Professional Documents
Culture Documents
1
Carmem Feij Curso Macroeconomia Avanada
Sries Temporais
2
Carmem Feij Curso Macroeconomia Avanada
Sries Temporais
Uma srie temporal uma coleo de observaes indexadas pela data de cada
observao. Na prtica temos a possibilidade de infinitas observaes no tempo e pegamos
apenas uma amostra de tamanho T, , , , , isto :
= , , , , , ,
amostra de tamanho T
A srie temporal
3
Carmem Feij Curso Macroeconomia Avanada
Processo Estocstico e Sries Temporais
Fig. 1
4
Carmem Feij Curso Macroeconomia Avanada
Caractersticas Estatsticas das Sries Temporais
A expectativa da t-sima observao de uma srie temporal se refere mdia (estatstica de
primeira ordem, ou primeiro momento):
= =
= = =
= =
= !
,
= ! "
, , ,
5
Carmem Feij Curso Macroeconomia Avanada
Estacionariedade (Stationarity)
Uma srie temporal estacionria quando suas caractersticas estatsticas (mdia,
varincia, autocorrelao, ) so constantes ao longo do tempo. uma srie que se
desenvolve aleatoriamente no tempo, em torno de uma mdia constante, refletindo alguma
forma de equilbrio estatstico estvel (i.e. as leis de probabilidade que atuam no processo
no mudam com o tempo).
Muitas sries so inerentemente no-estacionrias e exibem trends, ciclos, padres
sazonais e outros comportamentos no-estacionrios.
Mtodos de previso (forecasting) usam transformaes matemticas para estacionarizar
uma srie e fazer previses nesta srie mais bem comportada, para depois inverter as
transformaes e obter as previses para a srie original. Transformaes comuns so:
tomar diferenas sucessivamente, deflacionar, aplicar log (p/estabilizar varincias), fazer
ajustes sazonais, de-trending (e.g. ajustar um trend e subtra-lo), .
A inspeo visual de uma srie j pode indicar no-estacionariedade (basta ver se no h
uma mdia constante e uma varincia constante, ou se existe um trend):
6
Carmem Feij Curso Macroeconomia Avanada
White Noise
Processo de Rudo Branco (White Noise), tambm chamado de Processo Puramente
Randmico, um processo estocstico que consiste de uma sequncia de variveis
randmicas independente e identicamente distribudas (i.i.d.).
White noise #
tem mdia e varincia constantes e seus elementos so no-
correlacionados.
# = 0
# = # 0 =
# #+ = 0; - /
7
Carmem Feij Curso Macroeconomia Avanada
Estacionariedade Fraca (Weak Stationarity)
Um processo Yt fracamente estacionrio, ou estacionrio, se nem a mdia nem as j-
simas autocovarincias dependem da data t, isto :
estacionariedade fraca tambm = - A j-sima autocorrelao de um processo
chamada de estacionariedade de = - 9 estacionrio, denotado por j definido por:
covarincia.
< - < = (o que vem da definio de corr)
White noise estacionrio mas pode no ser estritamente estacionrio. Porm white
noise Gaussiano estacionrio e estritamente estacionrio.
9
Carmem Feij Curso Macroeconomia Avanada
Ergodicidade (Ergodicity)
Na prtica, geralmente s se tem uma nica realizao de um processo estocstico (i.e.
uma nica amostra de tamanho T). Sries temporais econmicas so nicas. Portanto,
como mostra a Fig. 1 (slide 5), gostaramos que a mdia no tempo (A) fosse uma boa
aproximao da mdia E(Yt) das inmeras realizaes. Se o tamanho T de uma nica
amostra tende a , ento A converge para E(Yt).
Def.: Um processo fracamente estacionrio ergdico para a mdia , ou seja, ergdico
para o primeiro momento, se A converge em probabilidade para E(Yt) quando T .
Um processo ser ergdico para a mdia desde que a autocovarincia j v a zero
suficientemente rpido medida que j cresce.
possvel demonstrar que se
10
Carmem Feij Curso Macroeconomia Avanada
Processo MA Moving Average
Def.: um processo de mdias mveis (moving average) de primeira ordem MA(1) uma
srie temporal do tipo = + # + C# , onde {t} um white noise (sem a condio
forte de independncia) e e so constantes.
