You are on page 1of 109

Econometria de Sries Temporais:

Manual de Solues

Rodrigo De Losso da Silveira Bueno Juliana Inhasz


2.a edio

So Paulo, fevereiro de 2011.


1 INTRODUO
Exerccio 1.1 Suponha o seguinte modelo linear: y = X +", onde y e " so vetores
n 1; X < 1 uma matriz n k e um vetor k 1.

1. Qual(is) a(s) hiptese(s) necessria(s) para estimar esse modelo por MQO?

2. Qual(is) a(s) hiptese(s) necessria(s) para que o estimado, ^ , exista e seja


nico?

3. Qual(is) a(s) hiptese(s) necessria(s) para que ^ seja no viesado?

4. Qual(is) a(s) hiptese(s) necessria(s) para que ^ seja eciente?

5. Qual(is) a(s) hiptese(s) necessria(s) para que se possa fazer inferncia es-
tatstica?

Soluo 1.1 Este exerccio possui dois propsitos. Primeiro, induzir o estudante
a entender onde exatamente se aplica cada hiptese do modelo de regresso linear
mltipla, fazendo-o retornar a esses conceitos. Segundo, revisar os conceitos estats-
ticos de vis e ecincia, aplicados Econometria dos Mnimos Quadrados uma
boa referncia, para o professor, seria WHITE, Halbert. Asymptotic Theory for
Econometricians, 2nd. ed. Orlando: Academic Press, 2000. Note que nada dito
sobre o comportamento do termo aleatrio, justamente porque algumas perguntas
referem-se a seu comportamento.

1. Estimar o modelo por MQO apenas um mtodo matemtico, nada mais. Por-
tanto, apenas necessitamos de uma condio matemtica que r (x) = k, isto
, que o posto da matriz X seja pleno. Precisamos disso porque, do contrrio,
X 0 X no seria inversvel e, ento, no poderamos estimar o modelo por MQO.

2. Outra vez, apenas necessitamos que r (x) = k, do contrrio, no existiria ^ . A


unicidade dada justamente porque o posto pleno. Se X fosse estocstico,
0
precisaramos que plim XnX = Q 6= 01 .

3. Aqui precisamos de vrias hipteses.

(a) 9 ^
1
Este item apenas tem sentido em ser perguntado se, em aula, o professor apresentar os resultados
da regresso para X estocstico.

1
(b) ^ nico;
(c) Se X no estocstico, como assumido neste captulo, E("X) = 0 = E("),
onde a segunda desigualdade resulta da Lei das Expectativas Iterativas. Se
0
X estocstico, precisamos que plim Xn " = 0.

4. Aqui usamos a hiptese de homocedasticidade. Por isso, podemos concluir que,


para ser no viesado, nada precisamos impor sobre a varincia dos resduos.

(a) 9 ^
(b) ^ nico;
0
(c) plim Xn " = 0
(d) Se " (0; ), onde = 2 I, basta estimar o modelo por MQO. Para com-
plementar, mesmo que o professor ainda no tenha dado heterocedastici-
dade, ele poderia dizer que precisamos estimar por um outro mtodo a ser
aprendido, denominado mnimos quadrados generalizados. Isto dizer,
formalmente, que, se 6= 2 I , estimamos C 1 y = C 1 X + C 1 "; =
CC 0 .

5. Para inferncia estatstica, admitimos que os erros tenham uma distribuio


Normal e sejam independentes entre si, de onde se seguem todos os resultados
do captulo. Se forem normais, mas no independentes, ter-se-ia que estimar
os parmetros por mnimos quadrados generalizados, pois, do contrrio, as in-
ferncias estatsticas no seriam vlidas. Esta a nica hiptese necessria.
Se no admitirmos que os erros tm distribuio Normal, podemos assumir a
hiptese mais fraca de que so identicamente e independentemente distribudos,
mas nesse caso os testes somente sero vlidos assintoticamente. Em ambos os
casos, pode-se argumentar que tais hipteses so muito fortes, a primeira mais
forte do que a segunda.

Exerccio 1.2 Ado Ismiti queria vericar se a produtividade do trabalho aumen-


tava com a diviso do trabalho. Para isso, fez a seguinte experincia: regrediu a pro-
dutividade (p) de n trabalhadores de fbricas de alnetes contra o nmero de funes
exercidas pelo trabalhador (F ), anos de escolaridade (E), salrio (w) e nmero de
lhos (N ). Formalmente a regresso foi: pi = 1 + 2 Fi + 3 Ei + 4 wi + 5 Ni + ui .
Usando o teste t Student, Ismiti no rejeitou a hiptese nula de parmetro igual
a zero para ^ 3 . Retirou a varivel E da regresso e estimou o modelo restrito, ob-
servando que ^ 5 tornou-se, tambm, estatisticamente no signicativo. Finalmente,
retirou N da regresso e estimou o modelo de novo.

2
1. Por que no foi preciso fazer o teste de F em ^ 3 , para retirar E do modelo?
Ou seja, por que apenas o teste de t Student pde ser feito?

2. Justique se o procedimento adotado por Ismiti est correto ou equivocado,


para ter eliminado a varivel N do modelo.

Soluo 1.2 Este exerccio muito ilustrativo e traz um pouco de problemas em-
pricos tona. Quer-se testar se o estudante entendeu como usar os testes t e F
corretamente, e evitar que ele cometa o erro de retirar variveis explicativas, estatis-
ticamente iguais a zero, sequencialmente. O certo apenas fazer um teste de hiptese
conjunta e, se for o caso, concluir que tais variveis no explicam o modelo.

1. A razo para no usar o teste F que, quando estamos testando apenas um


parmetro, o teste t e F se equivalem. Ou seja, pode-se usar um ou outro.
Em geral, nos pacotes economtricos o teste t sai automaticamente, por isso
podemos olhar para ele sem problemas. Vale lembrar que, para um parmetro
apenas, t2 equivalente a F (1; n).

2. O procedimento de Ismiti est absolutamente equivocado. O correto seria testar,


conjuntamente, por F , se ^ 3 e ^ 5 so, simultaneamente, iguais a zero. A razo
especca que no segundo teste, mudou-se o nmero de graus de liberdade,
por isso o equvoco. Ou, em outras palavras, no segundo teste, o modelo mudou
em relao ao primeiro.

Exerccio 1.3 Suponha um modelo de regresso linear mltiplo em que ^ exista,


seja no viesado e eciente, pois u homocedstico. Suponha que voc imponha
falsas restries sobre os parmetros do modelo.

1. Mostre que as estimativas nesse caso so viesadas.

2. Mostre que a varincia das estimativas do modelo com restries menor do


que a varincia das estimativas do modelo sem restries.

3. Qual a implicao desse resultado em termos de previso? Qual a intuio


desse resultado?
Sugesto: Lembre o que EQM, ou seja, o erro quadrtico mdio.

Soluo 1.3 O exerccio procura ilustrar um caso que no muito intuitivo,


primeira vista, ou seja quando se impem falsas restries no modelo a varincia
reduz-se. Isto importante para se ter uma primeira intuio do erro quadrtico

3
mdio, sua importncia e suas consequncias para a previso. s vezes, impondo
falsas restries, pode-se melhorar a previso, pois reduz-se o erro de previso, no
obstante o vis possa aumentar.

1. Primeiramente, note que


^ = ^ = (X 0 X) 1
sr X 0Y

^ = = ^ + K r R^
cr
h i 1
1 1
K = (X 0 X) R 0 R (X 0 X) R0

Daqui podem-se tirar as seguintes concluses:


1
Var ^ = 2
(X 0 X)

E( )= + K (r R )

Como r 6= R ) E ( ) 6= . Portanto, as estimativas so viesadas.

2. H bastante lgebra neste exerccio, mas, com calma, obtm-se a resposta.


Var ( ) =
h ih i0
= E ^ + Kr KR ^ Kr KR ^ + Kr KR ^ Kr KR =
| {z }| {z }
=A =A
0
= E [AA ] =
h i 0
=E ^ KR ^ [A]0 = E (I KR) ^ ^ (I KR)0 =
!
= (I KR) B (I KR)0 2
= B BR0 K 0 KRB + KRBR 0 0
| {z K}
2

=D
0 1
B = (X X)
Desenvolvendo D; temos:
h i 1
1 1 1
D =(X 0 X) R0 R (X 0 X) R0 R(X 0 X) R 0 K 0 = BR 0 K 0
| {z } | {z } =B
=K

4
Dessa forma, conseguimos:
2 2 1
Var ( ) = (B KRB) = (I KR) B = (I KR) (X 0 X) 2

Logo, se KR > 0 ) V ar ( ) < V ar ^ . Para ver este ltimo fato, observe


que
h i 1
1 1
KR=(X 0 X) R0 R (X 0 X) R0 R
| {z }| {z }
>0
0 0
R
| L{zLR}
T 0T

Agora, seja c = T v, onde c um vetor nx1. Sendo assim, c0c = v0T 0T v > 0,
como queramos demonstrar, pois c0c um escalar.

3. Mesmo com falsas restries, as previses sero melhores se a diminuio da


varincia for maior do que o aumento do vis. Formalmente, se EQM <
EQM . A intuio do resultado que impor falsos parmetros signica que
haver menos parmetros variando, o que poderia reduzir o erro de previso.

Exerccio 1.4 Responda:

1. Cite pelo menos dois testes para a hiptese de homocedasticidade.

2. Cite pelo menos um teste para a hiptese de autocorrelao dos resduos.

3. Em caso de rejeio da hiptese nula em (1), por que mtodo voc estimaria o
modelo?

4. Em caso de rejeio da hiptese nula em (2)., por que mtodo voc estimaria
o modelo?

Soluo 1.4 O exerccio pretende que o aluno volte ao livro-texto e verique clara-
mente que testes ele pode aplicar e de que maneiras ele deve estimar o modelo, em
caso de rejeio da hiptese nula. Com isso, sistematiza-se todo o captulo. Sugeri-
mos consultar, adicionalmente, Johnston e Dinardo (1998).

1. H vrios testes que podem ser usados: Breusch-Pagan, White, Goldfeld-Quandt,


Glesjer.

2. Durbin-Watson, ACF, Ljung-Box.

5
3. Mnimos quadrados generalizados, mnimos quadrados generalizados factveis.

4. Pode-se usar o mtodo de Cochrane-Orcutt, Durbin ou Variveis instrumentais.

Exerccio 1.5 Faa os seguintes exerccios:


P1 P
1. Suponha que jxi j < 1. Mostre que 1
i=0
2
i=0 xi < 1;
P
2. Prove (ou no) que limn !1 nx=1 x1 = 1;
P
3. Prove (ou no) que limn !1 nx=1 x12 = 1;
P P1
4. Prove (ou no) que se 1 2
i=0 xi < 1, ento i=0 jxi j < 1.
P
Soluo 1.5 1. Pelo enunciado, temos que 1 i=0 jxi j < 1. Como a soma em
mdulo converge para um valor menor que innito, devemos ento notar que
cada elemento que forma essa srie contribui com valor menor que 1, de forma
que a mesma converge para algum valor menor que innito. Assim, j podemos
concluir que:

lim jxi j < 1


i!1

Portanto, uma vez que todo elemento em mdulo dessa srie menor que 1,
o quadrado de cada um desses elementos tambm vai ser menor que 1. Isso
nos indica, seguramente, que a soma de tais elementos (ou seja, a srie dos
quadrados de jxi j) tambm convergente. Outra maneira de provar tal resultado
notar que:

lim jxi j < 1


i!1
x2i
lim < 1
i!1 xi

x2
lim i < 1
i!1 jxi j

Pelo teste da razo vemos que a srie converge.

6
Pn 1
2. Pelo enunciado, queremos saber limn !1 x=1 x .

X
t
1
Mas o que x
? Primeiro observe que:
x=1

Zx+1
1 1 1
> ds = ln sjx+1
x = ln (x + 1) ln (x) = ln 1 +
x s x
x
1 1
> ln 1 +
x x

1
Por polinmio de Taylor encontra-se uma funo que se aproxima a ln 1 + x

1 1 1 1
ln 1 + = +
x x 2! x2 3!x3

X
t
1
Aplicando x
ao que temos
x=1

Xt Zt+1
1 1
> dx = ln (t + 1) :
x=1
x x
1

3. A demonstrao pode ser feita atravs da generalizao do item anterior.

4. A demonstrao desse item , seno, apenas o raciocnio contrrio ao efetuado


no primeiro item desse exerccio. A prova conrma o resultado enunciado.

1.1 EXERCCIOS PARA PROVAS


Exerccio 1.6 Prove que uma regresso estimada sem a constante no implica que
os resduos somaro, necessariamente, zero e que o R2 , se calculado como 1 y`ye^`^eny2 ,
pode ser negativo, onde e^ = y X ^ , em que ^ o vetor de parmetros estimados.

