Professional Documents
Culture Documents
lfred -o#les
Euro%a
2risch, 3in4ergen
Leia TuEarati, &?.& %ara mais Eustificati"as. 3am4Cm "eEa &?.( a &?.?.
Q%eradores L e .
TuEarati, ca%.&?
LotaIoA DL8%,%+
EDem%lo &?.&
d .oc 8M\Q+
@ro4lemas
Engenhosa transformaIo
ED%ectati"as da%tati"as
Modelo =misto>
&;
EstimaIo
lternati"aA MR
&*
EDem%lo de R7 8dkins, &:.2+
]reusch'TodfreN 8]T+
-ausalidade de Tranger
+ +
1
]
1
1
]
1
1
]
1
t
t
t
i t
i t
p
i i i
i i
t
t
u
u
CD
y
y
y
y
2
&
, 2
, &
& , 22 , 2&
, &2 , &&
2
&
$:
EDem%lo cl6ssico
-ausalidade 7nstant`nea
Em 4re"e.
(;
-onceitos de EDogeneidade 8intuiIo+
Endogeneidade
EDogeneidade
2raca
2orte
Ju%er
(?
EDogeneidade 8intuiIo+
EDogeneidade 2raca
EDogeneidade 2orte
Ju%er'EDogeneidade
Q eDem%lo de dkinsA
EDem%lo famoso 7J e LM
Q %ro4lema da identificaIoA
-ondiIFes de 7dentificaIo
3este de .ausman.
EDogeneidade.
EDem%lo.
;:
MCtodos de EstimaIo %ara E5uaIFes
Jimult`neas
Jo4re M\2E
Jo4re M\2E
Lo'estacionaridade e estacionaridade.
-aracterPsticas tP%icas
3endHncia
-iclos
-iclos sa/onais
ReEa o gr6ficoA
*9
Econometria de JCries de 3em%o
@ara ilustrar, considere,
heuristcamente, 5ue uma
sCrie %ossa ser
decom%osta em uma
soma de com%onentes.
Eis ao lado o 5ue "emos
%ara a sCrie anterior.
*;
Econometria de JCries de 3em%o
@rocessos Estoc6sticos
Estacion6rios
!e"erso G mCdia
@uramente aleatrio
@rocessos Lo'Estacion6rios
Jem drift
3endHncia Estoc6stica
!ai/ unit6ria
**
Q4ser"aIFes adicionais so4re o %asseio
aleatrio
t t t
u $ $ +
&
+
+ + +
+ +
+
&
:
:
& 2 $
& 2
&
A
+ 8
+ 8
t
s
s t
t t t t
t t t
t t t
u $
u u u $
u u $
u $ $
Je u C um ruPdo 4ranco, E8Kt+ W K:.
Mas, a "ari`ncia...
2
&
:
2
&
:
+ 8 + 8 t u %ar $ %ar
t
s
t
s
s t t
*)
Econometria de JCries de 3em%o
Lelson h @losser
78:+, k W :
78&+, k W &
78E+, k W E, etc.
)2
Econometria de JCries de 3em%o
@ro%riedades
li4rarN8lmtest+
set.seed8&2$(9;+
e2 d' rnorm89::+
summarN8sr.reg+
sr.d#
soluIo do %asseio aleatrio com =drift>
8lem4raO+ Ju4stituiIFes iterati"as ...
Estima'se a regresso de N& contra N2, com
interce%to
)?
!egresso Es%VriaA o 5ue aconteceria se a regresso fosse
feita entre as "ariaIFes das "ari6"eisO
!egresso log'log
))
0
1e-006
2e-006
3e-006
4e-006
5e-006
6e-006
7e-006
8e-006
9e-006
1e-005
1950 1960 1970 1980 1990 2000 2010
c
y
&::
Riu sO 8"eEa o D1 e o coeficiente de lkN+
&:&
Duas sCries no'estacion6rias, a regresso em diferenIas, neste caso, deu'nos 5ue dlc
%arece ter uma relaIo de um %ara um com dlN. 85ue funIo consumo lhe %arece
estaO -onstante no significati"a, @Mg- W &...+
&:2
ReEa a tendHncia comum entre as "ari6"eis. ReEa tam4Cm o Dur4in'1atson.
