Econometria II Alunos

Econometria das Sries de Tempo
Prof. C.D. Shikida

(2012)
2
Discusso Metodolgica
Methodology, like sex, is better demonstrated than

discussed, though often better anticipated than
experienced. [Leamer, E.E.
"Let's take the con out of econometrics". merican
Economic !e"ie#, 2$, %.$&'($, &)*$+,
$
lfred -o#les
.aa"elmo, .ur#ic/, 0lein, 0oo%mans, 1ald
Euro%a
2risch, 3in4ergen
metodologia tradicional %ode ser resumida

em cinco %e5uenos %ar6grafos.
lfred -o#les 777
8&*)&'&)*(+
(
&)9:';: < =Era de ouro da Econometria>
&)?: < @essimismo, %oisA
3eoria econBmica e %r6tica economCtrica distantes
@erformances de %re"iso deiDa"am a deseEar
-oo%er 8&)?2+ com%arou %re"isFes um %asso G frente de sete modelos

estruturais com uma %re"iso =ingHnua> de um modelo autoregressi"o
e...este se mostrou melhor.
9
Metodologia Moderna
funIo consumo C um eDcelente eDem%lo de a%licaIo

da metodologia tradicional 8hi%tese da renda
%ermanente < .!@+
"erso =moderna> desta C a funIo D.JK.
diferenIa est6 na a4ordagem economCtrica.

;
Metodologia Moderna
4ordagem na 5ual os =dados falam>. Lo %or5ue so

torturadosM
=7f Noutorturethedatalong enough it #ill confess>.

-oaseA atualmente
com &:& anos de idade
e um no"o li"ro
%u4licado.
?
Metodologia Moderna
funIo consumo D.JK nos d6 "6rios %ontos

im%ortantes 5ue de"emos considerar.
taDa de crescimentoO 8eyeballmetrics no inPcio, sem%re+
Qs coeficientes da e5uaIo estimada %odem ter uma

inter%retaIo com%atP"el com a .!@.
-aracterPsticas da amostra influenciam 4astante na

modelagem.
*
Mais...metodologia moderna
s formas funcionais %odem ser %ensadas como casos

%articulares de outras formas funcionais
ReEa as di"ersas es%ecificaIFes da e5uaIo do consumo.
Lote como construiu'se a funIo consumo 8o modelo a

ser estimado+ de forma diferente.
)
Metodologia Moderna
!esumo dos achados de D.JKA
La metodologia tradicional h6 uma imensa "ariedade de

modelos com dados trimestrais.
Sm modelo no"o, assim, de"eria %elo menos eD%licar como

os autores anteriores encontraram seus resultados.
Modelos de"em ser consistente com as %ro%riedades dos

dados o4ser"ados e de"em ser construPdos so4 um a%arato
terico eD%lPcito.
&:
Ramos relem4rar algumas coisas e nomear
outras
Rimos, no eDem%lo da funIo consumoA
Modelos DL 8Modelos autoregressi"os com defasagens

distri4uPdasM+
@a%el do tem%o 8ou da defasagem+ na economia.
Leia TuEarati, &?.& %ara mais Eustificati"as. 3am4Cm "eEa &?.( a &?.?.
Q%eradores L e .
5uesto da tendHncia dos dados.
5uesto da relaIo de longo %ra/oM

&&
Modelos DL
TuEarati, ca%.&?
funIo D.JK nos deu "6rios interessantes %ontos %ara

refleDo.
DeiDando um %ouco de lado a histria da econometria, "amos

aos as%ectos mais tCcnicos.
Lo se enganeA "oltarei com esta histria "6rias "e/es %or5ue, como E6

"imos, a e"oluIo da Macroeconomia e da Econometria ao longo do
sCculo UU so fortPssimamente correlacionadas.
&2
LotaIoA DL8%,%+
Q %rimeiro =%> di/ res%eito ao nVmero de defasagens da

"ari6"el de%endente. Q segundo, ao nVmero de
defasagens da outra "ari6"el.
&$
EDem%lo &?.&
Kt W a X :.(Ut X :.$Ut'& X :,2Ut'2 X ut
:.( , :.$, :.2 so @Mg-s de -@
:.(X:.$X:.2 W :.) C a @Mg- de L@
%s o aumento de Y& na renda, o consumidor aumentar6, no ano do

aumento, seu consumo em Y:.(. Lo ano seguinte, :.$, etc.
:.(Z:.), :.$Z:.) e :.2Z:.) A (([ do im%acto do aumento da renda

C sentido imediatamente so4re o consumo. ??[ no ano seguinte,
e &::[ no final do segundo ano.
-onfiraA :.(Z:.) W :.((. Da mesma forma, :.$$ e :.2$

&(
EstimaIo
d .oc 8M\Q+
@ro4lemas
0oNck 8restriIFes so4re os 4etas+
Engenhosa transformaIo
Mas restam'nos %ro4lemas
Defasagem mediana e mCdia
ReEa o EDem%lo &?.? com cuidado.

&9
%licaIFes
ED%ectati"as da%tati"as
Modelo de Eustamento @arcial
Modelo =misto>
&;
EstimaIo
Rari6"eis Estoc6sticos no L.E.E.
-orrelaIo serial 8dos resPduos+
ReEa, %or eDem%lo, 0oNck 8&?.*.2 e &?.*.$+A os resPduos

a%resentam correlaIo serial.
Je h6 correlaIo serial, os estimadores so tendenciosos

8"iesados+ e no so consistentes.
Logo...no use M\Q %ara 0oNck ou E..

&?
EstimaIo
Lo modelo de aEuste %arcial, %elo menos so

consistentes.
Q mCtodo a ser utili/adoA "ari6"eis instrumentais.
lternati"aA MR
&*
EDem%lo de R7 8dkins, &:.2+
JeEa a e5uaIo do sal6rio eD%licado %ela educaIo e %ela

eD%eriHncia 8su%Fe'se retornos decrescentes na
eD%eriHncia+.
!e%are a diferenIa de
resultados relati"amente
G a%ostila. Ssamos a
matri/ corrigida na
estimaIo.
&)
=ha4ilidade> C uma "ari6"el omitida neste modelo

8su%Fe'se 5ue tam4Cm seEa im%ortante+.
Mas =ha4ilidade> geralmente a%resenta uma alta

correlaIo com =educaIo>. -omo resol"er o %ro4lemaO
@recisamos de um instrumento correlacionado com

=educaIo> e =eD%eriHncia>, mas no com o termo de erro.
2:
Ramos instrumentali/ar a =educaIo> com as "ari6"eis

anteriores e, adicionalmente, com a =educaIo da me>.
ssim, a =educaIo> estimada C 5ue seria a rele"ante na

e5uaIo do sal6rio. ReEa o 5ue o4ti"emosA
2&
!e%are como o
retorno da educaIo
caiu %ara menos da
metade do originalM
Lotou o tamanho do
erroO
22
utocorrelaIo
utocorrelaIo com "ari6"el de%endente defasadaA
teste h 8teste %ara !8&++.
ReEa as trHs o4ser"aIFes so4re este teste.
]reusch'TodfreN 8]T+
ReEa no 5uadro 8ou "6 ao ca%.&2 de TuEarati+

2$
EDem%lo de DL 8&?.&&+
Demanda de moeda no -anad6
Moeda real, Euros nominais, @7] nominal
E5uaIo &?.&&.9 8ser6 estimada+ < "eEa o eDem%loM
ReEa o resultado 8usamos o Tretl+

2(
Q coeficiente de aEustamento C & < :.);:? W :.:$)$A ([ a%roDimadamente da diferenIa
entre o saldo monet6rio real efeti"o e o deseEado so eliminados em um trimestre.
29
3estes de -ausalidade
-ausalidade de Tranger'Jims 8ou causalidade de Jims+
-ausalidade de Tranger
3EL^_QA a a4ordagem neste ca%Ptulo ignora uma

caracterPstica im%ortante das sCries de tem%o. @ortanto,
entenda os conceitos e a mec`nica do teste. Reremos
mais so4re isso na 2a %arte do cursoM Detalhes na %.;(),
item &.
2;
-ausalidade
idCia C de =%recedHncia tem%oral>
@iadaA =se en"iamos cartFes de Latal antes do Latal, ento os

cartFes Tranger'causam o Latal> 8ref. !onald Q. .ill4recht+.
-om duas "ari6"eis a%enasA U e K

2?
-ausalidade
-ausalidade unilateral 8U causa K Z K causa U+
-ausalidade 4ilateral 8am4os+
Jem causalidade 8inde%endHncia+
3este de -ausalidade de Tranger
7ntuiIoA "alores %assados de U melhoram a %re"iso de K...

8ento U de"e Tranger'causar K+.
2*
ReEamos, ento, o eDem%lo com duas "ari6"eis.
!e%are 5ue %odemos incluir termos deterministas como

dummies ou tendHncia determinista.
2)
1
]
1
+ +
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
3emos os dados %ara o -anad6 no %acote lmtest do !.

$&
Q"os e galinhas no -anad6
li4rarN8lmtest+
bb 1hich came firstA the chicken or the eggO
data8-hickEgg+
grangertest8egg c chicken, order W $, data W -hickEgg+
grangertest8chicken c egg, order W $, data W -hickEgg+
bb alternati"e #aNs of s%ecifNing the same test
grangertest8-hickEgg, order W $+
grangertest8-hickEgg[, &,, -hickEgg[, 2,, order W $+
sho#8-hickEgg+
li4rarN8"ars+
data8"-anada"+
R!select8-anada, lag.maD W *, tN%e W "4oth"+
-anada d' -anada[, c8"%rod", "e", "S", "r#"+,
%&ct d' R!8-anada, % W &, tN%e W "4oth"+
%&ct
$2
-hickens no Tranger'causam eggs
Mas eggs Tranger'causam chickens...
$$
$(
Qutro eDem%lo %ara o -anad6
Reremos so4re estes critCrios.
guarde.
$9
@roduIo, em%rego, desem%rego e sal6rio real
-ausalidade %ara a %roduIo.
Q 5ue "ocH concluiO
$;
Q 5ue "ocH conclui %ara o
em%regoO
$?
@ara o desem%regoO
$*
E 5uanto ao sal6rio realO
!e%are 5ue este Vltimo
eDem%lo en"ol"eu 5uatro
"ari6"eis.
$)
-ausalidade de Tranger'Jims 8"er TuEarati,
ca%.&?, eD &?.$&+
(:
-ausalidade de Tranger'Jims
t
L
i
i t i
K
i
i t i
K
i
i t i t
t
L
i
i t i
K
i
i t i
K
i
i t i t
P M M M
P M M P
, &
& & &
&
, &
& & &
:

+ + + +
+ + + +

Q futuro no %ode causar o %resente. ssim, se M causa @, no sentido de Tranger'

Jims, de"emos fa/er um teste 2 %ara os i na e5uaIo &.
nalogamente, em 82+, o 5ue terPamos %ara "er se @ causa M no sentido de Tranger'
JimsO
8&+
82+
(&
-ausalidade de Tranger'Jims
EDem%loA Moeda e @reIos 8Pndices log, ]rasil+

0
0.5
1
1.5
2
2.5
3
3.5
4
1820 1840 1860 1880 1900 1920 1940
lM1
lP
(2
($
!e%are no %'"alor. Qs
coeficientes dos leads de M em
conEunto, so iguais a /ero. =Q
futuro de M no causa o %resente
de @> ou, em outras %ala"ras, M
causa @ no sentido de Tranger'
Jims.
((
Q4ser"aIFes
-ausalidade 7nstant`nea
Em alguns artigos encontramos autores 5ue testam a

causalidade instant`nea.
Leste caso, C im%ortante %ensar na 5uesto da eDogeneidade 8logo

mais+.
(9
Q4ser"aIFes
-arlos M. @el6e/ e Tusta"o ..]. 2ranco
.istria EconBmica do ]rasil
Em 4re"e.
(;
-onceitos de EDogeneidade 8intuiIo+
Endogeneidade
EDogeneidade
2raca
2orte
Ju%er
(?
EDogeneidade 8intuiIo+
EDogeneidade 2raca
Lo C o mesmo 5ue testar causalidade de Tranger.
Ela im%lica 5ue no haEa de%endHncia contem%or`nea entre as

"ari6"eis
(*
EDogeneidade 2orte
U C eDogenamente forte relati"amente a K se "alores

contem%or`neos e defasados de U no afetam K.
()
Ju%er'EDogeneidade
U C su%er'eDgeno em relaIo a K se os %ar`metros da

regresso de K so4re U no mudarem caso mudem os "alores
de U.
Lem4re'se da -rPtica de LucasA se U for su%er'eDgeno, ento

a -rPtica %erde sua forIa.
9:
EDogeneidade
Reremos os conceitos mais formalmente no ca%.22.