Soluo 1.6 Este exerccio mostra que o R2 pode ser negativo, quando a
regresso por mnimos quadrados ordinrios feita sem constante (note
que, mesmo com constante, quando estimamos um modelo no linear por
mxima verossimilhana, podemos ter um R2 negativo, mas isso um caso

7
raro). Seu objetivo alertar o estudante que, quando o R2 negativo, na
regresso por MQO, porque ele deve acrescentar a constante ao modelo.
O motivo muito sutil e ser explicitamente apresentado na resoluo. A
primeira parte do exerccio procura esclarecer por que os resduos somam
zero, quando h constante.
Dada a regresso y = X + " temos que:
yi = Xi1 1 + Xi2 2 + ::: + Xik k + "i ; i = 1; 2; :::; n
X
n
@ "2i
i=1
X
n
= (yi Xi1 1 Xi2 2 ::: Xik k ) Xji = 0; j = 1; 2:::k
@ j i=1
Isso no garante que o resduos somaro zero, pois Xji pode ser diferente de 1, para
todo i, mesmo quando j = 1. Claramente, se X1i = 1, para todo i, os resduos
somaro zero. Isto naliza a primeira parte da questo. Sigamos para a segunda
parte. Lembremos que:
X
n
0
SQT = (yi y)2 = (yi y) (yi y) = y 0 y ny 2
i=1
_2
SQE = y0y ny^
_2
SQR = e^0^
e n e^
_
Note como nada garante que e^ seja zero, e, no clculo do R2 , no inclumos esse
2
termo (retorne frmula dada no exerccio);
X X por isso
Xque o R pode
_
ser negativo.
Note, tambm, que: yi = y^i + e^ ) yi = y^i + e^ ) y = y^, apenas quando
X
e^ = 0, o que somente ocorre se o modelo estimado com constante, como
demonstrado na primeira parte do exerccio.
Sabemos, ainda, que y0y = y^0^
y + e^0^
e. Com essas informaes, temos:
e^0^
e y0y y^0^
y y0y ny 2 y0y + y^0^
y ny 2 + y^0^
y
1 =1 = =
y0y ny 2 y0y ny 2 y0y ny 2 y0y ny 2
Conseqentemente, se ny 2 > y^0^
y ) R2 < 0. _
Para ver por que o R2 positivo quando existe constante, note que se y = y^ (caso
Xn
2
com constante), temos que -ny +yy= yi y)2 02 .
(^
i=1
2
Veja a semelhana com a frmula do SQT.

8
Exerccio 1.7 Considere o modelo heterocedstico: yij = + Xi + uij , onde,
Xi < 1 uma matriz ni k e um vetor k 1; ui N (0; 2i ) , E(ui uj ) = 0, j 6= i
1; 2; :::; m (m > 1), j =P1; 2; :::; ni (ni > 2). Um estimador amostral de 2i :
, i =P
ni ni
j=1 (yij y)2 yij
s2i = ni 1
, onde yi = j=1
ni
. Determine E (s2i ).

Soluo 1.7 O problema interessante para que o estudante possa comear


a ver onde a heterocedasticidade se encaixa com relao ao modelo lin-
ear geral. Alm disso, o problema no apresenta maiores diculdades. O
propsito do exerccio mostrar uma metodologia para calcular a correo
da varincia, quando h heterocedasticidade.

Soluo 1.8 Exerccio 1.8 Soluo 1.9 Comecemos com os clculos bsicos. Se
ui ~N (0; 2 I), ento E (uij ) = 0, 8i; j e E u2ij = 2i . Assim, dena

X
ni

ui = uij
j=1

Assim
yi = + Xi + ui
e !
ni
X ni
X
1 1
s2i = (uij ui )2 = u2ij ni u2i
ni 1 j=1
ni 1 j=1

Logo,
" ni
# !
1 X 1 2
i
E s2i = E u2ij ni E u2i = ni 2
i ni = 2
i
ni 1 j=1
ni 1 ni

Exerccio 1.9 Suponha o modelo y = X +", onde y e " so vetores n 1, X < 1


uma matriz n k, e um vetor k 1, estimado por MQO com constante. Responda
F(also) ou V(erdadeiro) para cada alternativa e justique sucintamente:

1. Heterocedasticidade nas perturbaes produz estimativas consistentes de ;

2. Heterocedasticidade nas perturbaes geram estimativas inecientes;

3. Heterocedasticidade nas perturbaes resulta numa matriz de covarincia das


estimativas inconsistente;

9
4. Testes de hipteses sobre os coecientes deixam de ser vlidos se h hetero-
cedasticidade.

Soluo 1.10 Este um exerccio que tenta dirimir dvidas, dando ao


estudante a oportunidade de voltar aos conceitos bsicos e entend-los
melhor. A resposta do exerccio exige que se faam algumas hipteses
no explicitadas no enunciado. Elas so as seguintes:

" i:i:d:(0; );

X no estocstico.
Com essas hipteses, podemos responder a questo.

1. Verdadeiro, pois prova-se que E ^ = ;

2. Verdadeiro, pois V ar ^ M QG = (X 0 1
X) < V ar ^ M QO = (X 0 X) 1
X 0 X (X 0 X) 1 ;
3. Verdadeiro, decorrente de b.;
4. Verdadeiro, decorrente de b. Aqui, uma considerao. O teste de hiptese
usando o lado direito da igualdade em b. vlido. O problema que
muitos pacotes economtricos simplesmente calculam como matriz de co-
varincia como (X 0 X) 1 e no a matriz de covarincia correta. (Maiores
detalhes a respeito deste exerccio so encontrados em WHITE,
H. A Heteroskedasticity-Consistent Covariance Matrix and a
Direct Test for Heteroskedasticity.Econometrica, vol. 48, n.o 4,
1980.)

Exerccio 1.10 Suponha um modelo de regresso linear mltiplo em que ^ exista,


seja no viesado e eciente, pois u homocedstico. Suponha que voc imponha
falsas restries sobre os parmetros do modelo.

1. Mostre que as estimativas nesse caso so viesadas.

2. Mostre que a varincia das estimativas do modelo com restries menor do


que a varincia das estimativas do modelo sem restrio.

3. Qual a implicao desse resultado em termos de previso? Qual a intuio


desse resultado? Sugesto: Lembre o que EQM, ou seja, o erro quadrtico
mdio.

10
Soluo 1.11 O exerccio procura ilustrar um caso que no muito in-
tuitivo, primeira vista, ou seja quando se impem falsas restries no
modelo a varincia reduz-se. Isto importante para se ter uma primeira
intuio do erro quadrtico mdio, sua importncia e suas conseqncias
para a previso. s vezes, impondo falsas restries, pode-se melhorar
a previso, pois reduz-se o erro de previso, no obstante o vis possa
aumentar.

1. Primeiramente, note que

^ 1
sr = ^ = (X 0 X) X 0Y
^ = ^ + K r R^
=
cr
h i 1
0 1 0 0 1 0
K = (X X) R R (X X) R
Daqui podem-se tirar as seguintes concluses:
1
V ar ^ = 2
(X 0 X)

E( )= + K (r R )
Como r 6= R ) E ( ) 6= . Portanto, as estimativas so viesadas.

2. H bastante lgebra neste exerccio, mas, com calma, obtm-se a resposta.

h ih i0
V ar ( ) = E ^ + Kr KR ^ Kr KR ^ + Kr KR ^ Kr KR =
| {z }| {z }
=A =A
0
= E [AA ] =
h i 0
= E ^ KR ^ [A]0 = E (I KR) ^ ^ (I KR)0 =
!
= (I KR) B (I KR)0 2
= B BR0 K 0 KRB + KRBR 0 0
| {z K}
2

=D
0 1
B = (X X)

11
Desenvolvendo D temos:
h i 1
1 1 1
D = (X 0 X) R0 R (X 0 X) R0 R(X 0 X) R0 K 0 = BR0 K 0
| {z } | {z } =B
=K

Dessa forma, conseguimos:

2 2 1
V ar ( ) = (B KRB) = (I KR) B = (I KR) (X 0 X) 2

Logo, se KR > 0 ) V ar ( ) < V ar ^ . Para ver este ltimo fato, observe


que
h i 1
1 1
KR = (X 0 X) R0 R (X 0 X) R0 R
| {z }| {z }
>0
0 0
R
| L{zLR}
T 0T

Agora, seja c = T v, onde c um vetor nx1. Sendo assim, c0c = v0T 0T v > 0,
como queramos demonstrar, pois c0c um escalar.
3. Mesmo com falsas restries, as previses sero melhores se a diminuio da
varincia for maior do que o aumento do vis. Formalmente, se EQM <
EQM . A intuio do resultado que impor falsos parmetros signica que
haver menos parmetros variando, o que poderia reduzir o erro de previso.
Exerccio 1.11 Responda:
1. Cite pelo menos dois testes para a hiptese de homocedasticidade.
2. Cite pelo menos um teste para a hiptese de autocorrelao dos resduos.
3. Em caso de rejeio da hiptese nula em a., por que mtodo voc estimaria o
modelo?
4. Em caso de rejeio da hiptese nula em b., por que mtodo voc estimaria o
modelo?
Soluo 1.12 O exerccio pretende que o aluno volte ao livro-texto e ver-
ique claramente que testes ele pode aplicar e de que maneiras ele deve
estimar o modelo, em caso de rejeio da hiptese nula. Com isso,
sistematiza-se todo o captulo. Sugerimos consultar, adicionalmente, John-
ston e Dinardo (1998).

12
1. H vrios testes que podem ser usados: Breusch-Pagan, White, Goldfeld-Quandt,
Glesjer;

2. Durbin-Watson, ACF, Ljung-Box;

3. Mnimos quadrados generalizados, mnimos quadrados generalizados factveis;

4. Pode-se usar o mtodo de Cochrane-Orcutt, Durbin ou Variveis instrumentais.

2 FUNDAMENTOS ESTATSTICOS
Exerccio 2.1 Considere verdadeira a seguinte armao: Seja fZt g uma sequncia
de variveis aleatrias i.i.d N (0; 1), ento fZt g (estritamente) estacionria.

1. Qual a hiptese bsica do resultado acima? Por qu?

2. Pode-se armar que estacionaridade um reforo hiptese de distribuio


idntica?

3. Pode-se armar que a hiptese de estacionaridade sobre uma srie qualquer


mais fraca do que a hiptese i.i.d.? Por qu?

Soluo 2.1 Este um exerccio para vericar se o aluno entendeu o uso e a ne-
cessidade do conceito de estacionaridade, fundamental no tratamento de sries tem-
porais.

1. A hiptese de independncia crucial. Se fZt g simplesmente identicamente


distribuda como normal-padro, a sequncia no , necessariamente, esta-
cionria, pois possvel construir diferentes distribuies conjuntas com dis-
tribuies marginais normal. Se a distribuio conjunta muda com o tempo,
poderamos violar a condio de estacionaridade, preservando a normalidade
marginal.

2. Assim, estacionaridade uma hiptese mais forte distribuio idntica, j


que ela se aplica a distribuies conjuntas e marginais simultaneamente.

3. Por outro lado, estacionaridade uma hiptese mais fraca do que a hiptese
i.i.d., j que sequncias i.i.d. so estacionrias, mas sequncias estacionrias
no precisam ser independentes necessariamente.

13
Exerccio 2.2 Dena Processo Estocstico e ilustre gracamente. Explique o que
a realizao de um processo estocstico e por que as sries econmicas podem ser
entendidas como sendo geradas por processos estocsticos.

Soluo 2.2 Este um exerccio para reforar os conceitos introdutrios apresen-


tados em aula. Aqui, somos mais formais e detalhistas que o texto, pois esperamos
que o estudante tenha curiosidade suciente para consultar outras fontes sobre este
assunto.
Seja uma sequncia temporal de valores que no podem ser previstos, mas com
probabilidades que podem ser associadas a cada um dos diferentes valores a qualquer
tempo particular, temos ento um processo estocstico.
Formalmente: suponha-se um determinado espao amostral de um dado exper-
imento. Considere-se, tambm, os possveis subconjuntos desse espao amostral.
Alm disso, associe-se a cada um desses eventos uma probabilidade. Denindo-se
a funo X ( ; ) : S T ! <, onde S representa o espao amostral e T , o tempo,
ter-se- um processo estocstico.
Para cada t 2 T , X ( ; t), tem-se uma varivel aleatria no espao amostral, isto
, no tempo denido, existe uma distribuio de probabilidade para aquela varivel.
Para cada s 2 S, X (s; ), tem-se uma funo de t que se chama realizao de um
processo X (s; t), para dado s e t, apenas um nmero real.
O problema prtico que nos defrontamos termos apenas a realizao de um
processo estocstico para cada perodo de tempo, dos quais teramos que deduzir os
valores da mdia e varincia em cada instante de tempo, bem como das covarincias.
Mas, obviamente, dado que temos menos observaes do que o nmero de informao
que gostaramos de obter, temos que impor restries razoveis que nos permitam
trabalhar com a srie disponvel.
As sries de tempo podem ser decompostas em quatro elementos: tendncia, ci-
clo, sazonalidade e componentes irregulares. Tendncia, ciclo e sazonalidade no
sero simples funes determinadas do tempo. Ao contrrio, tpico encontrar-se
elementos estocsticos nesses componentes. Por isso, sries econmicas podem ser
entendidas como sendo geradas por processos estocsticos. por isso, tambm, que
se pode dizer que uma srie de tempo uma coleo de observaes geradas sequen-
cialmente no tempo.

Exerccio 2.3 Por que se impem restries sobre a heterogeneidade temporal e


sobre a memria de um processo estocstico?