&:$
Econometria de JCries de 3em%o
3estes de Estacionariedade
]oD'@ierce, LEung']oD
Q %ro4lema da so4rediferenciaIo
&:(
&yeballmetrics
Time
r
w
.
n
d
0 100 200 300 400 500
-
5
0
5
1
0
1
5
&:9
-2 e @-2 da sCrie anterior
0 5 10 15 20 25 30
-
0
.
5
0
.
0
0
.
5
1
.
0
Series: diff(diff(rw.nd))
LAG
A
C
F
0 5 10 15 20 25 30
-
0
.
5
0
.
0
0
.
5
1
.
0
LAG
P
A
C
F
&:;
7dem, %ara a diferenIa da mesma
0 5 10 15 20 25 30
0
.
0
0
.
2
0
.
4
0
.
0
.
!
1
.
0
Series: diff(rw.nd)
LAG
A
C
F
0 5 10 15 20 25 30
0
.
0
0
.
2
0
.
4
0
.
0
.
!
1
.
0
LAG
P
A
C
F
&:?
Econometria de JCries de 3em%o
n W nVmero de o4ser"aIFes
D2 8entenda %rimeiro+
D2
3este 2 8irrestritoZrestrito+
EDem%loA
Distri4uiIo de DickeN'2uller
&
&
( )
t
k t
k t t t
y y ' y + + + +
&
&
&&(
EstatPstica de testeA
m W nVmero de restriIFes
S! W irrestrito
L W nVmero de o4ser"aIFes
&&9
!esumo dos 3estes de !ai/ Snit6ria
Modelo Hiptese Nula Estatstica
de Teste
Valores Crticos
para 95% e 99%
( )
t
k t
k t t t
y y ' y + + + +
&
&
( - 1) = 0
-!"5 e -"!0"
( - 1) = = 0
$
#!"9 e $!%
( - 1) = = = 0
2
"!$$ e #!50
( )
t
k t
k t t
y y y + + +
&
&
( - 1) = 0
-&!$9 e -!51
( - 1) = = 0
&
"!%1 e #!%0
( )
t
k t
k t t
y y y + +
&
&
( - 1) = 0
-1!95 e -&!#0
ReEamos um eDem%lo
@ara uma amostra de n W &::
&&;
d
( )
( . $
+ 9 ;& Z8 :9)**? . :
$ Z :9)**? . : :?:?)$ . :
*
28$,9;+ W $.(
DicaA Tretl, 3ools 8no se a%lica
neste caso, %ois a ta4ela correta C a
D.?+
Qlhando a ta4ela D.? 8"er n W
9:..."alor crPtico de 9.&$+, desco4re'se
5ue .: se mantCm, ou seEa, o modelo
restrito no C reEeitado.
&&?
Qutro eDem%lo
*
@ara 9[, reEeita'se a hi%tese nula
&&)
Qutro eDem%lo
*
@ara 9[, no se reEeita a hi%tese
nula 8"alor ta4elado C de ;.()+.
Entretanto, %ara &:[, o resultado
C o%osto.
&2:
Qutro eDem%lo
@hilli%s'@erron 8@@+
\ue4ras Estruturais
3este 0@JJ
&2;
EDem%lo < Dados originais de Lelson h
@losser
3este 0@JJ %ara o sal6rio nominal 8em log+ e %ara a taDa de Euros
li4rarN8urca+
data8n%org+
summarN8ir.k%ss+
summarN8#g.k%ss+
&2?
5ui, testamos %ara estacionaridade no
nP"el da sCrie
5ui, testamos %ara estacionaridade em
torno de uma tendHncia
Em am4os os casos, no
reEeitamos a hi%tese nula.
&2*
Econometria de JCries de 3em%o
&2)
\ue4ras Estruturais
' ]ai'@erron
Etc.