9&
3este de Jargan
EDem%lo de dkins, %.29$
2aIa o download do manual, dos dados e dos scripts.
Q 3este de Jargan C um teste de sobre-identifica!o, i.e.,

"ocH tem mais instrumentos do 5ue o necess6rio %ara
identificar uma e5uaIo 8mais so4re isso nos %rDimos
ca%Ptulos+.
92
3este de Jargan
Q eDem%lo de dkinsA
Q sal6rio C regredido contra o educaIo e dois

instrumentos 8educaIo do %ai e educaIo da me+.
-ontrola'se %ela eD%eriHncia.
hi%tese nulaA os instrumentos so "6lidos.
-aso seEa reEeitadaA instrumentos de"em estar correlacionados

com o erro eZou eDiste omisso de "ari6"eis no modelo.
9$
3este de Jargan
Jiga os %assos 8a%Hndice &?.+

Estimou'se a regresso original, com os
instrumentos. -om%utamos os residuos.
!e%are 5ue, no Tretl, sem%re 5ue o modelo for so4re'identificado, o teste de Jargan
ser6 calculado automaticamente. Rerifi5ue sua tela de resultados. Mas, %ara efeitos de
a%rendi/ado, "amos fa/er manualmente. @rDimo %asso...
9(
3este de Jargan
Q resPduo C regredido so4re as "ari6"eis U,
1. Lote 5ue eDcluPmos =educ> 85ue C uma
e, no sendo inde%endente do termo de
erro+. %artir deste !2, calculamos J!T.
ReEa o %'"alor.
99
Modelos de E5uaIFes Jimult`neas
EDem%lo famoso 7J e LM
EDogeneidade e Endogeneidade 8conceito cl6ssico+
Q eDem%lo da funIo consumo
!e%are o %ro4lema do "iCs
-omo estimar, neste casoO
@rimeiro temos 5ue entender o %ro4lema da identificaIoM

9;
Q %ro4lema da 7dentificaIo
Q %ro4lema da identificaIo %recede o da estimaIo.
identificaIo C feita %ara cada uma das e5uaIFes de um

sistema de e5uaIFes.
-onseguimos retornar G forma estrutural a %artir da

forma redu"idaO
9?
Q %ro4lema da identificaIoA
Q mesmo conEunto de dados 8amostra+ %ode ser com%atP"el

com diferentes conEuntos de coeficientes estruturais, ou seEa,
diferentes modelos.
Ju4'identificaIo, 7dentificaIo, Jo4re'identificaIo.
\ual deles C %ro4lem6ticoO

9*
-ondiIFes de 7dentificaIo
-ondiIo de ordem 8necess6ria, mas no suficiente+
-ondiIo de %osto 8rank+ 8necess6ria e suficiente+
EDem%lo com as duas condiIFes 8%.;)(';+

9)
o in"Cs de assumir simultaneidade, %ode ser

interessante test6'la %re"iamente.
3este de .ausman.
EDogeneidade.
EDem%lo.
;:
MCtodos de EstimaIo %ara E5uaIFes
Jimult`neas
Dado 5ue o modelo seEa identificado ou

so4reidentificado, como estim6'loO
Lem4re'seA no 5ueremos "iCsM
3rHs mCtodos %ara trHs ti%os de sistemas
M\Q, M\7, M\2E

;&
Jimult`neas
Em sistemas recursi"os, M\Q.
Em sistemas nos 5uais todas as e5uaIFes so eDatamente

identificadas, M\7.
Em sistemas com e5uaIFes so4reidentificadas, M\2E.
!e%are na semelhanIa entre o mCtodo R7 e o M\2E.

;2
Jimult`neas
Jo4re M\2E
@ode ser a%licado %ara uma e5uaIo do sistema.
!e%are 5ue, se identificada ou so4reidentificada, o mCtodo

%ode ser a%licado 8 e o resultado ser6 idHntico ao de M\7+
De"e'se ter cuidado com o !2. Je o !2 da forma redu/ida do

&f est6gio for 4aiDo, M\Q e M\2E retornaro estimati"as
%rDimas.
;$
Jimult`neas
Jo4re M\2E
-uidado com os des"ios'%adro dos coeficientes estimados

%elo mCtodo 8re%are no termo de erro do segundo est6gio+.
Q4ser"aIFes de 3heil 8%.?2&+.

;(
EDem%lo 8TuEarati, ta4ela 2:.2+
E5uaIo 2:.9.&
;9
EDem%lo TuEarati 8cont.+
82:.9.2+ , 82:.9.$+ sem correIo do des"io'%adro de cada coeficiente.
;;
EDem%lo TuEarati 8cont.+
Rerifi5ue o teste de endogeneidade %or sua conta.
-aso o resultado seEa diferente do li"ro, re%orteM
Q 5ue a%rendemos com este eDem%loO

;?
JS! ou JS!E
Jistema de e5uaIFes 5ue se relacionam %or5ue os erros

esto relacionados.
EDA 2unIFes de demanda de duas 8ou mais+ commoditties#

-ho5ues eDgenos afetam am4as 8ou todas+.
M\Q 8QLJ+ %ode ser usado em cada e5uaIo,

se%aradamente, mas as estimaIFes no sero eficientes
%or conta da correlaIo entre os distVr4ios das
regressFes.
;*
EDem%lo 8a%ro"eitando o !...+
;)
EDem%lo
@reste atenIo nas diferenIas entre os coeficientes.

?:
?&
?2
?$
?(
?9
?;
inda o eDem%lo...
.ausman 3est 8ainda em !+

Lo reEeitamos a estimaIo %or
$JLJ
??
Econometria de JCries de 3em%o
@rocessos Estoc6sticos e !eali/aIFes
Lo'estacionaridade e estacionaridade.
\ual conceito de estacionaridade %ara nosso cursoO
@rocessos %uramente aleatrios
Qs "6rios %rocessos de ruPdo 4ranco 8"eremos a seguir+

?*
Sm %ouco de eyeballmetrics %ara ad5uirir intuiIo.
ReEamos os gr6ficos seguintes 5ue di/em res%eito aos

su4'itens do 7@-, em termos reais, e tam4Cm ao
rendimento real mCdio.
-ada Pndice de %reIo est6 em termos reais 8di"ide'se o Pndice

do %roduto %elo 7@-+. 4ase C EulZ:; W &::.
?)
*:
0 100 200 300 400 500
0
5
0
1
0
0
1
5
0
2
0
0
2
5
0
Time
r
w
.
n
d
-
5
0
5
1
0
1
5
det. trend + noise (ls)
rw drift (ls)
rw (rs)
*&
-aracterPsticas tP%icas
3endHncia
-iclos
-iclos sa/onais
E"entualmente alguns autores chamam =ciclos> 5uando 5uerem falar de

ciclos sa/onais ou no. Mas isto no C consensual.
*2
JCries mensais %odem a%resentar um %adro cPclico

es%ecPfico 5ue se re%ete de do/e em do/e meses.
@or eDem%lo, "eEa o 5ue acontece com o 7@-, o Pndice

usado %ara a meta de inflaIo no ]rasil.
*$
8&))&.gan < 2:&2.MaN+
*(
-onsidere o Pndice de %reIos de com%ra de im"eis em

]elo .ori/onte 8fonteA 7@ED+.
ReEa o gr6ficoA
*9
@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.
*;
@rocessos Estoc6sticos
Estacion6rios
2raco 82a ordem+
!e"erso G mCdia
@uramente aleatrio
!uPdo 4ranco 8ti%os+

*?
@rocessos Lo'Estacion6rios
Modelo do @asseio leatrio
-om drift 8deslocamento+
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

*)
@rocessos com !ai/ Snit6ria
@ro4lema da !ai/ Snit6ria
Lelson h @losser
3endHncia Determinista 83J+ e 3endHncia Estoc6stica

8DJ+
Modelo Teral 82&.9.&+ e seus casos %articulares

):
Lem4ra deleO
0 100 200 300 400 500
0
5
0
1
0
0
1
5
0
2
0
0
2
5
0
Time
r
w
.
n
d
-
5
0
5
1
0
1
5
det. trend + noise (ls)
rw drift (ls)
rw (rs)
)&
@rocessos Estoc6sticos 7ntegrados
@rocessos 5ue so no'estacion6rios de"em ser diferenciados

=k> "e/es atC 5ue se tornem estacion6rios. Logo, %ara 5ue
"oltemos ao %rocesso original, temos 5ue integr!"os =k>
"e/es.
78:+, k W :
78&+, k W &
78E+, k W E, etc.
)2
@ro%riedades
Jo 5uatro %ro%riedades. 8TuEarati, 2&.;+
!e%are, ento, na a%licaIo destas %ro%riedades 82&.?+A o

fenBmeno da regresso es%Vria.
)$
Teramos duas sCries 5ue so %asseios aleatrios %uros.
Em seguida, fa/emos a regresso de uma contra a outra

89:: o4ser"aIFes+.
N& d' :.*itrd X cumsum8e&+
N2 d' :.;itrd X cumsum8e2+

)(
!egresso Es%Vria
&. -oeficientes significati"os 8teste t+
2. !2 alto, D1 4aiDo.
Tranger h Le#4oldA Je !2 j D1,
sus%eite de regresso es%Vria entre as
sCries.
dl e du a%roDimadamenteA
&.?9* e &.??*
)9
Lo eDem%lo acima, regredimos N& contra N2.
2aIa o mesmo e "erifi5ue o 5ue acontece se a regresso

fosse de N2 contra N&. Qs resultados mudariamO
]aseA -digo @faff, ('&.

