tese de Doutorado. IME-
USP.
Chung, C. (1996) “Estimating a Generalized Long Memory Processes”. Journal of
Econometrics, 73, 237-259.
Clifford, M. H. & Deo, R. S. (1999) “Plug-in Selection of the Number of Frequencies in
Regression Estimates of the Memory Parameter of a Long Memory Time Series”. Journal of
Time Series Analysis, 20, 3, 331-341.
Coakley, J., Fuertes, A. & Zoega, G. (2001) "Evaluating the Persistence and Structuralist
Theories of Unemployment from a Nonlinear Perspective". Studies in Nonlinear Dynamics &
Econometrics, 5, 3 (2).
Cochrane, J. H. (1986) "How Big is the Random Walk in GNP?". University of Chicago.
172

Cramér, H. (1942) “On Harmonic Analysis in Certain Functional Spaces”. Ark. Mat. Astron.
Fys, 238.
Cunnyngham, J. (1963) "Spectral Analysis of Economic Time Series". Working Paper (16),
Department of Commerce, Bureau of the Census. New York.
Daubechies, I. (1992) "Ten Lectures on Wavelets" in: CBMS-NSF Regional Conference
Series in Applied Mathematics, 61. SIAM
Daubechies, I. (1993) "Different Perspectives on Wavelets" in: Proceedings of Symposia in
Applied Mathematics. American Mathematical Society.
Davidson, J. & Sibbertsen, P. (2004) "Generating Schemes for Long Memory Processes:
Regimes, Aggregation and Linearity". Forthcoming in Journal of Econometrics.
Davidson, J. (1997) "Modeling Political Popularity: An Analysis of Long Range Dependence
in Opinion Poll Series". Journal of the Royal Statistical Society Series A, 160, 3 , 471-90.
Davidson, J. (2000) "The Functional Central Limit Theorem and Weak Convergence to
Stochastic Integrals II: Fractionally Integrated Processes". Econometric Theory 16, 5 643-666
Davidson, J. (2002a) "Establishing Conditions for the Functional Central Limit Theorem in
Nonlinear and Semiparametric Time Series Processes" Journal of Econometrics 106 243-
269.
Davidson, J. (2002b) "Long Memory and Nonlinear Time Series" (JoE Special Issue
Introduction, with Timo Teräsvirta), Journal of Econometrics 110(2), pp105-112
Davidson, J. (2002c) “A Model of Fractional Cointegration, and Tests for Cointegration
Using the Bootstrap”. Journal of Econometrics. 110, 2, 187-212.
Davidson, J. (2003) “Testing for Fractional Cointegration: the Relationship between
Government Popularity and Economic Performance in the UK”. Working Paper.
Davidson, J. (2004) “Convergence to Stochastic Integrals with Fractionally Integrated
Processes: Theory, and Applications to Cointegrating Regression”. Não Publicado.
Davidson, J. (2005) "Long Memory Time Series: Theory and Applications" ESRC Advanced
Training Programme in Financial Econometrics at Xfi Centre for Finance and Investment.
March.
Deaton, A. (1987) “Life Cicle Models of Consumption: Is the Evidence Consistent with the
Theory?”. In Bewley, T. F. (ed). Advances in Econometrics. Cambridge University Press.
Deaton, A. (1992) “Understanding Consumption”. Oxford University Press.
Dickey, D. A. & Pantula, S. G. (1987) “Determining the Order of Differencing in
Autoregressive Processes”. Journal of Business & Economic Statistics, 5, 4, 455-461.
Diebold, C. Guiraud, V. (2002) “A Note on Long Memory Time Series”. Université
Montpellier. Working-Paper.
173

Diebold, F. X & Inoue, A. (2001) "Long Memory and Structural Change". Journal of
Econometrics. 105, 131-159.
Diebold, F. X & Rudebusch, G. D. (1989) "Long Memory and Persistence in Aggregate
Output". Journal of Monetary Economics. 24, 189-209.
Diebold, F. X. & Rudebusch, G. D. (1991) "Is Consumption Too Smooth? Long Memory and
the Deaton Paradox". The Review of Economics and Statistics, 73, 1, 1-
Diebold, F. X. & Rudebusch, G. D. (1991) “On the Power of Dickey-Fuller Tests Against
Fractional Alternatives”. Economics Letters, 35, 155-160.
Diebold, F. X. & Rudebusch, G. D. (2001) “Five Questons About Business Cycle”. Federal
Reserve Bank of San Francisco, 1-15.
Ding, Z. & Granger, C. W. J. & Engle, R. F. (1993) “A Long Memory Property of Stock
Returns and a New Model”. Journal of Econometrics, 14, 227-238.
Dolado, J. J. , Gonzalo, J. & Mayoral, L. (2002) "A Fractional Dickey-Fuller Test for Unit
Roots". Econometrica. 70. 5. September
Doornik, J. A. & Ooms, M. (2004) “Inference and Forecasting for ARFIMA Models With an
Application to US and UK Inflation”. Studies in Nonlinear Dynamics & Econometrics, 8 (2),
14.
Doukhan, P. & Oppenheim, G. & Taqqu, M. S. (2003). "Theory and Applications of Long
Range Dependence". Birkhäuser Ed.
Elliot, G. & Rothenberg, T. J. & Stock, J. H. (1996) “Efficients Tests for an Autoregressive
Time Series with a Unit Root”. Economstrica, 49, 1057-1072.
Enders, W. (1995) “Applied Econometric Time Series”. Wiley Series in Probability and
Mathematical Statistics.
Engle, R. F. & Granger, C. W. J. (1987) “Co-integration and Error Correction:
Representation, Estimation, and Testing”. Econometrica, 55, 2, 251-276.
Engle, R. F. & Smith, A.D. (1999) "Stochastic Permanent Breaks". Review of Economics and
Statistics. 81(4): 553-574.
Fairfield Smith, H. (1938) "An Empirical Law Describing Heterogeneity in the Yields of
Agricultural Crops". Journal of Agricultural Science, 28, 1-23.
Fava, V. L. & Alves, D. C. O. (1998) “Longa Persistência nas Taxas de Inflação”. Revista de
Econometria, SBE, 18, 2, 245-264.
Fisher, M. E. & Seater, J. J. (1993) “Long-Run Neutrality and Superneutrality in an ARIMA
Framework”. American Economic Review, 83, 3, 402-415.
Flavin, Marjorie A. (1981) “The Adjustment of Consumption to Changing Expectations
About Future Income”. Journal of Political Economy, 89, 974-1009.
174

Flavin, Marjorie A. (1981) “The Excess Smoothness of Consumption: Identification and
Interpretation”. The Review of Economic Studies, 60, 3, July, 651-666.
Fox, R. & Taqqu, M. S. (1986) “Large-Sample Properties of Parameter Estimates for Strongly
Dependent Stationary Gaussian Time Series”. The Annals of Statistics, 14. Também
publicado em Robinson (2003).
Frankel, J. A. & Rose, A. K. (1995) “A Panel Project on Purchasing Power Parity: Mean
Reversion Whithin and Between Countries”. NBER Working Paper, 5006.
Gabor, D. (1946) “Theory of Communcaton”. J. IEE, 93, 429-457.
Galand, C. (1983) "Codage en Sous-Bandes: Théorie et Applications à la Compression
Numérique du Signal de Parole". Thesis, University of Nice. France.
Gallegati, M. & Gallegati, M. (2007) “Wavelet Variance Analysis of Output in G7
Countries”. Studies in Nonlinear Dynamics & Econometrics, 11, 3, 6.
Gençay, R., Selçuk, F. & Whitcher, B. (2002) "An Introduction to Wavelets and Other
Filtering Methods in Finance and Economics". Academic Press.
Geweke, J. & Porter-Hudak, S. (1983) "The Estimation and Applications of Long Memory
Time Series Models". Journal of Time Series Analysis. 4. 4.
Gil-Alana, L. A. & Caporale, G. M. (2003) "Long Memory and Structural Breaks in
Hyperinflation Countries". Journal of Economics and Finance, 27, 2.
Gil-Alana, L. A (2000) "A Generalized Fractional Time Series Model: Testing the Order of
Integration of Trend, Seasonal and Cyclical Components". Review of Economic Cycles, 7, 1,
December.
Gil-Alana, L. A (2002) "Semiparametric Estimation of the Fractional Differencing Parameter
of Measures of the U.K. Unemployment". Computational Economics. 19.
Gil-Alana, L. A (2003) "A Fractional Integration Analysis of the Population in Some OECD
Countries". Journal of Applied Statistics. 30. 10.
Gil-Alana, L. A. (1999) “Testing Fractional Integration with Monthly Data”. Economic
Modelling, 16, 613-629.
Gil-Alana, L. A. (2005) “Statistical Modeling of the Temperatures in the Northern
Hemisphere Using Fractional Integration Techniques”. Journal of Climate, 15, December,
5357-5369.
Gourierox, C. & Jasiak, J. (2001) "Memory and Infrequent Breaks". Economics Letters, 70,
29-41.
Granger C. W. J. (1966) "The Typical Spectral Shape of An Economic Variable".
Econometrica. 34, 150-161.
Granger, C. W. J. & Hatanaka, M. (1964) "Spectral Analysis of Economic Time Series".
Princeton.
175

Granger, C. W. J. & Hyung, N. (1999) "Occasional Strutural Breaks and Long Memory".
Discussion Paper 99-14, Departament of Economics, University of California. San Diego.
Granger, C. W. J. & Jeon, Y. (1998) "The Distributional Properties of Shocks to a Fractional
I(d) Process Having a Marginal Exponential Distribution”.
Granger, C. W. J. & Joyeux, R. (1980) "An Introduction to Long-Memory Time Series
Models and Fractional Differencing". Journal of Time Series Analysis, 1,15-29.
Granger, C. W. J. & Morgenstern, O. (1963) "Spectral Analysis of Stock Market Prices".
Kyklos, 16, 1-27.
Granger, C. W. J. (1980) "Long Memories Relationships and the Aggregation of Dynamic
Models". Journal of Econometrics, 14, 227-238.
Granger, C. W. J. (1986) “Developments in the Study of Cointegrated Economic Variables”.
Oxford Bulletin of Economics and Statistics, 48, 213-228.
Granger, C. W. J. (1993) "What are we Learning About the Long-Run". The Economic
Journal, 103 (March), 307-317.
Granger, C. W. J. (1999) "Aspects of Research Strategies for Time Series Analysis". Texto
Apresentado na Conferência sobre Novos Desenvolvimentos em Séries de Tempo
Econômicas em New Haven, Outubro de 1999.
Grenander, U. & Rosemblatt, M. (1953) “Statistical Spectral Analysis Arising from
Stationary Stochastic Processes”. Ann. Math. Statist., 25, 537-558.
Grossmann, A. & Morlet, J. (1984) "Decompositions of Hardy Functions into Square
Integrable Wavelets of Constant Shape". SIAM Journal of Mathematical Analysis.
Haar, A. (1910) "Zur Theorie der Orthogonalen Funktionensysteme". Mathematische
Annalen, 69, 331-71.
Haslett, J. & Raftery, A. E. (1989) “Space-time Modeling with Long-Memory Dependence:
Assessing Ireland's Wind Power Resource (with discussion)”. Applied Statistics 38, 1, 1-50.
Hassler, U. & Wolters, J. (1994) “On the Power of Unit Root Tests Against Fractional
Alternatives”. Economics Letters, 45, 1-5.
Hassler, U. & Wolters, J. (1995) "Long Memory in Inflation Rates: International Evidence".
Journal of Business & Economic Statistics. 13. 1. American Statistical Association.
Hatanaka, M. (1963) "A Spectral Analysis of Business Cycle Indicators: Lead-lag in Terms of
All Time Points". Econometric Research Program, Princeton Reserarch Memorandum, 53.
Haubrich, J. G. & Lo, A. W. (2001) "The Sources and Nature of Long-Term Memory in
Aggregate Output". Economic Review. Federal Reserve Bank of Cleveland, 37, 2, 15-30.
Haubrich, J. G. (1993) "Consumption and Fractional Differencing: Old and New Anomalies".
The Review of Economics and Statistics, 75, 4, 767-772.
176

Henry, M & Zaffaroni, P. (2003) "The Long Range Dependence Paradigm for
Macroeconomics and Finance". In: Doukhan & Oppenheim & Taqqu (2003), 417-438.
Hidalgo, J. & Robinson, P.M. (1996) "Testing for structural change in a long-memory
environment". Journal of Econometrics, 70, 159-174.
Hillebrand, E. (2005) "Neglecting Parameter Changes in GARCH Models". Journal of
Econometrics, 129, 1 e 2, 121.
Hipel, K. W. & McLeod, A. I. (1978) "Preservation of the Rescaled Adjusted Range". Water
Resources Research, 14, 509-518.
Hosking, J. R. M. (1981) "Fractional Differencing". Biometrika, 68 , 165-176.
Hubbard, B. B. (1998) "The World According to Wavelets: The Story of a Mathematical
Technique in the Making". A K Peters.
Hurst, H. E. (1951) "Long-Term Storage Capacity of Reservoirs". Transactions of the
American Society of Civil Engenners, 16, 770-799.
Hurst, H. E. (1957) "A Suggested Statistical Model of Time Series that Occur in
Nature".Nature, 180, 494.
Hurvich, C. M. & Beltrao, K. (1993) “Asymptotics of the Low-Frequency Ordinates of the
Periodogram of a Long-Memory Time Series”. Journal of Time Series Analysis, 14, 455-472.
Hurvich, C. M. & Beltrao, K. (1994) “Automatic Semiparametric Estimation of the Memory
Parameter of a Long Memory Time Series”. Journal of Time Series Analysis, 15, 3. 285-302.
Hwang, S. (2000) "Structural Breaks, Persistence, and Long Memory". Wokking Paper. Cass
Business School. City University.
Hyung, N. & Franses, P. H. (2001) “ Structural Breaks and Long Memory In US inflation
rates: Do they Matters for Forecasting?” Erasmus University Rotterdam, Econometric
Institute Research Report EI2001-13
Hyung, N. & Franses, P. H. (2002) “Inflation Rates Long-memory, level, shifts, or both?”
Econometric Institute Report 2002-08, Erasmus University.
Iacobucci, A. (2003) "Spectral Analysis for Economic Time Serie". Working Paper OFCE,
France, November.
Jeffreys, H. (1939) "Theory of Probability". Oxford, Clarendon Press.
Jensen, M. J. (1999) “Using Wavelets to Obtain a Consistent Ordinary Least Square Estimator
of the Long-Memory Parameter”. Journal of Forecasting, 18, 17-32.
Jesiak, J. (2000) "Long Memory in Economics: A Comment". Artigo não Publicado.
Johansen, S. (1995) “Likelihood Based Inference in Cointegrated Vector Error Correction
Models”. Oxford University Press, Oxford.
177

Kallache, M & Rust, H. W. & Kropp, J. (2005) “Trend Assessment: Applications for
Hydrology and Climate Research”. Nonlinear Processes in Geophysics, 12, 201-210.
Khintchine, A. (1932) “Mathematisches Über die Erwartung von ein Offentlichen Schaffer”.
Math. Sbornick, 39, 73.
Kolmogorov, A. N. (1940) "Wiener's Spiral and Some Interesting Curves in Hilbert Spaces".
Kokl. Akad. Nauk SSSR, 26, 2, 115-118.
Kolmogorov, A. N. (1941) " Stationary Sequences in Hilbert Spaces". Bull. Math. Univ.
Moscow, 2, 6.
Kramer, W. & Sibbertsen, P. (2002) "Testing for Structural Change in the Presence of Long
Memory". International Journal of Business and Economics, 1(3), 235-242.
Künisch, H. R. (1986) “Discrimination Between Monotonic Trends and Long Range
Dependence”. Journal of Applied Probability, 23, 1025-1030.
Kydland, F. E. & Prescott, E. C. (1980) "A Competitive Theory of Fluctuations and the
Feasobility and Desirability of Stabilization Policy". In S. Fischer, ed., Rational Expectations
and Economic Policy, Chicago: University of Chicago Press.
Kydland, F. E. & Prescott, E. C. (1982) “Time to Build and Aggregate Fluctuations”.
Econometrica, 50, 6, 1345-1370.
Kwiatkowski, D., Phillips, P.C.B., Schmidt, P. & Shin, Y. (1992) “Testing the Null
Hypothesis of Stationarity Against the Alternative of a Unit Root”. Journal of Econometrics,
54, 159-178.
Lardic, S. & Mignon, V. (2005) “Paradoxe de Deaton et Habitudes de Consommation: Une
Analyse en Termes de Mémorie Longue”. Revue d’Economie Politique, 115, 1, Janvier, 129-
160.
Lee, D. & Schmidt, P. (1996) “On the Power of KPSS Tests of Stationary Against
Fractionally Integrated Alternatives”. Journal of Econometrics, 73, 285-302.
Lee, T. H. & White, H. & Granger, C. W. J. (1993) “Testing for Neglected Nonlinearity in
Time Series Models”. Journal of Econometrics, 56, 269-290.
LI, W. K. (1986) "Fractional Time Series Modelling". Biometrica. 73.1.
Lin, C.-F. & Terasvirta, T. (1994) "Testing the Constancy of Regression Parameters Against
Continuous Structural Change". Journal of Econometrics 62, 211-228.
Lin, C.-F. & Terasvirta, T. (1999) "Testing Parameter Constancy in Linear Models Against
Stochastic Stationary Parameters". Journal of Econometrics 90, 193-213.
Lin, Y & Gulati, C. (2003) "Asymptotics for General Fractionally Integrated Processes with
Applications to Unit Root Tests". Econometric Theory. 19.
178

Ling, S. (2003) "Adaptive Estimators and Tests of Stationary and Nonstationary Short- and
Long-Memory ARFIMA-GARCH Models". Journal of the American Statistical Association.
98. 464. American Statistical Association.
Lo, A.W. (1991) “Long-Term Memory in Stock Market Prices”. Econometrica, 59, 1279-
1313.
Lobato, N. & Savin, N.E. (1998) “Real and Spurious Long-Memory Properties of Stock-
Market Data”. Journal of Business & Economic Statistics, Jul, 16, 3, 261-168.
Long, J. B. & Plosser, C. I. (1983) "Real Business Cycles". Journal of Political Economy, 91,
1 (February), 39-69.
Loretan, M & Phillips, P. C. B. (1993) "Testing the Covariance Stationarity of Heavy-Tailed
Time Series: An Overview of the Theory with Applications to Several Financial Datasets".
Journal of Empirical Finance.1, 211-248.
Lucas, R. E. (1993) “Making a Miracle”. Econometrica, 61, 2 (March), 251-272.
MacKinnon (1990) “Critical Values for Cointegration Tests”. Discussion Papers, University
of California. San Diego. Department of Economics. January, 90-4.
MacKinnon (1996) “Numerical Distribution Functions for Unit Root and Cointegration
Tests”. Journal of Applied Econometrics, 11, 601-618.
Mallat, S.G. (1987) "A Compact Multiresolution Representation: The Wavelet Model". in:
Proceedings of IEEE Computer Society Workshop on Computer Vision. IEEE Computer
Society Prees.
Mallat, S.G. (1998) "A Wavelet Tour of Signal Processing". Academic Press.
Mandelbrot, B. B. & Van Ness, J. W. (1968) "Fractional Brownian Motion, Fractional Noises
and Applications". SIAM Review, 10, 422-437.
Mandelbrot, B. B. & Wallis, J. (1968) "Noah, Joseph and Operational Hydrology" Water
Resourses Research, 4, 5 (October), 909-918.
Mandelbrot, B. B. & Wallis, J. (1969) "Robustness of the Rescaled Range R/S in the
Measurement of Non Cyclic Long Run Statistical Dependence". Water Resources Research.
5, 867-988.
Mandelbrot, B. B. & Wallis, J. (1969b) "Some Long-Run Properties of Geophysical
Records". Water Resources Research. 5, 2 (April), 321-340.
Mandelbrot, B. B. (1963a) "New Methods in Statistical Economy". Journal of Political
Science, 5, 421-440.
Mandelbrot, B. B. (1963b) "The Variation of Certain Speculative Prices". Journal of Business.
University of Chicago, 36, 394.
179

Mandelbrot, B. B. (1971) "When can Price be Arbitraged Efficiently? A Limit to the Validity
of the Random Walk and Martingale Models". Review of Economic and Statistics. 56, 225-
236.
Marinucci, D. & Robinson, P. M. (2001) “Semiparametric Fractional Cointegration
Analysis”. Journal of Econometrics, 105, 225-247.
Marques, G. O. L. C. (2003) "A Neutralidade Monetária de Longo Prazo no Brasil: Uma
Análise Simulatória Utilizando Índices de Agregados Monetários". Dissertação de Mestrado.
São Paulo, IPE-USP.
McLeod, A. I. & Hipel, K. W. (1978) "Preservation of the Rescaled Adjusted Range, 1: A
Reassessment of the Hurst Phenomenon". Water Resourses Research, 14, 491-50.
Meyer, Yves (1993) "Wavelets: Algorithms and Applications. SIAM. University Press.
Michelacci, C. & Zaffaroni, P. (2000) "(Fractional) Beta Convergence". Journal of Monetary
Economics, 45, 129-153.
Misiti, M., Misiti, Y., Oppenheim & G. Poggi, Jean-Mechel (2000) “Wavelet Toolbox: For
Use with Matlab” Mathworks Inc.
Morettin, Pedro A & Toloi, Clélia M. C. (2004) "Análise de Séries Temporais". Edgard
Blücher.
Morettin, Pedro A. (1999) "Ondas e Ondaletas: Da Análise de Fourier à Análise de
Ondaletas". Edusp.
Moulines, E. & Soulier, P. (2003) “Semiparametric Spectral Estimation for Fractional
Processes”. in Doukhan et al (2003), Ed. Birkhäuser.
Nelson, C. R. & Plosser, C. I. (1982) "Trends and Random Walks in Macroeconomics Time
Series". Journal of Monetary Economics. 10, 139-162.
Nerlove, M. (1964) "Spectral Analysis of Seasonal Adjustment Procedures". Econometrica,
32, 241-286.
Newcomb, S. (1886) "A Generalized Theory of the Combination of Observations so as to
Obtain the Best Result". American Journal of Mathematics, 8, 343-366.
Ng, S. & Perron, P. (2001) “Lag Length Selection and the Construction of Unit Root Tests
with Good Size and Power”. Econometrica, 69, 1519-1554.
Nielsen, M. O. & Fredriksen, P.H. (2003) "Finite Sample Comparison of Parametric,
Semiparametric, and Wavelet Estimators of Fractional Integration. Working Paper. Cornell
University. November.
Nielsen, M. O. (2002) "Spectral Analysis of Fractionally Cointegrated Sustems". Working
Paper. University of Aarhus. December.
Nielsen, M. O. (2003) "Multivariate Lagrange Multiplier Tests for Fractional Integration".
Working Paper. University of Aarhus. April.
180

Nielsen, M. O. (2003) "Semiparametric Estimation in Time Deries Regression with Long
Range Dependence". Working Paper. University of Aarhus. April.
Olbermann, B. P. & Lopes, S. R. C. & Reisen, V. A. (2006) “Invariance of the First
Difference in ARFIMA Models”. Computational Statistics, 21, 3, 445-461.
Ooms, M. (1995) “Flexible Seasonal Long Memory and Economic Time Series”. Technical
Report 9515/A. Econometric Institute, Erasmus University.
Parke, W. R. (1999) "What is Fractional Integration?". The Review of Economics and
Statistics, 81, 4, 632-638.
Percival, D. B. & Mofjeld, H. O. (1997) “Analysis of Subtidal Coastal Sea Level Fluctuations
Using Wavelets. Journal of the American Statistical Assiciation, 92, 868-880.
Percival, D. B. & Walden, A. T. (2000) “Wavelet Methods for Time Series Analysis”.
Cambridge University Press.
Percival, D. B. (1995) “On Estimation of the Wavelet Variance”. Biometrika, 82, 619-631.
Perron, P. & Ng, S. (2001) “Lag Length Selection and the Construction of Unit Root Tests
with Good Size and Power”. Econometrica, 69, 1519-1554.
Perron, P. & Vogelsang, T.J. (1992) "Testing for a Unit Root in a Time Series with a Shift in
Mean, Corrections and Extensions". Journal of Business and Economic Statistics 10, 467-470.
Perron, P. (1989) “The Great Crash, the Oil Price Shock and the Unit Root Hypothesis”.
Econometrica, 57, 1361-1401.
Phillips, P. C. B. & Ouliaris, S. (1990) “Asymptotic Properties of Residual Based Tests for
Cointegration”. Econometrica, 58, 73-93.
Porter-Hudak, S. (1990) “An Application of Seazonal Fractionally Differenced Model to the
Monetary Aggregate”. Journal of American Statistical Association, 85, 338-344.
Priestley, M. B. (1965) "Evolucionary Espectra and Non-Stationary Process". Journal of the
Royal Statistical Society. Series B, 27, 204-237.
Priestley, M. B. (1994) "Spectral Analysis and Time Series". AP Academic Press.
Quah, D. (1993) "Empirical Cross-Section Dynamics in Economic Growth". European
Economic Review, 37, 2/3, 426-434.
Ramsey, J. B. & Lampart, C. (1998) “Decomposition of Economic Ralationships by
Timescale Using Wavelets”. Macroeconomic Dynamics, 2, 49-71. Cambridge University
Press.
Ramsey, J.B. (1999) "The Contribution of Wavelets to the Analisys of Economic and
Financial Data". The Royal Society. 357.
Reisen, V. & Rodrigues, A. L. & Palma, W. (2004) “Estimation of Seasonal Fractionally
Integrated Processes. Não Publicado.
181

Reisen, V. A. (1994) “Estimation of the Fractional Difference Parameter in the ARIMA(p,d,q)
Model Using the Smoothed Periodogram”. Journal of Time Series Analysis, 15, 3. 335-350.
Reisen, V.A. & Cribari-Neto, F & Jensen, M. J. (2003) “ Long Memory Dynamics: The Case
of Brazil”. Studies in Nonlinear Dynamics & Econometrics, 7 (3), 3.
Robinson, P. M. & Marinucci, D. (2001) “Semiparametric Fractional Cointegration
Analysis”. Journal of Econometrics, 105, 225-247.
Robinson, P. M. & Marinucci, D. (2003) “Semiparametric Frequency Domain Analysis of
Fractional Cointegration” in: “Time Series with Long Memory”, Robinson ed.
Robinson, P. M. (1994) “Efficient Tests of Nonstationary Hypotheses”. Journal of the
American Statistical Assiciation, 89, 1420-1437.
Robinson, P. M. (1995) "Gaussian Semiparametric Estimation of Long Range Dependence".
The Annals of Statistics. 23. 5.
Robinson, P. M. (1995) "Log-Periodogram Regression of Time Series with Long Range
Dependence". The Annals of Statistics. 23. 5.
Robinson, P. M. (2003) "Time Series with Long Memory". Oxford University Press.
Robinson, P.M. (1994a) "Efficient Testes of Nonstationary Hypotheses". Journal of American
Statistical Association. 89, 1420-1437.
Robinson, P.M. (1994b) "Time Series with Strong Dependence" in Advances in
Econometrics, ed. Sims, C. Vol. 1, 97-107. Cambridge University Prees.
Royston, P. (1995) “A Remark on Algorithm AS 181: The W-Test for Normality”. Applied
Statistics, 44, 547-551.
Rudebusch, G. (1993) “The Uncertain Unit Root in Real GNP”. American Economic Review,
33, 661-680.
Rugoff, K. (1996) “The Purchasing Power Parity Puzzle”. Journal of Economic Literature, 34,
2, 647-668.
Sang-Kun B. & Jensen M. J. & Murdock S. G. (2005) "Long-run Neutrality in a Fractionally
Integrated Model". Journal of Macroeconomics, 27, 257-274.
Schuwert, W. (1989) “Test for Unit Roots: A Monte Carlo Investigation”. Journal of Business
and Economic Statistics, 7, 147-159.
Seater, J. J. (1993) “World Temperature – Trend Uncertainties and their Implications for
Economic Policy”. Journal of Business and Economic Statistics, 11.
Serroukh, A. & Walden, A. T. & Percival, D. B. (2000) “Statistical Properties of the Wavelet
Variance Estimator for Non-Gaussian/Non-Linear Time Series”. Journal of the American
Statistical Association, 95, 184-196.
182

Shapiro, M. D. (1987) “Are Cyclical Fluctuation in Productivity Due More to Supply Shocks
or Demand Shocks?”. The American Economic Review, 77, 2, 118-124.
Shumway, R. H. & Stoffer, D. S. (2000) “Time Series Analysis and Its Applications”.
Springer Texts in Statistics.
Sibbertsen, P. (2001) "Long-Memory versus Structural Breaks: An Overview". University
Dortmund. Germany.
Singleton, K. J. (1988) "Econometric Issues in the Analysis of Equilibrium Business Cycle
Models". Journal of Monetary Economics, 21, 2/3 (March/May), 361-386.
Smallwood, A. D. (2005) “Joint Tests for Non-Linearity and Long Memory: The Case of
Purchasing Power Parity”. Studies in Nonlinear Dynamics & Enonometrics, 9 (2), 1-28.
Smallwood, A. D. (2005) “Joint Tests for Non-linearity and Long Memory: The Case of
Purchasing Power Parity. Studies in Nonlinear Dynamics & Econometrics, 9, 2.
Sowell, F. (1990) “The Fractional Unit Root Distribution”. Econometrica, 58, 495-505.
Sowell, F. (1992) "Maximum Likelihood Estimation of Stationary Univariate Fractionally
Integrated Time Series Models". Journal of Econometrics. 53. North Holand, 165-188.
Student (1929) "Errors of Routine Analysis". Biometrika, 19, 151-169.
Teraesvirta, T. & Lin, C. F. & Granger, C. W. J. (1993) “Power of the Neural Network
Linearity Test”. Journal of Time Series Analysis, 14, 209-220.
Teverovsky, V. & Taqqu, M.S. (1996) “Analysis of Lo’s R/S Method for Detecting Long-
Range Dependence”. Não Publicado.
Tolstov, G. P. (1962) “Fourier Series”. Trad. Richard A. Silverman. Dover Publications, Inc.
Tse, Y. (1998) "Fractional Cointegration Tests with GARCH". Applied Financial Eonomics,
8.
Vogelsang, T.J. & Perron, P. (1998) "Additional Tests for Unit Root Allowing the Possibility
of Breaks in the Trend Function". International Economic Review 39, 1073-1110.
Watson, M. W. (1986) “Univariate Detrending Methods with Stochastic Trends”. Journal of
Monetary Economics, 18, 49-75.
Whitcher, B., Guttorp, P. , Byers, S. D. & Percival, D. B. (sem data) "Testing for
Homogeneity of Variance in Time Series: Long Memory, Wavelets and the Nile River".
Artigo não publicado.
Whittle, P. (1956) “On the Variation of Yield Variance with Plot Size”. Biometrika, 43, 337-
343.
Whittle, P. (1962) “Topografic Correlation, Power-Law Covariance Functions, and
Diffusion”. Biometrika, 49, 304-314.
183

Woodward, W.A. & Cheng, Q.C. & Gray, H. L. (1998) “A k-Factor GARMA long-Memory
Model”. Journal of Time Series Analysis, 19, 485-504.
Wright, J. H. (1998) "Testing for a Structural Break at Unknown Date with Long-memory
Disturbances". Journal of Time Series Analysis. 19(3): 369-376.
Wuertz, D. (2006) “The fSeries Package”. Verrsion 221.10065. CRAN Home Page.
Yigit, T & Hightower, K. (sem data) “Effect of Moments on Aggregation and Long Memory
in Inflation”. (não publicado)
Zivot, E. & Andrews, D. W. K. (1992) "Further Evidence on the Great Crash, the Oil Price
Shock, and the Unit Root Hypothesis". Journal of Business and Economic Statistics. 10, 251-
270.
Zivot, E. & Wang, J. (2006) “Modeling Financial Time Series With S-Plus”. Springer Science
+ Business Media, Inc.
PROGRAMAS COMPUTACIONAIS

Matlab 7.01.24704 (R14) – The Language of Technical Computing. The MathWorks Inc.
S-Plus 7.0 for Windows – Professional Developer. Insightful Corp.
R 2.4.0 – A Language and Environment. The R Development Core Team.

Módulos em S-Plus:

S+Finmetrics 2.0. Insightful Corp.
S+Wavelets 2.0. Insightful Corp.
Series Using Wavelets. Autor: Brandon Whitcher. 1999.
WaveCov: An S-Plus Software Package for the Analysis of Univariate and Bivariate Time
Series Using Wavelets”. Eurandom.

Módulos em R:

Farisma 1.0, Autor: Henning Rust. 2006. http://pik-potsdam.de/~hrust
The fracdiff Package 1.2-2. Autor: Chris Fraley, Fritz Leisch & Martin Maechler. 2005.
The fSeries Package 221.10065. Autor: Diethelm Wuertz and others. 2006.
The longmemo Package 0.9-3. Autor: Martin Maechler. 2006.
The Waveslim Package 1.5. Autor: Brandon Whitcher



184


185

APÊNDICES

APÊNDICE 1: INTRODUÇÃO À ANÁLISE ESPECTRAL CLÁSSICA

A análise Espectral Clássica de séries de tempo, também conhecida como Análise de Fourier,
é uma técnica matemática de decomposição da variabilidade de séries estacionárias no
domínio da freqüência. Entre as décadas de 1950-60, a Teoria Espectral foi introduzida como
ferramenta de análise de variáveis econômicas, tendo Clive Granger um dos principais
difusores. Conjectura-se que a técnica em sua versão clássica aplicada a processos
estocásticos não ganhou maior importância na Econometria devido principalmente a duas de
suas limitações: (a) por perder o referencial temporal na passagem do domínio do tempo para
o domínio da freqüência e (b) por ser aplicável exclusivamente sobre séries estacionárias.
Importantes contribuições à análise espectral procuraram superar tais limitações, como a
incorporação de janelas espectrais definidas no tempo-freqüência pela “Transformada
Janelada” de Gabor (1946) e a Teoria dos Espectros Evolucionários para séries não
estacionárias por Priestley (1965). Mesmo assim, essas variantes permanecem condicionadas
a determinadas restrições, como à largura fixa das janelas espectrais (janelas invariáveis para
baixas e altas freqüências), no primeiro caso, e à necessidade de pressupor processos
estocásticos localmente estacionários, no segundo.