&$9
Sm eDem%lo da im%ort`ncia interdisci%linar
das 5ue4ras estruturais
DJ
3J
-ointegraIo
3este de -ointegraIo
+ +
+ +
&((
Lotas de aula
&(;
!aP/es Snit6rias ' com%lemento
Modelos !7M
Modelos R! 8e -R!+
&9:
Modelos !7M8%,d,5+
+
+ + +
&
&
( ) ( ) ( ) ( ) ...
$
$
2
2
&
+ + + + + + + +
t t t t t
c c c c y
...
&
$
$
2
2
&
+ + + + +
t t t t t
c
y
( ) ( )
( ) ( ) ( ) ( )
+ + + +
+ + + + +
,
_
&
...
&
...
&
:
$
$
:
2
2
:
&
:
$
$
2
2
&
c
& & & &
c
&
c
& y &
t t t t
t t t t t
&92
Modelos !7M8%,d,5+
+ + + + +
t t t t t t t t t t t
t t t t t t t t
t t t t t t
& &
&
c c
&
y & y & y & y y & y &
( ) ( ) ( ) [ ] + 8
&
&
... ...
2
2
2 ( 2 2 2
2
2
2
2
&
2
t t t t
y %ar &
+ + + + + +
&9$
Modelos !7M 8%,d,5+
+ + + + +
1
]
1
+ + + + +
&
...
& &
...
&
+ 8 + 8
$
$
2
2
& $
$
2
2
&
c c c c
&
y & y y & y &
, t , t , t , t t t t t
, t , t t t
[ ][ ] ... ...
$
$
2
2
& $
$
2
2
&
+ + + + + + + +
, t , t , t , t t t t t
&
[ ] ... ... ...
2
2
& + & 8
&
2
2
&
&
+ + +
1
1
1
]
1
+ + + + + +
+
+
, t , t , t , t
,
, t
,
t t t
, t
&
[ ]
2
2
2
2 (
&
2 2 2
&
...
+ + +
+
+
,
, t
,
, t
,
, t
,
&
&9(
Modelos !7M 8%,d,5+
t t t t t t
t t t t
& & & &
& y & y &
&99
Modelos !7M 8%,d,5+
'
>
+ + +
& , :
& ,
2
& &
2
& &
, se
, se
&
, t t , t t , t t , t t
gora re%are 4emA como construPmos um correlograma %ara !8&+ ou M8&+O
-orrelaIo W -o"ari`ncia Z Rari`ncia.
&9;
Modelos !7M 8%,d,5+
Lo caso do !8&+A
2
2
&
&
+ 8 8
,
, t t
y y Co-
2
2
:
&
&
++ 8 8
t
y %ar
Di"idindoA
,
,
2
2
2
2
&
&
&
&
Je nn d&, G medida 5ue E
aumenta...
&9?
Modelos !7M 8%,d,5+
Lo caso do M8&+A
Di"idindoA
: , :
+ & 8
:
& ,
+ & 8 + & 8
2 2
&
2 2 2
2
&
+
,
,
'
>
& , :
& ,
2
, se
, se
,
( )
2 2
:
& +
Riu o 5ue aconteceuO ReEamos
um eDem%lo com sCries
simuladas
&9*
Modelos !7M 8%,d,5+
!8&+
d :
Lote a @-2
#gnore os inter$a"os de confian%a&&& '(o estamos fa"ando de
amostras&
&9)
Modelos !7M 8%,d,5+
M8&+
o W &
Lote a @-2
#gnore os inter$a"os de confian%a&&& '(o estamos fa"ando de
amostras&
&;:
Modelos !7M 8%,d,5+
!8%+
M85+
&;$
Modelos !7M 8%,d,5+
Funo
Processo ACF PACF
MA(q) trunca no lag q Declina exponencialmente
AR(p) Declina exponencialmente trunca no lag p
ARMA(p,q) Decai exponencialmente se j q Decai exponencialmente se j p
-orrelogramas...
Q 5ue C a @-2O -ada @-2 di/ res%eito aos coeficientes estimados
no modelo analisado.
&;(
Modelos !7M 8%,5,5+
Ramos em frente.