);
@faff, -digo ('&
Teramos dois %asseios aleatrios
li4rarN8lmtest+
set.seed8&2$(9;+
e& d' rnorm89::+
e2 d' rnorm89::+
trd d' &A9::
N& d' :.*itrd X cumsum8e&+
N2 d' :.;itrd X cumsum8e2+
sr.reg d' lm8N& c N2+
sr.d# d' d#test8sr.reg+Ystatistic
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
ReEa, %or eDem%lo, a regresso das "ari6"eis em

diferenIa
Q no"o dur4in #atson C
a%roDimadamente
&.);$.
)*
Sm eDem%lo com dados reais
gora imagine 5ue consumo e renda %ossam ser

re%resentadas %or %asseios aleatrios.
EDem%lo ilustrati"o 8consumo e @7] em !Y milhFes de

&)*:+
!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.
&:$
3estes de Estacionariedade
n6lise Tr6fica 8eyeballmetrics+
-2, @-2A -orrelograma
Jignific`ncia EstatPstica dos -oeficientes de utocorrelaIo
]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
&:?
Mais so4re correlogramasA
correlaIo entre Nt e Nt'k ser6 a ra/o da co"ari`ncia entre

elas relati"amente ao %roduto dos res%ecti"os des"ios'
%adrFes.
-omo a "ari`ncia C a mesma, este %roduto do denominador

ser6 a "ari`ncia.
Logo, "er 82&.*.&+ e, amostral, 82&.*.(+.
EDem%loA consumo anual, ]rasil, logaritmo, a %reIos

constantes de mCdia de &)*:.
&:*
-1
-0.5
0
0.5
1
0 2 4 6 8 10 12
lag
ACF for l_c
+- 1.96/T0.5
-1
-0.5
0
0.5
1
0 2 4 6 8 10 12
lag
PACF for l_c
+- 1.96/T0.5
&:)
3este de LEung']oD 8tam4Cm conhecido como teste de

portmanteau+. Este teste, cuEa estatPstica C conhecida
como =\>, C distri4uPdo segundo uma 2 com s graus de
li4erdade.
s W com%rimento das defasagens
n W nVmero de o4ser"aIFes
k W total de defasagens incluPdas 8% X 5, no caso de

modelos !M+
&&:
Dados da 3a4ela 2:.2 de TuEaratiA sCrie D&.

400
600
800
1000
1200
1400
1600
1800
2000
1970 1975 1980 1985 1990 1995 2000 2005
!
1
&&&
&&2
Q 3este de !ai/ Snit6ria
D2 8entenda %rimeiro+
D2
3este 2 8irrestritoZrestrito+
3este de @hilli%s'@erron 8seguimos o li"ro+
3este8s+ de MudanIa Estrutural
-rPtica dos 3estes de !ai/ Snit6ria
EDtraA teste 0@JJ

&&$
EDem%loA
Distri4uiIo de DickeN'2uller
\ual dos modelos a4aiDo C o irrestritoO
.i%tese nula, %ortanto...

( )
t
k t
k t t
y y y + +
&
&

( )
t
k t
k t t t
y y ' y + + + +
&
&
&&(
EstatPstica de testeA
m W nVmero de restriIFes
!JJ W soma dos resPduos 5uadr6ticos
S! W irrestrito
0 W nVmero de %ar`metros do modelo irrestrito.
L W nVmero de o4ser"aIFes
.i%tese nulaA no se reEeita o modelo restrito.
Distri4uiIo de DickeN'2uller, 8a%Hndice D, D.?+.

( )
+ Z8
Z
k n ())
m ()) ())
*
+(
+( (
&&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
Enders 82::(+, %.&*(.
lndice da %roduIo industrial dos ES, &)9:A7 <

&)??A7R 8n W &&:+.
&&*
Qutro eDem%lo
@ode'se testar 8(.2*+ contra 8(.2;+. Qu seEa, o %es5uisador 5uer

sa4er 5ual o DT@ dos dadosA um %asseio aleatrio com drift e
tendHncia determinista ou um %asseio aleatrio %uro.
( )
)9 . 9
+ ( &&: Z8 :9;((* . :
$ Z :9;((* . : :;9);; . :
+ 8
2

*
@ara 9[, reEeita'se a hi%tese nula
&&)
Qutro eDem%lo
Eliminamos 8(.2*+. @odemos checar 8(.2;+ contra 8(.2?+.

( )
$( . ;
+ ( &&: Z8 :9;((* . :
2 Z :9;((* . : :;$2&& . :
+ 8
$

*
@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
Ramos fa/er um Vltimo teste, em 8(.2;+A

;& . $
:$$ . :
&&) . :

@ara 9[, reEeita'se a hi%tese nula de 5ue

eDista rai/ unit6ria.
&2&
Sma o4ser"aIo
Lo fa/ sentido eDaminar a e5uaIo se o coeficiente da

"ari6"el rele"ante for %ositi"o.
7sso significaria 5ue a sCrie seria eD%losi"a. Mas isto no

fa/ 5ual5uer sentido econBmico.
ReEa o eDem%lo de TuEarati na a%licaIo do teste D2.

&22
Ssar o 4om senso na im%lementaIo do teste.
]om senso W ler TuEarati
Qutra formaA usar o mCtodo de Enders 82::(+.

Entretanto, o mesmo C mais com%leDo e suEeito a falhas.
Rer Elder h 0ennedN 82::&+.
Lotas de aula so4re isto em %df dis%onP"el aos interessados.

Jolicitar "ia emailA claudiodsmi4mecmg.4r
&2$
Qutros testes de rai/ unit6ria
@hilli%s'@erron 8@@+
\ue4ras Estruturais
Etc. 8D2'TLJ, Elliot'!othen4erg'Jtock, Jchmidt'@hilli%s, etc+
Q teste de estacionaridadeA 0#iatko#ski'@hilli%s'

Jchmidt'Jhin 80@JJ+
Sma 4re"e discusso, a seguir.

&2(
@hilli%s'@erron 8mesma distri4uiIo do teste D2+.

&29
!ai/ unit6ria ou Lo'estacionaridadeO
3este 0@JJ
&2;
EDem%lo < Dados originais de Lelson h
@losser
@faff, cdigo 9'9.
3este 0@JJ %ara o sal6rio nominal 8em log+ e %ara a taDa de Euros
li4rarN8urca+
data8n%org+
ir d' na.omit8n%org[, "4nd",+
#g d' log8na.omit8n%org[, "#g.n",++
ir.k%ss d' ur.k%ss8ir, tN%e W "mu", use.lagW*+
#g.k%ss d' ur.k%ss8#g, tN%e W "tau", use.lagW*+
Rale a %ena com%lementar o cdigo comA
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*
&2)
\ue4ras Estruturais
@erron 8data da 5ue4ra conhecida+
\ue4raA surge de uma mudanIa discreta nos coeficientes da

regresso %o%ulacional e uma data %recisa ou de uma
e"oluIo gradual 8mudanIa nos "alores+ dos coeficientes ao
longo de um %erPodo de tem%o maior. [ada%tado de Jtock h
1atson 82::(+, ca%.&2, %.$&*'$2(,
&$:
\ue4ras Estruturais
Lo mCtodo de @erron, sa4e'se a data de 5ue4ra e testa'se o ti%o da mesma.
MCtodo em dois est6gios.
3a4elas originais em @erron 8&)*)+ re%rodu/idas em -harem/a h Deadman 8&))2+,

dentre outros.
Qutra forma de fa/er o teste 8a seguir+
ei"ot h ndre#s 8&))2+ am%liam o teste %ara endogenei/ar a data de 5ue4ra.
eeileis 8"6rios+ desen"ol"eu testes 4aseados em =M'fluctuations>. @ara uma

a%licaIoA Logueira gr., Jhikida h rauEo gr 82:&&+ em
htt%AZZ###.accessecon.comZ@u4sZE]Z2:&&ZRolume$&ZE]'&&'R$&'72'@&9).%df
&$&
\ue4ras Estruturais < @erron 8&))?+
Q %rimeiro modelo C este. .6 mais dois.
Jim%lificando a
notaIo de @erron
8&))?+ com @erron
8&)*)+...
&$2
Lo"amente, sim%lificando a
notaIo...
&$$
Log do @L] real dos ES
Dados originais de Lelson h
@losser
Q tkal%ha de"e ser com%arado
com o "alor corres%ondente nas
ta4elas de @erron.
&$(
\ue4ras Estruturais ' outros
ei"ot'ndre#s 8&))2+ < ReEa o cdigo ;.2 de @faff %ara

um eDem%lo de a%licaIo.
' ]ai'@erron
Etc.
&$9
Sm eDem%lo da im%ort`ncia interdisci%linar
das 5ue4ras estruturais
.istoriadores "ersus Mercados
]olsa de Ralores nos fornece %istas so4re e"entos

significati"os.
Mas historiadores nem sem%re olham %ara a ]olsa.

&$;
&$?
&$*
&$)
3este %ara !aP/es Snit6rias Ja/onais
Reremos so4re isto mais adiante...

&(:
3ransformaIo de JCries Lo'Estacion6rias.
DJ
3J
Ju4diferenciarZJo4rediferenciar 8E6 falamos, noO+
-ointegraIo
3este de -ointegraIo
3este ET 8Engle'Tranger aumentado+
-ointegraIo e Mecanismo de -orreIo de Erros

&(&
-ointegraIo em sCries econBmicas
Teralmente se estudam casos em 5ue as sCries %ossuem o

mesmo nVmero de raP/es unit6ria 8geralmente uma, ou 78&++.
.6 desen"ol"imentos recentes %ara sCries 782+.
.6 outros desen"ol"imentos 8multi'cointegraIo, "er Enders

82::(++.
Reremos casos em 5ue eDiste 8ao menos+ uma com4inaIo

linear de duas sCries 78&+ 5ue seEa 78:+.
&(2
-ointegraIo e Mecanismo de -orreIo de Erros
-onsidere o seguinte DL8&, &+A
Este modelo d6 origem a "6rios casos %articulares,

conforme as restriIFes 5ue se esta4eleIa so4re os
%ar`metros.
t t t t t
u " y " y + + +
& $ & 2 &

&($
ReEa este caso do DL8&,&+A
Je eDistir um e5uilP4rio entre D e NA

i i i i
& : & :
x x y y + + +
( )
( )
i i + 8
+ & 8
i
i i + & 8 i
& :
&
& : :
& : : &
x K K y y &
x
y x y
+
+ +
+ +

&((
gora, com duas %e5uenas mani%ulaIFes algC4ricasA

&(9
-o'integraIo e o 3eorema de Engle'Tranger
Lotas de aula
&(;
!aP/es Snit6rias ' com%lemento
Ride Enders 82::(+ re%rodu/ido a seguir.