A Representação Espectral de Processos Estocásticos Estacionários

A Análise Espectral Clássica pode ser entendida como uma técnica de transformação de uma
função ou seqüência numérica, primariamente definida em um domínio, como a dimensão
temporal, por exemplo, em uma seqüência de parâmetros aleatórios circunscritos ao domínio
da freqüência. A Transformada de Fourier é o mecanismo que promove a expansão de um
sinal, periódico ou não, determinista ou estocástico, sob certas condições, em bases
harmônicas ortogonais, senóides e co-senóides, com amplitudes e freqüências angulares
aleatórias. Funcionalmente, a expansão é realizada sobre o conjunto de funções ortogonais de
período formado por dilatações da exponencial complexa , 1 i = ÷ ¸C,
denominada “Equação de Euler”: (A1.1). Genericamente, funções
2t { }
i
e
u
( ) ( )
in
e cos n isen n
u
u u = ÷
186

deterministas periódicas, , , podem ser representadas na forma de uma
Série de Fourier do tipo:
(A1.2)
com parâmetros e discretos, denominados Coeficientes de Fourier. Funções
deterministas não periódicas, , , podem ser expandidas na forma de uma
Integral de Fourier sobre um conjunto contínuo de freqüências
81
,
. (A1.3)
O pressuposto que a função seja de quadrado integrável é fundamental para as formas
espectrais (A1.2) e (A1.3) e também para a representação dos processos estocásticos. Ela
assegura o declínio da função no intervalo : (A1.4). A
representação espectral de processos estocásticos possui particularidades em relação aos dois
casos mostrados acima pelo fato de que tais processos, ao invés de uma única função, retratam
infinitas realizações de variáveis aleatórias. Portanto, as formas espectrais (A1.2) e (A1.3) não
são diretamente aplicáveis. Considerando todas as possíveis realizações de um processo
estocástico estacionário, real ou complexo, não é exeqüível inferir uma natureza periódica, ou
ainda, que ele seja de quadrado integrável: . Conseqüentemente, um
processo estocástico estacionário não seria passível de representação tanto na forma de uma
Série de Fourier, como na de uma Integral de Fourier. Entretanto, condicionando o processo a
intervalos limitados pode-se definir uma representação espectral para uma realização qualquer
do processo estocástico estacionário:

Definição 11 - Seja uma realização (não aleatória em t) do processo estocástico
estacionário contínuo em média quadrática, tal que
. (A1.5)
Define-se Transformada Contínua de Fourier de a expansão infinita:
(A1.6)
com síntese que define a Transformada Contínua Inversa de Fourier:

81
Para maiores detalhes sobre as condições da representação espectral de funções deterministas, ver Priestley
(1994, cap.4).
* 2
( ) ( ) X t L ¸ R t ¸R
( )
*
0
1
1
( ) cos( ) (sen( )
2
n n
n
X t a a nt b nt
÷·
=
= ÷ ÷
_
{ }
n
a { }
n
b
2
( ) ( ) X t L ¸ R t ¸R
1
( ) ( )
2
i t
X t e dt
v
v
t
÷·
÷
÷·
=
]
F
( , ) ÷· ÷·
2
lim | ( ) | 0
t
X t
÷±·
=
2
( ) ( ), x t L t ¸ ¸ R R
( ) x t
( ), :
( )
0, :
T
x t se T t T
x t
se caso contrário
'
÷ _ _
1
1
=
!
1
1+
( ) x t
1
( ) ( )
2
i t
x T
x t e dt
v
v
t
÷·
÷
÷·
=
]
F
187

(A1.7)
Sob (A1.5), garante-se a condição de que seja definida em . A
transformada (A1.6) pode, portanto, ser igualmente representada no intervalo
utilizando :
(A1.8)
O Teorema de Parceval demonstra uma importante relação para as representações espectrais,
também denominado por alguns autores como Conservação de Energia:
(A1.9)
em que é uma função determinista. Priestley (1994) explica que,
representa a contribuição para a energia total advinda dos componentes de entre
freqüências no intervalo . A equação (A1.9) exibe, portanto, uma forma de
decomposição da energia de em uma soma de componentes, cada uma contribuindo
para um determinado grupo de freqüências. Essa relação será válida, sob certas
caracterizações, ao caso dos processos estocásticos estacionários. Retomando (A1.8), o
Teorema de Parceval implica
(A1.10)
Morettin (1999) explica os aspectos que delimitam a representação espectral de . Em
primeiro lugar, representa a contribuição para a potência total da série
advinda dos componentes de com freqüências em , de forma que
(A1.11)
define uma Função de Densidade de Potência Espectral para uma realização específica do
processo. Tomando-se a média para contar com as diferentes realizações,
(A1.12)
chega-se à Função de Densidade Espectral ou Espectro de , de maneira que
representa a média das contribuições para a potência total a partir dos componentes de
com freqüências entre . Ou seja, a Função de Densidade Espectral representa a
( ) ( )
i t
T x
x t e d
v
v v
÷·
÷·
=
]
F
( )
T
x t
2
( , ) L ÷· ÷·
( , ) T T ÷
( ) x t
1
( ) ( )
2
T
i t
x
T
x t e dt
v
v
t
÷
÷
÷
=
]
F
2 2
1
| ( ) | | ( ) |
2
X t dt d v v
t
÷· ÷·
÷· ÷·
=
] ]
F
( ) X t
2
{| ( ) | } d v v F
( ) X t
[ ; ] d v v v ÷
( ) X t
2
2
1
[ ( )] ( )
2
T T
x
T T
x t dt d
T
v v
÷ ÷
=
] ]
F
( )
T
x t
2
1
{ | ( ) | }
2
x
d
T
v v F
( )
T
x t [ ; ] d v v v ÷
2
1
( ) | ( ) |
2
T x
J
T
v v = F
( ) lim { ( )}
x T
T
f E J v v
÷÷·
=
( ) x t ( )
x
f d v v
( )
T
x t
[ ; ] d v v v ÷
188

quantidade de variação (ou variabilidade) de um processo em cada freqüência definida em um
intervalo limitado. Priestley (1994, p.211) demonstra que
(A1.13)
é uma forma equivalente de representar (A1.12) e que, sob (A1.14), que
implica , sendo a Função de Autocovariância do processo. Por (A1.13),
sob (A1.14), o autor mostra que a Função de Densidade Espectral de pode ser escrita
como:

1
( ) ( )
2
i h
x x
f h e dh
v
v ¸
t
÷·
÷
÷·
=
]
(A1.15)
e cuja transformada inversa de Fourier sintetiza :
(A1.16)
A representação do processo discreto, estacionário, segue a lógica do caso contínuo
82
.
Considerando, :

Teorema 1 – [Priestley (1994) ; Shumway & Stoffer (2000)] Representação Espectral do
Processo Estocástico Estacionário Discreto: Seja um processo estocástico
estacionário discreto cuja Função de Autocovariância satisfaz
(A1.17)
então,

1
( ) ( ) ,
2
i h
x x
h
f h e
v
v ¸ t v t
t
÷·
÷
=÷·
= ÷ _ _
_
(A1.18)
define a Função de Densidade Espectral de e possui representação
(A1.19)
As propriedades da Função de Densidade Espectral são:
i. . (Advém do fato que é função não negativa definida)
ii. . (É periódica de período )

82
Britanak, Yip & Rao (2007) expõem questões teóricas normalmente desconsideradas na conceituação da
transformada na forma discreta.
2
2
1
( ) lim 1 ( )
2 2
T
i h
x x
T T
h
f h e dh
T
v
v ¸
t
÷
÷÷· ÷
í 1
·
= ÷ ·

·
·
( )
]
( )
x
h dh ¸
÷·
÷·
<÷·
]
lim ( ) 0
h
h ¸
÷·
= ( )
x
¸ -
( ) x t
( )
x
h ¸
( ) ( )
i h
x x
h f e d
v
¸ v v
÷·
÷·
=
]
1, t t A = \
{ }
t t
x
¸R
( )
x
h
h ¸
÷·
=÷·
<÷·
_
t
x ( )
x
h ¸
( ) ( ) , 0, 1, 2,...
i h
x x
h f e d h
v
¸ v v
÷·
÷·
= = ± ±
]
( ) 0 ,
x
f v v _ \ ( )
x
¸ -
( 2 ) ( ) ,
x x
f f v t v v ÷ = \ 2t
189

iii. . (É função par)
iv. Por (A1.19) tem-se que a variância do processo estocástico estacionário é uma medida
de sua potência espectral e pode ser decomposta em todas as freqüências:
{ } (0) ( )
t x x
Var x f d ¸ v v
÷·
÷·
= =
]
(A1.20)

Estimadores do Espectro

Tradicionalmente, as periodicidades em séries de tempo não são conhecidas a priori. Schuster
(1898) propôs o estimador espectral denominado Periodograma que permite identificar as
periodicidades nas freqüências associadas a picos de concentração de energia espectral. A
conceituação de Periodograma pressupõe, no entanto, da definição de Transformada Discreta
de Fourier, exposta abaixo:

Definição 12 – Transformada Discreta de Fourier (TDF) do Processo Estocástico Discreto
Estacionário: Seja um processo estocástico estacionário discreto com .
Define-se Transformada Discreta de Fourier de como:
(A1.21)
sendo as freqüências denominadas Freqüências de Fourier.
É importante notar que a TDF é periódica de período , , e
portanto, basta considerar as freqüências no intervalo ou . Shumway & Stoffer
(2000) explicam que a propriedade , em que representa o
conjugado complexo da transformada, implica valores redundantes da TDF para as
freqüências entre e ou entre e . Por esse motivo, o espectro é
freqüentemente calculado apenas sobre , que resulta em freqüências nos
intervalos ou denominadas Freqüências de Nyquist. Morettin & Toloi (2004)
demonstram que e, com isso, define-se periodograma como estimador
espectral nos seguintes termos:

( ) ( ) ,
x x
f f v v v = ÷ \
{ }
t t
x
¸Z
1, 2,..., t T =
t
x
2
1
1
( ) , / , 0,1,..., 1
2
k
T
i t d
x k t k
t
x e k T k T
T
t v
v v
t
÷
=
= = = ÷
_
F
k
v
2t ( ) ( 2 )
d d
x k x k
v v t = ÷ F F
[ , ] t t ÷ [0, 2 ] t
( ) ( )
d d
x k x k
t v t v ÷ = ÷ F F ( )
d
x
F -
[ ;0] t ÷ [0; ] t [ 1/ 2;0] ÷ [0;1/ 2]
0,1,..., / 2 k T =
[0; ] t [0;1/ 2]
¦ ¦
2
( )
d
x x
E f v ~ F
190

Definição 13 – Periodograma [Morettin & Toloi (2004)]: Seja um processo
estocástico estacionário discreto com . Define-se Periodograma de como:

2
2
2
1
1
( ) ( ) , / , 0,1,..., / 2
2
k
T
i t d
k x k t k
t
I x e k T k T
T
t v
v v v
t
÷
=
= = = =
_
F (A1.22)
Esses autores e Shumway & Stoffer (2000) demonstram que o periodograma pode ser
igualmente obtido por meio da Função de Autocovariância Amostral:

( 1)
2
( 1)
1
ˆ ( ) ( )
2
k
T
i h
k x
h T
I h e
t v
v ¸
t
÷
÷
=÷ ÷
=
_
(A1.23)
com
(A1.24)
e cujas propriedades são:

i. : Assintoticamente não viesado.
ii. : Não consistente (variância não decresce a medida
que aumenta-se ).
iii. , se

Estimadores Suavizados do Espectro

O periodograma é notadamente um estimador muito instável devido à sua elevada
volatilidade. Da busca por estimadores espectrais mais estáveis, proveio o conceito de
Periodograma Suavizado, assintoticamente não viesado e consistente, ou seja, com variância
decrescente em relação ao aumento do tamanho amostral
83
. Os periodogramas suavizados são
derivados de dois métodos, assintoticamente equivalentes ao produto final, como explica

83
Alguns autores apontam que Bartlett em 1953 foi o idealizador da metodologia, enquanto outros apontam
Grenander & Rosemblatt (1953).
{ }
t t
x
¸Z
1, 2,..., t T =
t
x
1
1
ˆ ( ) ( )( ) , 0, 1, 2,...
T h
x t t h
t
h x x x x h
T
¸
÷
÷
=
= ÷ ÷ = ± ±
_
lim { ( )} ( )
k x k
T
E I f v v
÷·
=
2
2
2
( ), : 0,
2
{ ( )} 2 (0), : 0
2 ( ), :
2
x k
k x
x
T
f se k
Var I f se k
T
f se k
v
v
t
'
1
1
=
1
1
1
1
1
= !
1
1
1
1
=
1
1
1+
=
T
2
2
2
1
1
( ) , : 0,
2 2
( )
( ) , : 0,
2
x k
k
x k
T
f se k
I
T
f se k
v _
v
v _
'
1
1
=
1
1
1
÷÷÷
!
1
1
=
1
1
1+
D 2
~ ( , )
t x x
x N µ o
191

Morettin (1999). Esses métodos são denominados Estimadores Espectrais Suavizados de
Covariâncias e Estimadores Espectrais Suavizados de Periodograma. A distinção entre os dois
está no domínio em que o procedimento de suavização é realizado. O estimador suavizado de
covariâncias aplica a suavização no domínio do tempo por meio de uma seqüência de pesos
denominada “núcleo” ou “lag window”, para posterior transformação para o domínio da
freqüência. Já o estimador suavizado de periodograma promove a suavização sobre o
periodograma diretamente no domínio da freqüência por meio da transformada de Fourier do
núcleo, que recebe a denominação de “janela espectral”
84
.

Definição 14: [Morettin (1999)] Define-se Estimador Espectral Suavizado de Covariâncias
da série , a transformada discreta de Fourier
(A1.25)
em que é a função de autocovariância amostral vista em (A1.24); , ,
é o núcleo que satisfaz 0 ( ) (0) 1 w w _ _ = / , , e se
em que é denominada largura de faixa, satisfazendo (A1.26) e
(A1.27).

A função , tradicionalmente conhecida como “largura de faixa” (bandwidth), age
segundo Priestley (1994) como um “parâmetro de escala”. Pelas propriedades assintóticas
(A1.26) e (A1.27), a largura de faixa deve crescer de forma retardada em relação ao
crescimento de . Habitualmente, a forma funcional adotada é ,
(A1.28). Os núcleos de ponderação mais conhecidos serão resumidamente abordados mais à
frente.

Definição 15: [Morettin (1999)] Define-se Estimador Espectral Suavizado de Periodograma
para a série
(A1.29)

84
A bibliografia indica que o termo janela (espectral) foi introduzido por Blackman & Tukey (1959).
{ }
t t
x
¸Z
1
2
( 1)
ˆ
ˆ ( ) ( / ( )) ( ) , / , 0,1,..., 1
k
T
i h c
x k x k
h T
f w h m T h e k T k T
t v
v ¸ v
÷
÷
=÷ ÷
= = = ÷
_
ˆ ( )
x
h ¸ ( ) w / 0,1, 2,... = /
( ) ( ) , w w ÷ = \ / / / ( ) 0
i
w = / ( )
i
m T /
( ) m T T < lim ( )
T
m T
÷·
=÷·
( )
lim 0
T
m T
T
÷·
=
( ) m T
T ( ) m T T
|
= 0 1 | < <
{ }
t t
x
¸Z
1
1
ˆ
( ) ( ) ( )
T
p
x j j k x k
k
f W I v v v v
÷
=
= ÷
_
192

em que
(A1.30)
é definida Janela Espectral, satisfazendo ; é periódica de período
e .

A medida corresponde ao grupo de freqüências cujas ordenadas, , serão
ponderadas por para calcular . Morettin (1999) e Morettin & Toloi (2004)
demonstram as propriedades assintóticas dos estimadores espectrais suavizados e a construção
de intervalos de confiança. A seguir são mostrados três exemplos de núcleos e janelas
espectrais
85
.

Tabela 36 – Núcleos e Janelas Espectrais
Núcleo
(Domínio do Tempo)
Janela Espectral
(Domínio da Freqüência)
Autor

Bartlett

com:
Tuckey
Parzen

85
As três janelas descritas são as mais freqüentemente vistas em estudos aplicados de análise espectral. Outros
núcleos e janelas espectrais podem ser encontrados em Priestley (1994).
2
( ) ( / ( ))
ilh
h
W l w h m T e
t
÷·
÷
=÷·
=
_
( ) ( ) , W l W l l ÷ = \ ( ) W l
2t
1
1
( ) 1
T
j
j
W l
÷
=
=
_
j k
v v ÷ ( )
k
I v
( ) W -
ˆ
( )
p
x j
f v


1 ( ) , : ( )
( )
0 , : ( )
/ h m T se h m T
w h
se h m T
÷ _
=

'
1
1
!
1
1+
( )
2
1 sen( ( ) / 2)
( )
2 ( ) sen( / 2)
m T
W
m T
ì
ì
t ì
=


1 2 2 cos( ( )) , : ( )
( )
0 , : ( )
/ a a h m T se h m T
w h
se h m T
t ÷ ÷ _
=

'
1
1
!
1
1+
0 1 / 4 a < _
( )
/ ( )
( )
/ ( )
1
( ) {(1 2 ) (
2
)}
m T
ih i h m T
h m T
i h m T ih
W e a a e
e e
ì t
t ì
ì
t
÷

÷
= ÷ ÷ ÷
÷
_
2 3
3
1 6( / ( )) 6( / ( )) , : ( ) / 2
( ) 2(1 ( )) , : ( ) / 2 ( )
0 , : ( )
/
h m T h m T se h m T
w h m T se m T h m T
se h m T
÷ ÷ _
= ÷ < _

'
1
1
1
1
!
1
1
1
1+
/
( )
4
2
3
3 sen( ( ) / 4) 2
( ) 1 sen ( / 2)
1
8 ( ) 3
sen( / 2)
2
m T
W
m T
ì
ì ì
t
ì
= ÷
í 1
·

·

·

·

·

·
·
·
( )
193

As figuras abaixo são as representações gráficas no domínio do tempo e no domínio da
freqüência dos núcleos e janelas apresentadas na Tabela 36.


Figura 60 – Núcleo e Janela Espectral de Bartlett
Fonte: Matlab 7.01 (R14) - Signal Processing Toolbox


Figura 61 – Núcleo e Janela Espectral de Tuckey
Fonte: Matlab 7.01 (R14) - Signal Processing Toolbox


Figura 62 – Núcleo e Janela Espectral de Parzen
Fonte: Matlab 7.01 (R14) - Signal Processing Toolbox
-20 0 20
0
0.2
0.4
0.6
0.8
1
lags
A
m
p
l i t
u
d
e
Núcleo
-1 -0.5 0 0.5
0
2
4
6
8
10
12
14
16
18
20
Normalized Frequency (×trad/sample)
M
a
g
n
i t
u
d
e
J anela Espectral
( ( ) 20) m T =
-20 0 20
0
0.2
0.4
0.6
0.8
1
lags
A
m
p
l i t
u
d
e
Núcleo
-1 -0.5 0 0.5
0
5
10
15
20
25
30
Frequencia Normalizada (×t rad/sample)
M
a
g
n
i t
u
d
e
J anela Espectral
( ( ) 20) m T =
-20 0 20
0
0.2
0.4
0.6
0.8
1
lags
A
m
p
l i t
u
d
e
Núcelo
-1 -0.5 0 0.5
0
2
4
6
8
10
12
14
16
Frequencia Normalizada (×t rad/sample)
M
a
g
n
i t
u
d
e
J anela Espectral
( ( ) 20) m T =
194

APÊNDICE 2: INTRODUÇÃO À ANÁLISE DE ONDALETAS

Segundo Percival & Walden (2000), a informação básica revelada por meio da análise de
ondaletas, é como valores médios ponderados de uma determinada função, sinal ou seqüência
numérica, variam de um período médio para outro considerando diferentes níveis de escala de
tempo. A noção de escala na análise de ondaletas é associada ao intervalo de tempo
considerado. Assim, se é uma seqüência discreta, com , então
diferentes níveis de escala de tempo associados a “ ” podem ser obtidos por ,
, ..., . Uma das possíveis interpretações econômicas da noção de
escala em séries temporais é que ela representa uma cadeia de diferentes intervalos de tempo
dentro dos quais diferentes níveis de decisão são tomados, refletindo modos distintos de
comportamento dos agentes econômicos. Como no caso em que diferentes decisões são
tomadas dependendo do horizonte de tempo envolvido. Assim, a escolha da escala de tempo
determina não somente o tamanho do período sobre o qual se requer previsões de eventos
futuros, mas também quais variáveis estarão sob o foco no processo de informação dos
tomadores de decisão. Ramsey (1998) exemplifica a questão baseando-se nos mecanismos de
atuação da política monetária tomada pelos bancos centrais. O autor expõe que a atuação do
banco central pode ser entendida como uma operação realizada em diferentes níveis de
tempo-escala ao mesmo tempo. A idéia é a que o gestor de política monetária deve monitorar
simultaneamente diferentes horizontes temporais na condução dos instrumentos à sua
disposição. Isso é, o gestor, sob o foco do crescimento de longo prazo, deve concentrar-se em
instrumentos financeiros específicos a esse fim e enquanto ao mesmo tempo determina a
oferta monetária balizando-se nos índices econômicos de curto prazo, tais como taxa de
inflação.

Inicialmente, são introduzidos os principais conceitos matemáticos tomando-se o caso
contínuo e, em seguida, é abordado o caso discreto. São introduzidos os aspectos sobre a
análise multirresolução, utilizada na parte empírica. Freqüentemente, a análise
multirresolução é referida como análise de decomposição no domínio tempo-escala. Esse
mecanismo permite extrair diferentes componentes de uma série temporal relativos às altas e
baixas freqüências em bases ortogonais de ondaletas, proporcionando ao pesquisador analisar
sua variabilidade em diferentes escalas. A vantagem entendida da análise espectral de
ondaletas sobre a análise espectral clássica no estudo de variáveis econômicas está (1) em sua
{ }
i i
t
¸Z
0,1, 2,3,... i =
t
1 1 0
a t t = ÷
2 2 0
a t t = ÷
0 N N
a t t = ÷
195

capacidade de decompor a série tanto no domínio tempo quanto no da escala, enquanto a
análise espectral clássica é limitada ao domínio da freqüência e (2) na sua vantagem de poder
ser aplicada diretamente sobre séries não estacionárias sem qualquer transformação anterior,
enquanto a análise clássica pressupõe a estacionariedade da série. Uma analogia adotada por
alguns autores que permitirá um primeiro entendimento sobre a análise de ondaletas como
instrumental matemático é que ela pode ser pensada como um “microscópio matemático”.
Dadas às propriedades das ondaletas, torna-se possível, como em um microscópio, ajustar o
foco óptico para visualizar detalhes contidos na morfologia de um sinal. Quanto mais
comprimida for a ondaleta utilizada, maiores serão os detalhes enxergados e menor será a
visibilidade do todo e vice-versa. Esse tradeoff entre detalhes versus contornos torna possível
“mapear” todas as informações sobre um sinal passando-se por todas as etapas de
aproximação da imagem.

Análise no Domínio Tempo-Escala via Ondaletas

Ondaletas ou Átomos Tempo-Freqüência são famílias de funções geradas por transformações
associadas à uma função base , conforme a equação:

, com e (A2.1)
definidas no espaço de quadrado integrável de Lebesgue, , por meio de “dilatações” e
“translações” a partir de variações contínuas nos coeficientes e , referentes,
respectivamente, às dimensões da escala (freqüência), e da transladação temporal
86
. O índice
representa a função ou algoritmo gerador da ondaleta. A função , ora denominada
“ondaleta mãe”, é oscilatória sobre o eixo real , ortogonal ou não, com suporte
compacto e, portanto, com energia bem localizada no tempo. Suas principais propriedades
são:
 Integração Nula. (A2.2)
 Quadrado Integrado Unitário. (A2.3)

86
A translação no tempo é associada, nesse caso, às variáveis econômicas. Contudo, em áreas da física, como na
geofísica e na astrofísica, a translação é normalmente associada às dimensões espaciais.
( ) w
+
1
( ) ( )
2
,
( )
w w
a b
t b
t a
a
÷ ÷ | |
+ = +
|
\ .
{0} a
+
e ÷ R beR
( )
2
L R
a b
w
( )
( )
w
+ -
( ) , ÷· +·
( ) 0 u du +
÷·
÷·
=
]
2
( ) 1 u du +
÷·
÷·
=
]
196

Mallat (1998) mostra que a Transformada Contínua de Ondaletas (CWT), , é definida em
termos de expansões do sinal sobre uma base de ondaletas em gerada por
, , tal que:
(A2.4)
e com síntese dada pela superposição das ondaletas:
(A2.5)
em que:
(A2.6)
com: (A2.7)
implica (A2.8) ou (A2.2)
87
. Em (A2.1) assumiu-se que
( ) w
+ ¸R, porém não existe
restrição para que ela seja complexa,
( ) w
+ ¸C, tomando-se como conjugado complexo
na equação (A2.4). As condições (A2.2) e (A2.3) garantem que quaisquer desvios de zero da
função base de ondaletas sejam integralmente compensados por desvios em sinal contrário,
mesmo que morfologicamente não simétricos, e que a ondaleta assume necessariamente
valores não nulos em algum instante do tempo. Essas condições imprimem um formato
ondular de curta duração à função , fonte de sua tradicional denominação “ondaleta”. Os
coeficientes são denominados “Coeficientes de Ondaletas” e representam medidas da
variabilidade de em torno do ponto , decomposta sob uma escala de tempo , tal
que . Nesse sentido, explica Mallat (1998), o decaimento de expressa a
regularidade de na vizinhança de . A equação (A2.5) foi denominada por Daubechies
(1992) como “Identidade de Resolução” e representa a síntese de como uma
reconstrução por meio de uma superposição das ondaletas sobre todo o intervalo de tempo
e sobre o conjunto de escalas . As equações (A2.6) e (A2.7) representam,
respectivamente, a Condição de Admissibilidade e a Transformada de Fourier de na
freqüência , sendo
i
e ¸
-
C a exponencial complexa dada pela Equação de Euler. A

87
Ou seja, a condição (A2.2) é análoga à Condição de Admissibilidade (A2.7).
W
+
( ) f t ( )
2
L R
( )
,
( )
w
a b
t + ( )
( )
,
( , )
w
a b
W f a b W
+
=
( ) ( )
, ,
( ) ( )
w w
a b a b
W f t t dt +
÷·
÷·
=
]
( ) ( )
, , 2
0
1
( ) ( )
w w
a b a b
dadb
f t W t
C a
+
+
÷· ÷·
÷·
=
] ]
2
ˆ
( )
C d
v
v
v
+
+
÷·
÷·
= <·
]
( )
,
1
ˆ
( ) ( )( ) ( )
2
w i t
a b
t e dt
v
v v
t
+ + +
÷·
÷
÷·
= =
]
F
ˆ
(0) 0 + =
( )
,
w
a b
+
+
( )
,
w
a b
W
( ) f t b 0 a >
b a ·
( )
0,
w
a b
W
÷
f b
( ) f t
{ : }
T
t T
¸R
{ }
a T
a
c
( )
,
( )
w
a b
t +
v
197

Condição de Admissibilidade é responsável pela aplicabilidade das ondaletas, pois implica a
capacidade de perfeita reconstrução de um sinal decomposto por meio de (A2.4). Uma das
propriedades fundamentais da transformada de ondaletas é a sua “capacidade de preservação
da energia”, descrita pela Relação de Parceval advinda da Análise Espectral Clássica:
(A2.9)
tendo do lado esquerdo uma expressão que decompõe a densidade de energia em diferentes
níveis de tempo-escala.

A Transformada Discreta de Ondaletas: Bases Ortonormais

Restringindo os coeficientes de escala e tempo a valores discretos, e , com
, e , fixos, a família de ondaletas assume a forma
88
:
(A2.10)
ou então:
. (A2.11)

A Transformada Discreta de Ondaletas (DWT), semelhantemente definida à equação (A2.4),
é então representada pelo produto escalar:
, (A2.12)
em que a seqüência representa os Coeficientes de Ondaletas em termos discretos
e é uma série em tempo discreto. Daubechies (1992) argumenta que sob escolhas
específicas de , e a família de ondaletas constitui uma base
ortonormal para o espaço :




88
A proporcionalidade entre b e a , também denominados por fator de escala ou de dilatação e fator de
translação ou de localização, garante que a translação da ondaleta depende da dimensão da escala.
2
2
( )
,
0
1
( )
w
a b
W dadb f t dt
C
+
÷· ÷· ÷·
÷· ÷·
=
] ] ]
0
j
a a =
0 0
j
b kb a =
, j k eZ
0
1 a >
0
0 b >
( ) ( ) 0 0 2
, 0
0
( )
j j
w w
j k j
t kb a
t a
a
÷
| | ÷
+ = +
|
\ .
( ) ( )
2
, 0 0 0
( ) ( )
j
w w j
j k
t a a t kb
÷
÷
+ = + ÷
( ) ( )
, ,
( ), ( )
w w
j k j k
W x t t = + , j k ¸Z
( )
, ,
{ }
w
j k j k
W
¸Z
{ ( )}
t
x t
eZ
( ) w
+
0
a
0
b
( )
, ,
{ ( )}
w
j k j ke
+
Z
-
( )
2
L R
198

Definição 16: A função de ondaleta
( ) w
+ definida em no espaço
2
( ) L R é ortonormal se a
família por ela constituída, , é uma base ortonormal para o espaço , de
forma que:(A2.13) , com: , em que é a
Função Delta de Kronecker, e se toda puder ser expandida numa série de
ondaletas:
. (A2.14)

Chiann (1997) relata que se é uma base ortonormal de , então satisfaz
(A2.2) e:
 , são ortonormais. (A2.15)
 , ; e . (A2.16)
A propriedade (A2.16) afirma que os primeiros momentos de são nulos.

Tradicionalmente, a construção de algoritmos com bases ortonormais de ondaletas aplicados
ao caso discreto tomam grandezas diádicas para a escala, , ou seja:
89

(A2.17)
com denominado “Nível de Decomposição”, com “Resolução” , e
representação do tempo discreto sob a forma , . A medida que se eleva a escala
“ ”, a função torna-se mais dilatada e achatada, reduzindo o nível de resolução da
variabilidade captada pela ondaleta. Daubechies em 1987 descobriu bases de ondaletas na
forma (A2.17) com ondaletas ortonormais de classe e com suporte compacto, dando um
grande impulso à análise prática utilizando ondaletas em diferentes campos da física. A
variabilidade revelada pela decomposição de um sinal utilizando bases de ondaletas
ortonormais em escalas diádicas torna-se, portanto, relacionada à resoluções proporcionais à

89
A utilização de escalas diádicas remontam trabalhos de Haar (1910), Franklin (1930) e Littlewood-Paley
(1930). Porém foram Strömberg e Meyer nos anos de 1980 que provaram a existência de bases discretas de
ondaletas ortogonais .
( )
, ,
{ ( )}
w
j k j ke
+
Z
- ( )
2
L R
( ) ( )
, , , ,
,
w w
j k j k j j k k
o o
' ' ' '
+ + =
,
1, :
0, :
u u
se u u
se u u
o
'
' = ¦
=
´
' =
¹
, j k
o
2
( ) f L ¸ R
( )
, ,
( ) ( )
w
j k j k
j k
f t W t
+· +·
=÷· =÷·
= +
¿ ¿
( ) w
+ ( )
2
L R
( ) w
+
( )
,
( )
w
j k
u + \ , j k ¸Z
( ) 0
j
u u du +
÷·
÷·
=
]
0,1,..., 1 j = ÷ / 1 > / ( )
l
x x dx +
·
÷·

]
( 1) ÷ /
( ) w
+
2
j
j
a =
( ) ( )
2
,
2 (2 )
j
w w j
j k
t k
÷
+ = + ÷
j eZ 2
j
j
r
÷
=
2
j
b k = k eZ
j
( )
,
w
j k
+
1
C
f
199

potência de . A Figura 63 e a Figura 64 mostram, respectivamente, o processo de dilatação
e translação da ondaleta “daublets 12” (d12) da família de ondaletas de Daubechies, .


Figura 63 – Dilatação da Ondaleta “daublets 12” para j=0,1 e 2.


Figura 64 – Translação da Ondaleta “daublets 12” para k=-2, 0 e 2.

Princípios da Análise em Multirresolução: Bases e Filtros de Ondaletas

A análise multirresolução baseada na DWT é uma forma de examinar séries de dados
discretos em várias escalas de resolução. O princípio da análise baseia-se em “visualizar” um
espaço fechado em diferentes níveis de resolução como, por exemplo, na captura de
imagens de um planeta com diferentes aproximações (resoluções) a partir de um satélite em
sua órbita. O conjunto dos dados a partir de uma análise em multirresolução forma uma
seqüência de sub-espaços fechados , ordenados de forma crescente em níveis de
resolução, que contém informações incrementais em relação aos sub-espaços visualizados nas
escalas temporais maiores. A análise multirresolução é, em si, constituída pelos espaços e
gerados pelos coeficientes de aproximação (suavização) e de detalhes
2
( 12)
,
d
j k
+
`d12' mother, psi(1,0)
-20 0 10 20
-
0
.
5
0
.
0
0
.
5
1
.
0
`d12' mother, psi(2,0)
-20 0 10 20
-
0
.
5
0
.
0
0
.
5
1
.
0
`d12' mother, psi(3,0)
-20 0 10 20
-
0
.
5
0
.
0
0
.
5
1
.
0
`d12' mother, psi(2,-2)
-20 0 10 20
-
0
.
5
0
.
0
0
.
5
1
.
0
`d12' mother, psi(2,0)
-20 0 10 20
-
0
.
5
0
.
0
0
.
5
1
.
0
`d12' mother, psi(2,2)
-20 0 10 20
-
0
.
5
0
.
0
0
.
5
1
.
0
[ ] 
{ }
j j
V
¸Z
v
J
|
v
j
+ , J k
s
200

, obtidos pelas projeções ortogonais do sinal original sobre sub-espaços ,
cujas bases ortonormais são as famílias de ondaletas e em ,
geradas por meio de dilatações e translações em escalas diádicas das funções primárias de
ondaletas pai e . Como a dilatação das ondaletas em escalas revela variações
com resoluções , a análise multirresolução permite relacionar as bases com
diferenças entre aproximações de em diferentes níveis de resolução. As ondaletas pai são
bem adaptadas para extrair os componentes de baixa freqüência de uma série, tais como
tendências polinomiais, enquanto as ondaletas mãe são particularmente adaptadas a extrair os
componentes de alta freqüência. Diferentemente das ondaletas mãe, as ondaletas pai possuem
integração unitária:
 Integração Unitária. (A2.18)
A Figura 65 mostra as ondaletas “daublets 12” mãe e pai construídas por Ingrid Daubechies.