&;9
EstimaIo de modelos !M 8%,5+
!7M8%,d,5+
&. 7dentificaIo
2. EstimaIo
$. Diagnsticos
(. @re"iso
&;)
7dentificaIo
Tr6fico, correlogramas
&?:
EstimaIo
EstimaIoM
\ de LEung']oD 8lem4raO+
+
s
k
k n
k
r n n /
&
+ Z8
2
+ 2 8
( )
( )
( )
'
. p '
. p 0/
'
. p '
. p 12C
'
. p
. p 32C
+ +8 ln8 ln
p ln + , 8
+ 8 ln
p ln + , 8
+ 8 2
p ln + , 8
2
2
2
+
+
+
+
+
+
&?2
3estes de Diagnstico
lCm disso,
Jo4re a %re"iso
2ora da amostra
Dentro da amostra
lCm dissoA
!code&k$alterado.!
ReEamos os gr6ficos.
&*(
EDem%lo da metodologia ]oD'genkins
Time
"
n
e
m
#
l
o
$
m
e
n
t
r
%
t
e
(
l
o
&
%
r
i
t
'
m
)
1(00 1(20 1(40 1(0 1(!0
0
.
5
1
.
5
2
.
5
0 5 10 15
-
1
.
0
0
.
0
0
.
5
1
.
0
L%&
Autocorrelations
5 10 15
-
1
.
0
0
.
0
0
.
5
1
.
0
L%&
Partial Autocorrelations
Q 5ue "ocHs achamO
&*9
EDem%lo da metodologia ]oD'genkins
!M 82,:+
!M8$,:+
!M8&,&+
&*;
!M 82,:+
!esPduos so normaisO
!esPduos so autocorrelacionadosO
&*?
!M 8$,:+
Q %'"alor de :.:) no %arece indicar 5ue o !M 8$,:+ seEa su%erior
ao !M 82,:+, em4ora o 7-, %or eDem%lo, nos diga isto.
Q teste L! nos di/ 5ue o aumento da log'
"erossmilhanIa %ode ser im%ortante
relati"amente ao modelo anterior. Jer6O
&**
!M82,:+ D !M 8$,:+
!esPduosM
Menos autocorrelaciondos em
!M8$,:+, mas mais normais
em !M 82,:+.
&*)
!M 8&,&+
Log'"erossimilhanIa maior 8menos
negati"a+, 7- menor.
ReEa o ]g e o teste de normalidade.
&):
!M 8&,&+
ReEamos a5ui os
resPduos deste
Vltimo modelo.
Qs %'"alores no
esto to 4ons.
Mas, %ara
%re"iso, isto nem
sem%re C um
%ro4lema.
Standardized Residuals
Time
1(00 1(20 1(40 1(0 1(!0
-
3
-
1
1
3
5 10 15
-
0
.
2
0
.
2
ACF of Residuals
LAG
A
C
F
-2 -1 0 1 2
-
3
-
1
1
3
Normal Q-Q Plot of Std Residuals
T'eoreti)%l *"%ntiles
+
%
m
#
l
e
*
"
%
n
t
i
l
e
s
5 10 15 20
0
.
0
0
.
4
0
.
!
p alues for !"un#-$o% statistic
l%&
#
,
%
l
"
e
&)&
!M 8&,&+
Time
$
1(00 1(20 1(40 1(0 1(!0
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
3
.
0
&)2
Ja/onalidade
-omo trat6'laO
Dummies
MCdias m"eis
-ensus U'&&
EDem%loA
Modelo J!7M8&,:,:+D8&,:,:+&2A
Modelo J!7M8:,&,&+D8:,&,:+&2A
( ) ( )
t t t t t
t t
u $ $ $ $
u $ 1 1
+ +
&$ &2 & &2 &2 & &
&2
&2 &
& &
( ) ( ) ( )
& &$ &2 &
&2
& & &
+
t t t t t t
t t
u u $ $ $ $
u 1 $ 1 1
&)9
Ja/onalidade
-orrelograma
EDA um J!8&+ mensal tem uma 2-@ 5ue trunca a%s a &2a
defasagem. Jua 2- declina eD%onencialmente.