&(?
&(*
JCries de 3em%oA @re"iso
%artir de agora, "eremos um %ouco mais so4re

%re"iso
@arte do ca%.22 ser6 "ista agora. 8modelos !M, !7M+.
outra %arte ser6 fortPssimamente com%lementada %or outras

4i4liografias.
&()
@re"iso
Modelos de Jua"i/aIo ED%onencial 8"er .Nndman+.
Modelos de !egresso Snie5uacionais 8recordeM+
Modelos de E5uaIFes Jimult`neas 8e a -rPtica de Lucas,

heimO+
Modelos !7M
Modelos R! 8e -R!+
&9:
Modelos !7M8%,d,5+
&. 3odo %rocesso !M8%,5+ %ode ser escrito como um

! %uro ou como um M %uro.
Rimos 5ue um !8&+ se transforma em um M8+ 8so4 uma

condiIo es%ecial...5ualO+
Lo caso de um M8&+ C f6cil "er 5ue ele %ode ser escrito

como um !8+.
&9&
Modelos !7M 8%,d,5+
!8&+ < estacion6rioO

( )
( ) L
c
y c y L Ly c y
t
t t t t t t
+
+ + +
&
&

( ) ( ) ( ) ( ) ...
$
$
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+

[ ][ ] [ ]
[ ]
[ ] ( ) ( ) ( ) [ ] ... 2 2 ...
...
&
...
&
+ 8 + 8 + 8
2
2
& &
2
2
2
2
&
2
2
$
$
2
2
&
2
$
$
2
2
&
2
$
$
2
2
&
2

+ + + + + + + +
+ + + +
1
]
1
+ + + + +

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
+ + + + +
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+
M8&+ < estacion6rioO

&
+ +
t t t
y
( ) ( ) ( ) + +
t t t t
y & & y &
&
( ) ( ) ( )
( ) ( ) ( ) ( )
( )
2 2 2 2 2
:
2
& &
2 2
&
2
&
2
& :
2

+ + +
+ + +
+ +

t t t t t t
t t t t
& & & &
& y & y &
&99
Modelos !7M 8%,d,5+
M8&+ < estacion6rioO

( ) ( ) ( ) ( ) [ ] [ ][ ]
[ ][ ] [ ]
, t t , t t , t t , t t , t , t t t
, t , t t t , t , t t t
& &
& y & y y & y &

+ + + + +
+ + + +
& &
2
& & & &
& &

[ ]
'
>
+ + +

& , :
& ,
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+
D6 %ara imaginar o 5ue seria um !M8%,5+...

t p t p t t t
y y y c y + + + + +

...
2 2 & &
. t . t t t t
y

+ + + + + ...
2 2 & &
&;&
Modelos !7M 8%,d,5+
@ara 5ue um !8%+ seEa est6"el, as raP/es do %olinBmio em L

de"em estar todas fora do cPrculo unit6rio 8se com%leDas, as
%artes reais das raP/es de"em estar fora. Je reais, 4"io...+.
Sm %olinBmio !8&+ %ode ser escrito como um M8+ se nn

d&. Sm !8%+ tam4Cm %ode, desde 5ue seEa est6"el.
Sm M85+ %ode ser escrito como um !8+ so4 certas

condiIFes 8in"ersi4ilidade+. Rale a %ena uma %ala"rinha...
&;2
Modelos !7M 8%,d,5+
@ara um !M8%,5+ C necess6rio tanto a estacionaridade

5uanto a in"ersi4ilidade.
. t . t t p t p t t
y y c y

+ + + + + + + ... ...
& & & &
t t t
p
p
.
.
p
p
t
L y
L L
L L
L L
c
y

+ 8
... &
... &
... &
&
&
&
+

+ + +
+

&;$
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+
Lo entraremos em mais detalhes so4re os %rocessos

neste curso 8seguimos TuEarati e estas notas a%enas+.
Em caso de dV"idas, consulte suas notas de aula e a

4i4liografia indicada.
Ramos em frente.
&;9
EstimaIo de modelos !M 8%,5+
Modelos !8%+ < M\Q
Modelos !M 8%,5+ < otimi/aIo no'linear 8%or conta

da %arte M+
3estes de es%ecificaIo do modeloA
Jo4 a hi%tese nula de 5ue o modelo !M8p,.+ est6

corretamente es%ecificado, / C assintoticamente distri4uPda
como uma 2 com K-p-. graus de li4erdade.
&;;
E o dO
!7M8%,d,5+
Q =d> di/ res%eito ao nVmero de "e/es 5ue de"emos

diferenciar a sCrie original %ara 5ue a mesma seEa
estacion6ria.
Sm eDem%lo sim%lesA tra4alhando com o ln8@7]+ o aluno

%erce4e, %elo gr6fico, 5ue a sCrie muda de mCdia, ou
seEa, h6 um fator de no'estacionaridadeM
&;?
E o dO
Ento, ele tira a %rimeira diferenIa da sCrie, gerando uma

no"a sCrie, em diferenIa. Lo caso es%ecPfico dos
logaritmos, ele o4tCm a taDa de "ariaIo do @7],
a%roDimadamente.
ssim, d W & neste caso.
sCrie de"e ser estacion6ria 8ou estacionari/ada+ %ara

5ue %ossamos comeIar o %ro4lema de estimaIoMM
&;*
Metodologia ]oD'genkins
&. 7dentificaIo
2. EstimaIo
$. Diagnsticos
(. @re"iso
&;)
7dentificaIo
Tr6fico, correlogramas
&?:
EstimaIo
EstimaIoM
La dV"ida entre dois ou trHs 8etc+ modelos, estime todos.

&?&
3estes de Diagnstico
\ de LEung']oD 8lem4raO+
-ritCrios 7-, J]-, .\
+
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
@ro4lemas do teste L]A
@ara "alores ele"ados de 0, o teste %ode a%resentar 4aiDa

%otHnciaq
Q teste a%enas indica se o modelo C inade5uado, mas no

sugere como o modelo de"eria ser modificado.
Qutras o%IFesA Multi%licador de Lagrange de ]reusch'

TodfreN
&?$
Jo4re 7-, J]- e .\A
Jegundo McLeod h ehang 82::*+, alguns autores

recomendam o ]7- %ara a escolha de modelos %ara fins
de %re"iso en5uanto 5ue o critCrio 7- seria mais
utili/ado em a%licaIFes 5ue en"ol"em a estimaIo da
densidade es%ectral dos modelos. Lo custa lem4rar 5ue
os modelos s so com%ar6"eis se o tamanho amostral
for o mesmo 83+. Lrtke%ohl 82::?+ afirma 5ue, %ara
amostras de tamanho 3 s&;, tem'seA ]7- t .\ t 7-.
&?(
Jo4re 7-, J]- e .\A
Q autor tam4Cm chama a atenIo %ara o fato de 5ue no

seria ade5uado usar tais critCrios %ara modelos !M
8%, 5+, mas a%enas %ara modelos %uramente
autoregressi"os. Sm %rocedimento alternati"o <
chamado de =%rocedimento de .annan'!issanen>
encontra'se em 0rut/ig h Lrtke%ohl 82::;+
[htt%AZZ###.Emulti.deZdo#nloadZhel%Zarima.%df, e C
im%lementado automaticamente no freeware gmulti, dos
mesmos autores.
&?9
lCm disso,
Ssar o teste gar5ue']era %ara "erificar a normalidade

dos resPduos.
De"e'se sem%re %rocurar os resPduos mais =normais>

%ossP"eis>. @or 5ueO
&?;
Jem%re 4us5ue o modelo mais %arcimonioso %ossP"el.

&??
Jo4re a %re"iso
2ora da amostra
Dentro da amostra
lCm dissoA
Rantagem de se "erificar a =const`ncia dos %ar`metros>

83este de -ho#+.
&?*
&?)
&*:
&*&
@re"iso dentro
da amostra
&*2
&*$
EDem%lo da metodologia ]oD'genkins
@faff, cdigo &.$ 8alterado %or mim+
!code&k$alterado.!
Q4Eeti"oA estudar a sCrie do desem%rego dos ES.
ReEamos os gr6ficos.
&*(
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
!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
@ara fins de %re"iso, Tranger h Le#4oldA no a retire,

modele'a.
Q tratamento ade5uado consiste em sa4er se a sa/onalidade C

determinista ou estoc6stica.
La metodologia ]oD'genkins, modela'se a sa/onalidade.

&)$
Ja/onalidade
Qutros mCtodosA dessa/onali/ar
Dummies
MCdias m"eis
-ensus U'&&
-ensus U'&2 !7M

&)(
Ja/onalidade
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
@ara %rocessos %uramente sa/onais, os correlogramas so

similares aos dos %rocessos %uramente no'sa/onais 8! e
M+, s 5ue a truncagem ocorre na defasagem sa/onal.
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
\ue modelo estimarO
@ro4lemaA teste de rai/ unit6ria
Dessa/onali/ar a sCrieO
Qu fa/er um teste de rai/ unit6ria sa/onalO
Lo caso de uma rai/ unit6ria sa/onal, diferencia'se a sCrie.
Jim, C %ossP"el ter uma rai/ unit6ria e uma rai/ unit6ria sa/onal.
EDA J!7M 8:,&,&+ D 8:,&,&+

2::
EDem%lo
3ente analisar a estacionariedade da sCrie.
De%ois "erifi5ue se eDistem =no'estacionaridades>

sa/onais. Je eDistirem, diferencie sa/onalmente.
%artir daP, %rossiga como anteriormente.

2:&
EDem%lo
-1
-0.5
0
0.5
1
0 5 10 15 20 25
lag
ACF for #_l_"ro#$%#
+- 1.96/T0.5
-1
-0.5
0
0.5
1
0 5 10 15 20 25
lag
PACF for #_l_"ro#$%#
+- 1.96/T0.5
2:2
inda o eDem%lo
0.0 0.5 1.0 1.5 2.0
-
0
.
4
0
.
0
0
.
4
0
.
!
Series: diff(lo#(prod))
LAG
A
C
F
0.0 0.5 1.0 1.5 2.0
-
0
.
4
0
.
0
0
.
4
0
.
!
LAG
P
A
C
F
%s o eDame do correlograma
foram estimados alguns modelos.
Q melhor foi este.
2:$
inda o eDem%lo
Time
1((5 2000 2005 2010
-
4
-
2
0
2
0.5 1.0 1.5 2.0
-
0
.
2
0
.
2
ACF of Residuals
LAG
A
C
F
-3 -2 -1 0 1 2 3
-
4
-
2
0
2
+
%
m
#
l
e

*
"
%
n
t
i
l
e
s
5 10 15 20 25 30 35
0
.
0
0
.
4
0
.
!
l%&
#

,
%
l
"
e
%re"iso gerada,
con"ertida %ara Pndice,
indica 5ue a %roduIo
industrial de"e ter um
aumento modesto em
fe"ereiroZ2:&2A
:.$);[.
Jer6O
2:(
Q mesmo resultado no Tretl
4
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
5
1995 2000 2005 2010
l
_
"
r
o
#
$
%
#
Ac&'al a%# f$&&e# l_"ro#$%#
f$&&e#
ac&'al
2:9
inda o eDem%lo
4.5
4.55
4.6
4.65
4.7
4.75
4.8
4.85
4.9
4.95
5
2004 2005 2006 2007 2008 2009 2010 2011 2012
l_"ro#$%#
foreca(&
95 "erce%& $%&er)al
2:;
Q @L] dos ES
Ramos seguir o eDem%lo do @L] dos ES

8&)(?.& < 2::2.$, trimestral+.
LW 2$$.
2onte dos dados 82!ED < o 4anco de dados do

2ED de Jt. Louis+.
Reremos um %e5ueno %ro4lema nas estimaIFes

anteriores e como corrigi'loM
2:?
Q @L] dos ES
Time
&
n
#
1(50 1(0 1(-0 1(!0 1((0 2000
2
0
0
0
4
0
0
0
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
2a/endo a taDa de "ariaIo do