Figura 65 – Ondaletas “daublets 12” Mãe e Pai da Família de Ondaletas Daubechies

As ondaletas pai e mãe são relacionadas entre si por meio de filtros de alta e baixa freqüência,
denominados filtros de ondaletas. Bruce & Gao (1996) mostram que o filtro do tipo passa
baixa freqüência (low-pass filter) é extraído a partir da ondaleta pai por:
(A2.19)
e que o filtro passa alta freqüência sai da relação:
(A2.20)
,
{ }
j k j J
d
_
f { }
j j
V
¸Z
( )
2
,
,
{ }
w
j k
j k
+
¸Z
( )
2
,
,
{ }
w
j k
j k
|
¸Z
( )
2
L R
2
j
( ) w
|
( ) w
+ 2
j
2
j ÷
( )
2
,
,
{ }
w
j k
j k
+
¸Z
f
( ) 1 u du |
÷·
÷·
=
]
`d12' mother, psi(2,0)
-20 -10 0 10 20
-
0
.
4
-
0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
`d12' father, phi(2,0)
0 10 20 30 40
-
0
.
2
0
.
0
0
.
2
0
.
4
1
( ) (2 )
2
k
t t k dt | | = ÷
]
R
/
1
( ) (2 )
2
k
h t t k dt | + = ÷
]
R
201

Por meio do Filtro Espelho de Quadratura (quadrature mirror filter)
. (A2.21)
Morettin (1999) relata que através dos filtros de ondaletas as ondaletas mãe e pai se
relacionam da seguinte forma:
(A2.22)
Formado o sistema composto por , define-se Decomposição Multirresolução
de com energia finita em pela soma dos componentes ortogonais:
(A2.23)
ou simplificando por:
(A2.24)
(A2.25) e (A2.26)
em que e são, respectivamente, os chamados “Componentes de Escala ou de
Aproximação” e os “Componentes de Ondaletas ou de Detalhes”. O nível associado ao
componente de escala é habitualmente conhecido como “Coarset Scale” e representa o nível
mais alto escolhido na decomposição, escala mais baixa, limitado ao tamanho do sinal. Em
escalas diádicas, tem-se , e .
Pela propriedade (A2.9), tem-se:
(A2.27)
de maneira que representa a contribuição da variabilidade na escala sobre a
energia de . Abaixo, são apresentadas as principais ondaletas utilizadas nesse trabalho na
estimação do parâmetro de memória longa baseados na análise de ondaletas. Na Figura 66
constam as ondaletas Haar, Daublets 4 (d4 ou db4), “least asymetric 8” (s8 ou la8) e “least
asymetric 16” (s16 ou la16).

1
( 1)
k
k k
h
÷
= ÷ /
( ) 2 (2 )
k
k
t h t k | + = ÷
_
2
( ) ( )
, ,
,
{ , }
w w
j k j k
j k
|
e
+
Z
( ) x t ( )
2
L R
( ) ( )
, , , ,
( ) ( ) ( )
w w
J k J k j k j k
k j J k
x t s t d t |
s
= + +
¿ ¿¿
1
( ) ( ) ( )
J
J j
j
x t S t D t
=
= +
¿
( )
, ,
( )
,
( ) ( )
( ), ( )
w
J k J k
w
J k
s x t t dt
x t t
|
|
÷·
÷·
=
=
]
( )
, ,
( )
,
( ) ( )
( ), ( )
w
j k j k
w
j k
d x t t dt
x t t
+
+
÷·
÷·
=
=
]
( )
j
S t ( )
j
D t
J
0
{ 0,1, 2,..., \ 2 }
J
J
t T T

= = { 0,1,..., } j J = { 0,1, 2,..., 2 }
J
k =
2
2 2
1
( ) ( ) ( )
J
J j
j
x t S t D t
=
= +
¿
2
( )
j
D t
j
a
( ) x t
202


Figura 66 – Principais Ondaletas Utilizadas no Trabalho

APÊNDICE 3: ESTIMADORES DOS MODELOS DE MEMÓRIA LONGA

Nessa seção são apresentadas, resumidamente, algumas das principais metodologias de
estimação do parâmetro de integração fracionária que foram utilizadas nas pesquisas
aplicadas. São descritos dois estimadores da classe espectral baseados no periodograma e no
periodograma suavizado: o estimador de Geweke & Porter-Hudak (1983) e o de Reisen
(1994). O terceiro é um importante estimador introduzido por Beran (1995) por máxima
verossimilhança no domínio do tempo. Em seguida serão abordados os estimadores baseados
na análise de ondaletas, sendo dois deles aplicados à memória longa consecutiva e um
aplicado aos processos com memória longa sazonal.





Haar (mãe), psi(1,0)

-1 0 1 2 3
-
0
.
6
0
.
2
Haar (pai), phi(1,0)

-1 0 1 2 3
0
.
0
0
.
4
d4 (mãe), psi(1,0)

-2 -1 0 1 2 3 4
-
1
.
0
0
.
5
d4 (pai), phi(1,0)

0 1 2 3 4 5 6
-
0
.
2
0
.
6
la8 (mãe), psi(1,0)

-6 -4 -2 0 2 4 6 8
-
0
.
5
0
.
5
la8 (pai), phi(1,0)

0 2 4 6 8 10 12 14
0
.
0
0
.
6
la16 (mãe), psi(1,0)

-15 -10 -5 0 5 10 15
-
0
.
5
0
.
5
la16 (pai), phi(1,0)

0 5 10 15 20 25 30
-
0
.
2
0
.
4
203

Estimador de Geweke & Porter-Hudak (GPH) ou Método do Periodograma

O estimador GPH é o mais conhecido entre os estimadores da classe espectral. O método foi
proposto originalmente por Geweke & Porter-Hudak (1983) e possui diferentes variações
aplicadas tanto aos processos com memória longa mais simples quanto aos modelos
generalizados, como os de memória longa sazonal.
90
A estrutura do método GPH foi
arquitetada sobre a propriedade espectral ( )
x
f c
o
v
v v
÷
~ , para 0 v ÷ , dos processos
estocásticos integrados fracionariamente com . Retomando a função de
densidade espectral (3.51), do processo ( , , ) ARFIMA p d q , tem-se:

2
( ) 1 ( )
d
i
y u
f e f
v
v v
÷
÷
= ÷ (A3.1)
em que:

2
2
2
( )
( )
2
( )
i
u
i
e
f
e
v
c
v
o
v
t
O
u
÷
÷
= (A3.2)
representa o espectro do processo ( , ) ARMA p q com
2
~ . .(0, )
t
R B
c
c o . Geweke & Porter-
Hudak (1983) deduziram a relação:

( ) ( )
( )
2
( )
ln ( ) ln (0) ln 1 ln
(0)
i u
y u
u
f
f f d e
f
v
v
v
÷
í 1
·
= ÷ ÷ ÷ ·

·
·
( )
(A3.3)
Introduzido no Apêndice 1: desse trabalho, o periodograma, , é um
estimador assintoticamente não viesado do espectro, cuja seqüência de valores é
assintoticamente não correlacionada. Adotando as freqüências de Fourier, 2 /
k
k T v t = , com
0,1, 2,..., 1 k T = ÷ , e adicionando o logaritmo do periodograma,
( )
ln ( )
y k
I v , em ambos os
lados, obtém-se:
( ) ( )
( )
2 ( )
( )
ln ( ) ln (0) ln 1 ln ln
( ) (0)
k
y k i u k
y k u
y k u
I
f
I f d e
f f
v
v
v
v
v
÷
í 1
í 1
· ·

· = ÷ ÷ ÷ ÷ ·

·
· ·
·
( )
( )
(A3.4)
Os autores relatam que o último termo de (A3.4) torna-se desprezível nas freqüências
próximas a zero e a equação pode ser estimada por mínimos quadrados na forma:

0 1
, 1, 2,..., ( )
k k k
Y X k g T | | c = ÷ ÷ = (A3.5)

90
O estimador GPH Sazonal não será abordado nesse trabalho. Sobre o procedimento, ver Reisen et al (2004).
1/ 2 1/ 2 d ÷ < <
2
( ) ( )
d
x k x k
I v v = F
1
{ ( )}
T
k k
I v
=
204

( )
ln ( )
k y k
Y I v =

(A3.6) , ( )
0
ln (0)
u
f | = (A3.7)
1
d | =÷ (A3.8)
( )
2
ln 1
k
i
k
X e
v ÷
= ÷ (A3.9)
e
( )
ln
( )
y k
k
y k
I
f
v
c
v
í 1
·

· =

·

·
( )
(A3.10). Os autores derivaram as propriedades dos estimadores e
propuseram a estimação concentrada nas baixas freqüências de acordo com o critério
( ) , 0 1 , ( ) g T cT g T T
o
o = < < < (A3.11)
tal que é uma constante e e sejam satisfeitas. A
incumbência da forma funcional de é, como se percebe, promover um crescimento
retardado em relação ao crescimento de . Em termos práticos, é padrão a utilização de
em (A3.11). Alguns autores, como Murrad Taqqu, adotam a proporção .
Hurvich et al (1999), por sua vez, sugerem o critério (A3.12). Finalmente, os
autores mostraram que:

1
( )
2 2
1
ˆ
~ , 6 ( )
g T
GPH k
k
d N d X X t
÷
=
í 1
l
·

· l
÷
·

l
·

·
l ( )
_
(A3.13)
Embora seja o estimador mais difundido, o GPH vem recebendo várias críticas. Hurvich &
Ray (1995) investigaram as propriedades do estimador sob ordens de integração fora do
intervalo de invertibilidade/estacionariedade. Os autores mostraram que para o
estimador pode ser altamente viesado e, ainda, que o estimador GPH não é invariante para
séries em primeiras diferenças.
91
Dessa última constatação, resulta que a estimação da ordem
fracionária de séries previamente diferenciadas não deverá ser igual ao previsto teoricamente.
Moulines & Soulier (2003), baseados em Künsch (1986) e Hurvich & Beltrão (1993),
apontam que as propriedades assintóticas do periodograma para processos integrados
fracionariamente com ordem não são válidas, podendo, portanto, provocar viés
nas estimações por GPH. Mesmo se válidas as propriedades assintóticas do periodograma,
Beran (1994) aponta uma contradição no procedimento do estimador GPH: o autor qualifica
que apenas um número pequeno de freqüências é usado para garantir que sejam captadas
apenas as informações de memória longa contidas no espectro nas baixas freqüências
(próximas a zero). Contudo as propriedades do periodograma de estimador não viesado e com
termos não correlacionados são obtidas apenas assintoticamente, podendo afetar, assim, as

91
Sobre a propriedade da invariância em primeiras diferenças desse e de outros estimadores do parâmetro de
memória longa, ver Olbermann, Lopes & Reisen (2006).
c lim ( )
T
g T
÷·
=÷·
( )
lim 0
T
g T
T
÷·
=
( ) g T
T
0.5 o = ( ) 0.1 g T T =
4/ 5
( )
c
g T cT =
1/ 2 d _
0 1/ 2 d < <
205

propriedades da estimação por mínimos quadrados. O autor aponta ainda que a distribuição
dos resíduos no modelo é extremamente assimétrica e que, portanto, o estimador de mínimos
quadrados não será o mais eficiente.

Método do Periodograma Suavizado de Reisen (1994)

Reisen (1994) sugeriu uma variação em (A3.4) utilizando o periodograma suavizado. O
periodograma suavizado, como relatado no Apêndice 1: do trabalho, é um estimador espectral
consistente e não viesado. Dessa forma,
( ) ( )
( )
*
2
*
( )
( )
ln ( ) ln (0) ln 1 ln ln
( ) (0)
k
y k i u k
y k u
y k u
I
f
I f d e
f f
v
v
v
v
v
÷
í 1
í 1
· ·

· = ÷ ÷ ÷ ÷ ·

·
· ·
·
( )
( )
(A3.14)

( ) ( )
2 *
* 2
( ) ( )
ln ( ) ln (0) ln 4sen ( / 2) ln ln
2 ( ) (0)
x k u k
x k u k
x k u
I f
I f d
f f
c
o v v
v v
t v
í 1 í 1 í 1
· · ·
= ÷ ÷ ÷ · · ·

· · ·
· · ·
( ) ( ) ( )
(A3.15)
sendo

( )
*
( )
1
ˆ ( ) ( / ( )) ( ) cos( ) , 2 /
2
m T
y k y k k
h m T
I w h m T h h k T v ¸ v v t
t

= =
_
(A3.16)
com , em que é uma função com as mesmas propriedades assintóticas de
descritas na seção anterior e que age como um “parâmetro de escala”, segundo Priestley
(1994). Portanto, ( ) m T cresce mais lentamente que . Habitualmente usa-se ( ) m T T
o
= ,
0 1 o < < , e denominação é conhecida como “bandwidth”, por vezes traduzida nesse trabalho
como “largura de faixa”. A função ˆ ( )
y
h ¸ é a Função de Autocovariância Amostral de
t
y no
lag . A função , , , contínua em , é a função geradora da
janela espectral no domínio do tempo, referida simplesmente por janela espectral. Chen et al
(1993) avaliaram o estimador suavizado e indicaram as janelas espectrais de Daniel:
(A3.17)
e de Bartlett-Priestley:
(A3.18)
como aquelas que apresentaram melhores resultados, enquanto Reisen (1994) sugere a janela
de Parzen:
92


92
As janelas espectrais de Daniel, Bartlett-Priestley e de Parzen estão apresentadas no domínio do tempo,
portanto, como funções de suavização da função de autocovariância.
1, 2,..., k T = ( ) m T
( ) g T
T
h ( ) w - (0) 1 w = ( ) ( ) w w ÷ = / / [ 1,1] ÷
sen( )
( ) w
t
t
=
/
/
/
2
sen( )
( ) 3( ) cos( ) w
t
t t
t
÷
í 1
·
= ÷

·
·
( )
/
/ / /
/
206

(A3.19)
Similarmente ao estimador GPH,
(A3.20)

( )
* *
ln ( )
k y k
Y I v = (A3.21), ( )
*
0
ln (0)
u
f | = (A3.22),
*
1
d | =÷ (A3.23)
( )
2
*
ln 1
k
i
k
X e
v ÷
= ÷ (A3.24) e
*
*
( )
ln
( )
y k
k
y k
I
f
v
c
v
í 1
·

· =

·

·
( )
(A3.25). O autor derivou a distribuição
assintótica do estimador de mínimos quadrados,
(A3.26)
para com e mostrou, por meio de simulações, sua validade para
.

Estimador de Máxima Verossimilhança (MV) de Beran (1995)

Atualmente, é o procedimento que mais se destaca como método de estimação do parâmetro
de integração fracionária dos modelos ( , , ) ARFIMA p d q . Ele permite estimar diretamente
modelos não estacionários, com . Os procedimentos de estimação por máxima
verossimilhança dividem-se em duas classes: no domínio da freqüência e no domínio do
tempo.
93
Os estimadores no domínio da freqüência, tal como os estimadores de Whittle
abordados por Fox & Taqqu (1986), baseiam-se em estimadores do espectro e são restritos
aos processos estacionários ( ). Sowell (1992) propôs um estimador para
modelos por máxima verossimilhança que estima conjuntamente os
parâmetros de memória longa e curta. A técnica também é ajustada apenas para modelos
estacionários. Beran (1995) considerou uma variante do modelo definido
em (3.40) para propor um método de estimação por máxima verossimilhança no domínio do
tempo capaz de retratar diretamente processos não estacionários. O modelo considerado pelo

93
Beran (1994) adota essa classificação e expõe diferentes métodos de estimação.
3
2
3
1 6 6 , : 1/ 2
( ) 2(1 ) , : 1/ 2 1
0, : 1
se
w se
se
'
1
÷ ÷ _
1
1
1
= ÷ < _
!
1
1
1
1
+
/ / /
/ / /
/
* * * * *
0 1 k k k
Y X | | c = ÷ ÷
2
( )
2
1
( ) ( )
ˆ
~ ,
( )
PS g T
k
k
m T d
d N d
T x x
÷·
÷·
=
í 1
·

·

·

·

·

·
·
·
÷

·

·
( )
]
_
/ /
1/ 2 0 d ÷ < < {0, } v t = ±
0 d
1/ 2 d ÷
1/ 2 1/ 2 d ÷ < <
( , , ) ARFIMA p d q
( , , ) ARFIMA p d q
207

autor possui dois núcleos de diferenciação, responsáveis separadamente pelas ordens de
integração fracionárias e inteiras:
(A3.27)
Em (A3.27) é um processo gaussiano, ; , são os polinômios
auto-regressivos e de médias móveis característicos dessa classe de modelos e os parâmetros
e referem-se, respectivamente, à ordem de integração fracionária do modelo
estacionário, , e às ordens inteiras do modelo não estacionário. Sob
essa caracterização, o modelo (A3.27) iguala-se ao modelo estacionário e invertível (3.40)
quando e, ao mesmo tempo, permite ordens tais que . Assim, o
modelo incorpora a possibilidade da série ser não estacionária ( ) e possuir uma
tendência determinista captada por µ quando . O método de estimação de Beran,
quando é desconhecido, parte da estimação de

1
1
(1 )
n
m
t
t m
B x
n m
µ
= ÷
= ÷
÷
_
(A3.28)
A partir de (A3.28), são calculadas as inovações do processo por
(A3.29)
e os resíduos padronizados
(A3.30)
com
*
( )
j
h q definido por (3.21), em que
é o vetor dos parâmetros de um modelo e
é o vetor de parâmetros desconhecidos a serem
estimados. O autor propõe estimar baseando-se em um procedimento de máxima
verossimilhança que minimiza a soma dos quadrados dos resíduos:
(A3.31)
em relação a e escolhendo , que resulta em resolver uma sistema de
equações não lineares
(A3.32)
( )(1 ) {(1 ) } ( )
m
t t
B B B x B
o
µ c u O ÷ ÷ ÷ =
t
x
2
~ (0, )
t
N
c
c o ( ) B u ( ) B O
o m
1/ 2 1/ 2 o ÷ < < m
÷
¸Z
0 m= ( ) 1/ 2 d m o = ÷ ÷
1 d
0 m=
µ
1
*
0
ˆ ( ) ( )((1 ) )
t
m
t j t
j
h B x c q q µ
÷
=
= ÷ ÷
_
*
ˆ ˆ ( ) ( ) /
t t
r e c q e =
*
1 1 1 1
( , ,..., , ,..., ) ( , ,..., , ,..., )
p q p q
d m q | | u u o | | u u = ÷ =
( , , ) ARIMA p m q
2 2 *
1 1
( , , ,..., , ,..., ) ( , )
p q
d m
c c
e o | | u u o q = ÷ =
e
* 2 *
2
ˆ ( ) ( )
n
t
n
S q c q
=
=
_
*
q
*
1
1
ˆ ˆ ( )
1
S
n
e q =
÷
( 2) p q ÷ ÷
2
ˆ ˆ { ( ) ( ) ( )} 0
n
t t
t
r r c e e e
=
´
÷ =
_
208

com e , para . Beran (1995) prova teoricamente que
estimado por esse procedimento converge para o verdadeiro vetor e propõe o seguinte
algoritmo de estimação: (1) calcular por (A3.29) para uma “grade” de valores de
; (2) para cada seqüência ajustar modelos por máxima
verossimilhança; (3) selecionar o modelo formado pelo conjunto de
parâmetros
*
ˆ e que minimiza , que representa a variância dos resíduos do modelo.
94


Estimadores do Parâmetro de Memória Longa Baseados na Análise de Ondaletas:
WSLE e W-WSLE

Jensen (1999) e Percival & Walden (2000) prepuseram procedimentos semiparamétricos de
estimação do parâmetro de memória longa baseados na Variância de Ondaletas,
2
( )
x j
v t , ou
Espectro de Ondaletas. Segundo Percival & Walden (2000),
2
( )
x j
v t consegue decompor a
variância de um processo estocástico em diferentes níveis de escala
j
t . Assim, o gráfico
de
2
( )
x j j
v t t expõe a importância de cada escala
j
t para a variância total do processo ,
similar à função de densidade espectral. Serão apresentados dois métodos baseados no
espectro de ondaletas, diferenciados apenas pelo modelo de regressão utilizado. Se é um
processo estocástico integrado fracionariamente de ordem 1/ 2 1/ 2 d ÷ < < , tal como
definido no Capítulo 3, então, Jensen (1999) e Percival & Walden (2000) mostram que a
dispersão de
( )
2
ln ( )
x j
v t em relação aos níveis do logaritmo das escalas, ln( )
j
t , exibe um
comportamento aproximadamente linear nas grandes escalas

( )
2
ln ( ) ln( ) ,
x j j j
v t o | t t ~ ÷ ÷÷· (A3.33)
dada a relação:

2 2 1
( )
j d
x j j
v C t t
÷÷· ÷
÷÷÷÷ (A3.34)
Portanto,
2 1 d | ~ ÷ (A3.35)
As aproximações (A3.33) e (A3.35) induzem naturalmente à possibilidade de estimação do
parâmetro fracionário por mínimos quadrados ordinários. Intuitivamente, a validade da

94
Esse algoritmo está implementado no módulo Finmetrics 3.0 para S-Plus e baseia-se nos procedimentos
sugeridos por Haslett & Raftery (1989) que reduzem o tempo de estimação.
1 1
( ) 1/ 2 c e e =÷ ( ) 0
j
c e = 1 j
ˆ e
e
,
ˆ
i t
c
i
d
d m o = ÷
,
ˆ
i t
c ( , ) ARMA p q
( , , ) ARFIMA p d q
2
,
ˆ
i c
o
t
x
t
x
t
x
209

relação (A3.33) para grandes escalas pode ser entendida como uma “equivalência” no
domínio tempo-escala àquela alcançada pelo estimador do periodograma no domínio da
freqüência. A relação:

1
1/
2 1
1/
( ) ( ) , 2 , 1, 2,...
j
j
j
x j x j
v f d t
t
t
t v v t
÷
÷
~ = =
]
(A3.36)
expressa a aproximação da variância de ondaletas como estimador espectral, com
proporcionalidade inversa entre os domínios da escala e freqüência, em que é o
espectro do processo
t
x nas freqüências de Nyquist, . Percival e Walden
(2000) perceberam que a aproximação (A3.33) é satisfatória quando e, então,
prepuseram estimar uma equação linear sobre o intervalo das maiores escalas possíveis,
1 0
J j J _ _ , condicionadas ao tamanho da série, , e largura do filtro de ondaletas, . O
procedimento é adequado, segundo os autores, para processos estocásticos integrados
fracionariamente com 1/ 4 (2 1) / 4 d L ÷ _ _ ÷ . Eles utilizaram o estimador não viesado da
variância de ondaletas baseado na Transformada Discreta de Ondaletas de Máxima
Sobreposição (MODWT):

1
2 2
,
1
1
ˆ ( )
j
N
x j j t
t L j
W
M
v t
÷
= ÷
=
_
¯
(A3.37)
com igual ao número de coeficientes de ondaletas de MODWT ( ). A
escolha da largura do filtro associada à ondaleta, e portanto a escolha da própria ondaleta,
depende da condição de estacionariedade da série. Os autores sugerem a utilização de
ondaletas que garantam a condição 2 L d _ (A3.38).
95


A relação para variáveis aleatórias Normais, correlacionadas, com média zero e variância ,

2
2
2
ˆ ( )
( )
z j
z j
q
v t
q _
v t
=
D
(A3.39)
foi utilizada para inferir a distribuição do estimador e para fundamentar uma estrutura de
ponderação utilizada no método de regressão por Mínimos Quadrados Ponderados. O
parâmetro em (A3.39) é denominado “graus equivalentes de liberdade” e são ajustados de

95
A ondaleta Haar ( 2 L = ), portanto, não é indicada para séries não estacionárias ( 1 d _ ) pois ela gera uma
variância de ondaletas que sofre influência das tendências existentes na série. Sob (A3.38) o estimador WSLE
não deve ser tão fortemente influenciado quando aplicado a séries não estacionárias como o estimador GPH.
( )
x
f v
1/ 2 1/ 2 v ÷ _ _
2 j _
N L
1
j j
M N L = ÷ ÷
, j t
W
¯
2
z
o
q
210

maneira a levar em conta as autocorrelações entre as variáveis aleatórias.
96
O parâmetro é
definido por:

¦ ¦
2
2
2
ˆ 2 { ( )}
ˆ { ( )}
z j
z j
E
Var
v t
q
v t
= (A3.40)
e aproximado, para grandes amostras, por:
, (A3.41)
De (A3.39) e (A3.33), deduziram:

( ) ( ) ( ) ( )
2 2 2
ˆ ln ( ) ln ln ( ) ln
x j x j q
v t _ v t q = ÷ ÷
D
(A3.42)
e utilizaram as identidades:
(A3.43)
e
(A3.44)
sendo e as funções digama e trigama, que representam a primeira e a segunda
derivada da função gama , para relacionar (A3.33), (A3.42), (A3.43) e (A3.44) e obter:
( ) ln( )
j j j
Y e t o | t = ÷ ÷ (A3.45)
com:

( ) ( )
2
ˆ ( ) ln ( ) ( / 2) ln / 2
j x j j j
Y v t t q q I
´
= ÷ ÷ (A3.46)
e termo residual:
( )
2
2
ˆ ( )
ln ( / 2) ln / 2
( )
x j
j j j
x j
e
v t
q q
v t
I
í 1
·
´ · = ÷ ÷

·

·
( )
(A3.47)
Os autores relatam que
( )
~ 0, ( / 2)
j j
e N q I
´´
para 10
j
q _ . O estimador de (A3.45) de
Mínimos Quadrados Ponderados (W-WSLE) deduzido pelos autores é dado por:

2
2
ln( ) ( ) ln( ) ( ) ( )
ˆ
ln ( ) ln( )
j j j j j j j j j
j j j j
j j j j j
j j j
w w Y w Y w Y
w w w
t t t t t
|
t t
÷
=
í 1
·

÷·

·

·
( )
_ _ _ _
_ _ _
(A3.48)
com termos de ponderação 1/ ( / 2)
j j
w q I
´´
=
(A3.49)
, para
1 0
,..., j J J = , em que
0
J
corresponde à maior escala possível dado N e L . A variância do estimador
ˆ
| é dada por:

96
Percival & Walden (2002) p. 313.
*
max{ / 2 ,1}
j
j
M q = 128 N _
2
(ln( )) ( / 2) ln(2)
j
j
E
q
_ q I
´
= ÷
2
(ln( )) ( / 2)
j
j
Var
q
_ q I
´´
=
( ) I
´
- ( ) I
´´
-
( ) I -
211


2
2
ˆ
{ }
ln ( ) ln( )
j
j
j j j j j
j j j
w
Var
w w w
|
t t
=
í 1
·

÷·

·

·
( )
_
_ _ _
(A3.50)
Por (A3.48) obtém-se
ˆ ˆ
1/ 2( 1)
wwlse
d | = ÷ (A3.51) e
ˆ ˆ
{ } 1/ 4 { }
wwlse
Var d Var | = a partir de
(A3.50).

Percival & Walden (2000) mostram também um estimador baseado em máxima
verossimilhança, que não será abordado nesse trabalho. No Capítulo 4 é realizado um
experimento com simulações de processos gaussianos fracionários, no qual diversos
estimadores do parâmetro de integração fracionária são avaliados. Entre eles, o de Mínimos
Quadrados Ponderados (W-WLSE) e sua versão simplificada sem ponderação, Mínimos
Quadrados (WLSE).

Estimador de Whitcher do Parâmetro de Memória Longa Sazonal

O estimador de Whitcher, apresentado em Gençay et al (2002) e em Whitcher (2000), acopla
a análise de ondaletas ao método da máxima verossimilhança para estimar os parâmetros de
integração fracionária sazonal em séries com uma singularidade espectral. Esse procedimento,
utiliza-se de um artifício de “pré-diagonalização” da estrutura de correlações do processo
sazonal induzida pela “Transformada Pacote Discreta de Ondaletas” (DWPT) para simplificar
o método de estimação.
97


Para um processo com memória longa sazonal com parâmetro , concentrada em
uma freqüência de Gegenbauer, , e variância residual , Whitcher (2000), sob a condição
de normalidade multivariada, propôs o seguinte método de estimação por MV:
(A3.52)
representa a matriz das covariadas do processo e seu determinante. O autor utiliza-se
do artifício da DWPT para gerar uma estimativa não correlacionada de por meio da
transformação:

97
Traduzido de “Discret Wavelet Packet Transform”.
{ }
t t
z
¸Z z
o
G
v
2
c
o
( )
¦ ¦
1 1
1/ 2
' / 2 2 / 2
( , , \ ) (2 )
z
z z N
z z G z
L z e
c
o v o t
E
E
÷ ÷
÷
=
z
E
z
E
z
E
212

(A3.53)
em que é uma matriz ortonormal de dimensão que define a transformada
DWPT sobre a base ; é uma matriz diagonal formada pelas variâncias “reescaladas”
do tipo “passa-banda” dos elementos de , com parâmetros de escala e banda :
(A3.54)
com:
(A3.55)
A Função de Log-Verossimilhança para a função é representada por:

2 2
( , , \ ) 2ln ( , , \ ) ln(2 )
z z G z z G
z L z N
c c
o v o o v o t
l
=÷ ÷
l
l

 (A3.56)
ou:
, , 2 2
, , 2
( , ) ( , ) ,
1
( , , \ ) ln( ) ln( )
j n j n
z z G j n j n
j n B j n B j n
W W
z N N
c c
c
o v o o e
o e
¸ ¸
´
= ÷ ÷
_ _

 (A3.57)
com estimador obtido pela minimização de (A3.57):
(A3.58)
que em (A3.57) resulta:

( )
2
, ,
( , )
( , \ ) ln ( , ) ln( )
z z G z G j n j n
j n B
z N N
c
o v o o v e
¸
= ÷
_

 (A3.59)
Whitcher (2000) explica que o espaço de soluções possíveis de (A3.59) é dado no intervalo de
estacionariedade assintótica da integração fracionaria sazonal pelo intervalo das freqüências
de Gegenbauer.
(A3.60)
Gençay et al (2002) afirmam que o estimador pode ser ampliado para considerar
multisingularidades espectrais, diferentes padrões sazonais com memória longa, de forma que
e .



'
z B N B
E O =

 
B
 ( ) N N
B
N
O
t
z ( , ) j n B ¸
2
, , j n j n c
e o e =
[ [
¦ ¦
( 1) /( 2 1)
2
/( 2 1)
1
,
1
4 cos(2 ) cos(2 )
2
j
j
z
n
n
G
j
j n
d
o
tv tv
e v
÷ ÷
÷
÷
÷
=
]
2
c
o

'
, , 2
( , ) ,
1
( , )
j n j n
G
j n B j n
W W
N
c
o o v
e
¸
=
_

( )
1 1 1
2 2 2
0 , , ,
G
o v ÷
í 1 í 1
· ·
¸

· ·
· ·
( ) ( )

1 2
( , ,..., )
z m
o o o o =
1 2
( , ,..., )
G G G Gm
v v v v =
213

APÊNDICE 4: ESTATÍSTICAS DESCRITIVAS DA SEÇÃO 5.3.

I-) Média:
1
1
ˆ ˆ ˆ
{ }
M
i ij
j
E d d
M
=
=
_
(ap.61)
II-) Variância:
^
2
1
1
ˆ ˆ
{ } ( )
( 1)
M
i ij i
j
Var d d d
M
=
= ÷
÷
_
(ap.62)
III-) Viés:
1
1
ˆ ˆ ˆ
{ } ( )
M
i ij
j
B d d d
M
=
= ÷
_
(ap.63)
IV-) Erro Quadrático Médio:
^ ^
2
ˆ ˆ ˆ ˆ
{ } { } { }
i i i
EQM d Var d B d = ÷ (ap.64)

APÊNDICE 5: TESTES DE CO-INTEGRAÇÃO DE JOHANSEN CONSIDERANDO
TODAS AS ESPECIFICAÇÕES DOS TERMOS DETERMINISTAS (VAR(1)):

Tabela 37 – Testes de Co-Integração: Séries Consumo das Famílias e Renda Disponível
95% 99% 95% 99%
H
0
: r=0
0.67 65.46** 12.53 16.31 64.72** 11.44 15.69
H
0
: r=1 0.01 0.74 3.84 6.51 0.74 3.84 6.51
H
0
: r=0 0.71 75.90** 19.96 24.60 70.99** 15.67 20.20
H
0
: r=1 0.08 4.91 9.24 12.97 4.91 9.24 12.97
H
0
: r=0 0.24 20.63** 15.41 20.04 15.83* 14.07 18.63
H
0
: r=1 0.08 4.78* 3.76 6.65 4.78* 3.76 6.65
H
0
: r=0 0.25 27.33* 25.32 30.45 16.59 18.96 23.65
H
0
: r=1 0.17 10.74 12.25 16.26 10.74 12.25 16.26
H
0
: r=0 0.17 10.93 18.17 23.46 10.93 16.87 21.47
H
0
: r=1 0.00 0.00 3.74 6.40 0.00 3.74 6.40
* Rejeita Hi a 5% significância
** Rejeita Hi a 1% significância
Constante Restrita
Constante I rrestrita
Tendência Restrita
Constante e Tendência
I rrestritos
Termos Deterministas
SemConstante e sem
Tendência
Hipóteses Autovalor
Est.
Traç
I ntervalo de Confiança Est.
Max
I ntervalo de Confiança


APÊNDICE 6: TESTE DE CO-INTEGRAÇÃO FRACIONÁRIA BASEADA NA
ESTATÍSTICA DFEG

Tabela 38: P-Valores dos Testes de Co-integração Fracionária com Bootstrap



214

APÊNDICE 7: TESTE DE CO-INTEGRAÇÃO FRACIONÁRIA COM BOOTSTRAP
BASEADO NAS ESPECIFICAÇÕES
1 2 3 4 5
(6,1.1468, 0) { , , , , } ARFIMA | | | | | ÷ E
(0,1.3709, 0) ARFIMA PARA AS SÉRIES CONSUMO DAS FAMÍLIAS E RENDA
DISPONÍVEL, RESPECTIVAMENTE.

Tabela 39: P-Valores dos Testes de Co-integração Fracionária com Bootstrap


Figura 67 – Distribuições Empíricas de Bootstrap das Estatísticas GFT, DW e FEG Utilizando a
Especificação Degenerada
1 2 3 4 5
(6,1.1468, 0) { , , , , } ARFIMA | | | | | ÷ para a Série Consumo das Famílias


GFT - Hip. Forte
f
.
d
.
p
-200 0 200 400 600 800
0
.
0
0
.
0
0
4
0
.
0
0
8
GFT - Hip. Semifraca
f
.
d
.
p
-200 0 200 400 600 800
0
.
0
0
.
0
0
4
GFT - Hip. Fraca
f
.
d
.
p
p
0 500 1000 1500
0
.
0
0
.
0
0
2
0
.
0
0
5
DW - Hip. Forte
f
.
d
.
p
0.0 0.4 0.8 1.2
0
.
0
1
.
0
2
.
0
3.60%
DW - Hip. Semifraca
f
.
d
.
p
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
0.76%
DW - Hip. Fraca
f
.
d
.
p
0.0 0.2 0.4 0.6 0.8 1.0 1.2
0
1
2
3
0.49%
FEG - Hip. Forte
f
.
d
.
p
0.0 0.5 1.0 1.5
0
.
0
1
.
0
2
.
0
5.95%
FEG - Hip. Semifraca
f
.
d
.
p
0.2 0.6 1.0 1.4
0
.
0
1
.
0
2
.
0
0.61%
FEG - Hip. Fraca
f
.
d
.
p
0.2 0.6 1.0 1.4
0
.
0
1
.
0
2
.
0
0.51%
215

APÊNDICE 8: TESTE DE CO-INTEGRAÇÃO FRACIONÁRIA COM BOOTSTRAP
BASEADO NAS ESPECIFICAÇÕES (0,1.2413, 0) ARFIMA E (0,1.3709, 0) ARFIMA PARA
AS SÉRIES CONSUMO DAS FAMÍLIAS E RENDA DISPONÍVEL,

Tabela 40: P-Valores dos Testes de Co-integração Fracionária com Bootstrap



Figura 68 - Distribuições Empíricas de Bootstrap das Estatísticas GFT, DW, FEG e DFEG Sob as
Hipóteses Nulas: Forte, Semifraca e Fraca.