Soluo 2.3 Este exerccio verica se o aluno compreendeu o problema que existe
em estimar sries temporais, indo aos pontos fundamentais da questo. Um processo

14
estocstico temporalmente heterogneo, o que signica que possui momentos distin-
tos a cada instante de tempo (pois o processo gerador daquele evento pode ser diferente
a cada instante de tempo, como j se viu). Disso, surge uma grande diculdade para
modelar fenmenos reais porque, usualmente, temos apenas uma observao para
cada t.
Em outras palavras, temos que estimar um nmero de parmetros maior que
o nmero de observaes, o que impossvel. Por isso, temos que impor certas
restries para reduzir o nmero de parmetros a serem estimados. Essas recaem
sobre a heterogeneidade temporal e sobre a memria do processo.

i. Restries sobre a heterogeneidade temporal reduz o nmero de parmetros


a serem estimados. Implica estacionaridade fraca ou restrita. Por exemplo,
estabiliza num mesmo nvel a mdia e a varincia, assumindo que todas as
observaes tm mesma mdia e mesma varincia;

ii. Restries sobre a memria espera-se que a dependncia entre x (t1 ) e x (t2 )
enfraquea conforme a distncia t2 t1 cresa. Para isso, usamos a seguinte
denio:

Um processo estocstico fu (t) ; t 2 T g dito assintoticamente no correlacionado


se existe uma sequncia de constante f ( ) ; 1g, denidas por

Cov [u ( ) ; u ( + t)]
p ( ) ; 8t 2 T
V ar [u ( )] V ar [u ( + t)]

tal que

i. 0 ( ) 1
X
1
ii. ( ) < 1 ) lim ( ) = 0
!1
=1

Com isso, podemos fazer inferncias estatsticas, a partir de nossas estimativas.

Exerccio 2.4 Qual a diferena entre estacionaridade forte (ou estrita) e estacionar-
idade (fraca)? Construa exemplos mostrando quando uma implica a outra, e quando
uma no implica a outra.

15
Soluo 2.4 Neste exerccio, o resultado mais importante mostrar que estacionar-
idade forte no implica estacionaridade fraca, como o nome poderia sugerir. Esta-
cionaridade forte (ou estrita) implica que a funo de probabilidade acumulada con-
junta da srie igual para qualquer instante de tempo. Formalmente isso signica:
FX(t1 );X(t2 );:::;X(tn ) (x1 ; x2 ; :::; xn ) = FX(t1 +k);X(t2 +k);:::;X(tn +k) (x1 ; x2 ; :::; xn )
onde
F ( ) a funo densidade de probabilidade acumulada,
X ( ) uma varivel aleatria,
x ( ) a realizao dessa varivel.
Estacionaridade fraca implica que os momentos da srie at ordem m so coin-
cidentes a cada instante, isto :
E [fX (t1 )gm1 ; fX (t2 )gm2 ; :::; fX (tn )gmn ]
= E [fX (t1 + k)gm1 ; fX (t2 + k)gm2 ; :::; fX (tn + k)gmn ]
Se, por exemplo, x (ti ) tem uma distribuio de Cauchy, no ter momentos
nitos, porque logo o primeiro momento, m1 no existe. Mas a funo densidade
de probabilidade conjunta invariante com relao ao tempo. Neste caso, ento,
estacionaridade forte (ou estrita) no implica estacionaridade fraca.
d d
Por outro lado, se x (ti ) 6= x (ts ), s 6= i onde 6= signica distribuio diferente,
os momentos de x (ti ) so iguais aos de x (ts ), ento existe estacionaridade, mas
no haver estacionaridade forte se a distribuio conjunta no for invariante com
relao a t.
Se os momentos de xt existem at ordem 1, estacionaridade estrita implica esta-
cionaridade fraca at ordem 1. Para ver isso, note que:
E [fX (t1 )g ; fX (t2 )g ; :::; fX (tn )g]
= E [fX (t1 + k)g ; fX (t2 + k)g ; :::; fX (tn + k)g]
logo para n = 1 e k = 1, temos
E [X (t1 )] = E [X (t2 )] ) E [X (t2 )] = E [X (t3 )]
Assim, por induo:
E [X (t1 )] = E [X (t2 )] = = E [X (tn )]
Para n = 2 e k = 1, temos
E [X (t1 ) ; X (t2 )] = E [X (t2 ) ; X (t3 )]

16
e por induo, conclumos que pela estacionaridade fraca.
Para n = 2 e k = 2, temos
E [X (t1 ) ; X (t2 )] = E [X (t3 ) ; X (t4 )] = E [X (t2 ) ; X (t3 )]
e por induo, conclumos pela estacionaridade fraca.
Repetindo sucessivamente esse procedimento, provamos a armao.
Se fxt g um processo gaussiano (= normal), ento essa sequncia estritamente
estacionria, pois completamente caracterizada pelos dois primeiros momentos.
Exerccio 2.5 Responda:
a. Mostre algebricamente como um processo AR(2), com razes fora do crculo
unitrio, expresso como um M A(1).
b. Escreva um M A (1) sob a forma de um AR(1)
c. Por que as razes do processo M A devem estar fora do crculo unitrio?
Soluo 2.5 O exerccio treina, algebricamente os conceitos estudados. Trata-se de
entender que toda srie de tempo, se inversvel ou estacionria, pode ser reduzida a
um processo com coecientes nitos, mesmo que o nmero de termos seja, inicial-
mente e aparentemente, innito.
a. Seja yt = 1 yt 1 + 2 yt 2 + "t , ento temos:
2 "t
yt 1 1L 2L = "t ) y t = ; em que
(1 b1 L) (1 b2 L)
1 = b1 + b2
2 = b1 b2

Notando que
1
(1 bi L) = 1 + bi L + bi L2 + :::

por se tratar de uma progresso geomtrica innita de razo, em mdulo, menor


do que um,
temos:
X
1
bj1 "t j
j=1
yt =
(1 b2 L)
Logo yt um M A (1).

17
b. Seja yt = "t 1 + "t
yt 2
= "t ) y t = 1 + L + L2 + ::: "t )
1 L
X
1
i
yt = Li + "t ) yt = AR (1)
i=1

c. As razes do processo de mdias mveis devem estar fora do crculo unitrio


para que o processo yt seja unicamente identicado e inversvel.

Exerccio 2.6 Considere o modelo M A(1)

yt = + "t + "t 1 ; j j > 1.

Inverta-o e mostre ser um AR ( 1) do tipo:

X
1
j
yt = ( ) (yt+j ) + "t 1 :
j=1

Interprete.

Soluo 2.6 Seja yt = "t 1 + "t . Ento,


yt 2
= "t ) y t = 1 + L + L2 + ::: "t )
1 L
X
1
i
yt = Li + "t ) yt = AR (1)
i=1

Exerccio 2.7 Considere o seguinte modelo ARMA (1; 1):

y t = y t 1 + "t "t 1 ;
2
"t i:i:d: 0; :

Determine as condies de estacionaridade e invertibilidade. Dena as condies


para obter um rudo branco temporalmente dependente.

Soluo 2.7 Estacionaridade: j j < 1. Invertibilidade j j < 1. Rudo branco tem-


poralmente dependente: = e j j < 1 (se j j > 1, ento o modelo no poder ser
estacionrio).

18
Exerccio 2.8 Considere o seguinte modelo ARMA (1; 1):

yt = yt 1 + "t "t 1 ;
2
"t i:i:d: 0; :

Se = e j j > 1, ento yt instvel ou no estacionrio. Explique. (Dica:


desenvolva o modelo recursivamente).

Soluo 2.8

yt = yt 1 + "t "t 1 =
= ( yt 2 + "t 1 " t 2 ) + "t "t 1=
2
= y t 2 + "t + ( ) "t 1 "t 2 =
= =
t+j
X
t+j s 1
= y j +( ) "t s + "t :
s=1
Pt+j
Se j ! 1; o termo ( ) s=1 s 1 "t s ! 0. Porm, qualquer pequena pertur-
bao em y j+1 faz a srie explodir. Isso necessariamente ocorre, porque o termo "t
ca solto. Assim, suponha o momento em que t = j + 1, com y j = 0, nesse caso
temos:
y j+1 = 1 y j + " j+1 = " j+1 :
Portanto, se " j+1 6= 0, e como
t+j 1
X
t+j 1 s 1
yt = y j+1 + ( ) "t s + "t ;
s=1

a srie ser explosiva.


Claro que se j j < 1, ento o modelo converge para um rudo branco, pois,
nesse caso, t+j 1 y j+1 ! 0.

Exerccio 2.9 Verique se os modelos abaixo so estacionrios e/ou inversveis, em


que L o operador defasagem.

a. (1 L) yt = (1 0; 5) "t

b. (1 + 0; 8L) yt = (1 1; 2L) "t

c. (1 0; 7L + 0; 4L2 ) = (1 0; 5L) "t

19
d. (1 0; 7L 0; 4L2 ) = (1 1; 6L + 0; 7L2 ) "t

e. (1 + 0; 9L) yt = (1 + 0; 5L + 0; 4L2 + 0; 3L3 ) "t

Soluo 2.9 Este um exerccio numrico para vericar se o aluno compreendeu os


conceitos de estacionaridade e inverso. O principal entender as expresses fora e
dentro do crculo unitrio, pois devem ser cuidadosamente entendidas. s vezes fora
e dentro do crculo unitrio representam a mesma coisa, conforme esteja denida a
polinomial, pela qual se calculam as razes da equao a diferenas.

a. Primeiro preciso entender que L um operador, logo no se podem fazer


contas usando L. Nesse caso, o truque simples: troque L por uma varivel
qualquer, digamos, z. Assim temos,
1 z = 0 ) z = 1, logo no estacionrio.
1 0; 5z = 0 ) z = 2, logo como z est fora do circulo unitrio, o processo
inversvel.

b. 1 + 0; 8z = 0 ) z = 1; 25, outra vez, por ser, em mdulo, maior que 1, o


processo estacionrio.
5
1 1; 2z = 0 ) z = 6
< 1, logo no inversvel

c. 1 0; 7z + 0; 4z 2 = 0: Fazendo z = x1 , temos x2 0; 7x + 0; 5 = 0 o que nos


x1 = 0;7+1;05i
2
d as seguintes razes: . O mdulo de um nmero complexo
x2 = 0;7 21:05i
p
2 2
p+ bi dado por a + b . Ambas as razes tero o mesmo mdulo, dado por:
a
0; 72 + 1; 052 = 1; 262 > 1. Assim, estando o mdulo fora do crculo unitrio
(como invertemos as variveis, temos que inverter o raciocnio), o processo
estacionrio.
1 0; 5z = 0 ) z = 2 > 1, ento o processo inversvel.

d. 1 0; 7z 0; 4z 2 = 0. Adotando o mesmo procedimento do item anterior,


x1 = 1; 0728
encontramos :Ora, a segunda raiz est dentro do crculo
x2 = 0; 3728
unitrio, logo o processo no estacionrio.
1 1; 6z + 0; 7z 2 = 0. A inversa das razes x = 1;6 2 1;05i ;cujo mdulo dado
p
por 1; 62 + 1; 052 = 1; 914 > 1, ou seja, o processo inversvel.

20
10
e. 1 + 0; 9z = 0 ) z = 9
> 1 ) estacionaridade
()
z1 = 1; 597
1 + 0; 5z + 0; 4z 2 + 0; 3z 3 = 0:As razes perfazem z2 = 0; 132 + 1; 438i :
z3 = 0; 132 1; 438i
Essas razes esto obviamente fora do crculo unitrio, logo a condio de in-
versibilidade est satisfeita3 .

Exerccio 2.10 Calcule as autocorrelaes dos modelos M A(2), AR(2) e ARM A(1; 1).

Soluo 2.10 Seja um processo MA(2 ) dado por yt = 1 "t 1 + 2 "t 2 + "t
8
>
> E [( 1 "t 1 + 2 "t 2 + "t ) ( 1 "t 1 + 2 "t 2 + "t )]
>
>
>
> = 2 1 + 21 + 22 ; j = 0
>
>
< E [( 1 "t 1 + 2 "t 2 2 + "t ) ( 1 "t 2 + 2 "t 3 + "t 1 )]
>
= ( 1 + 1 2) ; j = 1
j =
>
> E [( 1 " t 1 + 2 "t 2 + "t ) ( 1 "t 3 + 2 "t 4 + "t 2 )]
>
> = 2 2; j = 2
>
>
>
> E [( 1 "t 1 + 2 "t 2 + "t ) ( 1 "t j 1 + 2 "t j 2 + "t j )]
>
:
= 0; j > 2:
Consequentemente, a funo de autocorrelao dada por:
8
>
>
0
= 1; j = 0
>
>
0
< 1 = 1 +2 1 22) ; j = 1
(
0 (1+ 1 + 2 )
j =
>
>
2
= 2
;j = 2
>
> 0 (1+ 21 + 22 )
: j
= 0; j > 2:
0

Seja um processo AR(2 ) dado por yt = c + 1 yt 1 + 2 yt 2 + "t


Pode-se calcular a esperana no condicional de yt :
E (yt ) = c + 1E (yt 1 ) + 2E (yt 2 ) + E ("t ) =)
c
E (yt ) = :
1 1 2

Dada a esperana no condicional do processo, conveniente reescrev-lo de outra


forma, a m de tornar alguns clculos mais fceis:
yt = 1 (yt 1 )+ 2 (yt 2 ) + "t :
3
O clculo de um polinmio do terceiro grau no simples. Sugiro usar um programa como
Mathematica ou Matlab para obter o resultado.