@L] 8"eEa comando a4aiDo+,
o4temos o seguinte gr6ficoA
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;$?
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
+
%
m
#
l
e

*
"
%
n
t
i
l
e
s
5 10 15 20
0
.
0
0
.
4
0
.
!
l%&
#

,
%
l
"
e
( )
t t t
u 45P 45P + +

&
::9 . :
$(;? . : $(;? . : & ::*$ . :

2&2
Q @L] dos ES
!7M8:,&,2+
7- W '*.2)?;
]7- W ').29&?
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
+
%
m
#
l
e

*
"
%
n
t
i
l
e
s
5 10 15 20
0
.
0
0
.
4
0
.
!
l%&
#

,
%
l
"
e
t t t t
u u u 45P + +
2 &
2:$9 . : $:$ . : ::*$ . :
2&$
tenIo %ara este eDem%loM
!e%arou no 5ue eu fi/ na hora de escre"er as e5uaIFesO
Qs %rogramas E"ie#s, Tretl e ! estimaram os mesmos

resultados.
Entretanto, os autores do li"ro do 5ual usei o eDem%lo

mostram 5ue h6 um %ro4lema nestas saPdas.
2&(
5uesto C sim%les e di/ res%eito a como os %rogramas

tratam a estimaIo em diferenIa. 7n"estigando os
resultados do !, esta foi a desco4erta deles.
Je o interce%to C estatisticamente igual a /ero, isto no C

um %ro4lema.
Mas se no for, ento ha"er6 um %ro4lema nas %re"isFes

dos modelos.
Q 5ue fa/erO
2&9
-omo aca4ei de citar, todos os %rogramas sofrem do

mesmo %ro4lema.
Vnica forma de no ter o %ro4lema, no !, C usar as

rotinas criadas %elos autores.
ReEa o item 2 emA

htt%AZZ###.stat.%itt.eduZstofferZtsa$Z!issues.htm . Lote
5ue a eD%licaIo "ale %ara o E"ie#s e %ara o Tretl
tam4Cm.
2&;
Lo C um grande %ro4lema em termos das elasticidades

estimadas %or5ue di/ res%eito ao interce%to.
Mas em termos de %re"iso, isto %ode ser um %ro4lema.

2&?
dendoA .ETK
Jo4re testes de raP/es unit6rias sa/onais, "er, %or

eDem%lo, o teste .ETK
2&*
dendoA .ETK
2&)
dendoA .ETK
Entretanto, nem todos os %rogramas de com%utador fa/em

o c6lculo deste teste.
Qutro testeA .as/a'2uller
.i%tese nulaA C a%ro%riado dessa/onali/ar 8eDiste rai/

unit6ria sa/onal+.
.6 uma rotina no Tretl %ara calcular este teste. 3al"e/ tam4Cm

eDista no E"ie#s. -ertamente eDiste no gmulti e no !.
22:
gora, R! e -R!
TostouO
Ramos G discusso so4re R! e coisas mais

interessantes...
Ramos iniciar am%liando nosso entendimento do t%ico

final do ca%.2&A cointegraIo. Jomente 4em de%ois
"eremos o R!.
22&
-o'integraIo ' Jistema
ReEa as notas de aula 8e as co%ieM+.
Jigamos em frente.
222
-o'7ntegraIo ' Jistema
Em um sistema com trHs e5uaIFes, considere os

seguintes casos %ossP"eis.
22$
Leste caso, 5ual o
%ro4lema de se usar
Engle'TrangerO
22(
Jo duas relaIFes de cointegraIo, no uma.
m4as %odem ser eD%ressas comoA
Mas ET estimaA
7dentificaIoM

& 2 $
: - K 1 + +
229
ssimA
ET s C ade5uado %ara r W &
Je r j &, gohansen.
-omo sa4er 5uantas relaIFes de cointegraIo eDistemO

gohansenM
@ara entender melhor o %onto, "amos nos lem4rar dos

conceitos de e5uaIFes simult`neas.
22;
2orma estrutural e forma redu/ida
Lo %rimeiro eDem%lo acimaA
\ual a forma redu/ida do sistemaO

22?
!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*
forma irrestrita redu/ida seria algo comoA
LoteA 22 W 2( W $2 W $$ W : 8chegamos G forma

redu/ida restrita anteriormente encontrada+.
t $ & t $( & t $$ & t $2 $& t
t 2 & t 2( & t 2$ & t 22 2& t
t & & t &( & t &$ & t &2 && t
1 K - 1
1 K - K
1 K - -
+ + + +
+ + + +
+ + + +

22)
MatricialmenteA
QuA
-om =k> defasagensA
...e com termos dummies e tendHncias deterministasA

t & t & : t
+ +

) * * )
-
K
1

-
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$:
Je todas so 78:+, %ode'se usar M\Q e %ode'se usar as

distri4uiIFes t e 2 normalmente.
Je so 78&+, %ode ser 5ue seEam no'cointegradas

8regressFes es%Vrias+ ou %ode ser 5ue eDistam relaIFes
de cointegraIo entre algumas "ari6"eis.
2$&
-omo num %asse de m6gica...
!elem4re a deduIo feita %ara duas defasagens...

2$2
E o =rank>O
Sma matri/ 8nDn+ %ode ser sem%re decom%osta em um

%roduto de matri/es. EDem%loA
Je o =rank> de @7 C =n>, assim
tam4Cm o seria %ara e %ara
].
2$$
Mas se : d r d n, ento a matri/ ter6 um rank redu/ido

e o nVmero de linhas 8ou colunas+ linearmente
inde%endentes C menor do 5ue o total de "ari6"eis do
sistema.
7sto significa 5ue algumas "ari6"eis so com4inaIFes lineares

das outras, certoO 8a com4inaIo ser6 78:+, E6 5ue elas so
78&+MMM+
Leste caso...

t & ' t
Z
& ' t & t
X X X W
) ) )
2$(
Sm eDem%lo %ara esclarecer 8O+
Ju%onha 5ue n W $ e r W 2. Q R! C tal 5ueA
Em sua re%resentaIo de M-EA
-omo r W 2A
t 2 ' t 2 & ' t & t

X X X W
) * ) * )

t & t'& t'& t
U
W X
U
X
U
X

t & t'&
Z
t '& t
U
W X
U
X
U
X

2$9
Qu seEa, temosA
Ramos analisar a %arte central do sistemaA

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
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 $&
22 2&
&2 &&
t
t
t
1
K
-
1
K
-
2$;
3emos as duas relaIFes de cointegraIoA
E como fica o M-EO
Sm doce %ara 5uem adi"inharM

1
X
K
X
-

1
X
K
X
-
& ' t
$2
& ' t
22
& ' t
&2
& ' t
$&
& ' t
2&
& ' t
&&

2$?
Ei'loM
,
1
X
K
X
-
[ X ,
1
X
K
X
-
[ W
1

,
1
X
K
X
-
[ X ,
1
X
K
X
-
[ W
K

,
1
X
K
X
-
[ X ,
1
X
K
X
-
[ W
-
& ' t
$2
& ' t
22
& ' t
&2
$2 & ' t
$&
& ' t
2&
& ' t
&&
$& t
& ' t
$2
& ' t
22
& ' t
&2
22 & ' t
$&
& ' t
2&
& ' t
&&
2& t
& ' t
$2
& ' t
22
& ' t
&2
&2 & ' t
$&
& ' t
2&
& ' t
&&
&& t

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$*
-t W 8&&&& X &2&2 + -t'& X 8&&2& X &2 22+

Kt'& X 8&& $& X &2 22+ 1t'&
QuA
-t W & -t'& X 2 Kt'& X $ 1t'&
Q mCtodo ET estimar6 ao segunda eD%resso, mas no

conseguiremos identificar a e5uaIo original 8trHs
%ar`metros da redu/ida -ersus seis estruturaisM+
2$)
Ento, 5uantas relaIFes de cointegraIo
eDistemO
-ontinuando com nosso sistema de n W $ com r W 2A
Lote 5ue 5ual5uer linha 8coluna+ %ode ser o4tida como com4inaIo
linear das outras duas. EDem%loA
[Linha & i 8$& X $2+ , X [Linha 2 i 8$& X $2+ , W [Linha $ i 8&& X

&2 X 2& X 22+ ,

&& &2
2& 22
$& $2
&& 2& $&
&2 22 $2
&& && &2 &2 && 2& &2 22 && $& &2 $2
2& && 22 &2 2& 2& 22 22 2& $& 22 $2
$& && $2 &2 $& 2& $2 22 $& $& $2 $2
&& &2 &$
2& 22 2$
$& $2 $$
1
]
1
1
1
1
]
1

+ + +
+ + +
+ + +
1
]
1
1
1
1
]
1
1
1

2(:
7dCia intuiti"a dos testes de gohansen
-omeIamos com um modelo irrestrito 8rank %leno+. 7m%omos

uma restriIo de reduIo do rank em um. 3estamos se isso C
%ossP"el com a amostra. Je sim, %odemos continuar o
%rocedimento.
Qs testes en"ol"em no'linearidades e, %ortanto, m6Dima

"erossimilhanIaM
ReEa sua nota de aula %ara mais detalhes.

2(&
Q4"iamente h6 5uestFes como o nVmero de defasagens

do R!, a incluso de termos deterministas no mesmo
8algo 5ue E6 "imos em notas outras, em forma
uni"ariada...+. Rolto a isto logo mais.
Mas "amos aos testes de hi%teses.
ReEamos o caso das relaIFes de longo %ra/o.

2(2
3estes de restriIFes nas relaIFes de longo %ra/o
@rimeiramente, a diferenIa entre normali/aIo e

restriIFes.
Sma relaIo de longo %ra/o estimada no C Vnica

8multi%li5ue os dois lados %or um escalar 5ual5uer e, "oil6,
"ocH tem uma no"a relaIo+. @or isso, normali/ar C sem%re
4om, %ensando na teoria econBmicaM Mas ainda assim, C
necess6rio im%or restriIFes.
@or 5ueO @or5ue 5ueremos testar hi%teses econBmicasM

2($
Ju%onha r W &.
Je v W 82, &, &.(+ , ento v U W2- X &K X &.(1 C uma

relaIo de cointegraIo. Mas ento, %ara 8'&, ':.9, ':.?+ o
"etor '&- ' :.9K ' :.?1 tam4Cm o C. teoria
econBmica, neste caso, nos diria 5ue a normali/aIo
ade5uada seria 5ue a "ari6"el de%endente ti"esse
coeficiente igual a '& 8%or 5ueO+.
2eito isto, %ode'se testar hi%teses so4re os %ar`metros.