APÊNDICE 9: TESTES DE CO-INTEGRAÇÃO FRACIONÁRIA CALCULADOS COM
BASE NO MODELO DE CO-INTEGRAÇÃO SEM TENDÊNCIA DETERMINISTA


*
(0.0311**) (0.0368**)
4.7570 1.0742( / )
t t t t
p p e ç = ÷ ÷ ¯ (ap.65)
GFT- Hip. Forte
f
.
d
.
p
0 200 400 600 800
0
.
0
0
.
0
0
4
0
.
0
0
8
GFT- Hip. Semifraca
f
.
d
.
p
0 500 1000 1500 2000 2500
0
.
0
0
.
0
0
1
0
GFT- Hip. Fraca
f
.
d
.
p
p
0 500 1000 1500 2000 2500
0
.
0
0
.
0
0
1
0
DW - Hip. Forte
f
.
d
.
p
0.0 0.5 1.0
0
1
2
3
4
DW - Hip. Semifraca
f
.
d
.
p
0.0 0.2 0.4 0.6 0.8 1.0 1.2
0
1
2
3
4
DW - Hip. Fraca
f
.
d
.
p
0.0 0.5 1.0 1.5
0
1
2
3
4
FEG- Hip. Forte
f
.
d
.
p
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6
0
.
0
1
.
0
2
.
0
FEG- Hip. Semifraca
f
.
d
.
p
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6
0
.
0
1
.
0
2
.
0
FEG- Hip. Fraca
f
.
d
.
p
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6
0
.
0
1
.
0
2
.
0
DFEG- Hip. Forte
f
.
d
.
p
-0.5 0.0 0.5
0
.
0
1
.
0
2
.
0
DFEG- Hip. Semifraca
f
.
d
.
p
-0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8
0
.
0
1
.
0
2
.
0
DFEG- Hip. Fraca
f
.
d
.
p
-0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8
0
.
0
1
.
0
2
.
0
3
.
0
216


Tabela 41: P-Valores dos Testes de Co-integração Fracionária com Bootstrap


Figura 69 - Distribuições Empíricas de Bootstrap das Estatísticas GFT, DW e FEG para as Hipóteses de
Independência Estatística ( Forte), Não Co-Integração e não Causalidade de Granger (Semifraca) e de
Simples não Co-Integração (Fraca)

APÊNDICE 10: TESTES TNN E WNN DE NÃO-LINEARIDADES OMITIDAS NA
RELAÇÃO DE CO-INTEGRAÇÃO

Tabela 42 – Testes de Não-linearidades Omitidas
Est. (_
2
) Est. (F) Est. (_
2
) Est. (F)
1 0.2237 (0.8942) 0.1097 (0.8962) 0.2030 (0.9035) 0.0995 (0.9053)
2 9.5707 (0.2142) 1.3274 (0.2416) 0.0304 (0.9850) 0.0148 (0.9853)
3 18.7748 (0.2805) 1.0923 (0.3687) 0.2651 (0.8759) 0.1282 (0.8797)
4 33.5860 (0.2977) 0.9715 (0.5167) 1.5112 (0.4697) 0.7297 (0.4841)
5 60.0115 (0.1570) 0.9370 (0.5934) 0.0887 (0.9566) 0.0423 (0.9586)
Obs: P-Valores em parênteses ( H
0
: Série Linear no Nível)
Testes de Redes Neurais
Estatísticas lags
TNN WNN
Resíduos de
Co-Integração

Hip. Forte
Hip. Semifraca
Hip. Fraca
Modelos: ARFIMA(1, 1.0502,0) para p* e ARFIMA(0, 1.0470,0) para p/e
0.0952 0.0936 0.2071
853.2115 0.1655 0.9850
0.0007 0.0267 0.0167
0.0949 0.0958 0.2240
Estatística do Teste
Estatísticas
Preços Internacionais X Preços Domésticos/Câmbio
GFT DW FEG
GFT - Hip. Forte
f
.
d
.
p
0 200 400 600 800 1000
0
.
0
0
.
0
0
1
5
0.07%
GFT - Hip. Semifraca
f
.
d
.
p
0 500 1000 2000
0
.
0
0
.
0
0
0
6
0
.
0
0
1
4
9.49%
GFT - Hip. Fraca
f
.
d
.
p
p
0 500 1000 2000
0
.
0
0
.
0
0
0
6
0
.
0
0
1
4
9.52%
DW - Hip. Forte
f
.
d
.
p
0.0 0.1 0.2 0.3
0
2
4
6
8
1
2
2.67%
DW - Hip. Semifraca
f
.
d
.
p
0.0 0.1 0.2 0.3 0.4
0
2
4
6
8
9.58%
DW - Hip. Fraca
f
.
d
.
p
0.0 0.1 0.2 0.3 0.4
0
2
4
6
8
9.36%
FEG - Hip. Forte
f
.
d
.
p
1.0 1.2 1.4
0
1
2
3
4
5
6
1.67%
FEG - Hip. Semifraca
f
.
d
.
p
0.8 1.0 1.2 1.4
0
1
2
3
4
5
22.40%
FEG - Hip. Fraca
f
.
d
.
p
0.8 1.0 1.2 1.4
0
1
2
3
4
5
20.71%
217

ANEXOS

ANEXO A: ALGORITMO PARA APLICAÇÃO DA DIFERENÇA FRACIONÁRIA VIA
TRANSFORMA DISCRETA DE FOURIER: BASEADO NOS PROCEDIMENTOS DE
ANÁLISE ESPECTRAL DE SHUMWAY & STOFFER (2000).

1. Estima-se d por meio de um dos estimadores apresentados.
2. Calcula-se a DFT sobre a série original: Ver Shumway & Stoffer (2000, p.237)
2
1
1
( ) , / , 0,1,..., 1
k
T
i t
y k t k
t
y e k T k T
T
t v
v v
÷
=
= = = ÷
_
F

3. Calcula-se:
ˆ
( ) (1 ) ( ) , 0,1,..., 1
k
i d
k y k
e k T
v
c
v v
÷
= ÷ = ÷ F F

4. Calcula-se a IDFT da série obtida em (3): A série
ˆ
t
c é a série livre da memória longa
1
2
1
1
ˆ ( ) , 0,1,...,
k
T
i t
t k
k
e t T
T
t v
c
c v
÷
=
= =
_
F


ANEXO B: ALGORITMO DE NG & PERRON (1995) E SCHUWERT (1989) PARA A
ESCOLHA DO NÚMERO DE LAGS NOS TESTES DE RAIZ UNITÁRIA (ADF)

1. Determina-se uma ordem limite superior
max
p .
2. Se a estatística t do termo auto-regressivo de ordem
max
p for tal que
max
1.6
p
t , então
escolhe-se
max
p p = para o teste.
3. Se
max
1.6
p
t _ , repete-se o procedimento seqüencialmente até que
max
1.6
p i
t
÷
, para
max
1, 2,..., i p = .
4. Schuwert (1989) propôs a regra:
1/ 4
max
12
100
T
p
l
í 1
l ·
=

·
l ·
( )
l
l
, em que [ ] - representa a parte
inteira.

ANEXO C: ALGORITMO DE DAVIDSON (2002C) PARA INFERÊNCIA DE CO-
INTEGRAÇÃO FRACIONÁRIA – PROCEDIMENTO BASEADO EM BOOTSTRAP
APLICADO A SISTEMAS BIVARIADOS

1. Ajustar modelos ( , , ) ARFIMA p d q referentes ao sistema modelo (5.9) sob
0
: 0 H | =
e inferir sobre a condição de igualdade dos parâmetros de integração.
2. Estimar os modelos dinâmicos (5.13) (5.14) para os resíduos do modelo
( , , ) ARFIMA p d q .
3. Aplicar os procedimentos de reamostragem de bootstrap sobre os resíduos do sistema
estimados em (2).
218

4. Cada reamostragem realizada em (3) é passada inversamente através do filtro estimado
em (2), do filtro polinomial ( , ) ARMA p q e do filtro diferença fracionária invertido.
5. De (4) são geradas as séries de bootstrap,
*
it
x , e sobre elas calculadas as estatísticas de
teste.
6. De (5) resultam as distribuições empíricas de bootstrap para os testes de co-integração
fracionária simples e com causalidade de Granger. Com base nestas distribuições são
localizados os valores críticos de teste para os níveis de significância desejados.
7. Com base na estatística de teste calculada com as séries originais e sobre (6) são
inferidos os P-valores representativos do teste de co-integração fracionária.

ANEXO D: QUEBRAS ESTRUTURAIS E GERAÇÃO DO PADRÃO DE MEMÓRIA
LONGA: APRESENTAÇÃO DO MODELO DE GRANGER E HYUNG (1999)

Trata-se de um processo estocástico com quebras eventuais em seu nível, segundo
uma distribuição de probabilidade variante no tempo “ ”. Os choques advém de um
processo gerador de pulsos que incide sobre o processo , relacionado com
por meio do Modelo de Função de Transferência:
(an.66) , com: (an.67)
com termos aleatórios: (an.68) e (an.69). Impondo
variâncias limitadas (an.70), com (an.71) e (an.72),
garante-se que o modelo gerará quebras estruturais com amplitudes aleatórias pelos choques
originários do ruído e, por outro lado, valores relativamente estáveis em períodos longos de
tempo em e . A probabilidade transforma o modelo em um modelo endógeno para as
quebras estruturais. Assumindo e as condições iniciais: ,
Granger & Hyung (1999) deduziram os dois primeiros momentos teóricos do modelo:
(an.73)
(an.74)
As propriedades do processo dependem da estrutura geradora de quebras, de forma que:
{ }
T
t t
z
¸Z
p
{ }
T
t t
i
¸Z
{ }
T
t t
d
¸Z
{ }
T
t t
z
¸Z
1
t t t
t t t t
z d
d d i r
c
÷
= ÷
= ÷
¦ ¦
Pr[ 1]
[0],[1]
Pr[ 0] (1 )
t
t
t
i p
i
i p
'
= =
1
1
= ÷
!
1
= = ÷
1+
2
~ . . .(0, )
t
i i d
c
c o
2
~ . . .(0, )
t
t r
r i i d o
2 2
,
r c
o o <÷·
2 2
r c
o o > 0 1 p < <
t
r
t
d
t
z p
t t t
i r c l l
0
0
t t t
q i r c = = = =
{ } 0
t
E z =
2 2
2
( ), : 0
{ , } { }
( ), : 0
r
t t h t t h
r
t p se h
Cov z z E z z
t p se h
c
o o
o
÷ ÷
'
1 ÷ =
1
= =
!
1
=
1+
219

(a) Se , torna-se um processo estacionário dado (an.74), (an.70) e,
por(an.74), , .
(b) Se e , torna-se um processo não estacionário, dado que (an.74) é
não limitada em função de .
Não é necessário deduzir as propriedades amostrais do processo para inferir alguns padrões
associados à estrutura de memória de (an.66) que geram percepções associadas aos processos
com memória longa. A partir de (an.74), deduz-se:
(an.75)
e pode-se afirmar que:

(c) Assumindo adicionalmente em (b) que , então para fixos, (an.75)
tende a zero a medida que .
(d) Assumindo adicionalmente em (b) que não seja fixo, decrescendo lentamente no
tempo em relação ao crescimento da amostra, ou seja, que a taxa de convergência para
, seja estritamente menor que , , então, a medida que ,
, cresce, (an.75) convergirá lentamente (decaimento com aparência hiperbólica),
similarmente a um processo linear integrado fracionariamente .

Nos casos mostrados em que , processo não estacionário, a função de autocorrelação é
positivamente relacionada com o número esperado de quebras e equivalentemente
com a variância dos choques associados com as quebras estruturais . Ou seja, para fixo,
o valor da função de autocorrelação eleva-se para aumentos em qualquer um desses
parâmetros. Associado ao fato de que (an.75) possui um padrão de decaimento lento para
, então, para determinados valores de e , é possível visualizar
valores elevados da função de autocorrelação decaindo lentamente em direção a zero, tal qual
um processo linear com memória longa.

0 p = { }
t t
z
¸Z
(0) I
{ , } 0
t t h
Cov z z
÷
= 0 h \ =
0 p T ÷÷·
t
z
t
2
2 2 2 2
{ , }
{ , }
{ , } { , }
( )
( ) ( )
t t h
t t h
t t t h t h
r
r r
Cov z z
Corr z z
Cov z z Cov z z
t p
t p t h p
c c
o
o o o o
÷
÷
÷ ÷
=
=
l l
÷ ÷ ÷
l l
l l
0 1 p < < ( , ) p t
h ÷÷·
p
0 p
O
÷
0
t
p
÷·
÷÷÷÷
t
O
÷· 0 p t
O O
÷ ÷·
< { }
T
t
t
¸Z
T <÷·
( )
d
I d
÷
¸R
0 p
[ ]
t T
pt
¸
2
r
o h
[1, 2,3,...] h=
2
, ,
r
p t o
2
c
o
220

ANEXO E: MODELO DE REGIMES ALTERNANTES DE GRANGER & TERÄSVIRTA
(1999)

Granger & Teräsvirta (1999) analisaram um processo markoviano com as seguintes
características: o processo sofre choques unitários positivos ou negativos
de acordo com o sinal observado no exato instante anterior:
(an.76) , com: (an.77)
obedecendo a condição de estabilidade:
(an.78)
que, segundo os autores implicam sua estacionariedade, com função de autocorrelação
(an.79)
semelhante a de um processo .


2
~ . . . (0, )
t
i i d N
c
c o
¯
¯
1
sgn( )
t t t
z z c
÷
= ÷ ¯ ¯ ¯
1, : 0
sgn( ) 0, : 0
1, : 0
se u
u se u
se u
'
÷ <
1
1
1
1
= =
!
1
1
÷ 1
1+
Pr{ 1} Pr{ 1}
t t
p c c <÷ = = ¯ ¯ ¯
( ) (1 2 )
h
z
h p µ = ÷
¯
¯
(1) AR
V
. A
g
r
e
g
a
d
a
V
A
-
0
.
0
7
8
9
0
.
0
7
4
7
-
0
.
1
7
8
9
0
.
1
0
6
8
-
0
.
0
3
7
8
0
.
0
3
8
3
-
0
.
1
3
7
8
0
.
0
5
7
3
-
0
.
0
1
0
4
0
.
0
2
4
7
-
0
.
1
1
0
4
0
.
0
3
6
9
-
0
.
0
0
0
8
0
.
0
2
1
4
-
0
.
1
0
0
8
0
.
0
3
1
6
0
.
0
3
2
1
0
.
0
1
1
7
-
0
.
0
6
7
9
0
.
0
1
6
3
0
.
0
3
2
1
0
.
0
1
1
7
-
0
.
0
6
7
9
0
.
0
1
6
3
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
0
.
2
2
3
8
0
.
1
6
1
2
0
.
1
2
3
8
0
.
1
7
6
5
0
.
2
8
1
9
0
.
0
5
8
0
0
.
1
8
1
9
0
.
0
9
1
1
0
.
2
9
4
9
0
.
0
3
5
2
0
.
1
9
4
9
0
.
0
7
3
2
0
.
2
9
3
3
0
.
0
2
7
6
0
.
1
9
3
3
0
.
0
6
5
0
0
.
2
7
2
9
0
.
0
1
2
2
0
.
1
7
2
9
0
.
0
4
2
1
0
.
2
7
2
9
0
.
0
1
2
2
0
.
1
7
2
9
0
.
0
4
2
1
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
0
9
1
0
0
.
0
7
5
6
-
0
.
0
0
9
0
0
.
0
7
5
6
0
.
0
8
8
1
0
.
0
3
9
0
-
0
.
0
1
1
9
0
.
0
3
9
2
0
.
0
9
2
1
0
.
0
2
4
8
-
0
.
0
0
7
9
0
.
0
2
4
8
0
.
0
9
3
2
0
.
0
2
1
8
-
0
.
0
0
6
8
0
.
0
2
1
9
0
.
0
9
5
6
0
.
0
1
1
8
-
0
.
0
0
4
4
0
.
0
1
1
9
0
.
0
9
5
6
0
.
0
1
1
8
-
0
.
0
0
4
4
0
.
0
1
1
9
D
i
m
. F
r
a
c
t
a
l
D
F
-
0
.
0
0
1
9
0
.
0
3
6
5
-
0
.
1
0
1
9
0
.
0
4
6
9
0
.
0
2
0
1
0
.
0
2
0
6
-
0
.
0
7
9
9
0
.
0
2
7
0
0
.
0
3
3
6
0
.
0
1
5
1
-
0
.
0
6
6
4
0
.
0
1
9
5
0
.
0
4
2
3
0
.
0
1
1
9
-
0
.
0
5
7
7
0
.
0
1
5
2
0
.
0
6
3
2
0
.
0
0
5
2
-
0
.
0
3
6
8
0
.
0
0
6
5
0
.
0
6
3
2
0
.
0
0
5
2
-
0
.
0
3
6
8
0
.
0
0
6
5
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
0
6
4
8
0
.
0
1
3
0
-
0
.
0
3
5
2
0
.
0
1
4
3
0
.
0
7
5
0
0
.
0
0
6
3
-
0
.
0
2
5
0
0
.
0
0
6
9
0
.
0
7
6
2
0
.
0
0
4
5
-
0
.
0
2
3
8
0
.
0
0
5
1
0
.
0
7
5
4
0
.
0
0
3
5
-
0
.
0
2
4
6
0
.
0
0
4
1
0
.
0
8
0
6
0
.
0
0
1
9
-
0
.
0
1
9
4
0
.
0
0
2
3
0
.
0
8
0
6
0
.
0
0
1
9
-
0
.
0
1
9
4
0
.
0
0
2
3
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
1
6
6
0
0
.
0
3
3
1
0
.
0
6
6
0
0
.
0
3
7
5
0
.
1
6
4
1
0
.
0
1
7
5
0
.
0
6
4
1
0
.
0
2
1
6
0
.
1
6
1
0
0
.
0
1
3
1
0
.
0
6
1
0
0
.
0
1
6
8
0
.
1
4
9
5
0
.
0
1
1
1
0
.
0
4
9
5
0
.
0
1
3
5
0
.
1
3
8
1
0
.
0
0
7
4
0
.
0
3
8
1
0
.
0
0
8
8
0
.
1
3
8
1
0
.
0
0
7
4
0
.
0
3
8
1
0
.
0
0
8
8
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
0
.
1
4
2
5
0
.
1
7
5
3
0
.
0
4
2
5
0
.
1
7
7
1
0
.
1
3
4
8
0
.
0
4
7
8
0
.
0
3
4
8
0
.
0
4
9
0
0
.
1
2
5
2
0
.
0
2
6
9
0
.
0
2
5
2
0
.
0
2
7
6
0
.
1
1
9
1
0
.
0
1
7
4
0
.
0
1
9
1
0
.
0
1
7
8
0
.
1
0
7
1
0
.
0
0
6
0
0
.
0
0
7
1
0
.
0
0
6
1
0
.
1
0
7
1
0
.
0
0
6
0
0
.
0
0
7
1
0
.
0
0
6
1
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
0
4
5
7
0
.
0
3
8
4
-
0
.
0
5
4
3
0
.
0
4
1
3
0
.
0
2
0
1
0
.
0
1
4
5
-
0
.
0
7
9
9
0
.
0
2
0
9
0
.
0
1
6
2
0
.
0
0
8
0
-
0
.
0
8
3
8
0
.
0
1
5
0
0
.
0
1
2
1
0
.
0
0
4
8
-
0
.
0
8
7
9
0
.
0
1
2
6
0
.
0
1
5
3
0
.
0
0
1
6
-
0
.
0
8
4
7
0
.
0
0
8
7
0
.
0
1
5
3
0
.
0
0
1
6
-
0
.
0
8
4
7
0
.
0
0
8
7
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
1
0
8
2
0
.
0
0
7
1
0
.
0
0
8
2
0
.
0
0
7
2
0
.
1
1
1
4
0
.
0
0
2
8
0
.
0
1
1
4
0
.
0
0
2
9
0
.
1
1
3
8
0
.
0
0
2
0
0
.
0
1
3
8
0
.
0
0
2
1
0
.
1
1
0
2
0
.
0
0
1
3
0
.
0
1
0
2
0
.
0
0
1
4
0
.
1
1
1
1
0
.
0
0
0
5
0
.
0
1
1
1
0
.
0
0
0
6
0
.
1
1
1
1
0
.
0
0
0
5
0
.
0
1
1
1
0
.
0
0
0
6
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
1
7
8
2
0
.
0
1
2
4
0
.
0
7
8
2
0
.
0
1
8
6
0
.
1
3
7
9
0
.
0
0
5
5
0
.
0
3
7
9
0
.
0
0
7
0
0
.
1
2
7
2
0
.
0
0
3
9
0
.
0
2
7
2
0
.
0
0
4
6
0
.
1
1
8
5
0
.
0
0
2
7
0
.
0
1
8
5
0
.
0
0
3
1
0
.
1
0
9
2
0
.
0
0
1
2
0
.
0
0
9
2
0
.
0
0
1
3
0
.
1
0
9
2
0
.
0
0
1
2
0
.
0
0
9
2
0
.
0
0
1
3
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
2
3
4
5
0
.
0
4
7
7
0
.
1
3
4
5
0
.
0
6
5
8
0
.
1
5
3
9
0
.
0
1
8
6
0
.
0
5
3
9
0
.
0
2
1
5
0
.
1
3
6
3
0
.
0
1
2
4
0
.
0
3
6
3
0
.
0
1
3
7
0
.
1
2
5
0
0
.
0
0
9
1
0
.
0
2
5
0
0
.
0
0
9
7
0
.
1
0
8
7
0
.
0
0
4
0
0
.
0
0
8
7
0
.
0
0
4
1
0
.
1
0
8
7
0
.
0
0
4
0
0
.
0
0
8
7
0
.
0
0
4
1
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
0
9
0
5
0
.
0
0
5
5
-
0
.
0
0
9
5
0
.
0
0
5
6
0
.
1
0
4
2
0
.
0
0
3
0
0
.
0
0
4
2
0
.
0
0
3
0
0
.
1
1
1
8
0
.
0
0
2
3
0
.
0
1
1
8
0
.
0
0
2
4
0
.
1
1
0
8
0
.
0
0
1
6
0
.
0
1
0
8
0
.
0
0
1
7
0
.
1
1
7
5
0
.
0
0
0
6
0
.
0
1
7
5
0
.
0
0
0
9
0
.
1
1
7
5
0
.
0
0
0
6
0
.
0
1
7
5
0
.
0
0
0
9
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
0
4
6
0
0
.
0
0
5
5
-
0
.
0
5
4
0
0
.
0
0
8
4
0
.
0
6
3
6
0
.
0
0
4
9
-
0
.
0
3
6
4
0
.
0
0
6
2
0
.
0
7
0
7
0
.
0
0
4
1
-
0
.
0
2
9
3
0
.
0
0
5
0
0
.
0
7
3
9
0
.
0
0
3
4
-
0
.
0
2
6
1
0
.
0
0
4
1
0
.
0
8
5
9
0
.
0
0
1
9
-
0
.
0
1
4
1
0
.
0
0
2
1
0
.
0
8
5
9
0
.
0
0
1
9
-
0
.
0
1
4
1
0
.
0
0
2
1
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
0
5
6
4
0
.
0
0
5
7
-
0
.
0
4
3
6
0
.
0
0
7
6
0
.
0
7
1
0
0
.
0
0
4
7
-
0
.
0
2
9
0
0
.
0
0
5
5
0
.
0
7
8
0
0
.
0
0
3
9
-
0
.
0
2
2
0
0
.
0
0
4
3
0
.
0
8
0
0
0
.
0
0
3
2
-
0
.
0
2
0
0
0
.
0
0
3
6
0
.
0
9
0
2
0
.
0
0
1
6
-
0
.
0
0
9
8
0
.
0
0
1
7
0
.
0
9
0
2
0
.
0
0
1
6
-
0
.
0
0
9
8
0
.
0
0
1
7
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
8
3
1
0
.
0
1
0
1
-
0
.
0
1
6
9
0
.
0
1
0
4
0
.
0
9
5
2
0
.
0
0
8
5
-
0
.
0
0
4
8
0
.
0
0
8
5
0
.
1
0
6
2
0
.
0
0
8
2
0
.
0
0
6
2
0
.
0
0
8
2
0
.
1
0
9
5
0
.
0
0
6
8
0
.
0
0
9
5
0
.
0
0
6
9
0
.
1
2
3
9
0
.
0
0
5
9
0
.
0
2
3
9
0
.
0
0
6
5
0
.
1
2
3
9
0
.
0
0
5
9
0
.
0
2
3
9
0
.
0
0
6
5
T
a
b
e
l
a

4
.
3
.
1
E
s
t
i
m
a
d
o
r
d
=
0
.1
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.2
0
-
0
.1
5
-
0
.1
0
-
0
.0
5
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(
0
,d
,0
)
(
1
,d
,0
)
(
0
,d
,1
)
(
1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
1
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(
0
,d
,0
)
(
1
,d
,0
)
(
0
,d
,1
)
(
1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
1
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
221
d
=
0
.
1
0
V
. A
g
r
e
g
a
d
a
V
A
-
0
.
0
0
9
6
0
.
0
7
5
7
-
0
.
2
0
9
6
0
.
1
1
9
6
0
.
0
3
7
8
0
.
0
4
0
2
-
0
.
1
6
2
2
0
.
0
6
6
6
0
.
0
7
1
3
0
.
0
2
6
9
-
0
.
1
2
8
7
0
.
0
4
3
5
0
.
0
8
3
4
0
.
0
2
2
8
-
0
.
1
1
6
6
0
.
0
3
6
4
0
.
1
1
3
2
0
.
0
1
1
1
-
0
.
0
8
6
8
0
.
0
1
8
7
0
.
1
1
3
2
0
.
0
1
1
1
-
0
.
0
8
6
8
0
.
0
1
8
7
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
0
.
3
0
2
2
0
.
1
6
7
2
0
.
1
0
2
2
0
.
1
7
7
6
0
.
3
8
9
6
0
.
0
5
8
0
0
.
1
8
9
6
0
.
0
9
3
9
0
.
3
8
9
5
0
.
0
3
9
4
0
.
1
8
9
5
0
.
0
7
5
3
0
.
3
9
6
1
0
.
0
2
7
3
0
.
1
9
6
1
0
.
0
6
5
7
0
.
3
7
3
8
0
.
0
1
1
7
0
.
1
7
3
8
0
.
0
4
2
0
0
.
3
7
3
8
0
.
0
1
1
7
0
.
1
7
3
8
0
.
0
4
2
0
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
1
5
6
0
0
.
0
7
6
4
-
0
.
0
4
4
0
0
.
0
7
8
4
0
.
1
6
3
2
0
.
0
4
0
9
-
0
.
0
3
6
8
0
.
0
4
2
2
0
.
1
7
2
9
0
.
0
2
7
4
-
0
.
0
2
7
1
0
.
0
2
8
1
0
.
1
7
7
8
0
.
0
2
3
3
-
0
.
0
2
2
2
0
.
0
2
3
8
0
.
1
7
6
4
0
.
0
1
1
4
-
0
.
0
2
3
6
0
.
0
1
1
9
0
.
1
7
6
4
0
.
0
1
1
4
-
0
.
0
2
3
6
0
.
0
1
1
9
D
i
m
. F
r
a
c
t
a
l
D
F
0
.
0
9
0
2
0
.
0
4
0
7
-
0
.
1
0
9
8
0
.
0
5
2
8
0
.
1
0
1
4
0
.
0
2
4
4
-
0
.
0
9
8
6
0
.
0
3
4
1
0
.
1
2
5
1
0
.
0
1
7
4
-
0
.
0
7
4
9
0
.
0
2
3
0
0
.
1
3
2
7
0
.
0
1
4
5
-
0
.
0
6
7
3
0
.
0
1
9
0
0
.
1
5
5
4
0
.
0
0
6
5
-
0
.
0
4
4
6
0
.
0
0
8
5
0
.
1
5
5
4
0
.
0
0
6
5
-
0
.
0
4
4
6
0
.
0
0
8
5
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
1
5
7
3
0
.
0
1
5
0
-
0
.
0
4
2
7
0
.
0
1
6
8
0
.
1
6
3
0
0
.
0
0
7
8
-
0
.
0
3
7
0
0
.
0
0
9
2
0
.
1
7
0
4
0
.
0
0
5
4
-
0
.
0
2
9
6
0
.
0
0
6
3
0
.
1
7
2
4
0
.
0
0
4
4
-
0
.
0
2
7
6
0
.
0
0
5
1
0
.
1
7
8
1
0
.
0
0
2
2
-
0
.
0
2
1
9
0
.
0
0
2
6
0
.
1
7
8
1
0
.
0
0
2
2
-
0
.
0
2
1
9
0
.
0
0
2
6
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
2
2
8
0
0
.
0
3
3
3
0
.
0
2
8
0
0
.
0
3
4
1
0
.
2
1
1
8
0
.
0
2
1
1
0
.
0
1
1
8
0
.
0
2
1
2
0
.
2
1
2
2
0
.
0
1
3
8
0
.
0
1
2
2
0
.
0
1
4
0
0
.
2
1
1
6
0
.
0
1
1
2
0
.
0
1
1
6
0
.
0
1
1
3
0
.
2
1
1
1
0
.
0
0
7
8
0
.
0
1
1
1
0
.
0
0
7
9
0
.
2
1
1
1
0
.
0
0
7
8
0
.
0
1
1
1
0
.
0
0
7
9
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
0
.
2
8
6
1
0
.
1
8
0
2
0
.
0
8
6
1
0
.
1
8
7
6
0
.
2
4
6
0
0
.
0
5
1
7
0
.
0
4
6
0
0
.
0
5
3
8
0
.
2
4
2
4
0
.
0
2
7
5
0
.
0
4
2
4
0
.
0
2
9
3
0
.
2
3
2
6
0
.
0
1
8
4
0
.
0
3
2
6
0
.
0
1
9
5
0
.
2
2
0
0
0
.
0
0
5
2
0
.
0
2
0
0
0
.
0
0
5
6
0
.
2
2
0
0
0
.
0
0
5
2
0
.
0
2
0
0
0
.
0
0
5
6
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
1
6
4
1
0
.
0
3
9
2
-
0
.
0
3
5
9
0
.
0
4
0
5
0
.
1
3
1
7
0
.
0
1
4
9
-
0
.
0
6
8
3
0
.
0
1
9
6
0
.
1
2
6
2
0
.
0
0
7
7
-
0
.
0
7
3
8
0
.
0
1
3
1
0
.
1
2
6
5
0
.
0
0
4
5
-
0
.
0
7
3
5
0
.
0
1
0
0
0
.
1
2
8
3
0
.
0
0
1
5
-
0
.
0
7
1
7
0
.
0
0
6
7
0
.
1
2
8
3
0
.
0
0
1
5
-
0
.
0
7
1
7
0
.
0
0
6
7
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
2
1
6
5
0
.
0
0
6
8
0
.
0
1
6
5
0
.
0
0
7
0
0
.
2
1
8
7
0
.
0
0
3
4
0
.
0
1
8
7
0
.
0
0
3
8
0
.
2
1
8
3
0
.
0
0
2
1
0
.
0
1
8
3
0
.
0
0
2
4
0
.
2
2
2
1
0
.
0
0
1
3
0
.
0
2
2
1
0
.
0
0
1
8
0
.
2
2
1
1
0
.
0
0
0
6
0
.
0
2
1
1
0
.
0
0
1
0
0
.
2
2
1
1
0
.
0
0
0
6
0
.
0
2
1
1
0
.
0
0
1
0
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
2
8
1
9
0
.
0
1
3
5
0
.
0
8
1
9
0
.
0
2
0
2
0
.
2
3
4
6
0
.
0
0
6
4
0
.
0
3
4
6
0
.
0
0
7
6
0
.
2
2
7
5
0
.
0
0
4
1
0
.
0
2
7
5
0
.
0
0
4
9
0
.
2
2
3
8
0
.
0
0
3
0
0
.
0
2
3
8
0
.
0
0
3
6
0
.
2
1
5
0
0
.
0
0
1
2
0
.
0
1
5
0
0
.
0
0
1
5
0
.
2
1
5
0
0
.
0
0
1
2
0
.
0
1
5
0
0
.
0
0
1
5
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
3
3
8
2
0
.
0
5
1
3
0
.
1
3
8
2
0
.
0
7
0
4
0
.
2
4
5
2
0
.
0
2
1
3
0
.
0
4
5
2
0
.
0
2
3
4
0
.
2
4
0
5
0
.
0
1
3
0
0
.
0
4
0
5
0
.
0
1
4
6
0
.
2
2
7
8
0
.
0
0
9
9
0
.
0
2
7
8
0
.
0
1
0
7
0
.
2
1
3
9
0
.
0
0
3
6
0
.
0
1
3
9
0
.
0
0
3
8
0
.
2
1
3
9
0
.
0
0
3
6
0
.
0
1
3
9
0
.
0
0
3
8
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
1
9
5
9
0
.
0
0
7
1
-
0
.
0
0
4
1
0
.
0
0
7
1
0
.
2
1
8
3
0
.
0
0
3
8
0
.
0
1
8
3
0
.
0
0
4
1
0
.
2
2
5
3
0
.
0
0
2
4
0
.
0
2
5
3
0
.
0
0
3
0
0
.
2
3
2
5
0
.
0
0
1
5
0
.
0
3
2
5
0
.
0
0
2
6
0
.
2
3
7
8
0
.
0
0
0
7
0
.
0
3
7
8
0
.
0
0
2
1
0
.
2
3
7
8
0
.
0
0
0
7
0
.
0
3
7
8
0
.
0
0
2
1
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
0
8
7
8
0
.
0
1
0
6
-
0
.
1
1
2
2
0
.
0
2
3
2
0
.
1
2
3
6
0
.
0
0
9
6
-
0
.
0
7
6
4
0
.
0
1
5
4
0
.
1
4
8
1
0
.
0
0
7
3
-
0
.
0
5
1
9
0
.
0
1
0
0
0
.
1
5
7
8
0
.
0
0
5
9
-
0
.
0
4
2
2
0
.
0
0
7
7
0
.
1
8
0
3
0
.
0
0
2
1
-
0
.
0
1
9
7
0
.
0
0
2
5
0
.
1
8
0
3
0
.
0
0
2
1
-
0
.
0
1
9
7
0
.
0
0
2
5
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
1
1
8
5
0
.
0
0
9
6
-
0
.
0
8
1
5
0
.
0
1
6
3
0
.
1
5
0
5
0
.
0
0
7
3
-
0
.
0
4
9
5
0
.
0
0
9
7
0
.
1
6
9
1
0
.
0
0
5
1
-
0
.
0
3
0
9
0
.
0
0
6
0
0
.
1
7
7
2
0
.
0
0
3
7
-
0
.
0
2
2
8
0
.
0
0
4
2
0
.
1
8
9
6
0
.
0
0
1
5
-
0
.
0
1
0
4
0
.
0
0
1
6
0
.
1
8
9
6
0
.
0
0
1
5
-
0
.
0
1
0
4
0
.
0
0
1
6
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
9
4
0
0
.
0
1
2
2
-
0
.
1
0
6
0
0
.
0
2
3
4
0
.
1
2
0
0
0
.
0
1
2
4
-
0
.
0
8
0
0
0
.
0
1
8
8
0
.
1
2
9
4
0
.
0
1
1
0
-
0
.
0
7
0
6
0
.
0
1
6
0
0
.
1
3
9
5
0
.
0
1
0
7
-
0
.
0
6
0
5
0
.
0
1
4
3
0
.
1
7
4
9
0
.
0
0
6
0
-
0
.
0
2
5
1
0
.
0
0
6
6
0
.
1
7
4
9
0
.
0
0
6
0
-
0
.
0
2
5
1
0
.
0
0
6
6
T
a
b
e
l
a