O termo mdias mveis vem do fato de que Yt construdo a partir de uma soma
ponderada (que uma espcie de mdia) dos valores mais recentes de .
A expectativa de Yt = . Usa-se o smbolo para o termo constante para enfatizar
que o termo constante a mdia do processo.
Pode-se mostrar que a varincia finita e as autocovarianas so nulas, ou seja, mdia e
autocovarincias no so funes de t. Em outras palavras, MA(1) um processo
estacionrio (i.e. fracamente estacionrio). E mais: MA(1) estacionrio independentemente
do valor de .
Pode-se tambm mostrar que
= 1 + C + C , ou seja < . Portanto,
se {t} um white noise Gaussiano, ento MA(1) ergdico para todos os momentos. A
primeira autocorrelao de um MA(1) < = C 1 + C ; as outras so 0. Um correlograma
que vai decaindo indica estacionariedade:
1.0 0 = = 1.0
0.5 1 de = # + 0.8# igual a 0.8/(1 + 0.82) = 0.488
0.0
01 2 lag j
Pode-se estender estes resultados para um processo de mdias mveis de q-sima ordem
MA(q) e mostrar que tambm se trata de um processo estacionrio e ergdico para todos os
momentos:
= + # + C # + C # + + CE # E
11
Carmem Feij Curso Macroeconomia Avanada
Processos Autoregressivos AR
Def.: um processo autoregressivo de primeira ordem AR(1) uma srie temporal do tipo
= + G + # onde {t} um white noise (sem a condio forte de independncia) e
uma constante.
Pode ser mostrado que se | | 1 ento no existe uma soluo estvel, pois os vo se
acumulando e a srie explode. Por exemplo: = G + # = G G + # + # = =
G + G # + + G # + G# + # . Isto equivale a dizer que no existe um processo
estacionrio para Yt quando | | 1.
Def.: um processo autoregressivo de segunda ordem AR(2) uma srie temporal do tipo
= + G + G + #
Podemos mostrar que a condio para a soluo desta srie ser estvel (e da srie ser
estacionria) que as razes z1 e z2 da equao caracterstica H G H G = 0 estejam
dentro do crculo unitrio, i.e. |z1| < 1. Isto leva s seguintes trs condies para
estacionariedade: G + G < 1 , G G > 1 , G < 1.
Podemos tambm calcular autocorrelaes j (obtidos recursivamente usando as equaes
de Yule-Walker) para plotar o correlograma e evidenciar a estacionareidade. Para o
processo AR(2) = 1.0 0.5 + # temos < = < 0.5< e o correlograma:
Correlograma de srie estacionria AR
sempre amortece. Dependendo dos
sinais dos coeficientes, h valores
positivos e negativos no correlograma.
AR(p) MA(q)
Exemplo ARMA(1,1): = + G + # + C#
A estacionariedade de um processo ARMA depende inteiramente dos parmetros de
autoregresso i e no dos parmetros de mdias mveis i: se todas as razes da
equao caracterstica 1 G H G H GK H K = 0 estiverem dentro do crculo unitrio,
i.e. HL < 1, ento o modelo ARMA estacionrio e a mdia = 1 G GK .
13
Carmem Feij Curso Macroeconomia Avanada
Processo Random Walk
O modelo AR(1) um processo Random Walk quando = 1 e c = 0: = + #
Como = 1, ento o processo no estacionrio. Este tipo de srie chamada de srie
no-estacionria de raiz unitria.
A implicao de um processo deste tipo que a melhor predio de y para o prximo
perodo o valor corrente. Este processo no permite predizer a mudana = .
Em outras palavras, a mudana de y absolutamente aleatria. A mdia constante, mas
a varincia cresce com t.
Na prtica, a presena de um processo random walk torna o processo de forecast muito
simples, porque todos os valores futuros de yt+s simplesmente yt.
O impacto de qualquer choque passado tj em yt no decai ao longo do tempo.
Consequentemente, a srie random walk tem uma forte memria, porque ela se lembra dos
choques passados; i.e. os choques tm um efeito permanente na srie.
No modelo AR(1), quando = 1 e c = 0, temos um Random Walk com Drift:
= + N + # , onde a constante a mdia, N = , representa um time
trend e referida como o drift do modelo. Este trend fica mais claro quando desenvolvemos
a sequncia a partir do valor inicial y0 e apresentamos o modelo de outra forma:
= + N + # onde ut um Random Walk Gaussiano, i.e.