21
Multiplicando ambos os lados dessa equao por (yt j ) e tomando a esper-
ana, e como (yt j ) no contm qualquer elemento correlacionado com "t , se
j > 0, tem-se que:

E (yt ) (yt j )= 1E (yt 1 ) (yt j )+


+ 2 E (yt 2 ) (yt j ) + E ["t (yt j )] :

Logo, por denio, encontra-se:

j = 1 j 1 + 2 j 2; j = 1; 2; : : :

Ou seja, a autocovarincia segue um processo auto-regressivo de ordem 2 . Para


calcular a funo de autocorrelao, preciso apenas dividir a equao anterior por
0:
j = 1 j 1 + 2 j 2 ; j = 1; 2; : : :

Esse conjunto de equaes est contido na famlia mais geral, conhecida como
equaes de Yule-Walker.
Pode-se usar a equao anterior para calcular a funo de autocorrelao desse
processo:

1
j = 1: 1 = 1 + 2 1 =) 1 = ;
1 2
2
1
j = 2: 2 = 1 1+ 2 = + 2;
1 2
j = s: s = 1 s 1 + 2 s 2:

Seja um processo ARM A (1; 1):

yt = 1 yt 1 + "t 1 "t 1 :

O problema calcular a autocovarincia desse processo.


2 2
0 = E ( 1 yt 1 yt + "t y t + 1 "t 1 y t )
= 1 1+ + 1( 1+ 1) ;
2
1 = E ( 1 yt 1 y t 1 + "t y t 1 + 1 "t 1 y t 1 ) = 1 0+ 1 ;
2 = E ( 1 yt 1 y t 2 + "t y t 2 + 1 "t 1 y t 2 ) = 1 1;
..
.
h = E ( 1 yt 1 yt h + "t y t h 1 "t 1 y t h ) = 1 h 1:

22
Resolvendo as duas primeiras equaes simultaneamente resulta:
2
1+ 1 +2 1 1 2
0 = 2 ;
1 1
(1 + 1 1) ( 1 + 1) 2
1 = 2 ;
1 1
2 = 1 1;
..
.
h 1
h = 1 1:

Consequentemente obteremos as autocorrelaes:


0
0 = =1
0

1 1 + 21 + 2 1 1
1 = = ;
0 (1 + 1 1 ) ( 1 + 1 )
2
2 = = 1 1;
0
..
.
h h 1
h = = 1 1:
0

Exerccio 2.11 Considere o seguinte processo estocstico:

Yt = Yt 1 + "t ; "t i:i:N (0; 1) ; Y0 = 0 (1)

onde pode assumir os seguintes valores: 1; 0; 0; 9; 0; 5. Simule 1000 sries (com


100 observaes cada) para cada um dos parmetros tericos de , estime-os em
seguida por MQO. Comente as propriedades do estimador.

Soluo 2.11 Sugestes:


Gere 150 observaes aleatrias e elimine os 50 primeiros valores da srie simu-
lada.
Altere o valor inicial Y0 de 0 para 10 e observe como os valores crticos se alteram
(a 1%, 5% e 10%).
Utilizando os mil parmetros estimados, faa o histograma de ^ 1 para 1; 0; 0; 9;
0; 5.
O objetivo deste exerccio fazer com que o aluno perceba como o grau de assime-
tria do estimador de varia a medida que seu valor terico se aproximda de 1. Um

23
segundo objetivo habituar o aluno programao de experimentos de Monte Carlo.
Quanto ao valor inicial, resultados (i.e., grau de assimetria) no deveriam se alterar
signicativamente (possveis diferenas devido ao gerador de nmeros aleatrios).
Vrios softwares podem ser utilizados; a seguir apresentamos uma forma de faz-
lo no E-Views 5.1.
CRIA workle
wfcreate u 10000

DEFINE nmero de sries simuladas (!s)


!s = 10000
series pp_test = 0

LOOP
for !i =1 to !s

CRIA termo aleatrio


smpl @rst @rst+150
series eps = nrnd
series y = 0

CRIA sries AR(1), neste caso phi=1


smpl @rst+1 @rst+150
y = y(-1) + eps

DESCARTA as 50 primeiras observaes


smpl @rst+50 @rst+150

ESTIMA phi
equation temp.ls d(y) y(-1)
smpl @all

OBTENHO a estatstica t do parmetro


pp_test(!i) = (temp.@tstat)(1)

OUTRA possibilidade para visualizar a assimetria


pp_test(!i) = 150*c(1)

LOOP ends

24
next

MOSTRA resultados em histograma


smpl @rst @rst+ !s
pp_test.hist

2.1 EXERCCIOS PARA PROVAS


Exerccio 2.12 Qual a razo de se impor restries sobre a heterogeneidade tem-
poral e sobre a memria de um processo estocstico?

Soluo 2.12 Este exerccio verica se o aluno compreendeu o problema


que existe em estimar sries temporais, indo aos pontos fundamentais
da questo. Um processo estocstico temporalmente heterogneo, o que
signica que possui momentos distintos a cada instante de tempo (pois,
o processo gerador daquele evento pode ser diferente a cada instante de
tempo, como j se viu). Disso surge uma grande diculdade para modelar
fenmenos reais, porque, usualmente, temos apenas uma observao para
cada t.
Em outras palavras, temos que estimar uma nmero de parmetros maior que
o nmero de observaes, o que impossvel. Por isso, temos que impor certas
restries para reduzir o nmero de parmetros a serem estimados. Essas recaem
sobre a heterogeneidade temporal e sobre a memria do processo.
i. Restries sobre a heterogeneidade temporal reduz o nmero de parmetros a
serem estimados. Implica estacionaridade fraca ou estrita. Por exemplo, estabiliza
num mesmo nvel a mdia e a varincia, assumindo que todas as observaes tm
mesma mdia e mesma varincia;
ii. Restries sobre a memria espera-se que a dependncia entre x (t1 ) e
x (t2 ) enfraquea conforme a distncia t2 t1 cresa. Para isso, usamos a seguinte
denio:
Um processo estocstico fu (t) ; t 2 T g dito assintoticamente no correlacionado
se existe uma seqncia de constante f ( ) ; 1g, denidas por

Cov [u ( ) ; u ( + t)]
p ( ) ; 8t 2 T
V ar [u ( )] V ar [u ( + t)]

tal que
a.) 0 ( ) 1

25
X
1
b.) ( ) < 1 ) lim ( ) = 0
!1
=1
Com isso, podemos fazer inferncias estatsticas, a partir de nossas estimativas.
Exerccio 2.13 Suponha quefXt g um processo de mdia mvel dos dois lados:
P
1
2
P
1 P
1
Xt = j " t j , " t i:i:d(0; ), onde j < 1. Mostre que j (k)j <
j= 1 j= 1 k= 1
1, em que (k) a funo de autocovarincia de fXt g.
Soluo 2.13 As autocovarincias de Xt so:
!
X
1 X
1
(k) = E (Xt Xt+k ) = E j "t j i "t+k i
j= 1 i= 1
X
1 X
1 X
1 X
1
2
= j i E ("t j "t+k i ) = j i+k
j= 1 i= 1 j= 1 i= 1

Por outro lado, temos que


X
1 X
1 X
1 X
1 X
1
2 2
j (k)j = j j+k j j+k
k= 1 k= 1 j= 1 k= 1 j= 1
X1 X1 X1 X1
2 2
= j j+k = j j+k
k= 1 j= 1 j= 1 k= 1

P
1
Uma vez que j i j < 1. Fazendo m = j + k
i= 1

X
1 X
1 X
1
2
j (k)j j j mj 1
k= 1 j= 1 m= 1

Exerccio 2.14 Se fXt g e fYt g so seqncias estacionrias no correlacionadas,


isto , se Xs e Yt so no correlacionados para todo s e t, mostre que fXt + Yt g
estacionrio com a funo de autocovarincia equivalente soma das funes de
autocovarincia de fXt g e fYt g.
Soluo 2.14 Como fXt g e fYt g so seqncias estacionrias, podemos denir
E [Xt ] = x , E [Yt ] = y , V ar (Xt ) = 2x , V ar (Yt ) = 2y , Cov (Xt; Xt k ) = x (k),
Cov (Yt; Yt k ) = y (k).Por outro lado, como as seqncias so no correlacionadas,
ento E (Xt s x ) Yt y = 0, para todo s e t.Temos que mostrar que Cov [Xt + Yt ; Xt k + Yt k ] =
k (k) + y (k).

26
1. E (Xt + Yt ) = x + y para todo t
2 2
2. V ar (Xt + Yt ) = x + y pois as sries so no correlacionadas.

Cov (Xt + Yt ; Xt k + Yt k ) = E (Xt x) + Yt y (Xt k x) + Yt k y


= E [(Xt x ) (Xt k x )] +E Yt y Yt k y +
+E (Xt x) Yt k y +E Yt y (Xt k x)
= k (k) + y (k)

3 PROCESSOS ESTACIONRIOS
Exerccio 3.1 Considere o processo AR(1) a seguir:

yt = 0 + 1 yt 1 + "t

a. Dena os estimadores por OLS de 0 e 1.

b. Assuma que "t i:i:N (0; 2 ). Suponha que observamos fy1 ; y2 ; :::; yT g. Tome
a primeira observao y1 como dada e obtenha a funo de log-verossimilhana
condicional das observaes restantes (ou seja, de p (y2 ; y3 ; :::; yT jy1 )).

c. Mostre que o estimador por ML condicional resultado de (b) equivalente ao


estimador por OLS de (a).

d. O que aconteceria se tivssemos mdia mvel, ou seja, se quisssemos estimar


um ARMA (discorra em linha gerais).

Soluo 3.1 a. Seja X a matriz (T 1) 2 tal que a linha t (1; yt 1 ), e seja Y


o vetor (T 1) 1 tal que seu elemento t seja yt para t = 2; :::; T . O estimador
por OLS portanto ^ = (X 0 X) 1 X 0 Y , onde = ( 0 ; 1 ).

b. A funo de densidade conjunta condicional :

Y
T
p (y2; y3 ; :::; yT jy1 ) = p (yt jyt 1)
t=2
YT
1 1 2
= p exp 2
(yt 0 1 yt 1 )
t=2 2 2 2

27
Aplicando o logaritmo natural, temos a funo de log-verossimilhana condi-
cional

T 1 XT
1 2
2
Lc ( ) = log 2 2
(yt 0 1 yt 1 )
2 t=2
2

2
onde = ( 0; 1; )

c. fcil observar que maximizando a funo de log-verossimilhana condicional


obteremos os mesmos estimadores para os parmetros 0 e 1 .

d. No caso de presena de um termo de mdia mvel, os estimadores no coin-


cidiriam. De fato, o problema torna-se no linear, sendo impossvel estim-los
por MQO.

Exerccio 3.2 Calcule (manualmente) as primeiras 5 autocorrelaes para cada um


dos seguintes processos:

a. Yt = "t + "t 1 , com = 0; 5

b. (1 L) Yt = "t , com = 0; 9

c. (1 L) Yt = "t + "t 1 , com = 0; 9 e = 0; 5

Soluo 3.2 Nesse exerccio, os trs itens sero resolvidos conjuntamente, em


4 etapas:

(a) Como E (Yt ) = 0, temos que k = E(Yt Yt k ). Multiplicando os dois lados


por Yt k obtemos:

E (Yt Yt k ) = E ("t Yt k + "t 1 Yt k )


= E("t "t k + "t "t k 1 ) + E ( "t 1 "t k + "t 1 "t k 1)
8
< 1 + 2 2 para k = 0
= 2
para k = 1
: 0 para k 2

para k = 1
2
Portanto, temos que k = 1+
0 para k 2

28
(b) Multiplicando os dois lados por Yt k e aplicando o operador esperana
temos E(Yt Yt k ) = E(Yt 1 Yt k )+E("t Yt k ), ou expresso de outra maneira
k
k = k 1 . Resolvendo recursivamente temos que k = 0 , e em ter-
k
mos de correlao temos k =

E (Yt Yt k ) = E (Yt 1 Yt k ) + E ("t Yt k ) + E ["t 1 ( Yt k 1 + "t k + "t k 1 )]


8
< 1+ 1+ + 2 2 para k = 0
= 2
0+ para k = 1
: para k 2.
k 1

2 2
(c) Resolvendo para 0 e 1 obtemos que 0 = (1 + 2 + ) 2= 1 .
Assim temos que:

k 1 1 + 2 + 1
k 1
2
1+2
k = =
0 1+2 + 2
k 1 (1 + ) + (1 + ) ( + ) (1 + )
= 2 = k 1 2
1+2 + 1+2 +

(d) Substituindo e , obtemos as cinco primeiras autocorrelaes das trs


sries.
Yt = " t 0; 5"t 1 (1 0; 9L) Yt = "t (1 0; 9L) Yt = "t + 0; 5"t 1

1 0; 40 0; 90 0; 63
2 0; 00 0; 81 0; 57
3 0; 00 0; 73 0; 51
4 0; 00 0; 66 0; 46
5 0; 00 0; 59 0; 41

Exerccio 3.3 Considere o processo AR(2) a seguir:

yt = 0 + 1 yt 1 + 2 yt 2 + "t

onde 0 = 0, 1 = 0; 4 e 2 = 0; 5. Calcule (manualmente) os primeiros valores


da funo de autocorrelao parcial.

Soluo 3.3 Resolvemos primeiro as autocovarincias do processo algebricamente.