&);
Ja/onalidade
Funo
Processo ACF PACF
MA(!) trunca no lag ! Declina exponencialmente
AR(P) Declina exponencialmente trunca no lag P
ARMA(P,!) Decai exponencialmente se j ! Decai exponencialmente se j P
&)?
EDem%loA Pndice da %roduIo industrial 87]TE+
60
70
80
90
100
110
120
130
140
1995 2000 2005 2010
"
r
o
#
$
%
#
&)*
EDem%lo
-1
-0.5
0
0.5
1
0 5 10 15 20 25
lag
ACF for "ro#$%#
+- 1.96/T0.5
-1
-0.5
0
0.5
1
0 5 10 15 20 25
lag
PACF for "ro#$%#
+- 1.96/T0.5
3ra4alhamos a5ui E6 com o logaritmo da sCrieM
&))
EDem%lo
Dessa/onali/ar a sCrieO
Jim, C %ossP"el ter uma rai/ unit6ria e uma rai/ unit6ria sa/onal.
LW 2$$.
0
0
0
!
0
0
0
2:*
Q @L] dos ES
Qs dados foram
dessa/onali/ados e
esto a %reIos de &));.
Q correlograma indica
5ue a diferenciaIo...
0 2 4 ! 10 12
0
.
0
0
.
4
0
.
!
Series: #np
LAG
A
C
F
0 2 4 ! 10 12
0
.
0
0
.
4
0
.
!
LAG
P
A
C
F
2:)
Q @L] dos ES
gn%gr W diff8log8gn%++ b
gro#th rate
Time
&
n
#
&
r
1(50 1(0 1(-0 1(!0 1((0 2000
-
0
.
0
2
-
0
.
0
1
0
.
0
0
0
.
0
1
0
.
0
2
0
.
0
3
0
.
0
4
2&:
Q @L] dos ES
ReEa a -2 e a @-2 da
taDa de crescimento do
@L].
7ntuiIFesA -2 trunca em
k W 2 e a @-2 est6
caindo 8M82++. Qu ser6
5ue a -2 est6 caindo a a
@-2 trunca em k W &
8!8&++O
1 2 3 4 5
-
0
.
2
0
.
2
0
.
1
.
0
Series: #np#r
LAG
A
C
F
1 2 3 4 5
-
0
.
2
0
.
2
0
.
1
.
0
LAG
P
A
C
F
2&&
Q @L] dos ES
!7M 8&,&,:+
7- W '*.2)((
]7- W ').2;$?
Standardized Residuals
Time
1(50 1(0 1(-0 1(!0 1((0 2000
-
3
0
2
4
1 2 3 4 5
-
0
.
2
0
.
2
ACF of Residuals
LAG
A
C
F
-3 -2 -1 0 1 2 3
-
3
0
2
4
Normal Q-Q Plot of Std Residuals
T'eoreti)%l *"%ntiles
+
%
m
#
l
e
*
"
%
n
t
i
l
e
s
5 10 15 20
0
.
0
0
.
4
0
.
!
p alues for !"un#-$o% statistic
l%&
#
,
%
l
"
e
( )
t t t
u 45P 45P + +
&
::9 . :
$(;? . : $(;? . : & ::*$ . :
2&2
Q @L] dos ES
!7M8:,&,2+
7- W '*.2)?;
]7- W ').29&?
Standardized Residuals
Time
1(50 1(0 1(-0 1(!0 1((0 2000
-
3
0
2
4
1 2 3 4 5
-
0
.
2
0
.
1
0
.
4
ACF of Residuals
LAG
A
C
F
-3 -2 -1 0 1 2 3
-
3
0
2
4
Normal Q-Q Plot of Std Residuals
T'eoreti)%l *"%ntiles
+
%
m
#
l
e
*
"
%
n
t
i
l
e
s
5 10 15 20
0
.
0
0
.
4
0
.
!
p alues for !"un#-$o% statistic
l%&
#
,
%
l
"
e
t t t t
u u u 45P + +
2 &
2:$9 . : $:$ . : ::*$ . :
2&$
tenIo %ara este eDem%loM
Q 5ue fa/erO
2&9
tenIo %ara este eDem%loM
TostouO
Jigamos em frente.