.:A W 8'&, &, &+ , .aA W 8&&, 2&, $&+
2((
E se r j &O
3emos o %ro4lema da normali/aIo %ara cada relaIo e

tam4Cm a %ossi4ilidade de se testar hi%teses.
Lem4rando do eDem%lo em 5ue tPnhamos duas relaIFes

de cointegraIo.
2(9
teoria %oderia nos di/er duas coisasA

,
1
X
K
X
-
[ X ,
1
X
K
X
-
[ W
1

,
1
X
K
X
-
[ X ,
1
X
K
X
-
[ W
K

,
1
X
K
X
-
[ X ,
1
X
K
X
-
[ W
-
& ' t
$2
& ' t
22
& ' t
&2
$2 & ' t
$&
& ' t
2&
& ' t
&&
$& t
& ' t
$2
& ' t
22
& ' t
&2
22 & ' t
$&
& ' t
2&
& ' t
&&
2& t
& ' t
$2
& ' t
22
& ' t
&2
&2 & ' t
$&
& ' t
2&
& ' t
&&
&& t

&& 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
matri/ C chamada de =loading matrix6#
Di/ res%eito Gs "elocidades de aEustamento.
@ode'se testar a eDogeneidade fraca. g6 "imos isso,

certoO ]em, "amos detalhar agora.
Je $& W $2 W :, como ficaria o sistemaO ]em, 1

seria fracamente eDgena ew
2(?
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 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(*
Rantagens de se modelar a eDogeneidade fraca
@arcimBnia 8menos "ari6"eis no RE-M+
Q %rocesso marginal da "ari6"el eDgena %ode ter

%ro%riedades estoc6sticas com%licadas. 8difPcil esta, heimO+.
Sma im%ortante nota so4re causalidade de Tranger em

um -R!.
2()
Di/'se 5ue no Tranger'causa se, na e5uaIo de Nt, ti"ermos 2 W : e se &,& W

&,2 W ... W &,0 W :. Esta C a hi%tese nula do teste. hi%tese alternati"a, claro, C a
de 5ue h6 Tranger'causalidade. Q4ser"e 5ue se uma "ari6"el C fracamente ex7gena e
se no h6 Tranger'causalidade, ento a mesma C dita ser fortemente ex7gena.
Qutro conceito C a super-exogeneidade, 5ue di/ res%eito ao fato de 5ue a "ari6"el C
fracamentge eDgena e, alCm disso, os %ar`metros so constantes 8o 5ue significa, %or
eDem%lo, 5ue no h6 5ue4ras estruturais+.
( )
( )
t
L
i
i t i
K
i
i t i t t t
t
L
i
i t i
K
i
i t i t t t
y x x K K y y
y x x K K y x
, 2
&
, 2
&
, & & & : & 2 2
, &
&
, 2
&
, & & & : & & &
p p
p p

+ + + +
+ + + +

29:
Sm t%ico im%ortanteA os fatores deterministas.
Lo "imos ainda, mas fa/ %arte do %rocesso de se modelar o

R! cointegrado 8-R!+, esteEa ele na forma de
mecanismo de correIo de erro 8M-E+ ou no.
Lrtke%ohl 82::*+A =...ideallN the cointegration rank has to

4e determined 4efore the deterministic terms are tested,
#hereas one moti"ation for them #as that cointegration
rank tests maN ha"e 4etter %o#er if the deterministic term is
s%ecified %ro%erlN. 3hus, the tests %resent onlN a %artial
solution to the %ro4lem>. [%.$(2,
29&
-o'7ntegraIo ' Jistemas
Modelo -R! !estriIo 3endHncia e 7nterce%tos
&
+ 8 + ' ' ' 8
&
t t y y
t t
+ + + +

Lenhuma 3endHncia 5uadr6tica %ara
as sCries, constante
irrestrita.
2
+ + +

+ ' ' ' 8
&
t y y
t t

x W : 3endHncia Linear no es%aIo
de cointegraIo, constante
irrestrita.
$
+ +

+ ' ' 8
& t t
y y

t t : 3endHncia linear nos dados,
mas no no es%aIo de
cointegraIo, interce%tos
no nulos.
(
+ ' ' 8
&
+
t t
y y

y W :, z W : -onstante nas relaIFes de
cointegraIo, sem
tendHncia.
9
&
'

t t
y y
: Lo h6 constante
8interce%tos nulos+ e nem
tendHncia determinista.

292
-o'integraIo ' sistemas
-ritCrios de JeleIo de Defasagens
-ontudo, %ode ser mais interessante ter alguma %ro4a4ilidade nesta

histria...
29$
Sma "e/ 5ue "ocH esteEa em dV"idas so4re o nVmero de

defasagens, estime os "6rios modelos e use o teste
4aseado na log'"erossimilhanIaA
3 W total de o4ser"aIFes 8de"e ser o mesmo %ara os dois

modelos+.
c W nVmero total de regressores do modelo irrestrito

8unrestricted+.
% W nVmero total de restriIFes em todo o sistema de

e5uaIFes.
( ) ( ) p c '
u r
2
c ln ln + 8
29(
Qutros testes
@ortmanteau 8L]+ < %ara %e5uenas amostrasA
Jegue uma 2802 h'ni+, com niW total de coeficientes eDcluindo os termos
deterministas do modelo.
3 W total de o4ser"aIFes, 0 W nVmero de "ari6"eis endgenas do modelo, h

W defasagem m6Dima analisada 8ordem da autocorrelaIo su%osta+.
hi%tese nulaA no'autocorrelaIo.

299
lternati"aA teste de ]reusch'TodfreN 8"erso

multi"ariada+. estatPstica de testeA
-om distri4uiIoA 28h02+
.i%tese nulaA no eDiste autocorrelaIo de ordem h.

29;
3estes de heterocedasticidadeA
Sni"ariado e multi"ariado
-omo o %rimeiro C um caso %articular do segundo, "amos ignor6'lo.
-om distri4uiIoA 2850280X&+2Z(+, 5 W ordem da heterocedasticidade testada.
.i%tese nulaA homocedasticidade.

29?
3este gar5ue']era
-onhecido de "ocHs. 7m%lementado na "erso uni"ariada e

multi"ariada.
29*
Eis um eDem%lo feito no gmulti.

29)
2;:
-o'integraIo < sistemas
2;&
2;2
2;$
gora, uma 4re"e re"iso do mCtodo Engle'Tranger e

de%ois faremos no"amente o mesmo eDem%lo %elo
mCtodo de gohansen.
Lote 5ue temos feito, aos %oucos, "6rios

eDercPciosZeDem%los em t%icos di"ersos.
2;(
Q eDem%lo da economia dos ES e da
ustr6lia
2;9
ustr6lia
2;;
ustr6lia
3estes de rai/ unit6ria 8no re%rodu/idos a4aiDo+

indicaram 5ue cada sCrie s tinha uma rai/ unit6ria.
@rocedimento do autorA D2 no nP"el e na %rimeira diferenIa

de cada "ari6"el.
2;?
ustr6lia
7maginando 5ue a economia australiana e a norte'

americana esteEam relacionadas...
...e imaginando 5ue esta relaIo seEa tal 5ue a economia

australiana de%enda da norte'americana...
Q autor fa/ %or Engle'Tranger.

2;*
2;)
ustr6lia
@or 5ueO
Q 5ue "ocH dedu/ so4re o resPduo estimadoO

( )
&
& &
p &2?)$? . : & p
p
&2?)$? . :
p p

t t
t t t
e e
e e e
2?:
ustr6lia
Q autor su%Fe o seguinte RE-MA
ReEamos seus resultados.

2?&
ustr6lia
2?2
ustr6lia
2?$
ustr6lia
LoteA
economia australiana e a norte'americana tHm uma relaIo

de longo %ra/o.
economia norte'americana no reage a des"ios da relaIo

de longo %ra/o entre am4as.
economia australiana %arece res%onder a cho5ues.
Qu seEaA uma naIo %e5uena e uma naIo grande 8resto do

mundo+.
2?(
ustr6lia
-rPticasA
!esPduos destas e5uaIFes so normaisO
Qu %elo menos no so heteroced6sticos e nem auto'

correlacionadosO
De %osse destes resultados, "eEamos o mesmo eDem%lo

na metodologia de gohansen.
2?9
JeleIo de defasagens
-omo "imos em ET, os

resPduos a%resentaram
e"idHncias de estacionaridade.
@ortanto, o teste no incluir6 a
tendHncia determinista.
2?;
ustr6lia
Q%tarei %or uma defasagem %or5ue 5uero com%arar os

resultados com ET.
2??
ustr6lia
2aIamos o teste de cointegraIo de gohansen.
-om uma defasagem no nP"el, teremos /ero defasagens

na diferenIa 8no RE-M+. @ortanto, esta C nossa escolha.
Ssarei o caso $ do Tretl.

2?*
2icaremos com uma relaIo de cointegraIo,
E6 5ue deseEo com%arar com o caso anterior.
Lo fosse isso, ainda assim "eEo e"idHncias
ra/o6"eis de 5ue eDista uma relaIo de
cointegraIo, certoO
2?)
@elo teste LmaD o rank da matri/ C /ero e %elo teste do traIo,

%arece 5ue esta C a maior e"idHncia 8note os %'"alores+. 7sto
indicaria 5ue no h6 cointegraIo. 7sto contrasta com o modelo
ET, certoO
2*:
@ara com%arar resultados, "amos seguir em frente e

"amos su%or 5ue haEa a%enas uma relaIo de
cointegraIo.
2*&
2*2
ReEamos a relaIo de longo %ra/oA
-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
Je eu resol"er es5uecer o mCtodo ET, o 5ue eu teria 5ue

fa/erO
EntoO
@osso seguir, certoO
Q autor destes eDem%los E6 tem um eDem%lo %ronto, mas

note 5ue "ou fa/er tudo de no"o.
2*9
@rimeiro, o nVmero de defasagens. @arece'me irrealista o

5ue o4ti"emos antes.
Je eu fiDo em cinco o m6Dimo de defasagens, fico entre

duas ou uma.
g6 fi/emos %ara uma. Logo...

2*;
Qs resultados ficaram 4em am4Pguos no teste do traIo e

do maior auto"alor. Jegui com uma relaIo de
cointegraIo.
Jim, eu testei com seis defasagens...

2*?
2**
2*)
3estes de hi%teses
Rou testar algumas hi%teses.
g6 5ue a economia norte'americana no reage a des"ios, "ou fa/er o

teste de eDogeneidade fraca.
lCm disso, "ou testar se a relaIo de longo %ra/o entre am4as C de

um %ara um.
2):
!e%are 5ue a diferenIa de log-er C muito 4aiDa. Qu seEa, a

hi%tese nula est6 no reEeitada. ReEamos agora a eDogeneidade
fraca.
2)&
Q resultado no C to
4om, mas $?[ C um
nVmero 5ue considerarei.
E se o teste fosse
conEuntoO
2)2
2)$
EDogeneidade
EDogeneidade 2raca 8E6 "imos+
EDogeneidade 2orte
Jer eDgena fraca
Lo Tranger'causalidade 8a "ari6"el no %ode Tranger'

causar a outra, mas a outra de"e Tranger'caus6'la 8cuidado
ao ler isto...++.
Em nosso eDem%lo, ES C su%er'eDgena, noO

!elem4randoA
2)(
2)9
Ju%er'eDogeneidade
EDogeneidade 2raca
7n"ari`ncia Estrutural
EDem%loA se "ocH su%Fe 5ue a moeda afeta o %roduto, mas no o

contr6rio, ento o teste ser6 so4re a e5uaIo do RE-M 5ue di/ res%eito
G moeda.
idCia de eDogeneidade, neste caso, C 5ue os %ar`metros rele"antes

%ara a estimaIo de N seEam irrele"antes %ara a de m.
2);
EDem%lo did6tico de a%licaIoA -am%os, !.J., 2erreira, .L.

h Logueira gr, !.@. +ma in-estiga!o sobre a 5eutralidade
da Moeda no 1rasil, n6lise EconBmica. 8no %relo+
Je alguCm C eDgeno, ento 8"eEamos algo no"o+A

2)?
ReEamos algo adicional
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
a'( -* a'(
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
'(a -* a'(
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
a'( -* '(a
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
'(a -* '(a
2)*
2unIFes de !es%osta ao 7m%ulso e
Decom%osiIo da Rari`ncia
@ara entender do 5ue se trata, considere o seguinte

eDem%lo de um R! no'cointegrado, isto C, 5ue no
a%resenta relaIo de longo %ra/o.
idCia C 4em sim%lesA se seu R! C est6"el, ele %ode ser

reescrito como um RM.
Leste RM, %odemos %raticar o 5ue chamarPamos de

=%re"iso>.
Reremos isto logo mais.