2
0 = 1 1 + 2 2 +
1 = 1 0+ 2 1

2 = 1 1+ 2 0;

29
a soluo deste sistema :
2 1
3
2
0 = 3 2 2
2
2 ;
6 2 1 2 2 1 2 +1 7
6 = 2 1
; 7
4 1 3
2
2
1
2
2
22
2
2
1 2 +1 5
2 2+ 1
2 = 3 2 2
2
2
2 1 2 2 1 2 +1

A funo de autocorrelao parcial nada mais do que os parmetros i;k , quando


P
k
k = i; obtidos das equaes yt;k = i;k yt i + "t . Assim, a autocorrelao parcial
P i=1
ser ^ 1 = y y
P t 21 t
yt 1
= 1
= 1 obtido por MQO aplicados ao AR(1), visto no exerccio
0

anterior. ^ 2 resulta diretamente da especicao do modelo, sem a necessidade de


conta alguma. Note tambm que FAC e FACP coincidem na primeira defasagem.
Substituindo os valores, temos:

^ 1 1 0; 4
1;1 = = = =0;
~ 27
0 1 2 1; 5
^ 2;2 = 0; 5
^
k;k = 0 para k > 2

Exerccio 3.4 No livro, simulou-se um processo M A(2). Apesar de gerado um


M A(2), o correlograma, assim como os crtrios de informao, indicam que o processo
que melhor se ajustaria seria um M A(2) degenerado, ou seja, yt = "t + 2 "t 2 . Discuta
sobre possveis explicaes para este fenmeno.

Soluo 3.4 Algumas explicaes possveis.


A fcil seria culpar o gerador de nmeros aleatrios do E-views. No entanto,
no razovel supor que esse fenmeno ocorra na maioria das vezes em que ele
estimado. De fato, o mesmo fenmeno ocorre quando utilizamos outro gerador
de nmeros aleatrios. A equao yt = "t + 0:5"t 1 0:9"t 2 foi simulada vrias
vezes no Matlab e o correlograma sempre indicou uma M A(2) degenerado. Neste
caso importante notar que as razes do polinmio z 2 + 0:5z 0:9 so 1; 23 e
0; 73, ou seja, o MA no invertvel. No entanto, conforme visto em classe, pode-se
obter uma representao invertvel deste polinmio invertendo-se a raz e corrigindo-
se a varincia estimada do processo. Desta forma, as razes do processo seriam
aproximadamente 0; 73 e 0; 81 (o recproco de 1; 23). Daqui fcil perceber porque
o correlograma geralmente acusa uma M A(2) degenerado. Os termos do M A(1) se
2
anulam quando expandimos o polinmio ((1 1 L)(1 + 2 L) ' 1 1 2 L ).

30
verdade tambm que se tivssemos uma amostra maior, a razes deveriam estar
mais prximas umas das outras (em valores absolutos) para que isto ocorra. No
entanto quando idnticas, o problema persistir.
Outra forma de ver a soluo do problema a seguinte. A primeira autocorrelao
do M A(2) muito baixa. Como a varincia no ajustada para o verdadeiro valor
dos coecientes, parece que a autocorrelao nula.
1 + 1 2 0; 5 0; 5 0; 9 0; 05
2 = 2 2 = 2 2
= :
1+ 1 + 2 1 + 0; 5 + 0; 9 2; 06
Exerccio 3.5 Existem pelo menos 3 formas distintas de se calcular os critrios de
informao AIC e BIC. Apresente pelo menos duas para cada critrio e mostre que
elas indicaro o mesmo modelo. Qual o critrio que tenderia a selecionar modelos
menos parcimoniosos? Por qu?

Soluo 3.5 Estas so algumas formas presentes na literatura de clculo dos critrios
de informao AIC e BIC.

AIC = T ln (SQR) + 2n
BIC = T ln (SQR) + n ln (T )
AIC = 2 ln (Lvalue) =T + 2n=T
BIC = 2 ln (Lvalue) =T + n ln (T ) =T
AIC = exp (2n=T ) SQR=T
BIC = T n=T SQR=T

Ambas indicaro o mesmo modelo. Note que as 3 distintas formas de clculos


de cada ndice so apenas transformaes monotnicas, ou seja, quando efetuada a
minimizao indicaram mesmo n. Quando comparamos AIC e BIC no primeiro caso,
estes sero iguais quando 2n = n ln (T ). Quando T for maior que e2 (7; 3), ou seja,
na maior parte dos casos, o critrio BIC "punir" mais a incluso de novas variveis
(n) e tender a escolher modelos mais parcimoniosos que AIC. importante notar
que para compararmos modelos corretamente (qual o melhor n), devemos manter T
constante.

Exerccio 3.6 Especique um rudo branco com dependncia temporal.

Soluo 3.6 Um possvel soluo a seguinte modelo ARM A (1; 1):

"t = "t 1 + t t 1;

31
em que t um rudo branco ou mesmo i:i:d:
Claramente trata-se de um modelo temporalmente dependente. Restringindo o
modelo de modo que = , o modelo simplica para "t = t .
Para ver analiticamente, considere:
2
1+ 1 2 1 1 2
0 = 2 ;
1 1
(1 1 1) ( 1 1) 2
1 = 2 ;
1 1
2 = 1 1;
..
.
h 1
h = 1 1:

Se = , temos:

0 = 2;
1 = 0;
2 = 1 1 = 0;
..
.
h = h1 1 1 = 0:
Exerccio 3.7 Considere um modelo AR(2):
2
yt = + 1 yt 1 + 2 yt 2 + "t ; "t i:i:N 0; :
Monte a funo de verossimilhana condicional, dados (y1 ; y2 ). Derive as condies
de primeira ordem.
0
Soluo 3.7 Seja = ( ; 1; 2) e Y = (yT ; yT 1 ; : : : ; y3 ) : Ento, a funo de
verossimilhana :
" #
1 X
T
T 2
2 2 2
L ; ;Y = 2 2
exp 2
(yt 1 yt 1 2 yt 2 ) :
2 t=3

Denindo a matriz:
2 3
1 y2 y1
6 1 y3 y2 7
X(T =6 .
4 .. . .. 7 ;
. 5
2) 3 ..
1 yT 1 yT 2

32
esse modelo pode ser log-linearizado e reescrito da seguinte forma:
T 2 1
l ; 2
;Y = ln 2 2
+ 2
(Y X )0 (Y X ):
2 2
As condies de primeira ordem so dadas por:

[ ] : b = (X 0 X) 1 X 0 Y ;
2 T 2 (Y X )0 (Y X )
: + = 0 =)
2b2 2b4
(Y X )0 (Y X )
b2 = :
T 2
Exerccio 3.8 Considere o seguinte modelo:
^ ^
y^t = 0; 2969 + 0; 803458yt 1 + ^"t
(0;159843) (0;04252)

Amostra de 200 observaes


(:::) = desvio-padro
Calcule ^ = 1 c^ ^ e mostre que ^ = 0; 7588. Use o mtodo delta, considerando
que cov (c; ) = 0:002460549.
0
Soluo 3.8 Pelo mtodo delta, se x N ( ; ), ento f (x) N f ( ) ; @f
@x
@f
@x
.
Ento b = 1; 510619:

Exerccio 3.9 Considere a curva de aprendizagem generalizada:

(1 R)
Ct = KNtR Yt R e"t ;
"t i:i:d 0; 2 ;
R < 1:

em que
Ct o custo real unitrio no perodo t;
Nt a produo acumulada at o perodo t;
Yt a produo no perodo t;
"t a perturbao estocstica;
a elasticidade do custo unitrio com respeito produo acumulada repre-
sentando o parmetro de aprendizagem, portanto tipicamente negativo;

33
R o parmetro representando os retornos de escala. Se R = 1, os retornos
so constantes, se R < 1 os retornos so decrescentes e, se R > 1, os retornos so
crescentes.
Uma forma de estimar o modelo log-linearizando. Chamando xt = ln Xt , o
modelo se torna:

ct = 0 + 1 nt + 2 yt + "t ;

em que
1 R
0 ln K; 1 R
; 2 R
. Indique a forma de obter a distribuio de K; e
R.

Soluo 3.9 A aprendizagem representada pela produo acumulada. Se o efeito


aprendizagem est presente, ento conforme a produo acumulada aumenta, os cus-
tos unitrios devem cair. Se a tecnologia de produo exibe retornos constantes de
escala, ento os custos reais de produo no devem variar com o nvel de produto.
Se os retornos de escala so crescentes, ento os custos unitrios reais devem cair
conforme o nvel de produo aumente.
P
Pelo teorema de Slutsky b ! . Ento, podemos usar o mtodo delta para en-
contrar a distribuio dos parmetros estimados. Chame = ( 0 ; 1 ; 2 )0 :
No modelo linearizado, temos que

b N ; (X 0 X)
1 2
:

Logo
0 10 10
@g b @g b
g b
1
N @g ( ) ; 0 (X 0 X) b2 A @ 0
A :
@ @
0
Dena g ( ) = (K; ; R)0 = e 0 ; 1+1 ; 1+1 . Consequentemente:
2 2

2 b
3
e 0 0 0
@g b 6
6 0 1 b 7
7 1
1+b2
2
0 =6 (1+b2 ) 7 :
@ 4 b 1
5
0 1
2 2
(1+b2 ) (1+b2 )
Aplicando as frmulas, pode-se construir intervalos de conana assintoticamente
vlidos para as estimativas de g ( ).

34
Exerccio 3.10 Considere um modelo M A(1) : yt = "t + "t 1 , "t N (0; 2 ).
Usando a metodologia de Box, Jenkins e Reinsel (1994) de "backforecasting", de-
termine E ("t jY; ) de forma a obter a verossimilhana exata, isto , determine sua
formulao recursiva.

Soluo 3.10 O modelo com polinomial avano num M A(1):

yt = (1 + F ) et = et + 1 et+1 ; e
E (yt jY; ) = E (et jY; ) + E (et+1 jY; ) ; t = 1; 2; :::; T:

Para simplicar a notao, dena E (et jY; ) = vt . Usando vT +1 = 0, ento:

yT = vT ;
yt = vt + vt+1 ; t = 1; 2; :::; T 1 =)
vt = yt vt+1 :

Ou seja,

vT = yT ;
vT 1 = yT 1 yT ;
vT 2 = yT 2 (yT 1 yT ) =
2
= yT 2 yT 1 + yT ;
2 3
vT 3 = yT 3 yT 2 + yT 1 yT ;
..
.
j
X
vT j = yT j ( 1)i+1 i yT j+i
i=1
..
.
X
T 1
v1 = y1 ( 1)i+1 i yi+1 :
i=1

Fazendo v0 = 0, resulta que E (y0 jY; ) = 1 v1 . Com isso, podemos voltar ao


modelo inicial:

E (yt jY; ) = E ("t jY; ) + E ("t 1 jY; ) ; t = 1; 2; :::T =)


E ("t jY; ) = E (yt jY; ) E ("t 1 jY; )

35
Denindo E ("t jY; ) ut , inicie com E (y0 jY; ) = u0 , sabendo que E (y0 jY; ) =
v1 . Dessa forma:

X
T 1
i+1
X
T
u0 = y1 ( 1) i+1
yi+1 = y1 ( 1)i i yi =
i=1 i=2
X
T
= ( 1)i+1 i yi
i=1
X
T
u1 = y 1 u0 = y1 ( 1)i+1 i yi ;
i=1
X
T
u2 = y 2 u1 = y2 y1 + 2
( 1)i+1 i yi ;
i=1
X
T
u3 = y 3 u2 = y3 y2 + 2
y1 3
( 1)i+1 i yi ;
i=1
..
.
Xt 1 X
T
ut = ( 1)j j yt j + ( 1)t t
( 1)i+1 i yi :
j=0 i=1

Exerccio 3.11 Por que o processo de construo de Modelos ARIMA pode ser
considerado um ciclo iterativo, como armam Granger e Newbold?

Soluo 3.11 O processo de construo de Modelos ARIMA constitui-se de 4 partes:


identicao, estimao, vericao e previso. Se na vericao h problemas,
volta-se identicao.

Exerccio 3.12 Quais os principais instrumentos utilizados na identicao de um


modelo ARIMA? Por que essa a etapa mais difcil para o pesquisador?

Soluo 3.12 Testes de raiz unitria, FAC e FACP, complementado pelo teste de
Ljung-Box. Esta etapa difcil, porque se trabalha com resultados amostrais, o que
diculta a anlise. Pode-se usar o critrio AIC e BIC para a identicao, tomando-
se aquele modelo que gerar o menor valor para essas estatsticas.

Exerccio 3.13 Considere o seguinte modelo

yt = 1 yt 1 + 2 yt 1 + "t + 1 "t 1 .

36
Transforme esse modelo num AR(1) do tipo:

Yt = Yt 1 + C"t ;

em que Yt e C so vetores de dimenses apropriadas. Obs.: H vrias respostas


possveis.

a. Dena os vetores Yt e C e a matriz ;


@Yt+j
b. Calcule @ t
.

c. Especialize para o caso em que j = 3.