4
.
3
.
2
E
s
t
i
m
a
d
o
r
d
=
0
.2
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.2
5
-
0
.2
0
-
0
.1
5
-
0
.1
0
-
0
.0
5
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
2
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
2
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
222
d
=
0
.
2
0
V
. A
g
r
e
g
a
d
a
V
A
0
.
0
5
4
8
0
.
0
7
3
3
-
0
.
2
4
5
2
0
.
1
3
3
4
0
.
1
1
7
7
0
.
0
3
7
6
-
0
.
1
8
2
3
0
.
0
7
0
8
0
.
1
3
5
9
0
.
0
2
7
2
-
0
.
1
6
4
1
0
.
0
5
4
1
0
.
1
4
1
4
0
.
0
2
3
4
-
0
.
1
5
8
6
0
.
0
4
8
5
0
.
1
8
2
0
0
.
0
1
2
9
-
0
.
1
1
8
0
0
.
0
2
6
9
0
.
1
8
2
0
0
.
0
1
2
9
-
0
.
1
1
8
0
0
.
0
2
6
9
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
0
.
3
9
9
8
0
.
1
6
4
3
0
.
0
9
9
8
0
.
1
7
4
2
0
.
4
9
9
1
0
.
0
6
3
5
0
.
1
9
9
1
0
.
1
0
3
1
0
.
4
9
1
2
0
.
0
4
3
6
0
.
1
9
1
2
0
.
0
8
0
1
0
.
4
9
2
7
0
.
0
3
2
1
0
.
1
9
2
7
0
.
0
6
9
2
0
.
4
7
6
0
0
.
0
1
2
5
0
.
1
7
6
0
0
.
0
4
3
5
0
.
4
7
6
0
0
.
0
1
2
5
0
.
1
7
6
0
0
.
0
4
3
5
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
2
2
2
7
0
.
0
7
4
0
-
0
.
0
7
7
3
0
.
0
7
9
9
0
.
2
4
1
4
0
.
0
3
7
8
-
0
.
0
5
8
6
0
.
0
4
1
2
0
.
2
3
7
6
0
.
0
2
7
7
-
0
.
0
6
2
4
0
.
0
3
1
6
0
.
2
3
4
6
0
.
0
2
3
7
-
0
.
0
6
5
4
0
.
0
2
7
9
0
.
2
4
5
5
0
.
0
1
3
3
-
0
.
0
5
4
5
0
.
0
1
6
3
0
.
2
4
5
5
0
.
0
1
3
3
-
0
.
0
5
4
5
0
.
0
1
6
3
D
i
m
. F
r
a
c
t
a
l
D
F
0
.
1
7
8
4
0
.
0
3
9
3
-
0
.
1
2
1
6
0
.
0
5
4
1
0
.
2
0
2
5
0
.
0
2
6
0
-
0
.
0
9
7
5
0
.
0
3
5
5
0
.
2
2
3
3
0
.
0
1
9
8
-
0
.
0
7
6
7
0
.
0
2
5
7
0
.
2
2
2
6
0
.
0
1
6
9
-
0
.
0
7
7
4
0
.
0
2
2
9
0
.
2
4
5
8
0
.
0
0
8
2
-
0
.
0
5
4
2
0
.
0
1
1
1
0
.
2
4
5
8
0
.
0
0
8
2
-
0
.
0
5
4
2
0
.
0
1
1
1
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
2
6
0
2
0
.
0
1
8
6
-
0
.
0
3
9
8
0
.
0
2
0
2
0
.
2
5
9
2
0
.
0
0
9
2
-
0
.
0
4
0
8
0
.
0
1
0
8
0
.
2
6
4
3
0
.
0
0
6
2
-
0
.
0
3
5
7
0
.
0
0
7
5
0
.
2
6
6
8
0
.
0
0
5
2
-
0
.
0
3
3
2
0
.
0
0
6
3
0
.
2
7
4
1
0
.
0
0
2
4
-
0
.
0
2
5
9
0
.
0
0
3
1
0
.
2
7
4
1
0
.
0
0
2
4
-
0
.
0
2
5
9
0
.
0
0
3
1
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
2
7
2
1
0
.
0
3
5
6
-
0
.
0
2
7
9
0
.
0
3
6
4
0
.
2
6
3
6
0
.
0
1
9
4
-
0
.
0
3
6
4
0
.
0
2
0
8
0
.
2
6
4
5
0
.
0
1
3
8
-
0
.
0
3
5
5
0
.
0
1
5
1
0
.
2
7
2
8
0
.
0
1
1
1
-
0
.
0
2
7
2
0
.
0
1
1
9
0
.
2
7
2
6
0
.
0
0
7
4
-
0
.
0
2
7
4
0
.
0
0
8
2
0
.
2
7
2
6
0
.
0
0
7
4
-
0
.
0
2
7
4
0
.
0
0
8
2
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
0
.
4
4
0
3
0
.
1
7
0
8
0
.
1
4
0
3
0
.
1
9
0
5
0
.
3
9
7
3
0
.
0
5
0
8
0
.
0
9
7
3
0
.
0
6
0
3
0
.
3
6
0
0
0
.
0
2
7
2
0
.
0
6
0
0
0
.
0
3
0
8
0
.
3
5
0
6
0
.
0
1
8
4
0
.
0
5
0
6
0
.
0
2
1
0
0
.
3
3
2
6
0
.
0
0
6
1
0
.
0
3
2
6
0
.
0
0
7
2
0
.
3
3
2
6
0
.
0
0
6
1
0
.
0
3
2
6
0
.
0
0
7
2
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
2
9
1
7
0
.
0
3
4
6
-
0
.
0
0
8
3
0
.
0
3
4
7
0
.
2
5
4
2
0
.
0
1
4
4
-
0
.
0
4
5
8
0
.
0
1
6
5
0
.
2
4
5
1
0
.
0
0
7
4
-
0
.
0
5
4
9
0
.
0
1
0
4
0
.
2
4
1
0
0
.
0
0
5
3
-
0
.
0
5
9
0
0
.
0
0
8
7
0
.
2
3
8
8
0
.
0
0
1
6
-
0
.
0
6
1
2
0
.
0
0
5
3
0
.
2
3
8
8
0
.
0
0
1
6
-
0
.
0
6
1
2
0
.
0
0
5
3
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
3
3
1
0
0
.
0
0
7
2
0
.
0
3
1
0
0
.
0
0
8
2
0
.
3
2
9
7
0
.
0
0
3
1
0
.
0
2
9
7
0
.
0
0
4
0
0
.
3
3
1
1
0
.
0
0
2
0
0
.
0
3
1
1
0
.
0
0
2
9
0
.
3
3
0
7
0
.
0
0
1
4
0
.
0
3
0
7
0
.
0
0
2
4
0
.
3
2
9
1
0
.
0
0
0
5
0
.
0
2
9
1
0
.
0
0
1
4
0
.
3
2
9
1
0
.
0
0
0
5
0
.
0
2
9
1
0
.
0
0
1
4
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
3
9
0
3
0
.
0
1
4
3
0
.
0
9
0
3
0
.
0
2
2
5
0
.
3
4
4
9
0
.
0
0
6
5
0
.
0
4
4
9
0
.
0
0
8
5
0
.
3
3
0
7
0
.
0
0
4
2
0
.
0
3
0
7
0
.
0
0
5
1
0
.
3
2
7
0
0
.
0
0
3
2
0
.
0
2
7
0
0
.
0
0
3
9
0
.
3
1
9
2
0
.
0
0
1
2
0
.
0
1
9
2
0
.
0
0
1
6
0
.
3
1
9
2
0
.
0
0
1
2
0
.
0
1
9
2
0
.
0
0
1
6
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
4
4
1
2
0
.
0
5
3
2
0
.
1
4
1
2
0
.
0
7
3
1
0
.
3
6
5
9
0
.
0
2
0
7
0
.
0
6
5
9
0
.
0
2
5
1
0
.
3
3
4
8
0
.
0
1
3
8
0
.
0
3
4
8
0
.
0
1
5
0
0
.
3
2
7
6
0
.
0
1
0
5
0
.
0
2
7
6
0
.
0
1
1
3
0
.
3
1
7
2
0
.
0
0
3
9
0
.
0
1
7
2
0
.
0
0
4
2
0
.
3
1
7
2
0
.
0
0
3
9
0
.
0
1
7
2
0
.
0
0
4
2
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
3
0
8
5
0
.
0
0
6
4
0
.
0
0
8
5
0
.
0
0
6
5
0
.
3
3
2
9
0
.
0
0
3
1
0
.
0
3
2
9
0
.
0
0
4
1
0
.
3
4
3
0
0
.
0
0
2
0
0
.
0
4
3
0
0
.
0
0
3
9
0
.
3
4
7
7
0
.
0
0
1
6
0
.
0
4
7
7
0
.
0
0
3
9
0
.
3
5
5
0
0
.
0
0
0
6
0
.
0
5
5
0
0
.
0
0
3
6
0
.
3
5
5
0
0
.
0
0
0
6
0
.
0
5
5
0
0
.
0
0
3
6
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
1
2
9
1
0
.
0
1
6
6
-
0
.
1
7
0
9
0
.
0
4
5
8
0
.
1
9
6
4
0
.
0
1
3
4
-
0
.
1
0
3
6
0
.
0
2
4
2
0
.
2
2
2
0
0
.
0
0
9
9
-
0
.
0
7
8
0
0
.
0
1
6
0
0
.
2
4
0
5
0
.
0
0
7
3
-
0
.
0
5
9
5
0
.
0
1
0
8
0
.
2
7
4
2
0
.
0
0
2
2
-
0
.
0
2
5
8
0
.
0
0
2
9
0
.
2
7
4
2
0
.
0
0
2
2
-
0
.
0
2
5
8
0
.
0
0
2
9
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
2
0
3
0
0
.
0
1
1
0
-
0
.
0
9
7
0
0
.
0
2
0
4
0
.
2
4
6
5
0
.
0
0
6
5
-
0
.
0
5
3
5
0
.
0
0
9
4
0
.
2
6
0
6
0
.
0
0
4
6
-
0
.
0
3
9
4
0
.
0
0
6
1
0
.
2
7
1
3
0
.
0
0
3
6
-
0
.
0
2
8
7
0
.
0
0
4
4
0
.
2
8
9
0
0
.
0
0
1
4
-
0
.
0
1
1
0
0
.
0
0
1
5
0
.
2
8
9
0
0
.
0
0
1
4
-
0
.
0
1
1
0
0
.
0
0
1
5
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
9
1
4
0
.
0
1
3
5
-
0
.
2
0
8
6
0
.
0
5
7
0
0
.
1
3
8
9
0
.
0
1
5
6
-
0
.
1
6
1
1
0
.
0
4
1
6
0
.
1
6
5
5
0
.
0
1
4
8
-
0
.
1
3
4
5
0
.
0
3
2
9
0
.
1
8
9
6
0
.
0
1
3
2
-
0
.
1
1
0
4
0
.
0
2
5
4
0
.
2
5
6
1
0
.
0
0
5
5
-
0
.
0
4
3
9
0
.
0
0
7
4
0
.
2
5
6
1
0
.
0
0
5
5
-
0
.
0
4
3
9
0
.
0
0
7
4
T
a
b
e
l
a

4
.
3
.
3
E
s
t
i
m
a
d
o
r
d
=
0
.3
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.2
5
-
0
.2
0
-
0
.1
5
-
0
.1
0
-
0
.0
5
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
3
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
3
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
223
d
=
0
.
3
0
V
. A
g
r
e
g
a
d
a
V
A
0
.
1
2
2
5
0
.
0
6
7
7
-
0
.
2
7
7
5
0
.
1
4
4
7
0
.
1
7
4
8
0
.
0
3
5
6
-
0
.
2
2
5
2
0
.
0
8
6
3
0
.
1
9
5
4
0
.
0
2
5
2
-
0
.
2
0
4
6
0
.
0
6
7
0
0
.
2
0
2
8
0
.
0
2
1
4
-
0
.
1
9
7
2
0
.
0
6
0
3
0
.
2
4
1
4
0
.
0
1
1
9
-
0
.
1
5
8
6
0
.
0
3
7
1
0
.
2
4
1
4
0
.
0
1
1
9
-
0
.
1
5
8
6
0
.
0
3
7
1
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
0
.
5
0
7
7
0
.
2
0
6
0
0
.
1
0
7
7
0
.
2
1
7
6
0
.
5
7
8
2
0
.
0
7
0
8
0
.
1
7
8
2
0
.
1
0
2
6
0
.
5
9
0
5
0
.
0
4
4
8
0
.
1
9
0
5
0
.
0
8
1
1
0
.
6
1
1
8
0
.
0
3
1
1
0
.
2
1
1
8
0
.
0
7
5
9
0
.
5
7
8
7
0
.
0
1
2
5
0
.
1
7
8
7
0
.
0
4
4
5
0
.
5
7
8
7
0
.
0
1
2
5
0
.
1
7
8
7
0
.
0
4
4
5
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
2
8
7
7
0
.
0
6
7
5
-
0
.
1
1
2
3
0
.
0
8
0
1
0
.
2
9
7
1
0
.
0
3
5
7
-
0
.
1
0
2
9
0
.
0
4
6
3
0
.
2
9
7
1
0
.
0
2
5
3
-
0
.
1
0
2
9
0
.
0
3
5
9
0
.
2
9
6
2
0
.
0
2
1
4
-
0
.
1
0
3
8
0
.
0
3
2
2
0
.
3
0
4
2
0
.
0
1
2
3
-
0
.
0
9
5
8
0
.
0
2
1
5
0
.
3
0
4
2
0
.
0
1
2
3
-
0
.
0
9
5
8
0
.
0
2
1
5
D
i
m
. F
r
a
c
t
a
l
D
F
0
.
2
6
6
5
0
.
0
3
5
8
-
0
.
1
3
3
5
0
.
0
5
3
6
0
.
2
8
9
3
0
.
0
2
4
9
-
0
.
1
1
0
7
0
.
0
3
7
2
0
.
3
0
3
4
0
.
0
2
0
0
-
0
.
0
9
6
6
0
.
0
2
9
3
0
.
3
1
8
0
0
.
0
1
5
7
-
0
.
0
8
2
0
0
.
0
2
2
4
0
.
3
3
8
6
0
.
0
0
8
0
-
0
.
0
6
1
4
0
.
0
1
1
7
0
.
3
3
8
6
0
.
0
0
8
0
-
0
.
0
6
1
4
0
.
0
1
1
7
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
3
4
7
9
0
.
0
1
9
6
-
0
.
0
5
2
1
0
.
0
2
2
4
0
.
3
5
6
5
0
.
0
1
0
0
-
0
.
0
4
3
5
0
.
0
1
1
8
0
.
3
6
0
0
0
.
0
0
7
0
-
0
.
0
4
0
0
0
.
0
0
8
6
0
.
3
6
7
7
0
.
0
0
5
5
-
0
.
0
3
2
3
0
.
0
0
6
5
0
.
3
7
2
5
0
.
0
0
2
8
-
0
.
0
2
7
5
0
.
0
0
3
6
0
.
3
7
2
5
0
.
0
0
2
8
-
0
.
0
2
7
5
0
.
0
0
3
6
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
3
0
7
5
0
.
0
3
4
9
-
0
.
0
9
2
5
0
.
0
4
3
5
0
.
3
2
4
9
0
.
0
1
8
6
-
0
.
0
7
5
1
0
.
0
2
4
2
0
.
3
1
8
2
0
.
0
1
4
2
-
0
.
0
8
1
8
0
.
0
2
0
9
0
.
3
2
4
9
0
.
0
1
1
6
-
0
.
0
7
5
1
0
.
0
1
7
2
0
.
3
2
3
4
0
.
0
0
6
9
-
0
.
0
7
6
6
0
.
0
1
2
8
0
.
3
2
3
4
0
.
0
0
6
9
-
0
.
0
7
6
6
0
.
0
1
2
8
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
0
.
5
6
4
9
0
.
1
7
0
6
0
.
1
6
4
9
0
.
1
9
7
8
0
.
5
0
3
6
0
.
0
5
1
3
0
.
1
0
3
6
0
.
0
6
2
0
0
.
4
8
9
5
0
.
0
2
7
3
0
.
0
8
9
5
0
.
0
3
5
3
0
.
4
6
8
8
0
.
0
1
8
0
0
.
0
6
8
8
0
.
0
2
2
7
0
.
4
4
0
5
0
.
0
0
5
8
0
.
0
4
0
5
0
.
0
0
7
5
0
.
4
4
0
5
0
.
0
0
5
8
0
.
0
4
0
5
0
.
0
0
7
5
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
4
0
7
0
0
.
0
3
4
1
0
.
0
0
7
0
0
.
0
3
4
2
0
.
3
6
5
3
0
.
0
1
5
4
-
0
.
0
3
4
7
0
.
0
1
6
6
0
.
3
5
3
9
0
.
0
0
7
9
-
0
.
0
4
6
1
0
.
0
1
0
0
0
.
3
5
0
2
0
.
0
0
4
9
-
0
.
0
4
9
8
0
.
0
0
7
3
0
.
3
4
6
0
0
.
0
0
1
7
-
0
.
0
5
4
0
0
.
0
0
4
6
0
.
3
4
6
0
0
.
0
0
1
7
-
0
.
0
5
4
0
0
.
0
0
4
6
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
4
3
8
6
0
.
0
0
7
0
0
.
0
3
8
6
0
.
0
0
8
5
0
.
4
3
7
7
0
.
0
0
3
4
0
.
0
3
7
7
0
.
0
0
4
8
0
.
4
3
8
5
0
.
0
0
2
0
0
.
0
3
8
5
0
.
0
0
3
5
0
.
4
3
7
2
0
.
0
0
1
5
0
.
0
3
7
2
0
.
0
0
2
9
0
.
4
3
6
4
0
.
0
0
0
5
0
.
0
3
6
4
0
.
0
0
1
9
0
.
4
3
6
4
0
.
0
0
0
5
0
.
0
3
6
4
0
.
0
0
1
9
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
4
9
0
3
0
.
0
1
4
4
0
.
0
9
0
3
0
.
0
2
2
5
0
.
4
4
5
9
0
.
0
0
6
9
0
.
0
4
5
9
0
.
0
0
9
1
0
.
4
3
6
3
0
.
0
0
4
6
0
.
0
3
6
3
0
.
0
0
5
9
0
.
4
3
1
7
0
.
0
0
3
2
0
.
0
3
1
7
0
.
0
0
4
2
0
.
4
2
1
5
0
.
0
0
1
2
0
.
0
2
1
5
0
.
0
0
1
7
0
.
4
2
1
5
0
.
0
0
1
2
0
.
0
2
1
5
0
.
0
0
1
7
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
5
4
4
4
0
.
0
5
5
1
0
.
1
4
4
4
0
.
0
7
6
0
0
.
4
6
0
7
0
.
0
2
0
6
0
.
0
6
0
7
0
.
0
2
4
3
0
.
4
4
1
7
0
.
0
1
3
7
0
.
0
4
1
7
0
.
0
1
5
5
0
.
4
3
7
2
0
.
0
0
9
8
0
.
0
3
7
2
0
.
0
1
1
1
0
.
4
1
7
8
0
.
0
0
3
8
0
.
0
1
7
8
0
.
0
0
4
1
0
.
4
1
7
8
0
.
0
0
3
8
0
.
0
1
7
8
0
.
0
0
4
1
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
3
9
6
1
0
.
0
0
3
8
-
0
.
0
0
3
9
0
.
0
0
3
8
0
.
4
2
8
5
0
.
0
0
1
9
0
.
0
2
8
5
0
.
0
0
2
7
0
.
4
4
1
3
0
.
0
0
1
2
0
.
0
4
1
3
0
.
0
0
2
9
0
.
4
4
7
1
0
.
0
0
0
9
0
.
0
4
7
1
0
.
0
0
3
1
0
.
4
6
2
4
0
.
0
0
0
4
0
.
0
6
2
4
0
.
0
0
4
3
0
.
4
6
2
4
0
.
0
0
0
4
0
.
0
6
2
4
0
.
0
0
4
3
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
1
4
5
5
0
.
0
2
1
6
-
0
.
2
5
4
5
0
.
0
8
6
3
0
.
2
5
3
1
0
.
0
1
9
0
-
0
.
1
4
6
9
0
.
0
4
0
5
0
.
2
9
8
2
0
.
0
1
0
9
-
0
.
1
0
1
8
0
.
0
2
1
3
0
.
3
2
0
8
0
.
0
0
7
2
-
0
.
0
7
9
2
0
.
0
1
3
5
0
.
3
6
3
4
0
.
0
0
2
2
-
0
.
0
3
6
6
0
.
0
0
3
5
0
.
3
6
3
4
0
.
0
0
2
2
-
0
.
0
3
6
6
0
.
0
0
3
5
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
2
7
7
7
0
.
0
0
9
5
-
0
.
1
2
2
3
0
.
0
2
4
5
0
.
3
3
3
4
0
.
0
0
5
6
-
0
.
0
6
6
6
0
.
0
1
0
0
0
.
3
5
2
0
0
.
0
0
3
6
-
0
.
0
4
8
0
0
.
0
0
5
9
0
.
3
6
2
3
0
.
0
0
2
7
-
0
.
0
3
7
7
0
.
0
0
4
1
0
.
3
8
4
9
0
.
0
0
1
2
-
0
.
0
1
5
1
0
.
0
0
1
4
0
.
3
8
4
9
0
.
0
0
1
2
-
0
.
0
1
5
1
0
.
0
0
1
4
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
8
8
2
0
.
0
1
5
8
-
0
.
3
1
1
8
0
.
1
1
3
0
0
.
1
7
4
7
0
.
0
2
3
1
-
0
.
2
2
5
3
0
.
0
7
3
9
0
.
2
2
6
3
0
.
0
1
9
8
-
0
.
1
7
3
7
0
.
0
5
0
0
0
.
2
6
2
6
0
.
0
1
6
4
-
0
.
1
3
7
4
0
.
0
3
5
3
0
.
3
4
8
6
0
.
0
0
4
7
-
0
.
0
5
1
4
0
.
0
0
7
4
0
.
3
4
8
6
0
.
0
0
4
7
-
0
.
0
5
1
4
0
.
0
0
7
4
T
a
b
e
l
a

4
.
3
.
4
E
s
t
i
m
a
d
o
r
d
=
0
.4
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.4
0
-
0
.3
0
-
0
.2
0
-
0
.1
0
0
.0
0
0
.1
0
0
.2
0
0
.3
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
4
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
4
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
224
d
=
0
.
4
0
V
. A
g
r
e
g
a
d
a
V
A
0
.
1
2
8
5
0
.
0
7
2
5
-
0
.
3
2
1
5
0
.
1
7
5
9
0
.
1
9
4
6
0
.
0
3
5
0
-
0
.
2
5
5
4
0
.
1
0
0
2
0
.
2
2
7
9
0
.
0
2
3
4
-
0
.
2
2
2
1
0
.
0
7
2
7
0
.
2
4
7
0
0
.
0
1
9
8
-
0
.
2
0
3
0
0
.
0
6
1
0
0
.
2
7
6
9
0
.
0
1
1
6
-
0
.
1
7
3
1
0
.
0
4
1
5
0
.
2
7
6
9
0
.
0
1
1
6
-
0
.
1
7
3
1
0
.
0
4
1
5
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
0
.
5
4
6
6
0
.
2
0
3
8
0
.
0
9
6
6
0
.
2
1
3
1
0
.
6
4
1
7
0
.
0
7
9
5
0
.
1
9
1
7
0
.
1
1
6
2
0
.
6
4
6
4
0
.
0
4
5
8
0
.
1
9
6
4
0
.
0
8
4
3
0
.
6
6
3
3
0
.
0
3
2
5
0
.
2
1
3
3
0
.
0
7
8
0
0
.
6
2
8
3
0
.
0
1
4
0
0
.
1
7
8
3
0
.
0
4
5
8
0
.
6
2
8
3
0
.
0
1
4
0
0
.
1
7
8
3
0
.
0
4
5
8
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
2
9
2
7
0
.
0
7
1
4
-
0
.
1
5
7
3
0
.
0
9
6
1
0
.
3
1
5
9
0
.
0
3
4
6
-
0
.
1
3
4
1
0
.
0
5
2
5
0
.
3
2
7
9
0
.
0
2
3
3
-
0
.
1
2
2
1
0
.
0
3
8
2
0
.
3
3
8
9
0
.
0
1
9
8
-
0
.
1
1
1
1
0
.
0
3
2
2
0
.
3
3
9
8
0
.
0
1
1
8
-
0
.
1
1
0
2
0
.
0
2
4
0
0
.
3
3
9
8
0
.
0
1
1
8
-
0
.
1
1
0
2
0
.
0
2
4
0
D
i
m
. F
r
a
c
t
a
l
D
F
0
.
3
2
5
9
0
.
0
3
1
9
-
0
.
1
2
4
1
0
.
0
4
7
3
0
.
3
3
8
0
0
.
0
2
3
2
-
0
.
1
1
2
0
0
.
0
3
5
8
0
.
3
6
2
1
0
.
0
1
5
2
-
0
.
0
8
7
9
0
.
0
2
2
9
0
.
3
6
5
9
0
.
0
1
3
4
-
0
.
0
8
4
1
0
.
0
2
0
5
0
.
3
7
9
0
0
.
0
0
7
1
-
0
.
0
7
1
0
0
.
0
1
2
2
0
.
3
7
9
0
0
.
0
0
7
1
-
0
.
0
7
1
0
0
.
0
1
2
2
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
3
9
0
0
0
.
0
2
1
5
-
0
.
0
6
0
0
0
.
0
2
5
1
0
.
4
0
4
3
0
.
0
1
0
9
-
0
.
0
4
5
7
0
.
0
1
2
9
0
.
4
0
6
6
0
.
0
0
7
1
-
0
.
0
4
3
4
0
.
0
0
9
0
0
.
4
1
1
0
0
.
0
0
5
9
-
0
.
0
3
9
0
0
.
0
0
7
5
0
.
4
2
3
9
0
.
0
0
2
9
-
0
.
0
2
6
1
0
.
0
0
3
5
0
.
4
2
3
9
0
.
0
0
2
9
-
0
.
0
2
6
1
0
.
0
0
3
5
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
3
2
2
4
0
.
0
3
4
1
-
0
.
1
2
7
6
0
.
0
5
0
4
0
.
3
4
0
6
0
.
0
1
7
4
-
0
.
1
0
9
4
0
.
0
2
9
4
0
.
3
4
2
7
0
.
0
1
3
1
-
0
.
1
0
7
3
0
.
0
2
4
6
0
.
3
4
1
8
0
.
0
1
1
9
-
0
.
1
0
8
2
0
.
0
2
3
6
0
.
3
5
1
9
0
.
0
0
6
8
-
0
.
0
9
8
1
0
.
0
1
6
4
0
.
3
5
1
9
0
.
0
0
6
8
-
0
.
0
9
8
1
0
.
0
1
6
4
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
0
.
6
1
4
7
0
.
1
7
9
0
0
.
1
6
4
7
0
.
2
0
6
1
0
.
5
7
6
7
0
.
0
5
7
0
0
.
1
2
6
7
0
.
0
7
3
1
0
.
5
4
3
4
0
.
0
2
9
7
0
.
0
9
3
4
0
.
0
3
8
4
0
.
5
3
1
6
0
.
0
2
0
8
0
.
0
8
1
6
0
.
0
2
7
5
0
.
5
0
0
3
0
.
0
0
6
0
0
.
0
5
0
3
0
.
0
0
8
5
0
.
5
0
0
3
0
.
0
0
6
0
0
.
0
5
0
3
0
.
0
0
8
5
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
4
5
7
0
0
.
0
3
7
7
0
.
0
0
7
0
0
.
0
3
7
8
0
.
4
2
3
1
0
.
0
1
4
2
-
0
.
0
2
6
9
0
.
0
1
5
0
0
.
4
1
0
6
0
.
0
0
7
9
-
0
.
0
3
9
4
0
.
0
0
9
5
0
.
4
0
5
5
0
.
0
0
5
2
-
0
.
0
4
4
5
0
.
0
0
7
2
0
.
3
9
9
8
0
.
0
0
1
6
-
0
.
0
5
0
2
0
.
0
0
4
1
0
.
3
9
9
8
0
.
0
0
1
6
-
0
.
0
5
0
2
0
.
0
0
4
1
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
4
8
8
9
0
.
0
0
8
0
0
.
0
3
8
9
0
.
0
0
9
5
0
.
4
9
2
8
0
.
0
0
3
5
0
.
0
4
2
8
0
.
0
0
5
3
0
.
4
9
3
3
0
.
0
0
2
0
0
.
0
4
3
3
0
.
0
0
3
9
0
.
4
9
1
0
0
.
0
0
1
5
0
.
0
4
1
0
0
.
0
0
3
1
0
.
4
9
0
3
0
.
0
0
0
5
0
.
0
4
0
3
0
.
0
0
2
2
0
.
4
9
0
3
0
.
0
0
0
5
0
.
0
4
0
3
0
.
0
0
2
2
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
5
3
2
1
0
.
0
1
7
8
0
.
0
8
2
1
0
.
0
2
4
6
0
.
4
9
8
3
0
.
0
0
7
6
0
.
0
4
8
3
0
.
0
0
9
9
0
.
4
8
7
0
0
.
0
0
4
5
0
.
0
3
7
0
0
.
0
0
5
8
0
.
4
7
9
5
0
.
0
0
3
6
0
.
0
2
9
5
0
.
0
0
4
4
0
.
4
7
3
8
0
.
0
0
1
3
0
.
0
2
3
8
0
.
0
0
1
8
0
.
4
7
3
8
0
.
0
0
1
3
0
.
0
2
3
8
0
.
0
0
1
8
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
5
7
2
5
0
.
0
6
3
4
0
.
1
2
2
5
0
.
0
7
8
4
0
.
5
1
0
7
0
.
0
2
2
9
0
.
0
6
0
7
0
.
0
2
6
6
0
.
4
9
2
0
0
.
0
1
4
0
0
.
0
4
2
0
0
.
0
1
5
7
0
.
4
8
0
3
0
.
0
1
1
2
0
.
0
3
0
3
0
.
0
1
2
1
0
.
4
7
1
2
0
.
0
0
4
2
0
.
0
2
1
2
0
.
0
0
4
7
0
.
4
7
1
2
0
.
0
0
4
2
0
.
0
2
1
2
0
.
0
0
4
7
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
4
2
5
4
0
.
0
0
3
0
-
0
.
0
2
4
6
0
.
0
0
3
6
0
.
4
6
0
2
0
.
0
0
0
9
0
.
0
1
0
2
0
.
0
0
1
0
0
.
4
7
1
7
0
.
0
0
0
4
0
.
0
2
1
7
0
.
0
0
0
9
0
.
4
7
7
3
0
.
0
0
0
3
0
.
0
2
7
3
0
.
0
0
1
0
0
.
4
9
0
0
0
.
0
0
0
0
0
.
0
4
0
0
0
.
0
0
1
6
0
.
4
9
0
0
0
.
0
0
0
0
0
.
0
4
0
0
0
.
0
0
1
6
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
1
4
7
0
0
.
0
2
4
5
-
0
.
3
0
3
0
0
.
1
1
6
3
0
.
2
7
0
9
0
.
0
2
2
7
-
0
.
1
7
9
1
0
.
0
5
4
8
0
.
3
2
2
5
0
.
0
1
3
5
-
0
.
1
2
7
5
0
.
0
2
9
8
0
.
3
5
7
2
0
.
0
0
8
1
-
0
.
0
9
2
8
0
.
0
1
6
7
0
.
4
0
6
0
0
.
0
0
1
9
-
0
.
0
4
4
0
0
.
0
0
3
9
0
.
4
0
6
0
0
.
0
0
1
9
-
0
.
0
4
4
0
0
.
0
0
3
9
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
3
0
9
3
0
.
0
0
9
2
-
0
.
1
4
0
7
0
.
0
2
9
0
0
.
3
7
0
5
0
.
0
0
4
8
-
0
.
0
7
9
5
0
.
0
1
1
1
0
.
3
9
0
6
0
.
0
0
2
8
-
0
.
0
5
9
4
0
.
0
0
6
3
0
.
4
0
3
4
0
.
0
0
2
3
-
0
.
0
4
6
6
0
.
0
0
4
5
0
.
4
3
0
2
0
.
0
0
0
9
-
0
.
0
1
9
8
0
.
0
0
1
3
0
.
4
3
0
2
0
.
0
0
0
9
-
0
.
0
1
9
8
0
.
0
0
1
3
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
8
7
6
0
.
0
1
6
3
-
0
.
3
6
2
4
0
.
1
4
7
6
0
.
1
8
8
0
0
.
0
2
6
3
-
0
.
2
6
2
0
0
.
0
9
4
9
0
.
2
5
5
4
0
.
0
2
3
3
-
0
.
1
9
4
6
0
.
0
6
1
1
0
.
3
0
7
7
0
.
0
1
7
0
-
0
.
1
4
2
3
0
.
0
3
7
3
0
.
3
9
5
6
0
.
0
0
4
1
-
0
.
0
5
4
4
0
.
0
0
7
0
0
.
3
9
5
6
0
.
0
0
4
1
-
0
.
0
5
4
4
0
.
0
0
7
0
T
a
b
e
l
a