222
-o'7ntegraIo ' Jistema
Mas ET estimaA
7dentificaIoM
& 2 $
: - K 1 + +
229
-o'7ntegraIo ' Jistema
ssimA
Je r j &, gohansen.
!earrumando a %rimeiraA
2inalmenteA
t & & t & t & t & t t & t t & t t
" 1 :2 . : K &* . : - 2 . : 1 2 . : 1 2 . : K ( . : K ( . : - - + + + + +
t 2 & t t
" :& . : K K + +
t $ & t t
" :2 . : 1 1 + +
t & & t & t & t & t
t $ & t & t t 2 & t & t t
" 1 :2 . : K &* . : - 2 . : 1 2 . :
+ " :2 . : 1 8 2 . : K ( . : + " :& . : K 8 ( . : - -
+ + +
+ + + + + +
Q4temos a forma
redu/ida restrita ao
lado
22*
-o'7ntegraIo ' Jistema
MatricialmenteA
QuA
-
K
1
t
t
t
t
t
t
t
t
t
1
]
1
1
1
1
]
1
1
1
+
1
]
1
1
1
1
]
1
1
1
+
1
]
1
1
1
&&
2&
$&
&2 &$ &(
22 2$ 2(
$2 $$ $(
&
&
&
&
2
$
+
t k ! t k 1 ! t 1 t
+
) *
+
) *
+ ,
)
...
+
t
t k t
& ' t & t
X X ... X X W D ) *
) * )
k
2$:
-o'7ntegraIo ' Jistema
Leste caso...
t & ' t
Z
& ' t & t
X X X W
) ) )
2$(
Sm eDem%lo %ara esclarecer 8O+
-omo r W 2A
Qu seEa, temosA
+
1
1
1
]
1
1
]
1
1
1
1
]
1
+
1
1
1
]
1
1
1
1
]
1
+
1
1
1
]
1
1
1
1
]
1
t $
t 2
t &
& t
& t
& t
$2 22 &2
$& 2& &&
$2 $&
22 2&
&2 &&
& t
& t
& t
$$ $2 $&
2$ 22 2&
&$ &2 &&
$
2
&
t
t
t
1
K
-
1
K
-
1
K
-
1
1
1
]
1
1
]
1
1
1
1
]
1
1
1
1
]
1
& t
& t
& t
$2 22 &2
$& 2& &&
$2 $&
22 2&
&2 &&
t
t
t
1
K
-
1
K
-
2$;
-o'7ntegraIo ' Jistema
LoteA 8a+ se "ocH achar 5ue r W &, o seu R! estar6 mal es%ecificado. 84+
3rata'se de um sistema com restriIFes. Logo, C necess6rio estim6'lo com um
mCtodo ade5uado. 8c+ Ssar ET le"a a um %ro4lema %or5ue "ocH estimar6
uma com4inaIo linear das relaIFes de cointegraIo. Ramos detalhar isto
o4ser"ando a %rimeira e5uaIo do sistema acima.
2$*
-o'7ntegraIo ' Jistema
QuA
Lote 5ue 5ual5uer linha 8coluna+ %ode ser o4tida como com4inaIo
linear das outras duas. EDem%loA
1
]
1
1
1
1
]
1
+ + +
+ + +
+ + +
1
]
1
1
1
1
]
1
1
1
2(:
-o'7ntegraIo ' Jistema
Ju%onha r W &.
E se r j &O
&& 2& $&
: - K 1 + +
22 $2
: K 1 +
Lote 5ue, na segunda relaIo,
h6 uma hi%tese de eDcluso
da terceira "ari6"el.