Soluo 3.13 Uma soluo possvel :


" # " #" # "#
yt 1 2 1 yt 1 1
Yt yt 1 = 1 0 0 yt 2 + 0 "t :
"t 0 0 0 "t 1 1
| {z } | {z }
c

Substituio recursiva resulta:


j
X
j+1 j
Yt+j = Yt + C"t+j s :
s=0

@Yt+j j
= C:
@ t
" #" #
@Yt+3 1 2 1 1 2 1
3
= C= 1 0 0 1 0 0 C=
@"t 0 0 0 0 0 0
2 3" #
2
1 + 2 1 2 1 1 1 2 1
= 4 1 2 1
5 1 0 0 C=
0 0 0 0 0 0
2 2 2 2
3" #
1 + 2 1+ 1 2 1 + 2 2 1 + 2 1 1
= 4 2
1 + 2 1 2 1 1
5 0 =
0 0 0 1
2 2
3
1 + 2 ( 1 + 1) + 1 2
= 4 1( 1 + 1) + 2
5:
0

37
Exerccio 3.14 Considere o seguinte modelo

yt = yt 1 + "t + "t 1 .

Transforme esse modelo num AR(1) do tipo:

Yt = Y t 1 + C"t ;

em que Yt e C so vetores de dimenses apropriadas. Obs.: H vrias respostas


possveis.
Dena os vetores Yt e C e a matriz ;
@Y
Calcule @t+j
t
.
Especialize para o caso em que j = 2.

Soluo 3.14 Uma soluo possvel :


" # " #" # "#
yt 0 yt 1 1
Yt yt 1 = 1 0 0 yt 2 + 0 "t :
"t 0 0 0 "t 1 1
| {z } | {z }
c

Outra possibilidade, mais elegante :

yt yt 1 1
= + "t :
"t 0 0 "t 1 1
| {z } | {z }
c

Substituio recursiva resulta:


j
X
j+1 j
Yt+j = Yt + C"t+j s :
s=0

@Yt+j j
= C:
@ t
" #" #" #
@Yt+2 0 0 1 0 0
2
= C= 1 0 0 1 0 0 0 0 0 =
@"t 0 0 0 0 0 0 1 0 0
2 3" # 2 2 3
2
0 1 0 0 + 0 0
= 4 0 5 0 0 0 =4 + 0 0 5:
0 0 0 1 0 0 0 0 0

38
Ou, no segundo caso:
@Yt+2 2 1
= C= =
@"t 0 0 0 0 1
2 2
1 +
= = :
0 0 1 0
Exerccio 3.15 Considere o seguinte modelo
yt = yt 4 + "t :
Transforme esse modelo num AR(1) do tipo:
Yt = Yt 1 + C"t :
Soluo 3.15
2 3 2 32 3 32
yt 0 0 0 yt 1 1
6 yt 1 7 6 1 0 0 0 76 yt 2 7 6 0 7
4 y 5=4 0 1 0 0 54 yt 5 + 4 0 5 "t :
t 2 3
yt 3 0 0 1 0 yt 4 0
Exerccio 3.16 Considere o seguinte modelo:
yt = + xt + zt
2
xt = "t + "t 1 ; "t i:i:d: 0;
2
zt = zt 1 + ut ; ut i:i:d: 0; u
ut s ? "t j ; 8s; j:
Qual processo segue yt ?
Que condio suciente para que o processo seja estacionrio?
Sob a condio anterior, encontre a previso de longo prazo.
Soluo 3.16 Primeiro note que
zt 1 = yt 1 xt 1 .
Em seguida, substitua xt e zt em yt :
yt = + "t + "t 1 + zt 1 + ut =)
yt = + "t + "t 1 + (yt 1 xt 1 ) + ut =)
yt = (1 ) + yt 1 + "t + "t 1 ("t 1 + "t 2 ) + ut =)
yt = (1 ) + y t 1 + "t + ( ) "t 1 "t 2 + ut =
= (1 ) + yt 1 + (1 + L) (1 L) "t + ut :

39
Portanto, yt um ARM A (1; 2).
A condio suciente para estacionaridade que j j < 1. Associada a essa
condio, a condio de invertibilidade j j < 1.
A previso de longo prazo a esperana no condicional do modelo.

E (yt ) = .

Exerccio 3.17 Suponha que xt seja um AR (p) e vt um rudo branco, independente


de xt j , 8j. Mostre que o modelo yt = xt + vt um ARM A (p; p).

Soluo 3.17 Estabelea

(L) xt = "t ;
"t RB:

em que (L) uma polinomial de grau p e L o operador defasagem.


Logo multiplicando ambos os lados de yt por (L), tem-se:

(L) yt = "t + (L) vt

3.1 EXERCCIOS PARA PROVAS


2
Exerccio 3.18 Seja yt = 1; 5yt 1 0; 56yt 2 + "t , onde "t i:i:d: N (0; ). Re-
sponda:

1. Esse processo fracamente estacionrio? Explique.

2. Esse processo estritamente estacionrio? Explique.

Soluo 3.18 Esse exerccio tem o objetivo de complementar o exerccio


anterior, vericando se o aluno entendeu como determinar a estacionar-
idade fraca e estrita de sries temporais na prtica.

1. Um processo AR(2) ser fracamente estacionrio caso as razes da polinomial


2
1 1z 2 z = 0 estejam fora do crculo unitrio. Nesse caso em especco:
p
1; 5 + 1; 52 4(0; 56) 1; 5 + 0; 1 10
z1 = = = >1
2(0; 56) 1; 12 7
p
1; 5 1; 52 4(0; 56) 1; 5 0; 1 5
z2 = = = >1
2(0; 56) 1; 12 4

40
Como as duas razes so maiores do que 1 em valor absoluto, temos que o
processo fracamente estacionrio.
Tambm possvel mostrar que um processo AR(2) fracamente estacionrio
caso as seguintes condies sejam observadas: j 2 j < 1; 1 + 2 < 1 e 2 1 <
1.
Note que essas condies so satisfeitas pelo processo aqui apresentado.

2. O processo estritamente estacionrio. Esse resultado decorrente da pre-


missa de que os erros seguem um distribuio normal. J que a distribuio
conjunta dos erros normal, a distribuio conjunta dos yt0 s tambm nor-
mal (a combinao linear de distribuies normais normal). A distribuio
normal, em conjunto com o resultado de que o processo fracamente esta-
cionrio encontrado no item anterior, garante que o processo estritamente
estacionrio.

Exerccio 3.19 Suponha que fXt g um processo MA(2): Xt = "t + 1 "t 1 + 2 "t 2 ,
"t i:i:d (0; 2 ). Se o processo AR(1), (1 L) Xt = vt equivocadamente estimado,
determine a funo de autocorrelao de fvt g.
P
Soluo 3.19 Note que, assistoticamente, ^ X X
P t 2t 1
Xt 1
= 1
.
0

41
Substituindo ^ , temos vt = 1 1
L (1 + 1L + 2 L2 )"t
0

2 1 1 1 2 1 2
gv = " 1 z 1 z 1+ 1z + 2z 1+ 1z + 2z
0 0
2
2 1 1 1 2 2 1
gv = " 1 z+z + 2
1+ 1 + 2 +( 1 + 1 2) z+z + 2 z2 + z 2

0 0
2
2 1 1 1 1
gv = " 1+ 2
z+z 0 + 1 z+z + 2 z2 + z 2

0 0
2
2 1 1
gv = " 1+ 2 0 + 1 z+z + 2 z2 + z 2

0
2 1 1 1
" z+z 0 + 1 z+z + 2 z2 + z 2

0
2 3 2
2 1 1 1 1 2
gv = " 0+ + 1+ 2
z+z + 2+ 2
z2 + z 2

0 0 0
2
2 1 2 1 1 1 2 1 2
" 1+ z+z z+z z3 + z 3

0 0 0
2 2 3
2 1 1 1 1 2 1
gv = " 0 + 2 + 2
z+z
0 0 0 0
2 2
2 1 2 1 1 2
+ " 2 + 2
z2 + z 2
z3 + z 3

0 0 0

Portanto, da funo geradora de autocovarincias, obtemos as relativas ao processo


"estimado" equivocadamente:
2 2 2
2 1 2 0 1
~0 = " 0 = "
0 0
3
2 1 0 1 2
~1 = " 2
0
2 2 2 2 2
2 1 1 2 2 0 + 2 1 0 1
~2 = " 2+ 2 2 = " 2
0 0 0
2 1 2
~3 = "
0

42
Resolvemos agora para o clculo das autocorrelaes:

~0 = 1
3
1 0 1 2
~1 = 22
0( 01)
2 2 2
2 0+ 2 1 0 1
~2 = 2 2
0( 0 1)
1 2
~3 = 2 2
0 1

2 2
Explicitamente, temos que 0 =1+ 1 + 2, 1 = 1 + 1 2, 2 = 2, portanto:

~0 = 1
3 2 2
( 1 + 1 2) 1+ 1 + 2 ( 1 + 1 2) 2
~1 =
2 2 2 2 2 2
1+ 1 + 2 1+ 1 + 2 ( 1 + 1 2)
2 2 2 2
2 1+ 1 + 2 ( 1 + 1 2) 2 ( 1 + 1 2)
~2 = 2 2 2
+
1+ 2
+ ( + 2 2 2 2 2 2
1 2 1 1 2) 1+ 1 + 2 1+ 1 + 2 ( 1 + 1 2)

2 ( 1+ 1 2)
~3 = 2 2 2 2
1+ + 1 ( 1+ 2 1 2)
~k = 0 para k > 3 e k < 3

4 PROCESSOS NO ESTACIONRIOS
Exerccio 4.1 Por que no se pode diferenciar uma srie tendncia determinstica
para estacionariz-la?

Soluo 4.1 Porque a diferenciao em uma srie tendncia deterministstica im-


pe perda de informaes, alm de introduzir rudo srie, tornando as razes de
mdias mveis no invertveis.

Exerccio 4.2 Joo M. Queines possua uma srie com tendncia quadrtica, pela
forma como ele estimou a srie. Ele queria vericar se tal srie possua uma nica
raiz unitria, segundo Phillips e Perron (1988), mas no tinha disponvel a tabela
apropriada para esse teste. No entanto, observou que a estatstica t calculada era
maior do que o valor crtico da tabela com tendncia apenas. A srie possui, ou no,
uma raiz unitria? Por qu?

43
Soluo 4.2 Esta uma questo para testar a intuio economtrica do aluno.
A srie possui raiz unitria. A intuio nos diz que, com tendncia quadrtica,
os valores crticos sob a hiptese nula devem ser maiores, em mdulo, que os valores
apenas com tendncia.
Exerccio 4.3 Identique e estime um processo ARMA para as sries a seguir. Pro-
ceda o teste de raiz unitria ADF, ADF-GLS, PP, KPSS, ERS, NP e indique possveis
discrepncias entres esses testes. Explicite os passos efetuados (por exemplo: "Ob-
servando as FAC e FACP, a srie pode ser um ARM A(1; 1), ARM A(2; 1), AR(1)
..."). (lembre dos passos: estacionariedade, identicao, estimao e vericao).
a. IPCA (aplicar o ln() ao nmero ndice).
b. Produo Industrial Mensal do IBGE, (aplicar o ln() ao nmero ndice).
c. Exportaes brasileiras (aplicar o ln() srie) em US$ fob (cdigo BCB: 2946).
Soluo 4.3 Para a soluo desse exerccio, utilizamos o perodo de janeiro de 1996
a novembro de 2010.
IPCA
Todos os testes de raiz unitria indicam que a srie possui raiz unitria, sendo no
estacionria. Esse resultado corroborado por todos os testes sugeridos no enunci-
ado. Em primeira diferena, os testes indicam para a no existncia de raiz unitria,
em nvel de signicncia mnimo de 5%. Logo, a srie estacionria em primeira
diferena. Procedendo identicao do processo ARIMA para a srie, o correl-
ograma nos indica para uma estrutura ARIMA (1,1,4). A estimao conrma a
estrutura sugerida pela anlise do correlograma.
Produo Industrial
Os testes de raiz unitria da srie em nvel indicam que a mesma possui raiz
unitria, sendo no estacionria. O resultado corroborado por todos os testes.
Em primeira diferena, os testes indicam que a srie diferenciada no possui raiz
unitria. Procedendo identicao, o correolograma indica uma estrutura ARIMA
(1,1,0). Este resultado corroborado pela estimao da srie.
Exportaes
Os testes de raiz unitria indicam no estacionariedade da srie em nvel. Quando
tratamos a srie na primeira diferena, apenas o teste de Ng-Perron indica no esta-
cionariedade. No que diz respeito identicao, a anlise do correlograma nos
indica um modelo ARIMA (12,1,16) degenerado. A estimao, porm, indicou que
o melhor modelo seria um ARIMA (12,1,12) degenerado, considerando apenas a
primeira e ltima defasagens para a parte auto-regressiva, e a ltima defasagem para
a parte de mdias mveis, alm de um ajuste sazonal

44
Exerccio 4.4 Simule o seguinte modelo ARMA com 300 observaes: yt = yt 1 +
"t + "t 1 . Faa o teste de raiz unitria para
= [ 0; 98; 0; 95; 0; 90; 0; 85; 0; 80; 0; 50; 0; 90; 0; 95; 0; 98].
Voc aceita a hiptese de raiz unitria para todos os valores de ? Se no, para
quais valores voc rejeita usando DF e usando PP? Interprete o resultado.

Soluo 4.4 O resultado deve mostrar que o poder dos testes baixo quando a raz
do processo MA se aproxima de 1. Isto ocorre porque os polinmios se cancelam
a medida que se aproxima de 1. Este um problema de difcil soluo caso nos
encontremos com alguma srie deste tipo.

Exerccio 4.5 Utilizando a srie do Ibovespa mensal aplique os testes de raiz unitria
e avalie a presena de raiz unitria. A inferncia estatstica difere se utilizarmos testes
distintos? A forma de clculo da varincia de longo prazo relevante neste caso?