4
.
3
.
5
E
s
t
i
m
a
d
o
r
d
=
0
.4
5
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.4
0
-
0
.3
0
-
0
.2
0
-
0
.1
0
0
.0
0
0
.1
0
0
.2
0
0
.3
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
4
5
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
4
5
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
225
d
=
0
.
4
5
V
. A
g
r
e
g
a
d
a
V
A
0
.
2
0
4
7
0
.
0
5
6
5
-
0
.
3
9
5
3
0
.
2
1
2
8
0
.
2
5
4
7
0
.
0
3
1
2
-
0
.
3
4
5
3
0
.
1
5
0
4
0
.
2
8
2
5
0
.
0
2
1
3
-
0
.
3
1
7
5
0
.
1
2
2
1
0
.
2
9
8
1
0
.
0
1
8
4
-
0
.
3
0
1
9
0
.
1
0
9
6
0
.
3
3
5
1
0
.
0
0
9
9
-
0
.
2
6
4
9
0
.
0
8
0
1
0
.
3
3
5
1
0
.
0
0
9
9
-
0
.
2
6
4
9
0
.
0
8
0
1
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
0
.
6
0
7
9
0
.
1
9
7
7
0
.
0
0
7
9
0
.
1
9
7
8
0
.
7
1
1
3
0
.
0
6
9
8
0
.
1
1
1
3
0
.
0
8
2
2
0
.
7
3
7
5
0
.
0
5
0
9
0
.
1
3
7
5
0
.
0
6
9
8
0
.
7
5
2
8
0
.
0
3
8
1
0
.
1
5
2
8
0
.
0
6
1
5
0
.
7
2
5
5
0
.
0
1
5
4
0
.
1
2
5
5
0
.
0
3
1
1
0
.
7
2
5
5
0
.
0
1
5
4
0
.
1
2
5
5
0
.
0
3
1
1
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
3
6
3
5
0
.
0
5
5
0
-
0
.
2
3
6
5
0
.
1
1
0
9
0
.
3
7
2
6
0
.
0
3
0
5
-
0
.
2
2
7
4
0
.
0
8
2
3
0
.
3
7
9
5
0
.
0
2
0
8
-
0
.
2
2
0
5
0
.
0
6
9
4
0
.
3
8
8
0
0
.
0
1
8
2
-
0
.
2
1
2
0
0
.
0
6
3
1
0
.
3
9
6
6
0
.
0
0
9
9
-
0
.
2
0
3
4
0
.
0
5
1
3
0
.
3
9
6
6
0
.
0
0
9
9
-
0
.
2
0
3
4
0
.
0
5
1
3
D
i
m
. F
r
a
c
t
a
l
D
F
0
.
3
0
6
1
0
.
0
3
2
0
-
0
.
2
9
3
9
0
.
1
1
8
4
0
.
3
4
3
9
0
.
0
2
0
8
-
0
.
2
5
6
1
0
.
0
8
6
4
0
.
3
6
0
3
0
.
0
1
7
0
-
0
.
2
3
9
7
0
.
0
7
4
5
0
.
3
7
1
4
0
.
0
1
3
3
-
0
.
2
2
8
6
0
.
0
6
5
6
0
.
4
0
9
0
0
.
0
0
4
4
-
0
.
1
9
1
0
0
.
0
4
0
9
0
.
4
0
9
0
0
.
0
0
4
4
-
0
.
1
9
1
0
0
.
0
4
0
9
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
3
2
0
4
0
.
0
2
0
5
-
0
.
2
7
9
6
0
.
0
9
8
7
0
.
3
7
4
3
0
.
0
1
0
5
-
0
.
2
2
5
7
0
.
0
6
1
5
0
.
4
0
8
4
0
.
0
0
8
0
-
0
.
1
9
1
6
0
.
0
4
4
7
0
.
4
2
7
2
0
.
0
0
6
2
-
0
.
1
7
2
8
0
.
0
3
6
0
0
.
4
6
6
0
0
.
0
0
3
3
-
0
.
1
3
4
0
0
.
0
2
1
3
0
.
4
6
6
0
0
.
0
0
3
3
-
0
.
1
3
4
0
0
.
0
2
1
3
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
2
9
1
8
0
.
0
3
7
4
-
0
.
3
0
8
2
0
.
1
3
2
4
0
.
3
2
3
2
0
.
0
2
0
8
-
0
.
2
7
6
8
0
.
0
9
7
5
0
.
3
4
4
3
0
.
0
1
4
4
-
0
.
2
5
5
7
0
.
0
7
9
7
0
.
3
6
1
1
0
.
0
1
2
9
-
0
.
2
3
8
9
0
.
0
6
9
9
0
.
3
8
8
5
0
.
0
0
8
3
-
0
.
2
1
1
5
0
.
0
5
3
0
0
.
3
8
8
5
0
.
0
0
8
3
-
0
.
2
1
1
5
0
.
0
5
3
0
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
0
.
7
1
1
4
0
.
1
6
6
3
0
.
1
1
1
4
0
.
1
7
8
7
0
.
6
5
6
4
0
.
0
5
0
0
0
.
0
5
6
4
0
.
0
5
3
2
0
.
6
3
1
7
0
.
0
3
1
1
0
.
0
3
1
7
0
.
0
3
2
1
0
.
6
1
9
3
0
.
0
1
9
8
0
.
0
1
9
3
0
.
0
2
0
2
0
.
5
8
2
7
0
.
0
0
6
0
-
0
.
0
1
7
3
0
.
0
0
6
3
0
.
5
8
2
7
0
.
0
0
6
0
-
0
.
0
1
7
3
0
.
0
0
6
3
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
2
7
8
5
0
.
0
3
8
6
-
0
.
3
2
1
5
0
.
1
4
2
0
0
.
2
7
5
7
0
.
0
1
5
6
-
0
.
3
2
4
3
0
.
1
2
0
8
0
.
2
9
7
6
0
.
0
0
8
7
-
0
.
3
0
2
4
0
.
1
0
0
1
0
.
3
1
4
0
0
.
0
0
5
2
-
0
.
2
8
6
0
0
.
0
8
7
1
0
.
3
6
8
8
0
.
0
0
1
9
-
0
.
2
3
1
2
0
.
0
5
5
3
0
.
3
6
8
8
0
.
0
0
1
9
-
0
.
2
3
1
2
0
.
0
5
5
3
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
3
3
4
7
0
.
0
0
7
9
-
0
.
2
6
5
3
0
.
0
7
8
3
0
.
3
5
1
1
0
.
0
0
3
7
-
0
.
2
4
8
9
0
.
0
6
5
6
0
.
3
5
9
9
0
.
0
0
2
6
-
0
.
2
4
0
1
0
.
0
6
0
2
0
.
3
6
6
4
0
.
0
0
1
9
-
0
.
2
3
3
6
0
.
0
5
6
5
0
.
3
7
3
6
0
.
0
0
0
8
-
0
.
2
2
6
4
0
.
0
5
2
1
0
.
3
7
3
6
0
.
0
0
0
8
-
0
.
2
2
6
4
0
.
0
5
2
1
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
4
8
6
2
0
.
0
1
5
8
-
0
.
1
1
3
8
0
.
0
2
8
7
0
.
4
3
8
5
0
.
0
0
7
2
-
0
.
1
6
1
5
0
.
0
3
3
3
0
.
4
2
9
1
0
.
0
0
5
2
-
0
.
1
7
0
9
0
.
0
3
4
4
0
.
4
2
3
3
0
.
0
0
3
6
-
0
.
1
7
6
7
0
.
0
3
4
8
0
.
4
1
0
2
0
.
0
0
1
4
-
0
.
1
8
9
8
0
.
0
3
7
4
0
.
4
1
0
2
0
.
0
0
1
4
-
0
.
1
8
9
8
0
.
0
3
7
4
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
6
1
6
6
0
.
0
5
6
1
0
.
0
1
6
6
0
.
0
5
6
4
0
.
5
3
6
6
0
.
0
2
3
0
-
0
.
0
6
3
4
0
.
0
2
7
0
0
.
5
1
8
4
0
.
0
1
5
0
-
0
.
0
8
1
6
0
.
0
2
1
6
0
.
5
0
5
2
0
.
0
1
0
7
-
0
.
0
9
4
8
0
.
0
1
9
7
0
.
4
8
6
3
0
.
0
0
3
9
-
0
.
1
1
3
7
0
.
0
1
6
8
0
.
4
8
6
3
0
.
0
0
3
9
-
0
.
1
1
3
7
0
.
0
1
6
8
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
3
2
6
4
0
.
0
0
6
7
-
0
.
2
7
3
6
0
.
0
8
1
5
0
.
3
6
5
3
0
.
0
0
3
4
-
0
.
2
3
4
7
0
.
0
5
8
5
0
.
3
8
0
9
0
.
0
0
2
5
-
0
.
2
1
9
1
0
.
0
5
0
4
0
.
3
9
0
2
0
.
0
0
1
8
-
0
.
2
0
9
8
0
.
0
4
5
8
0
.
4
0
5
9
0
.
0
0
0
8
-
0
.
1
9
4
1
0
.
0
3
8
5
0
.
4
0
5
9
0
.
0
0
0
8
-
0
.
1
9
4
1
0
.
0
3
8
5
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
2
8
4
9
0
.
0
1
7
0
-
0
.
3
1
5
1
0
.
1
1
6
3
0
.
3
7
5
2
0
.
0
0
7
4
-
0
.
2
2
4
8
0
.
0
5
7
9
0
.
4
0
9
2
0
.
0
0
3
9
-
0
.
1
9
0
8
0
.
0
4
0
3
0
.
4
2
3
1
0
.
0
0
2
5
-
0
.
1
7
6
9
0
.
0
3
3
8
0
.
4
5
5
8
0
.
0
0
0
8
-
0
.
1
4
4
2
0
.
0
2
1
6
0
.
4
5
5
8
0
.
0
0
0
8
-
0
.
1
4
4
2
0
.
0
2
1
6
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
3
0
5
9
0
.
0
1
0
3
-
0
.
2
9
4
1
0
.
0
9
6
8
0
.
3
8
1
0
0
.
0
0
5
9
-
0
.
2
1
9
0
0
.
0
5
3
8
0
.
4
1
2
4
0
.
0
0
3
6
-
0
.
1
8
7
6
0
.
0
3
8
8
0
.
4
2
6
6
0
.
0
0
2
5
-
0
.
1
7
3
4
0
.
0
3
2
6
0
.
4
6
2
1
0
.
0
0
0
8
-
0
.
1
3
7
9
0
.
0
1
9
8
0
.
4
6
2
1
0
.
0
0
0
8
-
0
.
1
3
7
9
0
.
0
1
9
8
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
1
0
6
9
0
.
0
1
7
3
-
0
.
4
9
3
1
0
.
2
6
0
4
0
.
1
3
6
2
0
.
0
2
0
8
-
0
.
4
6
3
8
0
.
2
3
6
0
0
.
1
4
9
0
0
.
0
1
9
8
-
0
.
4
5
1
0
0
.
2
2
3
2
0
.
1
5
9
5
0
.
0
1
8
4
-
0
.
4
4
0
5
0
.
2
1
2
4
0
.
2
1
8
5
0
.
0
0
9
7
-
0
.
3
8
1
5
0
.
1
5
5
2
0
.
2
1
8
5
0
.
0
0
9
7
-
0
.
3
8
1
5
0
.
1
5
5
2
T
a
b
e
l
a

4
.
3
.
6
E
s
t
i
m
a
d
o
r
d
=
0
.6
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.5
0
-
0
.4
0
-
0
.3
0
-
0
.2
0
-
0
.1
0
0
.0
0
0
.1
0
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
6
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
0
.3
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
6
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
226
d
=
0
.
6
0
V
. A
g
r
e
g
a
d
a
V
A
0
.
2
7
0
3
0
.
0
4
5
0
-
0
.
4
2
9
7
0
.
2
2
9
6
0
.
2
9
5
2
0
.
0
2
7
9
-
0
.
4
0
4
8
0
.
1
9
1
8
0
.
3
3
1
4
0
.
0
1
9
0
-
0
.
3
6
8
6
0
.
1
5
4
8
0
.
3
4
2
2
0
.
0
1
6
1
-
0
.
3
5
7
8
0
.
1
4
4
1
0
.
3
7
7
1
0
.
0
0
8
6
-
0
.
3
2
2
9
0
.
1
1
2
9
0
.
3
7
7
1
0
.
0
0
8
6
-
0
.
3
2
2
9
0
.
1
1
2
9
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
0
.
7
9
5
7
0
.
2
2
4
3
0
.
0
9
5
7
0
.
2
3
3
4
0
.
8
5
8
3
0
.
0
8
2
0
0
.
1
5
8
3
0
.
1
0
7
0
0
.
8
6
0
1
0
.
0
5
8
2
0
.
1
6
0
1
0
.
0
8
3
9
0
.
8
8
7
7
0
.
0
4
2
3
0
.
1
8
7
7
0
.
0
7
7
6
0
.
8
5
7
7
0
.
0
1
6
3
0
.
1
5
7
7
0
.
0
4
1
2
0
.
8
5
7
7
0
.
0
1
6
3
0
.
1
5
7
7
0
.
0
4
1
2
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
4
2
7
7
0
.
0
4
2
5
-
0
.
2
7
2
3
0
.
1
1
6
6
0
.
4
1
2
6
0
.
0
2
6
3
-
0
.
2
8
7
4
0
.
1
0
8
9
0
.
4
2
7
8
0
.
0
1
7
9
-
0
.
2
7
2
2
0
.
0
9
2
0
0
.
4
2
9
6
0
.
0
1
5
2
-
0
.
2
7
0
4
0
.
0
8
8
3
0
.
4
3
5
8
0
.
0
0
8
5
-
0
.
2
6
4
2
0
.
0
7
8
3
0
.
4
3
5
8
0
.
0
0
8
5
-
0
.
2
6
4
2
0
.
0
7
8
3
D
i
m
. F
r
a
c
t
a
l
D
F
0
.
3
0
7
1
0
.
0
3
1
1
-
0
.
3
9
2
9
0
.
1
8
5
5
0
.
3
4
9
6
0
.
0
1
8
3
-
0
.
3
5
0
4
0
.
1
4
1
1
0
.
3
7
3
3
0
.
0
1
3
0
-
0
.
3
2
6
7
0
.
1
1
9
7
0
.
3
8
1
1
0
.
0
1
0
8
-
0
.
3
1
8
9
0
.
1
1
2
5
0
.
4
1
7
5
0
.
0
0
3
4
-
0
.
2
8
2
5
0
.
0
8
3
2
0
.
4
1
7
5
0
.
0
0
3
4
-
0
.
2
8
2
5
0
.
0
8
3
2
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
5
0
5
7
0
.
0
2
3
5
-
0
.
1
9
4
3
0
.
0
6
1
2
0
.
5
5
6
2
0
.
0
1
1
6
-
0
.
1
4
3
8
0
.
0
3
2
2
0
.
5
8
0
3
0
.
0
0
9
3
-
0
.
1
1
9
7
0
.
0
2
3
6
0
.
5
9
1
8
0
.
0
0
6
7
-
0
.
1
0
8
2
0
.
0
1
8
5
0
.
6
1
9
6
0
.
0
0
3
5
-
0
.
0
8
0
4
0
.
0
1
0
0
0
.
6
1
9
6
0
.
0
0
3
5
-
0
.
0
8
0
4
0
.
0
1
0
0
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
3
8
2
4
0
.
0
3
3
6
-
0
.
3
1
7
6
0
.
1
3
4
5
0
.
4
0
7
7
0
.
0
1
7
3
-
0
.
2
9
2
3
0
.
1
0
2
8
0
.
4
2
0
6
0
.
0
1
2
9
-
0
.
2
7
9
4
0
.
0
9
1
0
0
.
4
2
4
2
0
.
0
1
1
2
-
0
.
2
7
5
8
0
.
0
8
7
3
0
.
4
3
8
9
0
.
0
0
6
6
-
0
.
2
6
1
1
0
.
0
7
4
8
0
.
4
3
8
9
0
.
0
0
6
6
-
0
.
2
6
1
1
0
.
0
7
4
8
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
0
.
9
3
2
3
0
.
1
6
4
7
0
.
2
3
2
3
0
.
2
1
8
6
0
.
8
4
2
2
0
.
0
5
8
0
0
.
1
4
2
2
0
.
0
7
8
3
0
.
8
0
9
7
0
.
0
3
1
1
0
.
1
0
9
7
0
.
0
4
3
1
0
.
7
9
2
8
0
.
0
2
0
7
0
.
0
9
2
8
0
.
0
2
9
3
0
.
7
4
8
5
0
.
0
0
6
4
0
.
0
4
8
5
0
.
0
0
8
8
0
.
7
4
8
5
0
.
0
0
6
4
0
.
0
4
8
5
0
.
0
0
8
8
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
4
9
8
9
0
.
0
3
9
2
-
0
.
2
0
1
1
0
.
0
7
9
6
0
.
4
8
2
4
0
.
0
1
6
9
-
0
.
2
1
7
6
0
.
0
6
4
2
0
.
4
9
8
8
0
.
0
0
8
2
-
0
.
2
0
1
2
0
.
0
4
8
7
0
.
5
0
5
5
0
.
0
0
5
6
-
0
.
1
9
4
5
0
.
0
4
3
5
0
.
5
4
9
0
0
.
0
0
2
1
-
0
.
1
5
1
0
0
.
0
2
4
8
0
.
5
4
9
0
0
.
0
0
2
1
-
0
.
1
5
1
0
0
.
0
2
4
8
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
5
1
2
6
0
.
0
0
7
6
-
0
.
1
8
7
4
0
.
0
4
2
7
0
.
5
2
4
4
0
.
0
0
4
2
-
0
.
1
7
5
6
0
.
0
3
5
0
0
.
5
3
3
4
0
.
0
0
3
1
-
0
.
1
6
6
6
0
.
0
3
0
8
0
.
5
3
4
8
0
.
0
0
2
0
-
0
.
1
6
5
2
0
.
0
2
9
3
0
.
5
4
3
4
0
.
0
0
1
0
-
0
.
1
5
6
6
0
.
0
2
5
5
0
.
5
4
3
4
0
.
0
0
1
0
-
0
.
1
5
6
6
0
.
0
2
5
5
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
6
6
2
8
0
.
0
1
6
5
-
0
.
0
3
7
2
0
.
0
1
7
9
0
.
6
2
1
6
0
.
0
0
7
8
-
0
.
0
7
8
4
0
.
0
1
4
0
0
.
6
1
0
5
0
.
0
0
6
0
-
0
.
0
8
9
5
0
.
0
1
4
0
0
.
6
0
1
8
0
.
0
0
4
0
-
0
.
0
9
8
2
0
.
0
1
3
7
0
.
5
9
1
5
0
.
0
0
1
6
-
0
.
1
0
8
5
0
.
0
1
3
4
0
.
5
9
1
5
0
.
0
0
1
6
-
0
.
1
0
8
5
0
.
0
1
3
4
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
7
7
3
7
0
.
0
5
4
5
0
.
0
7
3
7
0
.
0
5
9
9
0
.
7
0
2
1
0
.
0
2
2
1
0
.
0
0
2
1
0
.
0
2
2
1
0
.
6
8
5
1
0
.
0
1
5
8
-
0
.
0
1
4
9
0
.
0
1
6
0
0
.
6
7
0
2
0
.
0
1
0
4
-
0
.
0
2
9
8
0
.
0
1
1
3
0
.
6
5
3
7
0
.
0
0
4
1
-
0
.
0
4
6
3
0
.
0
0
6
3
0
.
6
5
3
7
0
.
0
0
4
1
-
0
.
0
4
6
3
0
.
0
0
6
3
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
4
4
9
8
0
.
0
0
1
9
-
0
.
2
5
0
2
0
.
0
6
4
6
0
.
4
7
9
8
0
.
0
0
0
5
-
0
.
2
2
0
2
0
.
0
4
9
0
0
.
4
8
7
9
0
.
0
0
0
2
-
0
.
2
1
2
1
0
.
0
4
5
2
0
.
4
9
1
8
0
.
0
0
0
1
-
0
.
2
0
8
2
0
.
0
4
3
4
0
.
4
9
7
5
0
.
0
0
0
0
-
0
.
2
0
2
5
0
.
0
4
1
0
0
.
4
9
7
5
0
.
0
0
0
0
-
0
.
2
0
2
5
0
.
0
4
1
0
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
3
0
2
2
0
.
0
2
8
1
-
0
.
3
9
7
8
0
.
1
8
6
4
0
.
4
4
2
2
0
.
0
0
6
1
-
0
.
2
5
7
8
0
.
0
7
2
5
0
.
4
7
0
9
0
.
0
0
0
9
-
0
.
2
2
9
1
0
.
0
5
3
5
0
.
4
7
9
3
0
.
0
0
0
4
-
0
.
2
2
0
7
0
.
0
4
9
1
0
.
4
9
4
7
0
.
0
0
0
0
-
0
.
2
0
5
3
0
.
0
4
2
2
0
.
4
9
4
7
0
.
0
0
0
0
-
0
.
2
0
5
3
0
.
0
4
2
2
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
4
0
2
9
0
.
0
0
4
4
-
0
.
2
9
7
1
0
.
0
9
2
6
0
.
4
6
0
5
0
.
0
0
1
4
-
0
.
2
3
9
5
0
.
0
5
8
8
0
.
4
7
5
9
0
.
0
0
0
5
-
0
.
2
2
4
1
0
.
0
5
0
7
0
.
4
8
2
4
0
.
0
0
0
2
-
0
.
2
1
7
6
0
.
0
4
7
6
0
.
4
9
5
3
0
.
0
0
0
0
-
0
.
2
0
4
7
0
.
0
4
1
9
0
.
4
9
5
3
0
.
0
0
0
0
-
0
.
2
0
4
7
0
.
0
4
1
9
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
6
9
0
0
.
0
1
3
1
-
0
.
6
3
1
0
0
.
4
1
1
2
0
.
1
2
3
6
0
.
0
2
7
8
-
0
.
5
7
6
4
0
.
3
6
0
1
0
.
1
7
3
3
0
.
0
3
2
8
-
0
.
5
2
6
7
0
.
3
1
0
2
0
.
2
2
0
0
0
.
0
3
3
8
-
0
.
4
8
0
0
0
.
2
6
4
2
0
.
3
7
0
3
0
.
0
2
1
2
-
0
.
3
2
9
7
0
.
1
2
9
9
0
.
3
7
0
3
0
.
0
2
1
2
-
0
.
3
2
9
7
0
.
1
2
9
9
T
a
b
e
l
a

4
.
3
.
7
E
s
t
i
m
a
d
o
r
d
=
0
.7
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.7
0
-
0
.6
0
-
0
.5
0
-
0
.4
0
-
0
.3
0
-
0
.2
0
-
0
.1
0
0
.0
0
0
.1
0
0
.2
0
0
.3
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
7
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
0
.3
0
0
.3
5
0
.4
0
0
.4
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
7
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
227
d
=
0
.
7
0
V
. A
g
r
e
g
a
d
a
V
A
0
.
2
9
7
0
0
.
0
4
7
0
-
0
.
5
0
3
0
0
.
3
0
0
1
0
.
3
4
4
3
0
.
0
2
4
6
-
0
.
4
5
5
7
0
.
2
3
2
3
0
.
3
6
4
7
0
.
0
1
6
9
-
0
.
4
3
5
3
0
.
2
0
6
4
0
.
3
7
7
8
0
.
0
1
4
3
-
0
.
4
2
2
2
0
.
1
9
2
5
0
.
4
0
6
5
0
.
0
0
7
0
-
0
.
3
9
3
5
0
.
1
6
1
9
0
.
4
0
6
5
0
.
0
0
7
0
-
0
.
3
9
3
5
0
.
1
6
1
9
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
0
.
9
4
7
8
0
.
2
5
2
6
0
.
1
4
7
8
0
.
2
7
4
5
0
.
9
7
8
3
0
.
0
8
5
3
0
.
1
7
8
3
0
.
1
1
7
1
0
.
9
6
5
4
0
.
0
5
8
4
0
.
1
6
5
4
0
.
0
8
5
7
0
.
9
8
8
3
0
.
0
4
8
2
0
.
1
8
8
3
0
.
0
8
3
6
0
.
9
5
7
6
0
.
0
1
9
4
0
.
1
5
7
6
0
.
0
4
4
3
0
.
9
5
7
6
0
.
0
1
9
4
0
.
1
5
7
6
0
.
0
4
4
3
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
4
5
0
3
0
.
0
4
2
4
-
0
.
3
4
9
7
0
.
1
6
4
7
0
.
4
5
7
8
0
.
0
2
2
5
-
0
.
3
4
2
2
0
.
1
3
9
6
0
.
4
5
7
8
0
.
0
1
5
8
-
0
.
3
4
2
2
0
.
1
3
2
9
0
.
4
6
2
4
0
.
0
1
3
4
-
0
.
3
3
7
6
0
.
1
2
7
4
0
.
4
6
3
7
0
.
0
0
6
9
-
0
.
3
3
6
3
0
.
1
2
0
0
0
.
4
6
3
7
0
.
0
0
6
9
-
0
.
3
3
6
3
0
.
1
2
0
0
D
i
m
. F
r
a
c
t
a
l
D
F
0
.
3
1
5
2
0
.
0
2
8
2
-
0
.
4
8
4
8
0
.
2
6
3
2
0
.
3
6
0
1
0
.
0
1
7
3
-
0
.
4
3
9
9
0
.
2
1
0
8
0
.
3
7
4
2
0
.
0
1
3
5
-
0
.
4
2
5
8
0
.
1
9
4
7
0
.
3
8
9
0
0
.
0
0
9
7
-
0
.
4
1
1
0
0
.
1
7
8
6
0
.
4
2
6
2
0
.
0
0
2
7
-
0
.
3
7
3
8
0
.
1
4
2
4
0
.
4
2
6
2
0
.
0
0
2
7
-
0
.
3
7
3
8
0
.
1
4
2
4
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
6
5
0
2
0
.
0
2
5
3
-
0
.
1
4
9
8
0
.
0
4
7
7
0
.
6
9
0
5
0
.
0
1
3
7
-
0
.
1
0
9
5
0
.
0
2
5
7
0
.
7
0
7
9
0
.
0
1
0
1
-
0
.
0
9
2
1
0
.
0
1
8
6
0
.
7
1
6
9
0
.
0
0
8
0
-
0
.
0
8
3
1
0
.
0
1
4
9
0
.
7
4
0
7
0
.
0
0
4
0
-
0
.
0
5
9
3
0
.
0
0
7
6
0
.
7
4
0
7
0
.
0
0
4
0
-
0
.
0
5
9
3
0
.
0
0
7
6
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
4
2
7
3
0
.
0
2
9
5
-
0
.
3
7
2
7
0
.
1
6
8
3
0
.
4
3
6
9
0
.
0
1
4
9
-
0
.
3
6
3
1
0
.
1
4
6
8
0
.
4
5
3
0
0
.
0
1
0
6
-
0
.
3
4
7
0
0
.
1
3
1
1
0
.
4
5
6
6
0
.
0
0
9
5
-
0
.
3
4
3
4
0
.
1
2
7
4
0
.
4
6
8
5
0
.
0
0
5
2
-
0
.
3
3
1
5
0
.
1
1
5
1
0
.
4
6
8
5
0
.
0
0
5
2
-
0
.
3
3
1
5
0
.
1
1
5
1
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
1
.
0
8
5
2
0
.
1
7
1
0
0
.
2
8
5
1
0
.
2
5
2
3
1
.
0
0
0
2
0
.
0
5
4
1
0
.
2
0
0
2
0
.
0
9
4
2
0
.
9
4
8
8
0
.
0
3
0
6
0
.
1
4
8
8
0
.
0
5
2
7
0
.
9
2
8
8
0
.
0
2
1
1
0
.
1
2
8
8
0
.
0
3
7
7
0
.
8
7
7
2
0
.
0
0
7
4
0
.
0
7
7
2
0
.
0
1
3
4
0
.
8
7
7
2
0
.
0
0
7
4
0
.
0
7
7
2
0
.
0
1
3
4
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
6
6
4
4
0
.
0
3
3
6
-
0
.
1
3
5
6
0
.
0
5
2
0
0
.
6
4
7
9
0
.
0
1
6
0
-
0
.
1
5
2
1
0
.
0
3
9
1
0
.
6
5
4
6
0
.
0
0
9
1
-
0
.
1
4
5
4
0
.
0
3
0
2
0
.
6
6
3
0
0
.
0
0
5
7
-
0
.
1
3
7
0
0
.
0
2
4
5
0
.
6
9
0
3
0
.
0
0
2
6
-
0
.
1
0
9
7
0
.
0
1
4
7
0
.
6
9
0
3
0
.
0
0
2
6
-
0
.
1
0
9
7
0
.
0
1
4
7
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
6
4
8
5
0
.
0
0
7
9
-
0
.
1
5
1
5
0
.
0
3
0
8
0
.
6
7
0
1
0
.
0
0
4
1
-
0
.
1
2
9
9
0
.
0
2
0
9
0
.
6
7
3
5
0
.
0
0
2
7
-
0
.
1
2
6
5
0
.
0
1
8
7
0
.
6
7
8
2
0
.
0
0
2
2
-
0
.
1
2
1
8
0
.
0
1
7
0
0
.
6
8
0
2
0
.
0
0
1
1
-
0
.
1
1
9
8
0
.
0
1
5
5
0
.
6
8
0
2
0
.
0
0
1
1
-
0
.
1
1
9
8
0
.
0
1
5
5
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
7
8
6
3
0
.
0
1
8
1
-
0
.
0
1
3
7
0
.
0
1
8
3
0
.
7
6
1
8
0
.
0
0
8
2
-
0
.
0
3
8
2
0
.
0
0
9
6
0
.
7
4
7
5
0
.
0
0
5
9
-
0
.
0
5
2
5
0
.
0
0
8
7
0
.
7
4
4
0
0
.
0
0
4
4
-
0
.
0
5
6
0
0
.
0
0
7
5
0
.
7
3
2
2
0
.
0
0
2
0
-
0
.
0
6
7
8
0
.
0
0
6
6
0
.
7
3
2
2
0
.
0
0
2
0
-
0
.
0
6
7
8
0
.
0
0
6
6
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
8
7
0
1
0
.
0
6
0
1
0
.
0
7
0
1
0
.
0
6
5
0
0
.
8
3
0
9
0
.
0
2
2
6
0
.
0
3
0
9
0
.
0
2
3
5
0
.
8
0
3
7
0
.
0
1
6
0
0
.
0
0
3
7
0
.
0
1
6
0
0
.
7
9
6
8
0
.
0
1
2
0
-
0
.
0
0
3
2
0
.
0
1
2
0
0
.
7
8
3
7
0
.
0
0
4
7
-
0
.
0
1
6
3
0
.
0
0
5
0
0
.
7
8
3
7
0
.
0
0
4
7
-
0
.
0
1
6
3
0
.
0
0
5
0
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
4
8
3
4
0
.
0
0
0
2
-
0
.
3
1
6
6
0
.
1
0
0
5
0
.
4
9
6
0
0
.
0
0
0
0
-
0
.
3
0
4
0
0
.
0
9
2
5
0
.
4
9
7
5
0
.
0
0
0
0
-
0
.
3
0
2
5
0
.
0
9
1
5
0
.
4
9
8
2
0
.
0
0
0
0
-
0
.
3
0
1
8
0
.
0
9
1
1
0
.
4
9
9
4
0
.
0
0
0
0
-
0
.
3
0
0
6
0
.
0
9
0
4
0
.
4
9
9
4
0
.
0
0
0
0
-
0
.
3
0
0
6
0
.
0
9
0
4
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
1
4
2
7
0
.
0
3
6
9
-
0
.
6
5
7
3
0
.
4
6
9
0
0
.
2
7
3
6
0
.
0
5
3
4
-
0
.
5
2
6
4
0
.
3
3
0
5
0
.
3
2
4
4
0
.
0
5
0
0
-
0
.
4
7
5
6
0
.
2
7
6
2
0
.
3
4
3
3
0
.
0
4
8
8
-
0
.
4
5
6
7
0
.
2
5
7
4
0
.
3
5
5
3
0
.
0
5
0
1
-
0
.
4
4
4
7
0
.
2
4
7
9
0
.
3
5
5
3
0
.
0
5
0
1
-
0
.
4
4
4
7
0
.
2
4
7
9
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
4
4
6
6
0
.
0
0
1
8
-
0
.
3
5
3
4
0
.
1
2
6
7
0
.
4
8
5
2
0
.
0
0
0
3
-
0
.
3
1
4
8
0
.
0
9
9
3
0
.
4
9
0
5
0
.
0
0
0
1
-
0
.
3
0
9
5
0
.
0
9
5
9
0
.
4
9
3
7
0
.
0
0
0
0
-
0
.
3
0
6
3
0
.
0
9
3
9
0
.
4
9
8
3
0
.
0
0
0
0
-
0
.
3
0
1
7
0
.
0
9
1
0
0
.
4
9
8
3
0
.
0
0
0
0
-
0
.
3
0
1
7
0
.
0
9
1
0
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
5
1
9
0
.
0
0
9
6
-
0
.
7
4
8
1
0
.
5
6
9
2
0
.
1
0
8
5
0
.
0
2
8
0
-
0
.
6
9
1
5
0
.
5
0
6
2
0
.
1
3
1
6
0
.
0
3
4
9
-
0
.
6
6
8
4
0
.
4
8
1
7
0
.
1
5
2
0
0
.
0
4
0
8
-
0
.
6
4
8
0
0
.
4
6
0
7
0
.
2
6
9
7
0
.
0
5
5
1
-
0
.
5
3
0
3
0
.
3
3
6
3
0
.
2
6
9
7
0
.
0
5
5
1
-
0
.
5
3
0
3
0
.
3
3
6
3
T
a
b
e
l
a