2(;
3estes so4re
+
1
1
1
]
1
1
]
1
1
]
1
+
1
1
1
]
1
1
1
1
]
1
+
1
]
1
+
1
]
1
1
]
1
t 2
t &
& t
& t
& t
$2 22 &2
$& 2& &&
22 2&
&2 &&
& t
& t
& t
$$ $2 $&
2$ 22 2&
&$ &2 &&
t
:2
:&
2
&
t
t
1
K
-
1
K
-
1
K
-
2(*
-o'7ntegraIo ' Jistema
29:
-o'7ntegraIo ' Jistema
Qutros testes
Jegue uma 2802 h'ni+, com niW total de coeficientes eDcluindo os termos
deterministas do modelo.
3estes de heterocedasticidadeA
Sni"ariado e multi"ariado
-omo o %rimeiro C um caso %articular do segundo, "amos ignor6'lo.
3este gar5ue']era
@or 5ueO
t t
t t t
e e
e e e
2?:
Q eDem%lo da economia dos ES e da
ustr6lia
LoteA
-rPticasA
-om%are comA
Em4ora os sinais seEam
%ositi"os, re%are 5ue um 4om
teste de 1ald a5ui seria "erificar
se o coeficiente C igual a um.
2*$
E o RE-MO
\uantos %ro4lemas, heimO
2*(
RE-M sem %reocu%aIo com o ET
EntoO
Q resultado no C to
4om, mas $?[ C um
nVmero 5ue considerarei.
E se o teste fosse
conEuntoO
2)2
2)$
EDogeneidade
EDogeneidade 2orte
Ju%er'eDogeneidade
EDogeneidade 2raca
7n"ari`ncia Estrutural
-omo disse, "eremos isso com mais detalhes logo mais, mas
entenda a intuiIo.
$::
Rimos o -R!
De forma geralA
$&2
Retores autoregressi"os
$&$
Retores autoregressi"os
JolucionandoA
1
]
1
+
1
]
1
1
]
1
+
1
]
1
1
]
1
1
]
1
"t
yt
t
t
t
t
"
y
c c
c c
b
b
"
y
b
b
&
&
22 2&
&2 &&
2:
&:
2&
&2
&
&
1
]
1
+
1
]
1
1
]
1
+
1
]
1
1
]
1
t
t
t
t
t
t
e
e
"
y
a a
a a
a
a
"
y
2
&
&
&
22 2&
&2 &&
2:
&:
$&9
Retores autoregressi"os
$&;
Retores autoregressi"os
7m%or restriIFes.
-holeskiA
:
2&
b
$&?
Retores autoregressi"os
$&*
Retores autoregressi"os
$&)
Retores autoregressi"os
+ +
$2:
Retores autoregressi"os
1
]
1
+
+
"
y
a a a a
a a a a
2: 22 &: &2
2: 2& &: 22
+ & 8
+ & 8
&
&2 2& 22 &&
2:
&:
22 &2
2& 22
22 2&
&2 &&
:
22 2&
&2 &&
&
: &
:
&
&
&
:
+ & +8 & 8
&
&
&
&
&
&
+ 8
+ 8
a a a a
a
a
a a
a a
a a
a a
3
a a
a a
3 2
3 3 2
3 3 2
3 2
3
a
1
]
1
1
]
1
1
]
1
$2&
Retores autoregressi"os
@odemos escre"er...
1
]
1
i t
i t
i
i i
i t
i t
e
e
a a
a a
e 3
L 3 2
e
, 2
, &
:
22 2&
&2 &&
:
&
&
1
]
1
1
]
1
+
1
]
1
1
]
1
i t
i t
i
i
3
t
t
e
e
a a
a a
"
y
"
y
i
, 2
, &
:
22 2&
&2 &&
$22
Retores autoregressi"os
Multi%licadores de 7m%actoA
$2(
Retores autoregressi"os
$29
Retores autoregressi"os
$2;
Retores autoregressi"os
ca4amos de "erA
Decom%osiIo da Rari`ncia
$2*
Retores autoregressi"os
Q4ser"e 5ueA
3estes de utocorrelaIo
$$:
Retores autoregressi"os
$$&
Retores autoregressi"os
-
2
2
4
!
$
1
4
!