2))
o fa/er a %re"iso, %odemos "erificar 5ue o erro de

%re"iso 8como 5ual5uer "ari`ncia de um erro de
%re"iso...+ %ode ser decom%osta em duas %artes.
-omo disse, "eremos isso com mais detalhes logo mais, mas
entenda a intuiIo.
$::
2unIFes de res%osta ao im%ulso mostram os efeitos de

cho5ues na traEetria de aEustamento das "ari6"eis.
decom%osiIo da "ari`ncia 8da %re"iso+ mede a
contri4uiIo de cada ti%o de cho5ue na "ari`ncia do erro
de %re"iso.
@erce4a 5ue a segunda tende a aumentar no tem%o e a

%rimeira, a cair.
Je uma "ari6"el C eDgena, re%are, cho5ues na outra "ari6"el

no tero im%acto so4re ela. 8aca4amos de "er isso nos
Vltimos gr6ficos+
$:&
ReEamos um eDem%lo, agora a%enas em um R! sem

cointegraIo.
Ju%onha 5ue no eDem%lo 5ue "imos, ti"Cssemos

assumido 5ue as economias australiana e norte'
americana no tinham 5ual5uer relaIo. ssim, sendo
am4os os @7]s 78&+, terPamos de fa/er.................um R!
em diferenIas. 2arei isso com duas defasagens.
$:2
$:$
$:(
$:9
!e%are 5ue ordenei o R! da mais

eDgena %ara a mais endgena...
$:;
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
#_'(a -* #_'(a
-0.15
-0.1
-0.05
0
0.05
0.1
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
#_a'( -* #_'(a
-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
#_'(a -* #_a'(
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
#_a'( -* #_a'(
$:?
$:*
0
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
foreca(& )ar$a%ce #eco+"o($&$o% for #_'(a
#_'(a
#_a'(
$:)
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
foreca(& )ar$a%ce #eco+"o($&$o% for #_a'(
#_'(a
#_a'(
$&:
27A im%ort`ncia da decom%osiIo de
-holeski
-0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
#_'(a -* #_'(a
-0.1
-0.05
0
0.05
0.1
0.15
0.2
0.25
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
#_a'( -* #_'(a
-0.05
0
0.05
0.1
0.15
0.2
0.25
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
#_'(a -* #_a'(
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 2 4 6 8 10 12 14 16 18 20
"er$o#(
#_a'( -* #_a'(
$&&
2inalmente...R!
Rimos o -R!
gora, o eDercPcio C diferente.
De forma geralA
$&2
Retores autoregressi"os
$&$
ReEamos um eDem%lo sim%les, 2D2.

yt t t t t
" c y c " b b y + + +
& &2 & && &2 &:
"t t t t t
" c y c y b b " + + +
& 22 & 2& 2& 2:
+ , : 8 . . c
2
i it
d i i

: + , co"8
" y

$&(
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
$&;
forma redu/ida a%resenta erros 5ue so linearmente

correlacionados com os erros estruturais.
Lo C %ossP"el identificar todos os %ar`metros da forma

estrutural.
7m%or restriIFes.
-holeskiA
:
2&
b
$&?
$&*
$&)
\ual o im%acto de cho5ue estruturais nas "ari6"eis

de%endentes do R!O
Em um R!8%+ est6"el temosA

L 3 2
e
L 3 2
3
8 e 8 3 3 8
t
t t t t
& &
:
& & :
+ +

$2:
Dada a esta4ilidade do R!, as raP/es de 87 < &+ esto

fora do cPrculo unit6rio e...
1
]
1
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&
@odemos escre"er...
Qu seEa, o R!8%+ "ira um RM8+A

1
]
1
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
gora "eEa o 5ue "ocH encontrouM

$2$
Multi%licadores de 7m%actoA
$2(
$29
$2;
3eremos, neste casoA
\ual a "ari`ncia deste erro de %re"isoO

$2?
ca4amos de "erA
2unIFes de !es%osta ao 7m%ulso
$2*
Q4ser"e 5ueA
decom%osiIo de -holeski C im%ortante.
ordem das "ari6"eis %ode alterar os resultados encontrados

acima.
$2)
3estes de utocorrelaIo
$$:
$$&
-
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
.
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
.
0
5
0
.
0
5
PACF of Residuals
2 4 ! 10 12
-
0
.
1
0
0
.
0
0
PACF of s(uared Residuals
$$;
$$?
3estes de normalidade
$$*
3este de esta4ilidade
$$)
-!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
$(:
EDistem outros testes %ara testar a esta4ilidade de

modelos R!
Mas fi5uemos a%enas com este, mais sim%les.

$(&
-ausalidade
Tranger
Tranger'Jims
EDem%losA @elae/ h Ju/igan 8M, @ e K+
Tusta"o 2ranco 8-`m4io e Moeda+
m4os eDem%los testando hi%teses so4re a economia

4rasileira 8histria econBmica C issoM+.
$(2
7m%ortanteA
-om duas "ari6"eis, C sim%les.
Mas com mais de duas "ari6"eis o teste comeIa a ficar

com%licado 8%ense na inter%retaIo+.
ReEamos teoricamente um R! 4i"ariado e como o teste C

feito.
$($
EDem%loA santos e colistete 82::)+
@a%el do go"erno < milagre econBmico
Teisel
Q4Eeti"oA =%esar de diferentes dimensFes do @lano terem sido

in"estigadas em detalhe, h6 ainda lacunas 5ue %ermanecem %ouco
eD%loradas %ela literatura. lCm disso, h6 escasse/ de %es5uisas 5ue
tragam no"as e"idHncias, 5ualitati"as e 5uantitati"as, 5ue iluminem
as%ectos o4scuros da %olPtica econBmica do go"erno Teisel e, em
es%ecial, do 77 @LD>.
=Q o4Eeti"o desse tra4alho C contri4uir %ara a historiografia do 77

@LD %or meio de uma an6lise 5uantitati"a 5ue %ossa tra/er no"os
elementos %ara a"aliaIo da %olPtica econBmica im%lementada
durante o go"erno Teisel>
$((
7nter%retaIFes do 77 @LD
Qficial
]ela ]alassa < %olPtica, no economia
]arros de -astro
2ishlo# < %olPtica e economia 8rent'seeking+

$(9
2ishlo# critica ]arros de -astro
=su4stituiIo de im%ortaIFes no %arece ter sido a

%rinci%al causa dos su%er6"its comerciais de &)*$'*(q
as mudanIas estruturais a%s &)*: no se de"eram

unicamente aos in"estimentos %rogramados no @lano
{o c6lculo da %ou%anIa 4ruta de di"isas entre &)*$ e &)*(

desconsidera a 5uesto dos in"estimentos reali/ados e os
custos macroeconBmicos do dese5uilP4rio 5ue tais
in"estimentos %ro"ocaramv >.
$(;
Qutras crPticas
Metodologia do artigoA ]alassa
=!esumidamente, o mCtodo %ro%osto %elo autor consiste

em com%arar o com%ortamento das "ari6"eis %s'cho5ue
com suas tendHncias %rC'cho5ue. ssim, ]alassa calcula
a magnitude do cho5ue eDterno "ia mudanIa nos %reIos
relati"os e desa5uecimento da demanda mundial %or
4ens im%ortados. s 5uatro %olPticas de res%osta ao
cho5ue soA endi"idamento eDterno, su4stituiIo de
im%ortaIo, %romoIo de eD%ortaIFes e a%licaIo de
%olPticas macroeconBmicas deflacion6rias 8]alassa,
&)*&q &)*)+.>
$(?
LimitaIFes desta metodologia
%rimeira consiste na dificuldade de se%arar os efeitos

do cho5ue do %etrleo %or meio somente de dados do
4alanIo de %agamentos. segunda e %rinci%al limitaIo
C a de considerar 5ue toda mudanIa de tendHncia ocorreu
em res%osta aos cho5ues eDternos dos %reIos relati"os e
do nP"el de ati"idade mundial.
$(*
R! com sCries em nP"el 8no'estacion6rias+ 8"er

Enders...+
$()
!e%rodu/o
$9:
!e%rodu/o
$9&
$92
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*
=-omo "imos, h6 grandes di"ergHncias de o%inio so4re

atC 5ue %onto a crise internacional foi le"ada em conta
%elos formuladores da %olPtica econBmica. En5uanto
Relloso 8&))*+ sustentou 5ue o go"erno %ossuPa clare/a
5uanto Gs conse5uHncias da 5uadru%licaIo dos %reIos
do %etrleo, no 5ue foi a%oiado %or -astro 8&)*9+ e
2onseca e Monteiro 82::*+, autores como Lessa 8&)?*+,
-ru/ 8&)*(+, 2ishlo# 8&)*;+ e -arneiro 8&)):+
afirmaram 5ue o go"erno su4estimou a gra"idade da
crise 5ue se transformaria em uma recesso mundial>.
Q 5ue os dados mostramO

$9)
=Qs resultados da an6lise 5uantitati"a indicam, de fato,

5ue os cho5ues eDternos ti"eram influHncia marginal nas
des%esas go"ernamentais, em com%araIo aos fatores
internos. Esse no seria um resultado ines%erado se se
considerasse 5ue o go"erno Teisel %ode ter 4uscado
reali/ar o aEuste eDterno mediante %olPticas de
su4stituiIo de im%ortaIFes e %romoIo das eD%ortaIFes.
@orCm, o 4aiDo %eso relati"o dessas duas Vltimas
"ari6"eis na determinaIo da des%esa go"ernamental
83a4ela 2+ %arece constituir mais uma e"idHncia de 5ue o
go"erno Teisel su4estimou a %rofundidade e duraIo da
crise internacional iniciada em &)?$>.
$;:
Mais um %onto esclarecidoM
=| %ossP"el tam4Cm considerar indiretamente a 5uesto

da racionalidade econBmica do 77 @LD a %artir dos
resultados 5ue aca4amos de citar. Q %redomPnio a4soluto
da des%esa do go"erno frente Gs outras "ari6"eis internas
na determinaIo dos gastos %V4licos %ode ser uma
indicaIo de 5ue as moti"aIFes %olPticas, associadas G
4usca de legitimidade do go"erno tanto em termos
eleitorais 5uanto em termos de suas alianIas com gru%os
sociais, foram mais rele"antes do 5ue critCrios
econBmicos %ara a im%lementaIo do 77 @LD. Lesse
as%ecto, as inter%retaIFes de Lessa 8&)?*+, ]alassa
8&)?)+, 2ishlo# 8&)*;+ e guirre e Jaddi 8&))?+ saem
fa"orecidas 5uando com%aradas com a hi%tese de
ele"ada racionalidade econBmica defendida %or Relloso
8&))*+, -astro 8&)*9+ e 2onseca e Monteiro 82::*+>.
$;&
\ual foi o %a%el do @lano no %rofundo dese5uilP4rio interno e
eDterno 5ue marcou a histria econBmica 4rasileira nas dCcadas
de &)*: e &)):O
@olPticas ti"eram im%acto direto so4re o endi"idamento

eDterno.
Di"ersificaIo da estrutura industrial te"e, %ortanto, um

custo alto.
$;2
=utores como Relloso 8&))*+, -astro 8&)*9+, ]atista 8&)*?+ e

.ermann 82::9+ chamaram a atenIo %ara o esforIo eD%ortador
5ue com%lementou as %olPticas de su4stituiIo de im%ortaIFes na
segunda metade da dCcada de &)?:. De fato, as e"idHncias
a%resentadas confirmam 5ue fatores internos como a su4stituiIo
de im%ortaIFes e as des%esas go"ernamentais influenciaram a
%romoIo das eD%ortaIFes, %rinci%almente durante os %rimeiros
anos do 77 @LD 83a4ela 9+>.
7sto sem falar na %ro"6"el falta de racionalidade do %lano. 8ser6O+
Mais so4re o !enatoA htt%AZZrenatocolistete.#ord%ress.comZ