4
.
3
.
8
E
s
t
i
m
a
d
o
r
d
=
0
.8
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.8
0
-
0
.6
0
-
0
.4
0
-
0
.2
0
0
.0
0
0
.2
0
0
.4
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
8
0
0
.0
0
0
.1
0
0
.2
0
0
.3
0
0
.4
0
0
.5
0
0
.6
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
8
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
0
.3
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
228
d
=
0
.
8
0
V
. A
g
r
e
g
a
d
a
V
A
0
.
3
4
1
2
0
.
0
4
3
5
-
0
.
5
5
8
8
0
.
3
5
5
8
0
.
3
7
2
8
0
.
0
2
2
0
-
0
.
5
2
7
2
0
.
3
0
0
0
0
.
3
9
5
0
0
.
0
1
4
7
-
0
.
5
0
5
0
0
.
2
6
9
7
0
.
4
0
1
5
0
.
0
1
2
2
-
0
.
4
9
8
5
0
.
2
6
0
8
0
.
4
2
5
4
0
.
0
0
6
6
-
0
.
4
7
4
6
0
.
2
3
1
8
0
.
4
2
5
4
0
.
0
0
6
6
-
0
.
4
7
4
6
0
.
2
3
1
8
V
. A
. D
i
f
e
r
e
n
c
i
a
d
a
V
A
D
1
.
0
5
9
8
0
.
2
8
0
4
0
.
1
5
9
8
0
.
3
0
5
9
1
.
0
8
7
4
0
.
0
9
9
7
0
.
1
8
7
4
0
.
1
3
4
8
1
.
0
5
0
8
0
.
0
6
5
4
0
.
1
5
0
8
0
.
0
8
8
1
1
.
0
9
1
4
0
.
0
5
3
0
0
.
1
9
1
4
0
.
0
8
9
7
1
.
0
2
9
3
0
.
0
2
4
1
0
.
1
2
9
3
0
.
0
4
0
8
1
.
0
2
9
3
0
.
0
2
4
1
0
.
1
2
9
3
0
.
0
4
0
8
V
a
l
. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
0
.
4
9
0
4
0
.
0
3
8
1
-
0
.
4
0
9
6
0
.
2
0
5
9
0
.
4
8
3
2
0
.
0
2
0
0
-
0
.
4
1
6
8
0
.
1
9
3
7
0
.
4
8
4
7
0
.
0
1
3
5
-
0
.
4
1
5
3
0
.
1
8
6
0
0
.
4
8
3
6
0
.
0
1
1
2
-
0
.
4
1
6
4
0
.
1
8
4
6
0
.
4
8
1
1
0
.
0
0
6
3
-
0
.
4
1
8
9
0
.
1
8
1
7
0
.
4
8
1
1
0
.
0
0
6
3
-
0
.
4
1
8
9
0
.
1
8
1
7
D
i
m
. F
r
a
c
t
a
l
D
F
0
.
3
1
4
6
0
.
0
2
9
1
-
0
.
5
8
5
4
0
.
3
7
1
8
0
.
3
6
4
4
0
.
0
1
5
9
-
0
.
5
3
5
6
0
.
3
0
2
8
0
.
3
7
8
2
0
.
0
1
2
3
-
0
.
5
2
1
8
0
.
2
8
4
6
0
.
3
9
0
8
0
.
0
1
0
1
-
0
.
5
0
9
2
0
.
2
6
9
4
0
.
4
3
4
3
0
.
0
0
2
3
-
0
.
4
6
5
7
0
.
2
1
9
1
0
.
4
3
4
3
0
.
0
0
2
3
-
0
.
4
6
5
7
0
.
2
1
9
1
V
a
r
. R
e
s
í
d
u
o
s
V
R
0
.
7
8
4
6
0
.
0
2
9
2
-
0
.
1
1
5
4
0
.
0
4
2
5
0
.
8
1
1
8
0
.
0
1
3
8
-
0
.
0
8
8
2
0
.
0
2
1
5
0
.
8
2
4
4
0
.
0
1
0
3
-
0
.
0
7
5
6
0
.
0
1
6
0
0
.
8
3
4
5
0
.
0
0
8
2
-
0
.
0
6
5
5
0
.
0
1
2
5
0
.
8
5
1
0
0
.
0
0
4
1
-
0
.
0
4
9
0
0
.
0
0
6
5
0
.
8
5
1
0
0
.
0
0
4
1
-
0
.
0
4
9
0
0
.
0
0
6
5
R
e
s
c
a
l
e
d
R
a
n
g
e
R
/
S
0
.
4
4
9
5
0
.
0
2
4
8
-
0
.
4
5
0
5
0
.
2
2
7
7
0
.
4
5
9
9
0
.
0
1
2
1
-
0
.
4
4
0
1
0
.
2
0
5
8
0
.
4
6
7
9
0
.
0
0
8
7
-
0
.
4
3
2
1
0
.
1
9
5
5
0
.
4
7
4
5
0
.
0
0
6
9
-
0
.
4
2
5
5
0
.
1
8
8
0
0
.
4
8
2
9
0
.
0
0
3
9
-
0
.
4
1
7
1
0
.
1
7
7
8
0
.
4
8
2
9
0
.
0
0
3
9
-
0
.
4
1
7
1
0
.
1
7
7
8
P
e
r
i
o
d
o
g
r
a
m
a
P
E
R
1
.
2
2
1
6
0
.
1
7
1
5
0
.
3
2
1
6
0
.
2
7
4
9
1
.
1
2
2
6
0
.
0
5
1
3
0
.
2
2
2
6
0
.
1
0
0
9
1
.
0
7
2
2
0
.
0
2
6
9
0
.
1
7
2
2
0
.
0
5
6
5
1
.
0
5
0
0
0
.
0
1
9
6
0
.
1
5
0
0
0
.
0
4
2
1
0
.
9
9
2
0
0
.
0
0
6
1
0
.
0
9
2
0
0
.
0
1
4
6
0
.
9
9
2
0
0
.
0
0
6
1
0
.
0
9
2
0
0
.
0
1
4
6
P
e
r
. S
u
a
v
i
z
a
d
o
M
P
0
.
8
0
6
7
0
.
0
3
7
0
-
0
.
0
9
3
3
0
.
0
4
5
8
0
.
7
9
2
7
0
.
0
1
4
1
-
0
.
1
0
7
3
0
.
0
2
5
6
0
.
7
9
3
9
0
.
0
0
8
5
-
0
.
1
0
6
1
0
.
0
1
9
8
0
.
7
9
9
7
0
.
0
0
5
9
-
0
.
1
0
0
3
0
.
0
1
5
9
0
.
8
2
0
6
0
.
0
0
2
6
-
0
.
0
7
9
4
0
.
0
0
9
0
0
.
8
2
0
6
0
.
0
0
2
6
-
0
.
0
7
9
4
0
.
0
0
9
0
W
h
i
t
t
l
e
L
o
c
a
l
W
H
L
0
.
7
8
1
7
0
.
0
0
7
1
-
0
.
1
1
8
3
0
.
0
2
1
1
0
.
7
9
3
1
0
.
0
0
3
4
-
0
.
1
0
6
9
0
.
0
1
4
9
0
.
7
9
6
4
0
.
0
0
2
3
-
0
.
1
0
3
6
0
.
0
1
3
0
0
.
8
0
0
3
0
.
0
0
1
9
-
0
.
0
9
9
7
0
.
0
1
1
8
0
.
8
0
4
2
0
.
0
0
1
0
-
0
.
0
9
5
8
0
.
0
1
0
1
0
.
8
0
4
2
0
.
0
0
1
0
-
0
.
0
9
5
8
0
.
0
1
0
1
O
n
d
a
l
e
t
a
s
W
L
S
E
0
.
9
0
8
9
0
.
0
1
8
1
0
.
0
0
8
9
0
.
0
1
8
2
0
.
8
8
1
2
0
.
0
0
7
1
-
0
.
0
1
8
8
0
.
0
0
7
5
0
.
8
6
8
6
0
.
0
0
5
3
-
0
.
0
3
1
4
0
.
0
0
6
3
0
.
8
6
7
0
0
.
0
0
4
0
-
0
.
0
3
3
0
0
.
0
0
5
1
0
.
8
5
7
5
0
.
0
0
1
7
-
0
.
0
4
2
5
0
.
0
0
3
6
0
.
8
5
7
5
0
.
0
0
1
7
-
0
.
0
4
2
5
0
.
0
0
3
6
O
n
d
a
l
e
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
9
7
6
8
0
.
0
6
2
3
0
.
0
7
6
8
0
.
0
6
8
2
0
.
9
3
7
7
0
.
0
1
9
2
0
.
0
3
7
7
0
.
0
2
0
6
0
.
9
1
7
8
0
.
0
1
4
3
0
.
0
1
7
8
0
.
0
1
4
6
0
.
9
1
3
2
0
.
0
1
0
4
0
.
0
1
3
2
0
.
0
1
0
6
0
.
8
9
9
6
0
.
0
0
3
9
-
0
.
0
0
0
4
0
.
0
0
3
9
0
.
8
9
9
6
0
.
0
0
3
9
-
0
.
0
0
0
4
0
.
0
0
3
9
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
4
9
3
1
0
.
0
0
0
0
-
0
.
4
0
6
9
0
.
1
6
5
6
0
.
4
9
8
2
0
.
0
0
0
0
-
0
.
4
0
1
8
0
.
1
6
1
4
0
.
4
9
8
8
0
.
0
0
0
0
-
0
.
4
0
1
2
0
.
1
6
0
9
0
.
4
9
9
2
0
.
0
0
0
0
-
0
.
4
0
0
8
0
.
1
6
0
7
0
.
4
9
9
7
0
.
0
0
0
0
-
0
.
4
0
0
3
0
.
1
6
0
2
0
.
4
9
9
7
0
.
0
0
0
0
-
0
.
4
0
0
3
0
.
1
6
0
2
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
0
2
6
2
0
.
0
0
6
8
-
0
.
8
7
3
8
0
.
7
7
0
3
0
.
0
2
6
5
0
.
0
1
0
9
-
0
.
8
7
3
5
0
.
7
7
3
9
0
.
0
2
9
4
0
.
0
1
2
9
-
0
.
8
7
0
6
0
.
7
7
0
9
0
.
0
1
0
1
0
.
0
0
4
7
-
0
.
8
8
9
9
0
.
7
9
6
6
0
.
0
0
0
0
0
.
0
0
0
0
-
0
.
9
0
0
0
0
.
8
0
9
9
0
.
0
0
0
0
0
.
0
0
0
0
-
0
.
9
0
0
0
0
.
8
0
9
9
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
4
7
3
3
0
.
0
0
0
6
-
0
.
4
2
6
7
0
.
1
8
2
7
0
.
4
9
2
2
0
.
0
0
0
0
-
0
.
4
0
7
8
0
.
1
6
6
3
0
.
4
9
5
0
0
.
0
0
0
0
-
0
.
4
0
5
0
0
.
1
6
4
0
0
.
4
9
6
7
0
.
0
0
0
0
-
0
.
4
0
3
3
0
.
1
6
2
7
0
.
4
9
9
2
0
.
0
0
0
0
-
0
.
4
0
0
8
0
.
1
6
0
6
0
.
4
9
9
2
0
.
0
0
0
0
-
0
.
4
0
0
8
0
.
1
6
0
6
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
5
8
3
0
.
0
0
7
6
-
0
.
8
4
1
7
0
.
7
1
6
1
0
.
0
6
6
4
0
.
0
1
5
1
-
0
.
8
3
3
6
0
.
7
1
0
1
0
.
0
5
9
3
0
.
0
1
6
1
-
0
.
8
4
0
7
0
.
7
2
3
0
0
.
0
4
1
7
0
.
0
1
2
3
-
0
.
8
5
8
3
0
.
7
4
8
9
0
.
0
1
1
7
0
.
0
0
4
9
-
0
.
8
8
8
3
0
.
7
9
3
9
0
.
0
1
1
7
0
.
0
0
4
9
-
0
.
8
8
8
3
0
.
7
9
3
9
T
a
b
e
l
a

4
.
3
.
9
E
s
t
i
m
a
d
o
r
d
=
0
.0
9
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
1
.0
0
-
0
.8
0
-
0
.6
0
-
0
.4
0
-
0
.2
0
0
.0
0
0
.2
0
0
.4
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
9
0
0
.0
0
0
.1
0
0
.2
0
0
.3
0
0
.4
0
0
.5
0
0
.6
0
0
.7
0
0
.8
0
0
.9
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
0
.
9
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
0
.3
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
229
d
=
0
.
9
0
V
. A
g
r
e
g
a
d
a
V
A
-
0
.
2
2
5
1
0
.
0
6
7
2
-
0
.
1
2
5
1
0
.
0
8
2
8
-
0
.
1
9
6
1
0
.
0
3
2
8
-
0
.
0
9
6
1
0
.
0
4
2
0
-
0
.
1
7
3
1
0
.
0
2
2
1
-
0
.
0
7
3
1
0
.
0
2
7
4
-
0
.
1
6
3
8
0
.
0
1
8
6
-
0
.
0
6
3
8
0
.
0
2
2
7
-
0
.
1
4
4
8
0
.
0
0
9
4
-
0
.
0
4
4
8
0
.
0
1
1
4
-
0
.
1
4
4
8
0
.
0
0
9
4
-
0
.
0
4
4
8
0
.
0
1
1
4
V
. A
. D
if
e
r
e
n
c
ia
d
a
V
A
D
0
.
0
3
7
1
0
.
1
5
8
1
0
.
1
3
7
1
0
.
1
7
6
9
0
.
0
9
7
0
0
.
0
5
2
9
0
.
1
9
7
0
0
.
0
9
1
7
0
.
0
9
3
6
0
.
0
3
1
2
0
.
1
9
3
6
0
.
0
6
8
6
0
.
1
0
3
8
0
.
0
2
7
1
0
.
2
0
3
8
0
.
0
6
8
6
0
.
0
7
4
8
0
.
0
1
0
7
0
.
1
7
4
8
0
.
0
4
1
3
0
.
0
7
4
8
0
.
0
1
0
7
0
.
1
7
4
8
0
.
0
4
1
3
V
a
l. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
-
0
.
0
5
6
3
0
.
0
6
9
7
0
.
0
4
3
7
0
.
0
7
1
7
-
0
.
0
7
1
8
0
.
0
3
3
6
0
.
0
2
8
2
0
.
0
3
4
4
-
0
.
0
7
0
1
0
.
0
2
2
2
0
.
0
2
9
9
0
.
0
2
3
1
-
0
.
0
6
9
9
0
.
0
1
8
7
0
.
0
3
0
1
0
.
0
1
9
6
-
0
.
0
8
1
4
0
.
0
0
9
4
0
.
0
1
8
6
0
.
0
0
9
7
-
0
.
0
8
1
4
0
.
0
0
9
4
0
.
0
1
8
6
0
.
0
0
9
7
D
im
. F
r
a
c
t
a
l
D
F
-
0
.
1
7
3
3
0
.
0
2
3
6
-
0
.
0
7
3
3
0
.
0
2
9
0
-
0
.
1
5
6
0
0
.
0
1
3
5
-
0
.
0
5
6
0
0
.
0
1
6
6
-
0
.
1
5
1
9
0
.
0
0
9
9
-
0
.
0
5
1
9
0
.
0
1
2
6
-
0
.
1
4
4
8
0
.
0
0
8
1
-
0
.
0
4
4
8
0
.
0
1
0
1
-
0
.
1
2
8
8
0
.
0
0
3
1
-
0
.
0
2
8
8
0
.
0
0
3
9
-
0
.
1
2
8
8
0
.
0
0
3
1
-
0
.
0
2
8
8
0
.
0
0
3
9
V
a
r
. R
e
s
í
d
u
o
s
V
R
-
0
.
1
1
8
7
0
.
0
0
8
1
-
0
.
0
1
8
7
0
.
0
0
8
4
-
0
.
1
1
6
3
0
.
0
0
4
1
-
0
.
0
1
6
3
0
.
0
0
4
4
-
0
.
1
1
4
0
0
.
0
0
2
8
-
0
.
0
1
4
0
0
.
0
0
3
0
-
0
.
1
1
3
0
0
.
0
0
2
3
-
0
.
0
1
3
0
0
.
0
0
2
4
-
0
.
1
1
0
9
0
.
0
0
1
2
-
0
.
0
1
0
9
0
.
0
0
1
3
-
0
.
1
1
0
9
0
.
0
0
1
2
-
0
.
0
1
0
9
0
.
0
0
1
3
R
e
s
c
a
le
d
R
a
n
g
e
R
/
S
0
.
0
4
1
3
0
.
0
2
6
5
0
.
1
4
1
3
0
.
0
4
6
5
0
.
0
1
8
4
0
.
0
1
5
0
0
.
1
1
8
4
0
.
0
2
9
0
0
.
0
1
6
5
0
.
0
1
1
4
0
.
1
1
6
5
0
.
0
2
4
9
0
.
0
0
4
7
0
.
0
0
9
4
0
.
1
0
4
7
0
.
0
2
0
4
-
0
.
0
0
7
1
0
.
0
0
6
0
0
.
0
9
2
9
0
.
0
1
4
6
-
0
.
0
0
7
1
0
.
0
0
6
0
0
.
0
9
2
9
0
.
0
1
4
6
P
e
r
io
d
o
g
r
a
m
a
P
E
R
-
0
.
1
4
8
7
0
.
1
7
5
7
-
0
.
0
4
8
7
0
.
1
7
8
1
-
0
.
1
3
3
0
0
.
0
4
8
4
-
0
.
0
3
3
0
0
.
0
4
9
5
-
0
.
1
1
4
7
0
.
0
2
7
1
-
0
.
0
1
4
7
0
.
0
2
7
3
-
0
.
1
1
5
1
0
.
0
1
9
3
-
0
.
0
1
5
1
0
.
0
1
9
5
-
0
.
1
1
4
4
0
.
0
0
6
4
-
0
.
0
1
4
4
0
.
0
0
6
6
-
0
.
1
1
4
4
0
.
0
0
6
4
-
0
.
0
1
4
4
0
.
0
0
6
6
P
e
r
. S
u
a
v
iz
a
d
o
M
P
-
0
.
2
1
7
3
0
.
0
3
5
1
-
0
.
1
1
7
3
0
.
0
4
8
8
-
0
.
2
3
3
5
0
.
0
1
4
5
-
0
.
1
3
3
5
0
.
0
3
2
4
-
0
.
2
2
7
4
0
.
0
0
7
2
-
0
.
1
2
7
4
0
.
0
2
3
4
-
0
.
2
2
7
0
0
.
0
0
4
7
-
0
.
1
2
7
0
0
.
0
2
0
8
-
0
.
2
1
4
7
0
.
0
0
1
8
-
0
.
1
1
4
7
0
.
0
1
4
9
-
0
.
2
1
4
7
0
.
0
0
1
8
-
0
.
1
1
4
7
0
.
0
1
4
9
W
h
it
t
le
L
o
c
a
l
W
H
L
-
0
.
1
2
5
8
0
.
0
0
6
6
-
0
.
0
2
5
8
0
.
0
0
7
2
-
0
.
1
2
1
3
0
.
0
0
2
9
-
0
.
0
2
1
3
0
.
0
0
3
4
-
0
.
1
1
7
6
0
.
0
0
2
0
-
0
.
0
1
7
6
0
.
0
0
2
3
-
0
.
1
1
6
8
0
.
0
0
1
4
-
0
.
0
1
6
8
0
.
0
0
1
7
-
0
.
1
1
8
5
0
.
0
0
0
6
-
0
.
0
1
8
5
0
.
0
0
0
9
-
0
.
1
1
8
5
0
.
0
0
0
6
-
0
.
0
1
8
5
0
.
0
0
0
9
O
n
d
a
le
t
a
s
W
L
S
E
-
0
.
0
3
3
5
0
.
0
1
0
7
0
.
0
6
6
5
0
.
0
1
5
1
-
0
.
0
8
3
1
0
.
0
0
5
3
0
.
0
1
6
9
0
.
0
0
5
6
-
0
.
0
9
0
4
0
.
0
0
3
5
0
.
0
0
9
6
0
.
0
0
3
6
-
0
.
0
9
4
5
0
.
0
0
2
8
0
.
0
0
5
5
0
.
0
0
2
8
-
0
.
1
0
6
6
0
.
0
0
1
2
-
0
.
0
0
6
6
0
.
0
0
1
2
-
0
.
1
0
6
6
0
.
0
0
1
2
-
0
.
0
0
6
6
0
.
0
0
1
2
O
n
d
a
le
t
a
s
P
o
n
d
.
W
W
L
S
E
0
.
0
3
3
2
0
.
0
3
9
7
0
.
1
3
3
2
0
.
0
5
7
5
-
0
.
0
6
6
3
0
.
0
1
9
2
0
.
0
3
3
7
0
.
0
2
0
3
-
0
.
0
7
7
8
0
.
0
1
1
8
0
.
0
2
2
2
0
.
0
1
2
3
-
0
.
0
8
4
6
0
.
0
0
8
8
0
.
0
1
5
4
0
.
0
0
9
0
-
0
.
1
0
0
2
0
.
0
0
3
7
-
0
.
0
0
0
2
0
.
0
0
3
7
-
0
.
1
0
0
2
0
.
0
0
3
7
-
0
.
0
0
0
2
0
.
0
0
3
7
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
0
0
0
8
0
.
0
0
0
1
0
.
1
0
0
8
0
.
0
1
0
2
0
.
0
0
0
1
0
.
0
0
0
0
0
.
1
0
0
1
0
.
0
1
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
1
0
0
0
0
.
0
1
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
1
0
0
0
0
.
0
1
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
1
0
0
0
0
.
0
1
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
1
0
0
0
0
.
0
1
0
0
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
0
0
5
8
0
.
0
0
0
5
0
.
1
0
5
8
0
.
0
1
1
7
0
.
0
0
1
2
0
.
0
0
0
1
0
.
1
0
1
2
0
.
0
1
0
3
0
.
0
0
0
7
0
.
0
0
0
0
0
.
1
0
0
7
0
.
0
1
0
2
0
.
0
0
0
3
0
.
0
0
0
0
0
.
1
0
0
3
0
.
0
1
0
1
0
.
0
0
0
0
0
.
0
0
0
0
0
.
1
0
0
0
0
.
0
1
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
1
0
0
0
0
.
0
1
0
0
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
0
1
0
2
0
.
0
0
1
7
0
.
1
1
0
2
0
.
0
1
3
8
0
.
0
0
4
5
0
.
0
0
0
9
0
.
1
0
4
5
0
.
0
1
1
8
0
.
0
0
1
9
0
.
0
0
0
1
0
.
1
0
1
9
0
.
0
1
0
5
0
.
0
0
1
3
0
.
0
0
0
2
0
.
1
0
1
3
0
.
0
1
0
4
0
.
0
0
0
1
0
.
0
0
0
0
0
.
1
0
0
1
0
.
0
1
0
0
0
.
0
0
0
1
0
.
0
0
0
0
0
.
1
0
0
1
0
.
0
1
0
0
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
2
4
3
0
.
0
0
4
3
0
.
1
2
4
3
0
.
0
1
9
7
0
.
0
1
9
2
0
.
0
0
3
3
0
.
1
1
9
2
0
.
0
1
7
5
0
.
0
1
0
6
0
.
0
0
1
1
0
.
1
1
0
6
0
.
0
1
3
4
0
.
0
0
8
6
0
.
0
0
0
9
0
.
1
0
8
6
0
.
0
1
2
7
0
.
0
0
3
0
0
.
0
0
0
2
0
.
1
0
3
0
0
.
0
1
0
8
0
.
0
0
3
0
0
.
0
0
0
2
0
.
1
0
3
0
0
.
0
1
0
8
T
a
b
e
l
a

4
.
3
.
1
0
E
s
t
i
m
a
d
o
r
d
=
-
0
.1
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.1
5
-
0
.1
0
-
0
.0
5
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(
0
,d
,0
)
(
1
,d
,0
)
(
0
,d
,1
)
(
1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
1
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(
0
,d
,0
)
(
1
,d
,0
)
(
0
,d
,1
)
(
1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
1
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
1
0
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
230
V
. A
g
r
e
g
a
d
a
V
A
-
0
.
3
1
3
1
0
.
0
6
6
7
-
0
.
1
1
3
1
0
.
0
7
9
5
-
0
.
2
8
3
5
0
.
0
2
9
0
-
0
.
0
8
3
5
0
.
0
3
6
0
-
0
.
2
6
3
8
0
.
0
1
8
4
-
0
.
0
6
3
8
0
.
0
2
2
4
-
0
.
2
5
8
3
0
.
0
1
7
4
-
0
.
0
5
8
3
0
.
0
2
0
8
-
0
.
2
3
4
3
0
.
0
0
7
5
-
0
.
0
3
4
3
0
.
0
0
8
7
-
0
.
2
3
4
3
0
.
0
0
7
5
-
0
.
0
3
4
3
0
.
0
0
8
7
V
. A
. D
if
e
r
e
n
c
ia
d
a
V
A
D
-
0
.
0
2
4
8
0
.
1
3
8
3
0
.
1
7
5
2
0
.
1
6
9
0
0
.
0
0
4
7
0
.
0
5
1
4
0
.
2
0
4
7
0
.
0
9
3
3
-
0
.
0
0
3
6
0
.
0
2
6
6
0
.
1
9
6
4
0
.
0
6
5
2
-
0
.
0
0
4
6
0
.
0
2
4
8
0
.
1
9
5
4
0
.
0
6
3
0
-
0
.
0
2
2
4
0
.
0
1
0
8
0
.
1
7
7
6
0
.
0
4
2
3
-
0
.
0
2
2
4
0
.
0
1
0
8
0
.
1
7
7
6
0
.
0
4
2
3
V
a
l. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
-
0
.
1
4
5
5
0
.
0
6
9
3
0
.
0
5
4
5
0
.
0
7
2
3
-
0
.
1
5
8
7
0
.
0
2
9
3
0
.
0
4
1
3
0
.
0
3
1
0
-
0
.
1
6
1
0
0
.
0
1
8
6
0
.
0
3
9
0
0
.
0
2
0
2
-
0
.
1
6
4
5
0
.
0
1
7
4
0
.
0
3
5
5
0
.
0
1
8
7
-
0
.
1
7
1
2
0
.
0
0
7
5
0
.
0
2
8
8
0
.
0
0
8
4
-
0
.
1
7
1
2
0
.
0
0
7
5
0
.
0
2
8
8
0
.
0
0
8
4
D
im
. F
r
a
c
t
a
l
D
F
-
0
.
2
5
4
8
0
.
0
1
7
9
-
0
.
0
5
4
8
0
.
0
2
0
9
-
0
.
2
4
3
6
0
.
0
1
0
0
-
0
.
0
4
3
6
0
.
0
1
1
9
-
0
.
2
3
9
6
0
.
0
0
6
9
-
0
.
0
3
9
6
0
.
0
0
8
4
-
0
.
2
3
5
0
0
.
0
0
5
9
-
0
.
0
3
5
0
0
.
0
0
7
1
-
0
.
2
2
4
3
0
.
0
0
2
4
-
0
.
0
2
4
3
0
.
0
0
2
9
-
0
.
2
2
4
3
0
.
0
0
2
4
-
0
.
0
2
4
3
0
.
0
0
2
9
V
a
r
. R
e
s
í
d
u
o
s
V
R
-
0
.
2
0
1
1
0
.
0
0
5
7
-
0
.
0
0
1
1
0
.
0
0
5
7
-
0
.
2
0
5
5
0
.
0
0
3
0
-
0
.
0
0
5
5
0
.
0
0
3
0
-
0
.
2
0
8
8
0
.
0
0
2
0
-
0
.
0
0
8
8
0
.
0
0
2
1
-
0
.
2
0
7
8
0
.
0
0
1
5
-
0
.
0
0
7
8
0
.
0
0
1
6
-
0
.
2
0
6
9
0
.
0
0
0
8
-
0
.
0
0
6
9
0
.
0
0
0
9
-
0
.
2
0
6
9
0
.
0
0
0
8
-
0
.
0
0
6
9
0
.
0
0
0
9
R
e
s
c
a
le
d
R
a
n
g
e
R
/
S
-
0
.
0
1
0
1
0
.
0
2
6
1
0
.
1
8
9
9
0
.
0
6
2
2
-
0
.
0
4
1
2
0
.
0
1
2
0
0
.
1
5
8
8
0
.
0
3
7
2
-
0
.
0
5
2
9
0
.
0
0
9
6
0
.
1
4
7
1
0
.
0
3
1
2
-
0
.
0
5
7
0
0
.
0
0
8
2
0
.
1
4
3
0
0
.
0
2
8
7
-
0
.
0
7
9
2
0
.
0
0
4
6
0
.
1
2
0
8
0
.
0
1
9
2
-
0
.
0
7
9
2
0
.
0
0
4
6
0
.
1
2
0
8
0
.
0
1
9
2
P
e
r
io
d
o
g
r
a
m
a
P
E
R
-
0
.
2
6
1
7
0
.
1
7
4
7
-
0
.
0
6
1
7
0
.
1
7
8
5
-
0
.
2
4
5
8
0
.
0
5
1
4
-
0
.
0
4
5
8
0
.
0
5
3
5
-
0
.
2
4
3
5
0
.
0
2
8
3
-
0
.
0
4
3
5
0
.
0
3
0
2
-
0
.
2
3
5
6
0
.
0
1
7
9
-
0
.
0
3
5
6
0
.
0
1
9
2
-
0
.
2
2
3
0
0
.
0
0
5
9
-
0
.
0
2
3
0
0
.
0
0
6
4
-
0
.
2
2
3
0
0
.
0
0
5
9
-
0
.
0
2
3
0
0
.
0
0
6
4
P
e
r
. S
u
a
v
iz
a
d
o
M
P
-
0
.
3
6
1
1
0
.
0
3
5
9
-
0
.
1
6
1
1
0
.
0
6
1
8
-
0
.
3
7
1
7
0
.
0
1
5
3
-
0
.
1
7
1
7
0
.
0
4
4
8
-
0
.
3
6
8
2
0
.
0
0
8
2
-
0
.
1
6
8
2
0
.
0
3
6
5
-
0
.
3
5
9
3
0
.
0
0
4
5
-
0
.
1
5
9
3
0
.
0
2
9
8
-
0
.
3
3
5
4
0
.
0
0
1
6
-
0
.
1
3
5
4
0
.
0
2
0
0
-
0
.
3
3
5
4
0
.
0
0
1
6
-
0
.
1
3
5
4
0
.
0
2
0
0
W
h
it
t
le
L
o
c
a
l
W
H
L
-
0
.
2
4
5
5
0
.
0
0
6
4
-
0
.
0
4
5
5
0
.
0
0
8
5
-
0
.
2
4
3
7
0
.
0
0
3
1
-
0
.
0
4
3
7
0
.
0
0
5
0
-
0
.
2
4
5
7
0
.
0
0
2
0
-
0
.
0
4
5
7
0
.
0
0
4
1
-
0
.
2
4
3
7
0
.
0
0
1
3
-
0
.
0
4
3
7
0
.
0
0
3
2
-
0
.
2
4
0
7
0
.
0
0
0
6
-
0
.
0
4
0
7
0
.
0
0
2
2
-
0
.
2
4
0
7
0
.
0
0
0
6
-
0
.
0
4
0
7
0
.
0
0
2
2
O
n
d
a
le
t
a
s
W
L
S
E
-
0
.
1
3
9
1
0
.
0
1
0
0
0
.
0
6
0
9
0
.
0
1
3
7
-
0
.
1
9
2
1
0
.
0
0
5
2
0
.
0
0
7
9
0
.
0
0
5
3
-
0
.
2
0
7
2
0
.
0
0
3
5
-
0
.
0
0
7
2
0
.
0
0
3
6
-
0
.
2
1
2
0
0
.
0
0
2
5
-
0
.
0
1
2
0
0
.
0
0
2
6
-
0
.
2
2
1
5
0
.
0
0
1
0
-
0
.
0
2
1
5
0
.
0
0
1
5
-
0
.
2
2
1
5
0
.
0
0
1
0
-
0
.
0
2
1
5
0
.
0
0
1
5
O
n
d
a
le
t
a
s
P
o
n
d
.
W
W
L
S
E
-
0
.
0
6
6
4
0
.
0
3
7
9
0
.
1
3
3
6
0
.
0
5
5
8
-
0
.
1
6
3
8
0
.
0
1
7
2
0
.
0
3
6
2
0
.
0
1
8
5
-
0
.
1
8
8
2
0
.
0
1
1
7
0
.
0
1
1
8
0
.
0
1
1
9
-
0
.
1
9
5
4
0
.
0
0
8
5
0
.
0
0
4
6
0
.
0
0
8
5
-
0
.
2
1
3
9
0
.
0
0
3
2
-
0
.
0
1
3
9
0
.
0
0
3
4
-
0
.
2
1
3
9
0
.
0
0
3
2
-
0
.
0
1
3
9
0
.
0
0
3
4
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
0
0
0
5
0
.
0
0
0
0
0
.
2
0
0
5
0
.
0
4
0
2
0
.
0
0
0
2
0
.
0
0
0
0
0
.
2
0
0
2
0
.
0
4
0
1
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
2
0
0
0
0
.
0
4
0
0
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
0
1
9
4
0
.
0
0
5
7
0
.
2
1
9
4
0
.
0
5
3
8
0
.
0
1
6
1
0
.
0
0
5
7
0
.
2
1
6
1
0
.
0
5
2
4
0
.
0
1
3
2
0
.
0
0
5
3
0
.
2
1
3
2
0
.
0
5
0
8
0
.
0
1
3
7
0
.
0
0
5
9
0
.
2
1
3
7
0
.
0
5
1
6
0
.
0
0
3
0
0
.
0
0
1
4
0
.
2
0
3
0
0
.
0
4
2
6
0
.
0
0
3
0
0
.
0
0
1
4
0
.
2
0
3
0
0
.
0
4
2
6
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
1
7
4
0
.
0
0
4
5
0
.
2
1
7
4
0
.
0
5
1
8
0
.
0
0
7
1
0
.
0
0
1
6
0
.
2
0
7
1
0
.
0
4
4
5
0
.
0
0
3
5
0
.
0
0
0
7
0
.
2
0
3
5
0
.
0
4
2
1
0
.
0
0
2
5
0
.
0
0
0
5
0
.
2
0
2
5
0
.
0
4
1
5
0
.
0
0
0
2
0
.
0
0
0
0
0
.
2
0
0
2
0
.
0
4
0
1
0
.
0
0
0
2
0
.
0
0
0
0
0
.
2
0
0
2
0
.
0
4
0
1
T
a
b
e
l
a