= + N + # = + 2N + # + # um random walk com um tamanho aleatrio de
passo que varia de acordo com uma
= + -N + # + # + + # distribuio normal, e que tem R = -U ,
= Q + N- + R , R = # + # + + # onde U a varincia de t.
Q = S/-S-T Imagine ir de um ponto numa reta para outro, dando passos
para trs e para frente aleatoriamente.
14
Carmem Feij Curso Macroeconomia Avanada
ARIMA
Se o modelo ARMA permitir que o polinmio AR tenha 1 como uma das razes da equao
caracterstica, tornamos o modelo ARMA no modelo autoregressive integrated moving
average (ARIMA). Um modelo ARIMA dito ser no-estacionrio de raiz unitria porque seu
polinmio AR tem uma raiz unitria. Assim como um modelo random walk, um modelo
ARIMA tem forte memria porque os coeficientes i da sua representao MA no decaem
no tempo para zero, implicando que o choque passado ti do modelo tem um efeito
permanente na srie. Um tratamento usual para lidar com no-estacionaridade de raiz
unitria usar as diferenas sucessivas.
15
Carmem Feij Curso Macroeconomia Avanada
Trends e Random Walk
Com os modelos dinmicos das sries temporais, a questo do time trend ganha uma
dimenso muito maior do que no caso clssico de modelo de regresso linear. Neste ltimo,
quando temos a reta que estima = 1 + 1 W + # , o coeficiente 1 pode assumir qualquer
valor fixo. Em contraste, o modelo AR(1) = G + G + # para ter significado deve ter o
coeficiente G 1.
Um modelo muito prximo do random walk com drift o processo trend-stationary (TSP):
= Q + N- + R , onde ut um processo estacionrio, e.g. um processo AR(p) ou MA(q). Por
exemplo, um MA (): R = # + G # + G # + .
Nesta srie, yt cresce linearmente no tempo com uma taxa e portanto pode exibir
comportamento similar ao de um modelo random walk com drift. Entretanto, h uma grande
diferena. Supondo que y0 fixo, o modelo random walk com drift assume a mdia =
+ N- e a varincia = -U , ambas dependentes do tempo (i.e. no estacionrio).
O modelo TSP tambm tem mdia = + N- que depende do tempo, mas tem a
varincia = R que finita e independente do tempo (pois ut um processo
estacionrio). Portanto, a srie TSP pode ser transformada em uma srie estacionria
atravs da remoo do trend linear atravs de uma simples regresso linear. J o modelo de
random walk com drift, com o seu termo de perturbao no estacionrio ut (que cresce com
o tempo), requer um procedimento de diferenas sucessivas para eliminar o time trend e se
tornar estacionrio. Por esta razo, o modelo de random walk com drift tambm
denominado de processo difference-stationary (DSP).
Diz-se que TSP representa um trend determinstico, enquanto que o random walk com drift,
i.e. o processo DSP, um trend estocstico. Uma srie pode ter componentes
determinsticos (polinmio T para trend e polinmio S para sazonalidade) e estocsticos
(processo ut para trend e processo t para sazonalidade) juntos: = Y + Z + R + + #
16
Carmem Feij Curso Macroeconomia Avanada
TSP vs DSP e RBC
Usa-se o teste Dickey-Fuller (que um tipo de teste da raiz unitria) para testar a
hiptese de que uma srie temporal pertence classe TSP contra a alternativa de que ela
pertence classe DSP (i.e. random walk com drift trend estocstico).
No TSP, um choque no tem efeito nos futuros valores de yt. No DSP, os efeitos de um choque so
permanentes!; e no h um trend de longo prazo em torno do qual o sistema pode ser estabilizado.Este
tema ressurge quando discute-se real business cycle. Neste modelo, trends e ciclos tm uma fonte
comum e a acumulao de choques tecnolgicos que produzem um trend de longo prazo, bem como
produz flutuaes de curto prazo em torno deste trend.
Mudanas estruturais (por causa de eventos impactantes, e.g. crise 2007) falseiam testes
de razes unitrias. Quebrar as sequncias (com drifts diferentes) seria uma soluo, mas
isto pode significar uma interferncia na anlise. Testes de razes unitrias tm recebido
mais ateno do que estimativas e predies.
17
Carmem Feij Curso Macroeconomia Avanada