$;$
@odemos re"er este estudo 8-olistete gentilmente cedeu

a 4ase de dados+ em la4oratrio.
@odemos %ensar em "ari6"eis estacion6rias
Em cointegraIo.
$;(
Dica
Je "ocH no leu ainda, ento leia.
Em =2unIo de !es%osta ao 7m%ulso... . @df> 5ue

dis%oni4ili/ei, a seIo &&.
li "ocH ter6 a noIo mais clara de cointegraIo em formato

de R! 8o chamado -R!+, notadamente na forma de um
RE-M.
Sm -R! no necessariamente C eD%resso na forma de um RE-M.

Ls a%rendemos assim, mas h6 outras re%resentaIFes %ossP"eis.
$;9
Qutro eDem%lo %ara discusso
4
4.5
5
5.5
6
6.5
7
7.5
1740 1760 1780 1800 1820 1840 1860 1880
l_"reco_(la)e
l_"reco_(la)e(_
Em "ermelhoA escra"os homens.
Em a/ulA escra"as.
$;;
$;?
$;*
seguir, 2!7.
$;)
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
1 2 3 4 5 6 7 8 9 10
"er$o#(
#_l_"reco_(la -* #_l_"reco_(la
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
0.1
0.12
1 2 3 4 5 6 7 8 9 10
"er$o#(
#_l_"reco_(la)e -* #_l_"reco_(la
-0.08
-0.06
-0.04
-0.02
0
0.02
0.04
0.06
0.08
1 2 3 4 5 6 7 8 9 10
"er$o#(
#_l_"reco_(la -* #_l_"reco_(la)e
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
1 2 3 4 5 6 7 8 9 10
"er$o#(
#_l_"reco_(la)e -* #_l_"reco_(la)e
$?:
-oment6rios
Jer6 5ue no de"erPamos ter "erificado a eDistHncia de

cointegraIoO
Estimando o modelo com cointegraIo, "eEa as 2!7.
Q %reIo das escra"as mostrou'se fracamente eDgeno. \ual

seria o sentido distoO
$?&
0.04
0.06
0.08
0.1
0.12
0.14
0.16
1 2 3 4 5 6 7 8 9 10
"er$o#(
l_"reco_(la)e -* l_"reco_(la)e
-0.01
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
1 2 3 4 5 6 7 8 9 10
"er$o#(
l_"reco_(la)e(_ -* l_"reco_(la)e
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
1 2 3 4 5 6 7 8 9 10
"er$o#(
l_"reco_(la)e -* l_"reco_(la)e(_
-0.02
0
0.02
0.04
0.06
0.08
0.1
0.12
1 2 3 4 5 6 7 8 9 10
"er$o#(
l_"reco_(la)e(_ -* l_"reco_(la)e(_
$?2
\ue tal mais um eDem%lo histricoO
@reIo do aIVcar 4rasileiro 4ranco e o do refinado na

4olsa de msterd
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
1765 1770 1775 1780 1785 1790 1795 1800 1805
"_ac'car8ra%co
"_ac'carref$%a#
!e%are 5ue a dist`ncia entre eles
%arece constante.
2aremos a cointegraIo...com
restriIFes so4re os interce%tos
8sim, "ocH E6 leu isso no material
do curso...+.
$?$
$?(
EDogeneidade fracaO
-ausalidadeO
$?9
0.05
0.1
0.15
0.2
0.25
0.3
1 2 3 4 5 6 7 8 9 10
"er$o#(
l_"_ac'car8ra -* l_"_ac'car8ra
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
1 2 3 4 5 6 7 8 9 10
"er$o#(
l_"_ac'carref -* l_"_ac'car8ra
0.05
0.1
0.15
0.2
0.25
0.3
1 2 3 4 5 6 7 8 9 10
"er$o#(
l_"_ac'car8ra -* l_"_ac'carref
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
0.11
0.12
1 2 3 4 5 6 7 8 9 10
"er$o#(
l_"_ac'carref -* l_"_ac'carref
$?;
$??
g6 treinou no TretlZE"ie#sZ!O
$?*
g6 treinou no TretlZE"ie#sZ!O
Qu est6 es%erando a eD%eriHncia cair do cCuO

$?)
Modelos !-.
%artir da5ui, slides %ro"isrios.
@ode ser 5ue eu os altere antes do final do curso.

$*:
Modelos !-.
Le%tocVrticas 8caudas =%esadas>+ < o %ro4lema da

le%tocurtose
Dados financeirosA decisFes no curto, no no longo

%ra/o.
la"acangem 8le-erage effects+ ' ]asicamente, di/em

res%eito G assimetria na "olatilidadeA a mesma aumenta
mais a%s uma 5ueda no %reIo do 5ue a%s um aumento
de mesma magnitude do mesmo.
$*&
Modelos !-.
$*2
Modelos !-.
$*$
Modelos !-.
$*(
Modelos !-.
$*9
$*;
Modelos !-.
-om os resPduos da regresso...
26cil. Sse o correlograma dos resPduos ao 5uadradoM

$*?
Modelos !-.
$**
Modelos !-.
segunda o4ser"aIo di/ res%eito G ordem =5>. Mas

aca4ei de falarA use o correlograma.
Lote 5ue neste eDem%lo eu, inicialmente, ar4itrariamente,

su%us 5ue 5 W ( e fi/ o teste.
Q %ro4lema do modelo !-.A %ode'se "iolar as

condiIFes de no'negati"idade conforme o 5 escolhido.
Q 5ue fa/erO
$*)
Modelos !-.
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 !-.
!-., T!-., etc.
R6rias eDtensFes.
Mas "amos ficar %or a5ui, seno "amos nos %erder.

$)*
-#.&
*t a pr/0ima1 pessoa".
guselius
.endrN
Jims
Tranger
]oD...
...genkins
gohansen
DickeN
2uller
Engle

Econometria II Alunos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Econometria II Alunos

Uploaded by

Copyright:

Available Formats

Econometria das Sries de Tempo

Prof. C.D. Shikida

Methodology, like sex, is better demonstrated than

.aa"elmo, .ur#ic/, 0lein, 0oo%mans, 1ald

metodologia tradicional %ode ser resumida

&)9:';: < =Era de ouro da Econometria>

&)?: < @essimismo, %oisA

3eoria econBmica e %r6tica economCtrica distantes

@erformances de %re"iso deiDa"am a deseEar

-oo%er 8&)?2+ com%arou %re"isFes um %asso G frente de sete modelos

funIo consumo C um eDcelente eDem%lo de a%licaIo

"erso =moderna> desta C a funIo D.JK.

diferenIa est6 na a4ordagem economCtrica.

4ordagem na 5ual os =dados falam>. Lo %or5ue so

=7f Noutorturethedatalong enough it #ill confess>.

funIo consumo D.JK nos d6 "6rios %ontos

taDa de crescimentoO 8eyeballmetrics no inPcio, sem%re+

Qs coeficientes da e5uaIo estimada %odem ter uma

-aracterPsticas da amostra influenciam 4astante na

s formas funcionais %odem ser %ensadas como casos

ReEa as di"ersas es%ecificaIFes da e5uaIo do consumo.

Lote como construiu'se a funIo consumo 8o modelo a

!esumo dos achados de D.JKA

La metodologia tradicional h6 uma imensa "ariedade de

Sm modelo no"o, assim, de"eria %elo menos eD%licar como

Modelos de"em ser consistente com as %ro%riedades dos

Rimos, no eDem%lo da funIo consumoA

Modelos DL 8Modelos autoregressi"os com defasagens

@a%el do tem%o 8ou da defasagem+ na economia.

5uesto da tendHncia dos dados.

5uesto da relaIo de longo %ra/oM

funIo D.JK nos deu "6rios interessantes %ontos %ara

DeiDando um %ouco de lado a histria da econometria, "amos

Lo se enganeA "oltarei com esta histria "6rias "e/es %or5ue, como E6

Q %rimeiro =%> di/ res%eito ao nVmero de defasagens da

Kt W a X :.(Ut X :.$Ut'& X :,2Ut'2 X ut

:.( , :.$, :.2 so @Mg-s de -@

:.(X:.$X:.2 W :.) C a @Mg- de L@

%s o aumento de Y& na renda, o consumidor aumentar6, no ano do

:.(Z:.), :.$Z:.) e :.2Z:.) A (([ do im%acto do aumento da renda

-onfiraA :.(Z:.) W :.((. Da mesma forma, :.$$ e :.2$

0oNck 8restriIFes so4re os 4etas+

Mas restam'nos %ro4lemas

Defasagem mediana e mCdia

ReEa o EDem%lo &?.? com cuidado.

Modelo de Eustamento @arcial

Rari6"eis Estoc6sticos no L.E.E.

-orrelaIo serial 8dos resPduos+

ReEa, %or eDem%lo, 0oNck 8&?.*.2 e &?.*.$+A os resPduos

Je h6 correlaIo serial, os estimadores so tendenciosos

Logo...no use M\Q %ara 0oNck ou E..

Lo modelo de aEuste %arcial, %elo menos so

Q mCtodo a ser utili/adoA "ari6"eis instrumentais.

JeEa a e5uaIo do sal6rio eD%licado %ela educaIo e %ela

=ha4ilidade> C uma "ari6"el omitida neste modelo

Mas =ha4ilidade> geralmente a%resenta uma alta

@recisamos de um instrumento correlacionado com

Ramos instrumentali/ar a =educaIo> com as "ari6"eis

ssim, a =educaIo> estimada C 5ue seria a rele"ante na

utocorrelaIo com "ari6"el de%endente defasadaA

teste h 8teste %ara !8&++.

ReEa as trHs o4ser"aIFes so4re este teste.

ReEa no 5uadro 8ou "6 ao ca%.&2 de TuEarati+

Demanda de moeda no -anad6

ReEa, %or eDem%lo, 0oNck 8&?..2 e &?..$+A os resPduos