Soluo 4.5 Em todos os testes no se rejeita a presena de raiz unitria.

Exerccio 4.6 Quais as diferenas entre o teste de raiz unitria de Dickey-Fuller


(1979, 1981) e de Phillips-Perron (1988)? Quais as diferenas entre os testes de
razes unitrias de Phillips-Perron (1988) e de Ng-Perron (2001)?

Soluo 4.6 O teste de Dickey-Fuller paramtrico, sendo necessrio "branquear


os resduos". O teste de Phillips-Perron semi-paramtrico, sendo desnecessrio
branquear os resduos.
O teste de Ng-Perron (2001) pode ser um teste paramtrico ou semiparamtrico,
dependendo de como se encontra varincia de longo prazo. um teste baseado em
Perron e Ng (1996) que propuseram modicaes aos testes convencionais pela forma
de calcular a matriz de covarincia, preocupados com o tamanho do teste. De qual-
quer forma, necessrio expurgar a tendncia da srie segundo o procedimento de
Elliot, Rothemberg e Stock (1996), cuja preocupao principal era com a potncia do
teste. Expurgada a tendncia da srie, preciso calcular a varincia de longo prazo
dessa srie. O mtodo paramtrico estima o modelo com tantas defasagens quantas
so necessrias, segundo o critrio de Akaike modicado por Ng e Perron (2001).
Estimados os parmetros do processo auto-regressivo, estima-se a varincia de longo
prazo. Uma variante do teste estimar a varincia de longo prazo de modo semi-
parmetrico, usando uma funo de Parzen, por exemplo, cuja janela de truncagem
pode ser xada segundo o critrio de Newey-West (1994) ou Andrews (1991).

45
4.1 EXERCCIOS PARA PROVAS
Exerccio 4.7 Considere o seguinte modelo:

yt = 5; 168 + 1; 294 yt 1 0; 375 yt 2 + "t 0; 244"t 1 + 0; 487"t 2 :

Encontre pt e ct , segundo a decomposio de Beveridge-Nelson.

Soluo 4.7 Trata-se de um modelo ARIMA(2; 1; 2). Os componentes pt e ct foram,


respectivamente, obtidos calculando-se:

pt = pt 1 + + (1) "t =)
1 0; 244 + 0; 487
pb t = pbt 1 + 5; 168 + b
"t =
1 1; 294 + 0; 375
= pbt 1 + 5; 168 + 15; 276b
"t :

A gura a seguir mostra exatamente que pt mais voltil de yt .


Sabemos que (L)

1 0:244L + 0:487L2
(L) = =
1 1:294L + 0:375L2
= 1:0 + 1: 05L + 1: 470 7L2 + 1: 509 3L3 +
+1: 401 6L4 + 1: 247 6L5 + 1: 088 8L6 + 0:941 1L7 + O L8
P P1
Portanto, como (L) = 1 k
k=0 k L e k = j=k+1 j , sendo 0 = 1, temos
que
X
1

1 = j = 1: 470 7 + 1: 509 3 + 1: 401 6 + 1: 247 6 + 1: 088 8 + 0:941 1 + =


j=2
= 7: 659 1 + ;
X1

2 = j = 1: 509 3 + 1: 401 6 + 1: 247 6 + 1: 088 8 + 0:941 1 = 6: 188 4 +


j=3
X1

3 = j = 1: 401 6 + 1: 247 6 + 1: 088 8 + 0:941 1 + = 4: 679 1 +


j=4
X1

4 = j = 1: 247 6 + 1: 088 8 + 0:941 1 + = 3: 277 5 +


j=5
..
.

46
Com isso, pode-se calcular
ct = yt pt ;
cujo grco o seguinte:

Exerccio 4.8 Mostre que o processo passeio aleatrio um movimento browni-


ano em tempo discreto quando tem distribuio normal. Sugesto: Consulte Spanos
(1986).

Soluo 4.8 A compreenso da resoluo deste exerccio pressupe conhecimento


de processos brownianos.
Um processo estocstico fu (t) ; t 2 T g dito ser um processo rudo branco se:
i. E [u (t)] = 0
2
; se t =
ii. E [u (t) ; u ( )] =
0; se t 6=
Com isso, yt = yt 1 +"t ser um passeio aleatrio (random walk) e yt yt 1 = "t
, um rudo branco, facilmente demonstrvel.
" t #
X
E yt2 = E "j = t 2
j=1

" #
X
t X
m<t
2
E [yt ym ] = E "j "i = m
j=1 i=1

Em particular, para m = t s
" #
X
t X
m
2
E [yt yt s ] = E "j "i = (t s)
j=1 i=1

Ou seja, o processo estacionrio com incrementos independentes. Alm disso,


os incrementos so normalmente distribudos, pois "t N (0; 2 ). Logo, passeio
aleatrio um movimento browniano, cuja distribuio N (0; t), dada por quando
"t N (0; 2 ).

Exerccio 4.9 Seja fSt ; t = 0; 1; 2; :::g um passeio aleatrio com "drift", denido por
S0 = 0 e St = + Xt , t = 1; 2; :::, onde X1; X2; ::: so i.i.d com mdia zero e varincia
2
.

1. Calcule a mdia e a esperana de St ;

47
2. Calcule a funo de autocovarincia do processo fSt g;
3. Mostre que fSt St 1 g estacionrio;
4. Compute a mdia e a funo de autocovarincia de fSt St 1 g.
Soluo 4.9 O exerccio treina a denio de estacionaridade. bom, tambm,
para treinar os conceitos de mdia e esperana, s vezes confundidos como sinnimos.
1. Este um exerccio simples, bastando a aplicao da frmula recursivamente.
S1 = + S0 + X1
S2 = + S1 + X2 = 2 + S0 + X1 + X2
..
.
X
t X
t
St = + St 1 + Xt = + S0 + Xi = + Xi
t |{z} t
=0 i=1 i=1

Agora podemos calcular a mdia como


X
t
Si !
i=1 1 X
t X
t X
t
St = = i+ Xj =
t t i=1 i=1 j=1
0 1
X
t
B Xj C !
1BB Xt Xt C 1 t (t + 1) X
t
j=1 C
= B i+ j C= + j Xj =
t B i=1 j C t 2
@ i=1 A i=1

X
t
j Xj
(t + 1) i=1
= +
2 t
Se por um acaso do destino Xj = Xm = X, j 6= m, j; m = 1; 2; :::; t , temos
que:
(t + 1) t+1
St = +X
2 2
Note como a mdia depende de t de modo que a seqncia de mdias de St no
estacionria. A esperana de St ainda mais fcil calcular, pois E (xi ) = 0,
para todo i:
E (St ) = t

48
2. Apenas clculos e um pouco de ateno

Cov (St ; St k ) = E f[St E (St )] [St k E (St k )]g =


" ! !#
Xt X
t k
= E t+ Xi t (t k) + Xi (t k) =
i=1 i=1
" #
X
t X
t k
2
= E Xi Xi = min (t; t k) ; pois
i=1 i=1

2
suponha k > 0: Cov (St ; St k ) = (t k) ;
2
suponha k < 0: Cov (St ; St k ) = t .
3. Podemos vericar que

St St k = St = + Xt

A mdia dada por


X
t X
t
Sj Xj
j=1 t j=1
= + = + Xt
t t t
independente de t se a mdia de X for constante.
A esperana dada por:
E ( St ) =
A varincia dada por

E ( St )2 = E 2
+ 2 Xt + Xt2 = 2
+ 2
) V ar ( St ) = 2

A covarincia pode ser assim calculada, k 6= 0:

Cov (St ; St k ) = E [( + Xt ) ( + Xt k )] = E (Xt Xt k ) = 0

4. Como a covarincia e a varincia no dependem do tempo, o processo esta-


cionrio.

Exerccio 4.10 Qual a utilidade dos testes de razes unitrias quando se trabalha
com abordagem de Box-Jenkins? Pode-se regredir uma srie de tempo no esta-
cionria contra outra srie de tempo no estacionria? No caso de se poder regredir,
os testes sobre os coecientes so vlidos?

49
Soluo 4.10 Soluo: O exerccio avalia a compreenso do aluno com
relao aos modelos de sries temporais. Leva-o a compar-lo com o
caso tradicional, nos quais a srie pode ser qualquer coisa. Alerta para a
possibilidade de se estimar modelos, cujas sries so no estacionrias,
evitando-se que se esquea dessa possibilidade.
A abordagem de Box-Jenkins pressupe que a srie seja estacionria, de tal sorte
que inferncias estatsticas sejam vlidas de acordo com as distribuies estatsti-
cas tradicionais. Caso a srie no seja estacionria, testes estatsticos tradicionais
deixam de ser vlidos. Assim, o teste de raiz unitria permite identicar uma srie
no estacionria, bem com descobrir quantas diferenas devem ser empregadas para
estacionarizar a srie, de modo que se possam fazer inferncias sobre os parmet-
ros estimados. Pode-se regredir uma srie no estacionria contra outra, se tiverem
mesma ordem de integrao, de tal sorte que o resduo obtido seja integrado de ordem
zero. Caso contrrio, o que se est a fazer uma regresso espria. Os dois grcos
abaixo, mostram a diferena de uma regresso espria de outra no espria.
O primeiro mostra uma regresso espria, pois a diferena entre as sries, con-
forme o tempo passa, cresce. Em regresses esprias comum encontrar coecientes
signicantes estatisticamente. Esta mais uma razo de ser fazer o teste de cointe-
grao, para evitar tais problemas. A segunda srie poderia apresentar uma regresso
legtima, pois os erros no crescem com o tempo. Nesse caso, os estimadores so su-
perconsistentes, de modo que os testes estatsticos continuam vlidos.

Exerccio 4.11 Considere o seguinte modelo:

yt = dt + ut ;
ut = u t 1 + t ;
2
t = (L) "t; "t i:i:d: 0; ;

em que dt so termos determinsticos.


Dena (L) de tal forma a discutir as condies que o teste de raiz unitria sofra
do problema de poder, quando < 1, e de tamanho, quando = 1:

Soluo 4.11 A forma mais simples de fazer isso denindo


1+ L
(L) = :
1 L

50
Em seguida, proceda as substituies devidas no modelo.
(1 + L)
yt = dt + (yt 1 dt 1 ) + "t =)
(1 L)
(1 + L)
(1 L) yt = (1 L) dt + "t =)
(1 L)
(1 L) (1 L) yt = (1 L) (1 L) dt + (1 + L) "t =)
1 ( + )L + L2 yt = (1 L) (1 L) dt + (1 + L) "t :

O problema de tamanho, considere = 0. Nesse caso, se ! 1, ento ambos


os lados da equao tendem a cancelar-se, parecendo que yt uma srie estacionria,
quando ela, na verdade uma srie integrada. Nesse caso, comete-se mais o erro
do tipo I, pelo qual rejeita-se muito freqentemente a nula, quando ela verdadeira.
O problema de tamanho tambm aparece quando ! e ! 1. Nesse caso,
+ ! 0, e ! 1, o que facilita a rejeio da hiptese nula de raiz unitria.
Para ver o problema de poder ocorre quando o teste incapaz de distinguir uma
srie estacionria de uma srie integrada. Uma possibilidade de ter esse problema
quando ! 0 e + < 1. Por exemplo, = 0 e = 0; 90. O inverso tambm
pode ocorrer: = 0; 9 e = 0. Uma composio dos dois tambm pode dicultar, se
+ !2!e ! 1. Por exemplo, = = 0; 9:

5 GMM
Exerccio 5.1 Hansen e Singleton (1982) estimam o modelo "consumption based
asset pricing" por GMM. Aps a maximizao da utilidade intertemporal de um
agente representativo, tendo como varivel o consumo, sujeito a sua restrio ora-
mentria intertemporal, o problema se reduz a estimar os parmetros da equao de
consumo e investimento timos:

U 0 (ct ) = Et [Rt+1 U 0 (ct+1 )] para todo t (2)

em que Rt+1 o retorno bruto (1 + taxa de retorno) do ativo em t, pt o preo


do ativo em t, e ct o consumo no perodo t, o desconto intertemporal e Et [ ] a
esperana condicional (note que a taxa de retorno Rt+1 = (Pt+1 + Dt+1 ) =Pt , em
que Dt o dividendo).

a. Derive esse resultado considerando um modelo de equilbrio geral estocstico.

b. Reescreva a condio de equilbrio tomando a funo de utilidade U (ct ) = ct = .

51
c. Se o objetivo estimar os parmetros ( ; ) por GMM, dena os momentos
condicionais da populao (tome como dado o vetor de instrumentos zt ).

Soluo 5.1 a. Os consumidores maximizam a seguinte funo de utilidade tem-


poral e estocstica:
P
1
i
M axc Et U (Ct+i ) sujeito restrio Ct + Pt Qt = (Pt + Dt )Qt 1 + Wt
i=0
o agente representativo a cada instante de tempo deve igualar os gastos em
consumo e ativos s receitas dos ativos adquiridos no instante anterior e sua
renda. Substituindo a restrio sobre o consumo na funo utilidade, obtemos
a equao de Euler:
P
1
i
M axq E U ( Pt+i Qt+i + (Pt+i + Dt+i )Qt+i 1 + Wt+i )
i=0
@
j
@Qt i=0
= Pt U 0 (Ct ) = 0
@
j
@Qt i=1
= Et [U 0 (Ct+1 ) (Pt+1 + Dt+1 )] = 0
das condies de primeira ordem, obtemos a relao de equilbrio geral U 0 (ct ) =
Et [Rt+1 U 0 (ct+1 )].

b. Substituindo obtemos:
1
ct = Et Rt+1 ct+11
Rearranjando, temos que:
1
ct+1
Et Rt+1 ct
=1

c. Assumindo que tenhamos um vetor zt = [zt1 zt2 ::: ztK ] com K instrumentos, os
momentos condicionais tericos sero:
1
ct+1
Et Rt+1 ct
1 ztk = 0, para k = 1:::K.