4
.
3
.
1
1
E
s
t
i
m
a
d
o
r
d
=
-
0
.2
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.2
0
-
0
.1
5
-
0
.1
0
-
0
.0
5
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
2
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
2
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
2
0
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
231
V
. A
g
r
e
g
a
d
a
V
A
-
0
.
4
1
3
1
0
.
0
5
7
2
-
0
.
1
1
3
1
0
.
0
7
0
0
-
0
.
3
6
5
1
0
.
0
2
5
1
-
0
.
0
6
5
1
0
.
0
2
9
4
-
0
.
3
5
6
6
0
.
0
1
5
3
-
0
.
0
5
6
6
0
.
0
1
8
5
-
0
.
3
4
3
7
0
.
0
1
3
7
-
0
.
0
4
3
7
0
.
0
1
5
6
-
0
.
3
3
1
0
0
.
0
0
5
8
-
0
.
0
3
1
0
0
.
0
0
6
8
-
0
.
3
3
1
0
0
.
0
0
5
8
-
0
.
0
3
1
0
0
.
0
0
6
8
V
. A
. D
if
e
r
e
n
c
ia
d
a
V
A
D
-
0
.
1
2
9
9
0
.
1
2
4
3
0
.
1
7
0
1
0
.
1
5
3
2
-
0
.
0
9
3
0
0
.
0
5
0
1
0
.
2
0
7
0
0
.
0
9
3
0
-
0
.
0
9
8
4
0
.
0
3
1
0
0
.
2
0
1
6
0
.
0
7
1
7
-
0
.
0
9
8
1
0
.
0
2
2
7
0
.
2
0
1
9
0
.
0
6
3
5
-
0
.
1
2
0
3
0
.
0
0
8
8
0
.
1
7
9
7
0
.
0
4
1
1
-
0
.
1
2
0
3
0
.
0
0
8
8
0
.
1
7
9
7
0
.
0
4
1
1
V
a
l. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
-
0
.
2
4
5
4
0
.
0
5
9
7
0
.
0
5
4
6
0
.
0
6
2
6
-
0
.
2
4
0
7
0
.
0
2
5
3
0
.
0
5
9
3
0
.
0
2
8
8
-
0
.
2
5
4
9
0
.
0
1
5
4
0
.
0
4
5
1
0
.
0
1
7
4
-
0
.
2
4
9
6
0
.
0
1
3
9
0
.
0
5
0
4
0
.
0
1
6
4
-
0
.
2
6
6
8
0
.
0
0
5
9
0
.
0
3
3
2
0
.
0
0
7
0
-
0
.
2
6
6
8
0
.
0
0
5
9
0
.
0
3
3
2
0
.
0
0
7
0
D
im
. F
r
a
c
t
a
l
D
F
-
0
.
3
4
3
9
0
.
0
1
3
1
-
0
.
0
4
3
9
0
.
0
1
5
0
-
0
.
3
4
0
8
0
.
0
0
6
4
-
0
.
0
4
0
8
0
.
0
0
8
1
-
0
.
3
3
6
5
0
.
0
0
4
5
-
0
.
0
3
6
5
0
.
0
0
5
8
-
0
.
3
2
9
9
0
.
0
0
3
9
-
0
.
0
2
9
9
0
.
0
0
4
8
-
0
.
3
1
8
0
0
.
0
0
1
6
-
0
.
0
1
8
0
0
.
0
0
1
9
-
0
.
3
1
8
0
0
.
0
0
1
6
-
0
.
0
1
8
0
0
.
0
0
1
9
V
a
r
. R
e
s
í
d
u
o
s
V
R
-
0
.
2
8
5
5
0
.
0
0
4
0
0
.
0
1
4
5
0
.
0
0
4
2
-
0
.
2
9
3
7
0
.
0
0
1
7
0
.
0
0
6
3
0
.
0
0
1
8
-
0
.
2
9
6
1
0
.
0
0
1
2
0
.
0
0
3
9
0
.
0
0
1
3
-
0
.
2
9
8
4
0
.
0
0
1
0
0
.
0
0
1
6
0
.
0
0
1
0
-
0
.
2
9
9
2
0
.
0
0
0
5
0
.
0
0
0
8
0
.
0
0
0
5
-
0
.
2
9
9
2
0
.
0
0
0
5
0
.
0
0
0
8
0
.
0
0
0
5
R
e
s
c
a
le
d
R
a
n
g
e
R
/
S
-
0
.
0
7
7
0
0
.
0
2
2
8
0
.
2
2
3
0
0
.
0
7
2
5
-
0
.
1
1
2
2
0
.
0
1
0
9
0
.
1
8
7
8
0
.
0
4
6
2
-
0
.
1
2
5
7
0
.
0
0
8
0
0
.
1
7
4
3
0
.
0
3
8
4
-
0
.
1
3
0
7
0
.
0
0
7
0
0
.
1
6
9
3
0
.
0
3
5
7
-
0
.
1
5
4
6
0
.
0
0
3
8
0
.
1
4
5
4
0
.
0
2
4
9
-
0
.
1
5
4
6
0
.
0
0
3
8
0
.
1
4
5
4
0
.
0
2
4
9
P
e
r
io
d
o
g
r
a
m
a
P
E
R
-
0
.
4
1
6
8
0
.
1
8
9
5
-
0
.
1
1
6
8
0
.
2
0
3
2
-
0
.
3
8
3
2
0
.
0
5
2
9
-
0
.
0
8
3
2
0
.
0
5
9
9
-
0
.
3
7
0
3
0
.
0
2
7
9
-
0
.
0
7
0
3
0
.
0
3
2
8
-
0
.
3
6
6
9
0
.
0
1
8
8
-
0
.
0
6
6
9
0
.
0
2
3
3
-
0
.
3
4
4
7
0
.
0
0
6
0
-
0
.
0
4
4
7
0
.
0
0
8
0
-
0
.
3
4
4
7
0
.
0
0
6
0
-
0
.
0
4
4
7
0
.
0
0
8
0
P
e
r
. S
u
a
v
iz
a
d
o
M
P
-
0
.
5
2
5
6
0
.
0
3
5
7
-
0
.
2
2
5
6
0
.
0
8
6
6
-
0
.
5
1
7
7
0
.
0
1
3
8
-
0
.
2
1
7
7
0
.
0
6
1
2
-
0
.
5
1
5
4
0
.
0
0
7
7
-
0
.
2
1
5
4
0
.
0
5
4
1
-
0
.
5
0
5
5
0
.
0
0
5
1
-
0
.
2
0
5
5
0
.
0
4
7
3
-
0
.
4
6
9
0
0
.
0
0
1
6
-
0
.
1
6
9
0
0
.
0
3
0
2
-
0
.
4
6
9
0
0
.
0
0
1
6
-
0
.
1
6
9
0
0
.
0
3
0
2
W
h
it
t
le
L
o
c
a
l
W
H
L
-
0
.
3
8
2
5
0
.
0
0
7
1
-
0
.
0
8
2
5
0
.
0
1
3
9
-
0
.
3
8
0
5
0
.
0
0
3
3
-
0
.
0
8
0
5
0
.
0
0
9
8
-
0
.
3
7
8
9
0
.
0
0
2
2
-
0
.
0
7
8
9
0
.
0
0
8
4
-
0
.
3
7
8
3
0
.
0
0
1
5
-
0
.
0
7
8
3
0
.
0
0
7
6
-
0
.
3
7
4
7
0
.
0
0
0
5
-
0
.
0
7
4
7
0
.
0
0
6
1
-
0
.
3
7
4
7
0
.
0
0
0
5
-
0
.
0
7
4
7
0
.
0
0
6
1
O
n
d
a
le
t
a
s
W
L
S
E
-
0
.
2
6
0
7
0
.
0
0
9
6
0
.
0
3
9
3
0
.
0
1
1
2
-
0
.
3
1
6
0
0
.
0
0
4
8
-
0
.
0
1
6
0
0
.
0
0
5
1
-
0
.
3
2
8
3
0
.
0
0
3
2
-
0
.
0
2
8
3
0
.
0
0
4
0
-
0
.
3
3
6
7
0
.
0
0
2
3
-
0
.
0
3
6
7
0
.
0
0
3
6
-
0
.
3
4
6
1
0
.
0
0
0
9
-
0
.
0
4
6
1
0
.
0
0
3
1
-
0
.
3
4
6
1
0
.
0
0
0
9
-
0
.
0
4
6
1
0
.
0
0
3
1
O
n
d
a
le
t
a
s
P
o
n
d
.
W
W
L
S
E
-
0
.
1
8
2
3
0
.
0
3
5
8
0
.
1
1
7
7
0
.
0
4
9
6
-
0
.
2
8
6
4
0
.
0
1
6
4
0
.
0
1
3
6
0
.
0
1
6
6
-
0
.
3
0
4
1
0
.
0
1
0
1
-
0
.
0
0
4
1
0
.
0
1
0
1
-
0
.
3
1
7
3
0
.
0
0
7
7
-
0
.
0
1
7
3
0
.
0
0
8
0
-
0
.
3
3
3
4
0
.
0
0
2
9
-
0
.
0
3
3
4
0
.
0
0
4
1
-
0
.
3
3
3
4
0
.
0
0
2
9
-
0
.
0
3
3
4
0
.
0
0
4
1
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
3
0
0
0
0
.
0
9
0
0
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
0
4
5
1
0
.
0
1
1
1
0
.
3
4
5
1
0
.
1
3
0
2
0
.
0
7
8
4
0
.
0
2
0
1
0
.
3
7
8
4
0
.
1
6
3
4
0
.
1
0
4
3
0
.
0
2
7
2
0
.
4
0
4
3
0
.
1
9
0
6
0
.
1
2
8
5
0
.
0
3
2
8
0
.
4
2
8
5
0
.
2
1
6
4
0
.
2
2
3
0
0
.
0
4
5
3
0
.
5
2
3
0
0
.
3
1
8
8
0
.
2
2
3
0
0
.
0
4
5
3
0
.
5
2
3
0
0
.
3
1
8
8
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
1
5
7
0
.
0
0
4
0
0
.
3
1
5
7
0
.
1
0
3
6
0
.
0
1
1
1
0
.
0
0
3
0
0
.
3
1
1
1
0
.
0
9
9
8
0
.
0
1
5
4
0
.
0
0
4
8
0
.
3
1
5
4
0
.
1
0
4
2
0
.
0
1
0
6
0
.
0
0
3
7
0
.
3
1
0
6
0
.
1
0
0
2
0
.
0
2
5
4
0
.
0
1
0
0
0
.
3
2
5
4
0
.
1
1
6
0
0
.
0
2
5
4
0
.
0
1
0
0
0
.
3
2
5
4
0
.
1
1
6
0
T
a
b
e
l
a

4
.
3
.
1
2
E
s
t
i
m
a
d
o
r
d
=
-
0
.3
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.3
0
-
0
.2
0
-
0
.1
0
0
.0
0
0
.1
0
0
.2
0
0
.3
0
0
.4
0
0
.5
0
0
.6
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
3
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
0
.3
0
0
.3
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
3
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
3
0
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
232
V
. A
g
r
e
g
a
d
a
V
A
-
0
.
4
9
4
6
0
.
0
4
7
1
-
0
.
0
9
4
6
0
.
0
5
6
0
-
0
.
4
6
3
9
0
.
0
1
7
6
-
0
.
0
6
3
9
0
.
0
2
1
7
-
0
.
4
4
5
2
0
.
0
1
1
0
-
0
.
0
4
5
2
0
.
0
1
3
0
-
0
.
4
4
8
0
0
.
0
0
9
6
-
0
.
0
4
8
0
0
.
0
1
2
0
-
0
.
4
2
5
8
0
.
0
0
4
2
-
0
.
0
2
5
8
0
.
0
0
4
8
-
0
.
4
2
5
8
0
.
0
0
4
2
-
0
.
0
2
5
8
0
.
0
0
4
8
V
. A
. D
if
e
r
e
n
c
ia
d
a
V
A
D
-
0
.
2
1
1
7
0
.
1
4
1
0
0
.
1
8
8
3
0
.
1
7
6
4
-
0
.
1
8
8
5
0
.
0
4
8
0
0
.
2
1
1
5
0
.
0
9
2
7
-
0
.
2
0
4
6
0
.
0
2
7
0
0
.
1
9
5
4
0
.
0
6
5
2
-
0
.
2
0
0
1
0
.
0
2
1
4
0
.
1
9
9
9
0
.
0
6
1
3
-
0
.
2
2
6
6
0
.
0
0
9
1
0
.
1
7
3
4
0
.
0
3
9
2
-
0
.
2
2
6
6
0
.
0
0
9
1
0
.
1
7
3
4
0
.
0
3
9
2
V
a
l. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
-
0
.
3
2
9
8
0
.
0
4
8
2
0
.
0
7
0
2
0
.
0
5
3
2
-
0
.
3
4
0
7
0
.
0
1
7
8
0
.
0
5
9
3
0
.
0
2
1
3
-
0
.
3
4
2
2
0
.
0
1
1
2
0
.
0
5
7
8
0
.
0
1
4
5
-
0
.
3
5
3
9
0
.
0
0
9
7
0
.
0
4
6
1
0
.
0
1
1
8
-
0
.
3
6
1
6
0
.
0
0
4
2
0
.
0
3
8
4
0
.
0
0
5
7
-
0
.
3
6
1
6
0
.
0
0
4
2
0
.
0
3
8
4
0
.
0
0
5
7
D
im
. F
r
a
c
t
a
l
D
F
-
0
.
4
3
1
4
0
.
0
0
7
1
-
0
.
0
3
1
4
0
.
0
0
8
1
-
0
.
4
2
3
8
0
.
0
0
3
5
-
0
.
0
2
3
8
0
.
0
0
4
1
-
0
.
4
2
3
3
0
.
0
0
2
5
-
0
.
0
2
3
3
0
.
0
0
3
0
-
0
.
4
1
9
4
0
.
0
0
2
0
-
0
.
0
1
9
4
0
.
0
0
2
3
-
0
.
4
1
1
7
0
.
0
0
0
9
-
0
.
0
1
1
7
0
.
0
0
1
0
-
0
.
4
1
1
7
0
.
0
0
0
9
-
0
.
0
1
1
7
0
.
0
0
1
0
V
a
r
. R
e
s
í
d
u
o
s
V
R
-
0
.
3
6
9
0
0
.
0
0
1
8
0
.
0
3
1
0
0
.
0
0
2
8
-
0
.
3
8
0
0
0
.
0
0
0
8
0
.
0
2
0
0
0
.
0
0
1
2
-
0
.
3
8
3
2
0
.
0
0
0
6
0
.
0
1
6
8
0
.
0
0
0
8
-
0
.
3
8
6
7
0
.
0
0
0
4
0
.
0
1
3
3
0
.
0
0
0
6
-
0
.
3
9
0
6
0
.
0
0
0
2
0
.
0
0
9
4
0
.
0
0
0
3
-
0
.
3
9
0
6
0
.
0
0
0
2
0
.
0
0
9
4
0
.
0
0
0
3
R
e
s
c
a
le
d
R
a
n
g
e
R
/
S
-
0
.
1
4
6
2
0
.
0
1
8
6
0
.
2
5
3
8
0
.
0
8
3
0
-
0
.
1
8
4
0
0
.
0
0
8
2
0
.
2
1
6
0
0
.
0
5
4
8
-
0
.
1
9
2
6
0
.
0
0
6
2
0
.
2
0
7
4
0
.
0
4
9
2
-
0
.
2
0
6
0
0
.
0
0
5
1
0
.
1
9
4
0
0
.
0
4
2
7
-
0
.
2
2
9
8
0
.
0
0
3
3
0
.
1
7
0
2
0
.
0
3
2
2
-
0
.
2
2
9
8
0
.
0
0
3
3
0
.
1
7
0
2
0
.
0
3
2
2
P
e
r
io
d
o
g
r
a
m
a
P
E
R
-
0
.
6
1
8
4
0
.
1
9
2
0
-
0
.
2
1
8
4
0
.
2
3
9
7
-
0
.
5
5
5
0
0
.
0
5
5
9
-
0
.
1
5
5
0
0
.
0
8
0
0
-
0
.
5
2
6
2
0
.
0
3
2
9
-
0
.
1
2
6
2
0
.
0
4
8
8
-
0
.
5
2
1
3
0
.
0
2
0
3
-
0
.
1
2
1
3
0
.
0
3
5
0
-
0
.
4
9
3
6
0
.
0
0
6
3
-
0
.
0
9
3
6
0
.
0
1
5
0
-
0
.
4
9
3
6
0
.
0
0
6
3
-
0
.
0
9
3
6
0
.
0
1
5
0
P
e
r
. S
u
a
v
iz
a
d
o
M
P
-
0
.
7
0
8
6
0
.
0
3
5
0
-
0
.
3
0
8
6
0
.
1
3
0
3
-
0
.
7
1
3
5
0
.
0
1
4
2
-
0
.
3
1
3
5
0
.
1
1
2
5
-
0
.
6
9
7
9
0
.
0
0
8
3
-
0
.
2
9
7
9
0
.
0
9
7
1
-
0
.
6
8
4
9
0
.
0
0
5
1
-
0
.
2
8
4
9
0
.
0
8
6
3
-
0
.
6
3
5
9
0
.
0
0
1
8
-
0
.
2
3
5
9
0
.
0
5
7
5
-
0
.
6
3
5
9
0
.
0
0
1
8
-
0
.
2
3
5
9
0
.
0
5
7
5
W
h
it
t
le
L
o
c
a
l
W
H
L
-
0
.
5
4
8
0
0
.
0
0
7
7
-
0
.
1
4
8
0
0
.
0
2
9
7
-
0
.
5
4
2
8
0
.
0
0
3
3
-
0
.
1
4
2
8
0
.
0
2
3
7
-
0
.
5
3
9
9
0
.
0
0
2
3
-
0
.
1
3
9
9
0
.
0
2
1
9
-
0
.
5
3
8
9
0
.
0
0
1
7
-
0
.
1
3
8
9
0
.
0
2
1
0
-
0
.
5
3
6
6
0
.
0
0
0
7
-
0
.
1
3
6
6
0
.
0
1
9
4
-
0
.
5
3
6
6
0
.
0
0
0
7
-
0
.
1
3
6
6
0
.
0
1
9
4
O
n
d
a
le
t
a
s
W
L
S
E
-
0
.
3
9
9
8
0
.
0
0
8
3
0
.
0
0
0
2
0
.
0
0
8
3
-
0
.
4
6
1
6
0
.
0
0
4
1
-
0
.
0
6
1
6
0
.
0
0
7
9
-
0
.
4
7
8
6
0
.
0
0
3
0
-
0
.
0
7
8
6
0
.
0
0
9
2
-
0
.
4
8
5
8
0
.
0
0
2
0
-
0
.
0
8
5
8
0
.
0
0
9
4
-
0
.
4
9
9
8
0
.
0
0
0
9
-
0
.
0
9
9
8
0
.
0
1
0
8
-
0
.
4
9
9
8
0
.
0
0
0
9
-
0
.
0
9
9
8
0
.
0
1
0
8
O
n
d
a
le
t
a
s
P
o
n
d
.
W
W
L
S
E
-
0
.
3
1
1
6
0
.
0
3
1
4
0
.
0
8
8
4
0
.
0
3
9
2
-
0
.
4
2
7
0
0
.
0
1
4
0
-
0
.
0
2
7
0
0
.
0
1
4
7
-
0
.
4
5
5
0
0
.
0
0
9
7
-
0
.
0
5
5
0
0
.
0
1
2
7
-
0
.
4
6
7
4
0
.
0
0
6
1
-
0
.
0
6
7
4
0
.
0
1
0
6
-
0
.
4
8
8
5
0
.
0
0
2
7
-
0
.
0
8
8
5
0
.
0
1
0
5
-
0
.
4
8
8
5
0
.
0
0
2
7
-
0
.
0
8
8
5
0
.
0
1
0
5
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
0
0
0
0
.
1
6
0
0
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
0
4
8
9
0
.
0
0
8
0
0
.
4
4
8
9
0
.
2
0
9
5
0
.
0
8
2
8
0
.
0
1
1
8
0
.
4
8
2
8
0
.
2
4
4
9
0
.
1
0
8
9
0
.
0
1
2
8
0
.
5
0
8
9
0
.
2
7
1
9
0
.
1
3
0
1
0
.
0
1
4
5
0
.
5
3
0
1
0
.
2
9
5
4
0
.
2
0
7
0
0
.
0
1
3
3
0
.
6
0
7
0
0
.
3
8
1
8
0
.
2
0
7
0
0
.
0
1
3
3
0
.
6
0
7
0
0
.
3
8
1
8
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
2
2
0
0
.
0
0
5
0
0
.
4
2
2
0
0
.
1
8
3
1
0
.
0
2
3
3
0
.
0
0
5
3
0
.
4
2
3
3
0
.
1
8
4
5
0
.
0
3
0
6
0
.
0
0
6
6
0
.
4
3
0
6
0
.
1
9
2
0
0
.
0
3
9
6
0
.
0
0
9
0
0
.
4
3
9
6
0
.
2
0
2
2
0
.
1
0
5
6
0
.
0
2
2
3
0
.
5
0
5
6
0
.
2
7
7
8
0
.
1
0
5
6
0
.
0
2
2
3
0
.
5
0
5
6
0
.
2
7
7
8
T
a
b
e
l
a

4
.
3
.
1
3
E
s
t
i
m
a
d
o
r
d
=
-
0
.4
0
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.4
0
-
0
.3
0
-
0
.2
0
-
0
.1
0
0
.0
0
0
.1
0
0
.2
0
0
.3
0
0
.4
0
0
.5
0
0
.6
0
0
.7
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
4
0
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
0
.3
0
0
.3
5
0
.4
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
4
0
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
4
0
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
233
V
. A
g
r
e
g
a
d
a
V
A
-
0
.
5
4
1
0
0
.
0
3
5
4
-
0
.
0
9
1
0
0
.
0
4
3
7
-
0
.
5
0
9
4
0
.
0
1
6
1
-
0
.
0
5
9
4
0
.
0
1
9
6
-
0
.
4
9
5
2
0
.
0
0
9
2
-
0
.
0
4
5
2
0
.
0
1
1
2
-
0
.
4
9
3
5
0
.
0
0
7
9
-
0
.
0
4
3
5
0
.
0
0
9
7
-
0
.
4
7
6
3
0
.
0
0
3
7
-
0
.
0
2
6
3
0
.
0
0
4
4
-
0
.
4
7
6
3
0
.
0
0
3
7
-
0
.
0
2
6
3
0
.
0
0
4
4
V
. A
. D
if
e
r
e
n
c
ia
d
a
V
A
D
-
0
.
2
4
5
2
0
.
1
2
2
1
0
.
2
0
4
8
0
.
1
6
4
0
-
0
.
2
2
7
7
0
.
0
4
5
5
0
.
2
2
2
3
0
.
0
9
4
9
-
0
.
2
5
3
9
0
.
0
2
8
5
0
.
1
9
6
1
0
.
0
6
6
9
-
0
.
2
5
1
2
0
.
0
2
0
4
0
.
1
9
8
8
0
.
0
6
0
0
-
0
.
2
7
1
7
0
.
0
0
8
2
0
.
1
7
8
3
0
.
0
4
0
0
-
0
.
2
7
1
7
0
.
0
0
8
2
0
.
1
7
8
3
0
.
0
4
0
0
V
a
l. A
b
s
. A
g
r
e
g
a
d
o
V
A
A
-
0
.
3
7
4
3
0
.
0
3
6
4
0
.
0
7
5
7
0
.
0
4
2
1
-
0
.
3
8
6
2
0
.
0
1
6
5
0
.
0
6
3
8
0
.
0
2
0
6
-
0
.
3
9
3
1
0
.
0
0
9
4
0
.
0
5
6
9
0
.
0
1
2
6
-
0
.
3
9
9
2
0
.
0
0
7
9
0
.
0
5
0
8
0
.
0
1
0
5
-
0
.
4
1
1
9
0
.
0
0
3
8
0
.
0
3
8
1
0
.
0
0
5
3
-
0
.
4
1
1
9
0
.
0
0
3
8
0
.
0
3
8
1
0
.
0
0
5
3
D
im
. F
r
a
c
t
a
l
D
F
-
0
.
4
7
6
2
0
.
0
0
4
7
-
0
.
0
2
6
2
0
.
0
0
5
3
-
0
.
4
7
0
2
0
.
0
0
2
4
-
0
.
0
2
0
2
0
.
0
0
2
8
-
0
.
4
6
7
0
0
.
0
0
1
5
-
0
.
0
1
7
0
0
.
0
0
1
7
-
0
.
4
6
5
4
0
.
0
0
1
2
-
0
.
0
1
5
4
0
.
0
0
1
5
-
0
.
4
5
8
8
0
.
0
0
0
6
-
0
.
0
0
8
8
0
.
0
0
0
6
-
0
.
4
5
8
8
0
.
0
0
0
6
-
0
.
0
0
8
8
0
.
0
0
0
6
V
a
r
. R
e
s
í
d
u
o
s
V
R
-
0
.
4
0
7
0
0
.
0
0
1
3
0
.
0
4
3
0
0
.
0
0
3
2
-
0
.
4
2
0
8
0
.
0
0
0
4
0
.
0
2
9
2
0
.
0
0
1
3
-
0
.
4
2
6
3
0
.
0
0
0
2
0
.
0
2
3
7
0
.
0
0
0
8
-
0
.
4
2
9
4
0
.
0
0
0
2
0
.
0
2
0
6
0
.
0
0
0
6
-
0
.
4
3
5
6
0
.
0
0
0
1
0
.
0
1
4
4
0
.
0
0
0
3
-
0
.
4
3
5
6
0
.
0
0
0
1
0
.
0
1
4
4
0
.
0
0
0
3
R
e
s
c
a
le
d
R
a
n
g
e
R
/
S
-
0
.
1
7
9
8
0
.
0
1
7
9
0
.
2
7
0
2
0
.
0
9
0
9
-
0
.
2
1
7
8
0
.
0
0
8
0
0
.
2
3
2
2
0
.
0
6
1
9
-
0
.
2
3
2
5
0
.
0
0
5
5
0
.
2
1
7
5
0
.
0
5
2
8
-
0
.
2
4
6
4
0
.
0
0
4
7
0
.
2
0
3
6
0
.
0
4
6
2
-
0
.
2
6
9
1
0
.
0
0
2
5
0
.
1
8
0
9
0
.
0
3
5
3
-
0
.
2
6
9
1
0
.
0
0
2
5
0
.
1
8
0
9
0
.
0
3
5
3
P
e
r
io
d
o
g
r
a
m
a
P
E
R
-
0
.
7
1
1
1
0
.
1
8
7
3
-
0
.
2
6
1
1
0
.
2
5
5
5
-
0
.
6
6
1
1
0
.
0
6
5
1
-
0
.
2
1
1
1
0
.
1
0
9
6
-
0
.
6
4
4
0
0
.
0
3
5
9
-
0
.
1
9
4
0
0
.
0
7
3
5
-
0
.
6
2
0
2
0
.
0
2
3
5
-
0
.
1
7
0
2
0
.
0
5
2
5
-
0
.
6
0
2
5
0
.
0
0
7
2
-
0
.
1
5
2
5
0
.
0
3
0
5
-
0
.
6
0
2
5
0
.
0
0
7
2
-
0
.
1
5
2
5
0
.
0
3
0
5
P
e
r
. S
u
a
v
iz
a
d
o
M
P
-
0
.
8
3
6
1
0
.
0
3
9
1
-
0
.
3
8
6
1
0
.
1
8
8
2
-
0
.
8
3
1
4
0
.
0
1
5
5
-
0
.
3
8
1
4
0
.
1
6
0
9
-
0
.
8
1
8
1
0
.
0
0
8
6
-
0
.
3
6
8
1
0
.
1
4
4
1
-
0
.
8
0
1
7
0
.
0
0
6
0
-
0
.
3
5
1
7
0
.
1
2
9
7
-
0
.
7
5
3
2
0
.
0
0
2
2
-
0
.
3
0
3
2
0
.
0
9
4
1
-
0
.
7
5
3
2
0
.
0
0
2
2
-
0
.
3
0
3
2
0
.
0
9
4
1
W
h
it
t
le
L
o
c
a
l
W
H
L
-
0
.
6
4
9
7
0
.
0
0
8
5
-
0
.
1
9
9
7
0
.
0
4
8
4
-
0
.
6
4
5
7
0
.
0
0
4
4
-
0
.
1
9
5
7
0
.
0
4
2
7
-
0
.
6
4
2
9
0
.
0
0
2
8
-
0
.
1
9
2
9
0
.
0
4
0
0
-
0
.
6
4
5
0
0
.
0
0
2
4
-
0
.
1
9
5
0
0
.
0
4
0
4
-
0
.
6
4
3
5
0
.
0
0
1
0
-
0
.
1
9
3
5
0
.
0
3
8
4
-
0
.
6
4
3
5
0
.
0
0
1
0
-
0
.
1
9
3
5
0
.
0
3
8
4
O
n
d
a
le
t
a
s
W
L
S
E
-
0
.
4
8
4
6
0
.
0
0
7
8
-
0
.
0
3
4
6
0
.
0
0
9
0
-
0
.
5
5
3
6
0
.
0
0
4
0
-
0
.
1
0
3
6
0
.
0
1
4
8
-
0
.
5
7
2
9
0
.
0
0
2
6
-
0
.
1
2
2
9
0
.
0
1
7
7
-
0
.
5
8
2
5
0
.
0
0
2
0
-
0
.
1
3
2
5
0
.
0
1
9
6
-
0
.
6
0
1
1
0
.
0
0
0
7
-
0
.
1
5
1
1
0
.
0
2
3
5
-
0
.
6
0
1
1
0
.
0
0
0
7
-
0
.
1
5
1
1
0
.
0
2
3
5
O
n
d
a
le
t
a
s
P
o
n
d
.
W
W
L
S
E
-
0
.
3
9
9
1
0
.
0
2
5
6
0
.
0
5
0
9
0
.
0
2
8
2
-
0
.
5
2
1
5
0
.
0
1
2
6
-
0
.
0
7
1
5
0
.
0
1
7
7
-
0
.
5
5
3
0
0
.
0
0
8
9
-
0
.
1
0
3
0
0
.
0
1
9
5
-
0
.
5
6
8
9
0
.
0
0
6
1
-
0
.
1
1
8
9
0
.
0
2
0
2
-
0
.
5
9
7
0
0
.
0
0
2
1
-
0
.
1
4
7
0
0
.
0
2
3
7
-
0
.
5
9
7
0
0
.
0
0
2
1
-
0
.
1
4
7
0
0
.
0
2
3
7
A
R
F
I
M
A
(
0
,d
,0
)
(
0
,
d
,
0
)
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
A
R
F
I
M
A
(
1
,d
,0
)
(
1
,
d
,
0
)
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
0
.
0
0
0
0
0
.
0
0
0
0
0
.
4
5
0
0
0
.
2
0
2
5
A
R
F
I
M
A
(
0
,d
,1
)
(
0
,
d
,
1
)
0
.
0
3
1
2
0
.
0
0
4
7
0
.
4
8
1
2
0
.
2
3
6
3
0
.
0
4
3
5
0
.
0
0
4
6
0
.
4
9
3
5
0
.
2
4
8
2
0
.
0
6
0
6
0
.
0
0
5
0
0
.
5
1
0
6
0
.
2
6
5
7
0
.
0
7
5
2
0
.
0
0
5
6
0
.
5
2
5
2
0
.
2
8
1
4
0
.
1
1
9
4
0
.
0
0
4
7
0
.
5
6
9
4
0
.
3
2
8
9
0
.
1
1
9
4
0
.
0
0
4
7
0
.
5
6
9
4
0
.
3
2
8
9
A
R
F
I
M
A
(
1
,d
,1
)
(
1
,
d
,
1
)
0
.
0
1
9
6
0
.
0
0
4
6
0
.
4
6
9
6
0
.
2
2
5
1
0
.
0
1
9
0
0
.
0
0
3
3
0
.
4
6
9
0
0
.
2
2
3
3
0
.
0
2
7
7
0
.
0
0
4
5
0
.
4
7
7
7
0
.
2
3
2
6
0
.
0
3
9
7
0
.
0
0
5
9
0
.
4
8
9
7
0
.
2
4
5
8
0
.
0
7
9
8
0
.
0
0
9
7
0
.
5
2
9
8
0
.
2
9
0
4
0
.
0
7
9
8
0
.
0
0
9
7
0
.
5
2
9
8
0
.
2
9
0
4
T
a
b
e
l
a

4
.
3
.
1
4
E
s
t
i
m
a
d
o
r
d
=
-
0
.4
5
N
=
5
0
0
N
=
1
0
0
0
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
-
0
.4
0
-
0
.3
0
-
0
.2
0
-
0
.1
0
0
.0
0
0
.1
0
0
.2
0
0
.3
0
0
.4
0
0
.5
0
0
.6
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
i
é
s

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
4
5
0
.0
0
0
.0
5
0
.1
0
0
.1
5
0
.2
0
0
.2
5
0
.3
0
0
.3
5
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
E
r
r
o

Q
u
a
d
r
á
t
i
c
o

M
é
d
i
o

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
4
5
0
.0
0
0
.0
2
0
.0
4
0
.0
6
0
.0
8
0
.1
0
0
.1
2
0
.1
4
0
.1
6
0
.1
8
0
.2
0
V
A
V
A
D
V
A
A
D
F
V
R
R
/S
P
E
R
M
P
W
H
L
W
L
S
E
W
W
L
S
E
(0
,d
,0
)
(1
,d
,0
)
(0
,d
,1
)
(1
,d
,1
)
N
=
1
0
0
N
=
2
0
0
N
=
3
0
0
N
=
4
0
0
N
=
5
0
0
N
=
1
0
0
0
V
a
r
i
â
n
c
i
a

d
o
s

E
s
t
i
m
a
d
o
r
e
s
d
=
-
0
.
4
5
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
ˆ
{
}
E
d
ˆ
{
}
V
a
r
d
ˆ
{
}
B
d
ˆ
{
}
E
Q
M
d
234
V
. A
g
r
e
g
a
d
a
V
A
-
0
.
5
1
0
2
0
.
0
4
0
4
0
.
0
8
9
8
0
.
0
4
8
5
-
0
.
4
8
9
6
0
.
0
1
6
4
0
.
1
1
0
4
0
.
0
2
8
6
-
0
.
4
7
5
1
0
.
0
0
9
2
0
.
1
2
4
9
0
.
0
2
4
9
-
0
.
4
8
2
4
0
.
0
0
8
0
0
.
1
1
7
6
0
.
0
2
1
9
-
0
.
4
6
9
5
0
.
0
0
3
6
0
.
1
3
0
5
0
.
0
2
0
7
-
0
.
4
6
9
5
0
.
0
0
3
6
0
.
1
3
0
5
0
.
0
2
0
7
V
. A
. D
if
e
r
e
n
c
ia
d
a
V
A
D
-
0
.
2
1
2
9
0
.
1
1
7
7
0
.
3
8
7
1
0
.
2
6
7
6
-
0
.
1
9
8
4
0
.
0
4
4
0
0
.
4
0
1
6
0
.
2
0
5
3
-
0
.
2
2
2
7
0
.
0
2
7
4
0
.
3
7
7
3
0
.
1
6
9
7
-
0
. <