1
0
0 100 200 300 400 500
$
2
-onsidere estas duas sCries
$$2
Escolhendo o nVmero de defasagens %ara o R! %elos
critCrios de seleIo
...e estimando'oM
Q R! C est6"elO
$$$
autocorrelaIo %elo teste de @ortmanteau
Lo acreditou, descrenteO ReEamos mais...
$$(
Residuals of &'
0 100 200 300 400 500
-
3
-
1
1
0 2 4 ! 10 12
0
.
0
0
.
4
0
.
!
ACF of Residuals
0 2 4 ! 10 12
0
.
0
0
.
4
0
.
!
ACF of s(uared Residuals
)isto#ram and *+F
.
e
n
s
i
t
$
-3 -2 -1 0 1 2 3
0
.
0
0
.
4
0
.
!
2 4 ! 10 12
-
0
.
1
0
0
.
0
0
PACF of Residuals
2 4 ! 10 12
-
0
.
0
5
0
.
0
5
PACF of s(uared Residuals
$$9
Residuals of &,
0 100 200 300 400 500
-
2
0
2
0 2 4 ! 10 12
0
.
0
0
.
4
0
.
!
ACF of Residuals
0 2 4 ! 10 12
0
.
0
0
.
3este de esta4ilidade
$$)
Retores autoregressi"os
-!S-C.S./ of e(uation &'
Time
/
m
#
i
r
i
)
%
l
f
l
"
)
t
"
%
t
i
o
n
#
r
o
)
e
s
s
0.0 0.2 0.4 0. 0.! 1.0
-
1
.
0
0
.
5
-!S-C.S./ of e(uation &,
Time
/
m
#
i
r
i
)
%
l
f
l
"
)
t
"
%
t
i
o
n
#
r
o
)
e
s
s
0.0 0.2 0.4 0. 0.! 1.0
-
1
.
0
0
.
5
Esta4ilidade G "ista %ara
as duas e5uaIFes, certoO
$(:
Retores autoregressi"os
-ausalidade
Tranger
Tranger'Jims
7m%ortanteA
Teisel
7nter%retaIFes do 77 @LD
Qficial
]arros de -astro
Qutras crPticas
Rari6"eisO
Lo"amente, re%rodu/o.
$9$
0
1
2
3
4
5
6
7
8
1900 1910 1920 1930 1940 1950 1960 1970
l_,-./0T
l_/1A2234
l_5
l_P6
l_0M37,
l_0460M37,
$9(
$99
$9;
$9?
$9*
Em cointegraIo.
$;(
Dica
-oment6rios
g6 treinou no TretlZE"ie#sZ!O
$?*
g6 treinou no TretlZE"ie#sZ!O
T!-. 8&,&+
$):
Modelos !-.
$)&
Modelos !-.
$)2
Modelos !-.
$)$
Modelos !-.
$)(
Modelos !-.
$)9
@ara checar os resPduos,
%recisamos gerar a sCrie
normali/ada. 7sto C facilmente
o4tido atra"Cs do c6lculo da
"ari`ncia condicional. @ara gerar
esta "ari`ncia, escre"a o comando
de linha =e5&.makegarch c"ar>.
7sto gerar6 a sCrie =c"ar> da
"ari`ncia condicional. Em seguida,
crie a sCrie dos resPduos
%adroni/ados, di"idindo a sCrie dos
resPduos 8esta "ocH E6 sa4e gerar,
certoO+ %ela rai/ da sCrie c"ar. Lo
caso deste eDem%loA genr
residk%adron W resid&Z8c"ar+}8:.9+.
Jo4re este resPduo a%lica'se o teste
de normalidade.
$);
Modelos !-.
0
4
!
12
1
20
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
+eries0 1/+2.3PA.145
+%m#le 1(!0601 200!604
47ser,%tions 340
6e%n 0.00030!
6edi%n -0.00-503
6%8im"m 1.(-4(4
6inim"m -1.!5102
+td. .e,. 1.00125
+9ewness -0.014--3
:"rtosis 1.!132!5
;%r<"e-=er% 1(.(31!
Pro7%7ilit$ 0.00004
inda no C um 4om modelo,
certoO
$)?
Modelos !-.
R6rias eDtensFes.