Que pode ser escrito de uma forma mais conveniente:


1
ct+1
Et Rt+1 ct
1 zt = 0:

Note que poderamos ter seguido o seguinte caminho:


Et (Pt+1 + Dt+1 ) ct+11 Pt c t = 0
No entanto, as sries (Dt ; Pt ; ct ) so no estacionrias.

52
Exerccio 5.2 Suponha um agente representativo considerando a deciso de investir
em um ativo arriscado e sem risco, de modo que o sistema de equaes de Euler seja:
" #
ct+1
Et (1 + rt+1 ) = 1
ct
" #
ct+1
Et (1 + ibt+1 ) = 1
ct

Suponha que o econometrista use os seguintes instrumentos para estimar esse


modelo pelo mtodo GMM: contante, ct 1 ; ibt 1 ; rt 1 . As sries ct , ibt e rt so ob-
servadas; Et representa o operador esperana com informaes obtidas at o perodo
t. Qual o nmero dos graus de liberdade do teste de sobreidenticao?

Soluo 5.2 Os parmetros a estimar so e . O nmero de momentos igual ao


nmero de instrumentos vezes o nmero de equaes em que esses instrumentos so
utilizados. Portanto, 4 2 = 8: Logo, o nmero de graus de liberdade 8 2 = 6.

Exerccio 5.3 Utilizando os dados de consumo de bens no durveis (proxy para ct )


dos Estados Unidos e o ndice de retorno com proxy dos retornos sobre investimentos,
estime no E-Views por GMM os parmetros ( ; ). (Hansen e Singleton utilizam
como instrumentos as defasagens em 1; 2; 4 ou 6 meses dos retornos e consumo).

a. Estime o modelo usando os instrumentos sugeridos. Compare com os resultados


de Hansen e Singleton (1982).

b. Compare como as estimativas variam quando o conjunto de instrumentos varia.

c. Calcule a estatstica "J". Comente o resultado desta estatstica.

d. Estime o mesmo modelo por NLS e compare os resultados. Os parmetros


estimados diferem? Comente.

Soluo 5.3 a. Foram utilizados dois ndices de retornos: EWR (empresas ne-
gociadas na bolsa de Nova Iorque ponderadas igualmente) e VWR (ponderada
de acordo com o tamanho da empresa). Ambos ndices de retorno esto em ter-
mos reais (descontados pelo ndice de preos implcito no consumo (PCEPI))
e incluem dividendos pagos pelas empresas. A proxy de consumo utilizada
foi a srie de consumo per capita de bens no-durveis em dlares de 2000
(PCENDC96 ). Todos os dados so mensais, de fevereiro de 1952 a dezembro
de 2006 .

53
Os comandos utilizados no E-Views foram os seguintes:
system gmm
gmm.append beta(1)*retorno*consumo^(gamma(1)-1)-1
gmm.append inst c retorno(-1 to -lags) consumo(-1 to -lags)
smpl 1959:02 2006:12
gmm.gmm
onde retorno a taxa bruta e consumo e a taxa bruta de variao do consumo
de um ms para o outro. Dois conjuntos de instrumentos (com defasagens de 2
e 6 meses, lags = 2; 6, que totaliza 5 e 13 instrumentos) foram utilizados para
cada um dos dois retornos, portando 4 modelos estimados. Porm, com o ob-
jetivo de analisar como as estimativas podem ser sensveis s escolhas dos pon-
deradores de covarincia (quadrtica ou bartlett), mtodo de seleo de janela
(Andrews, xo Newey-West ou varivel Newey-West), do pr-branqueamento
(aplicando VAR(1 )), assim como o critrio de iterao, os 4 modelos acima
foram estimados utilizando as vrias conguraes mencionadas.
b. A estimao por NLS apresentou os mesmos resultados para , o que no acon-
teceu com . Na estimativa por NLS, os parmetros caram signicativos e
com valores pontuais superiores a 1 .

Exerccio 5.4 Em que casos a estimao por GMM gera resultados iguais esti-
mao por OLS? Derive o resultado algebricamente.

Soluo 5.4 Nos casos em que a matriz de pesos a matriz identidade. Vejamos
para o caso mais simples:
GM M
Lembre que ^ = arg min QT ( ), onde QT ( ) = gT (w; )0 WT gT (w; ). A
matriz WT a matriz identidade, os parmetros estimados por GMM so aqueles
que minimizam a forma quadrtica QT ( ) = gT (w; )0 gT (w; ). A matriz WT tima
o inverso da matriz de varincia assinttica. No caso da estimao por OLS, as
condies de momento so denidas da seguinte forma:
yt = x0t + "t
E ["t xt ] = E [xt (yt x0t )] = 0
Neste caso, o nmero de condies de momento coincidem (nmero de colunas
de xt ) com o nmero de parmetros a serem estimados. Em termos amostrais e
matriciais, temos
gT (w; ) = T 1 X 0 (y X )

54
Ou seja, minimizar QT ( ) neste caso o mesmo que impor gT (w; ) = T 1 X 0 (y
X ) = 0, e isto resulta nos mesmos parmetros estimados por OLS.
No processo de estimao de dois estgios, o valor inicial da matriz WT a
GM M
matriz identidade. No passo seguinte, com os parmetros ^ (que neste caso
GM M
coincidiro com o de OLS) obtm-se a varincia implcita por S = g^ w; ^
^ .
GM M
Substituindo WT = S^ 1 e minimizando novamente, temos os parmetros ^ .
Portanto, quando S^ 1 coincide com a matriz identidade temos que as duas formas
geram as mesmas estimativas. No caso linear, isto ocorrer quando os momentos
coincidirem com o nmero de parmetros (identicamente identicados), os resduos
forem homocedsticos e no houver correlao serial dos resduos.

Exerccio 5.5 Nem sempre a estimao por GMM desejvel, mesmo sendo mais
eciente. Apresente pelo menos dois argumentos.

Soluo 5.5 A estimao por GMM consiste em "corrigir" os momentos pela ma-
triz WT = S 1 . A vantagem deste procedimento que podemos diminuir o nmero
de hipteses sobre a distribuio das variveis. No entanto, mesmo nos casos em
que este procedimento mais eciente, alguns pontos da estimao podem ser prob-
lemticos.
Primeiramente podemos ter que impor excessivas condies de momento, um prob-
lema quando tratamos com amostras pequenas.
Outro ponto importante a impossibilidade de compararmos modelos distintos
sem tomar as devidas precaues quanto a matriz Wt . Para que as estimativas sejam
comparveis, devemos impor que essa seja igual, o que representa um problema na
estimao por GMM.

Exerccio 5.6 "Se a estimao sequencial pelo GMM no converge, ento as estima-
tivas obtidas no ltimo passo so inconsistentes". Essa armao falsa, verdadeira
ou incerta? Justique.

Soluo 5.6 A armao falsa. Como sabemos, as estimativas obtidas atravs da


estimao sequencial pelo GMM so sempre consistentes, para qualquer matriz Wt ,
uma vez que os momentos populacionais so nulos em um nico ponto, justamente
aquele em que J ( ) minimizada. Assim, se os coecientes estimados no caso de
estimao a dois passos forem consistentes, independentemente da convergncia, o
mtodo sequencial ser considerado ecaz.

55
Exerccio 5.7 Considere o modelo ARM A(1; 1)

yt = yt 1 + "t + "t 1 ;

"t i:i:d: (0; 2 ).


Dena os momentos populacionais e amostrais para estimar esse modelo por
GMM.

Soluo 5.7

E ("t ) = 0;
E ("t "t j ) = 0; j 1;
E ("t yt j ) = 0; j 2:

No caso mais simples, os momentos amostrais so:


X
T X
T X
T
"t = 0; "t "t 1 = 0; "t y t 2 = 0:
t=1 t=2 t=3

Observe que E ("t yt 1 ) 6= 0.

Exerccio 5.8 Issler e Piqueira (2002) estimam as equaes de Euler utilizando trs
tipos de funes de utilidade para o caso brasileiro. Utilizando as ferramentas de
GMM, reproduza os resultados dos trs modelos a seguir:
" #
ct+1
Et (1 + ri;t+1 ) = 1 onde i = (ibov; t{tulopub) (CRRA)
ct
" #
( 1)
ct ct+1
Et (1 + ri;t+1 ) = 1onde i = (ibov; t{tulopub)
ct 1 ct
(Habito Externo)
" #
( 1)
ct+1 1
Et ribov;t+1 (1 + rt{tulopub;t+1 ) = 1(Kreps-Porteus)
ct
" (" # )#
( 1)
1 ct
Et ribov;t+1 1 = 0
ct 1

Estime os parmetros ( ; ), ( ; ; ), e ( ; ; ; ), onde = (1 ) 1; = 1


, correspondentes a cada especicao acima. Apresente os valores das estatsticas

56
dos parmetros e a J. Utilizando o E-Views, veja se os resultados variam conforme
o mtodo de estimao adotado (Kernel e janelas).
Compare os resultados com o artigo de Issler e Piqueira (2002) e com Cysne
(2006).
Soluo 5.8 Issler e Piqueira (2002) usam o GMM com dados brasileiros para esti-
mar os parmetros estruturais do modelo CCAPM, atravs de trs classes de funes
utilidades distintas: CRRA, Hbito Externo e averso ao desapontamento (Kreps-
Porteus). Esses parmetros estruturais, como j vimos, esto associados averso
ao risco, elasticidade de substituio intertemporal no consumo e taxa de desconto
intertemporal da utilidade futura.
Assim, aqui utilizamos uma amostra com observaes no perodo de 1968 a 2005.
Os dados utilizados so: consumo das famlias, Ibovespa e taxa de juros dada pelo
CDB. As estimaes foram efetuadas utilizando janela varivel de Newey e West
(1994), pr-branqueamento e kernel quadrtico.
Espera-se que os resultados encontrados se aproximem dos resultados descritos
aqui. Maiores detalhes da estimao so encontrados no exemplo descrito no cap-
tulo. As estimaes feitas mostram que, para a especicao de funo utilidade do
tipo CRRA, as estimativas de (aqui interpretado como a taxa de desconto intertem-
poral), foram prximas a 0,9, sempre signicantes a 5%. J as estimativas para
(o coeciente de averso relativa ao risco) foram menos robustas, alternando entre
valores positivos e negativos, sendo os primeiros estatisticamente no signicantes.
Para o clculo da estatstica J, foi utilizado um valor T igual a 35, com 6 graus
de liberdade. O primeiro sistema estimado com apenas 1 defasagem de cada varivel
como instrumento no rejeitado pelo teste J, mostrando que nenhum dos instru-
mentos correlacionado com os erros. Para o modelo com duas defasagens de cada
varivel como instrumento, no se rejeita a 5%, mas rejeita-se a 1%. Para o terceiro
sistema, com trs defasagens para cada varivel, rejeita-se a hipotese de sobreidenti-
cao.
J com a funo de hbito externo, vemos que e possuem o mesmo signi-
cado, diferindo apenas na existncia de um parmetro {, que mede a separabilidade
do consumo em relao ao consumo passado na funo utilidade. Os resultados para
continuaram em torno de 0,9, com signicncia de 5%. Os resultados para
continuaram signicantes a 5% apenas para valores estimados negativos. Os valores
estimados para { apresentaram signicncia estatstica a 5% em dois dos trs mod-
elos testados, sempre com valores negativos. Nenhum dos modelos foi rejeitado pelo
teste J das restries de sobreidenticao.
Para a funo do tipo Kreps-Porteus, os resultados mostram que o valor esti-
mado de diminui para 0,6. As estimativas de mostraram-se signicativamente

57
diferentes de zero, tornando evidente a disposio dos agentes em alterar seu padro
de consumo diante de alteraes nas taxas de juros. A taxa de averso ao risco
novamente mostrou-se negativa, e nenhuma estimativa do sistema de equao foi
rejeitada pelo teste de sobreidenticao.
Exerccio 5.9 Clarida, Gal e Gertler (2000) estimam a seguinte funo de reao
do Banco Central na determinao da taxa de juros norte-americana:
it = gi it 1 + (1 gi ) ( + g t;k + gx xt;q ) + "t
onde, = i (g 1) , it a taxa de juros efetiva, i meta da taxa de juros
para t, a meta da taxa de inao, t;k a inao entre t e t + k, xt;q o gap
do produto entre os perodos t e t + q.
a. Como os autores chegam na especicao acima? Quais imposies so feitas
sobre os dados?
b. Dena os instrumentos e as condies de momentos. Aponte justicativas
econmicas destas condies.
c. Estime os parmetros (gi ; g ; gx ; ) por GMM, nos perodos: completo, pr-
Volcker (antes de 1979 : 02 inclusive) e ps Volcker.
d. Comente como o parmetro g estimado varia nestas trs amostras.
Soluo 5.9 a. Um dos pressupostos utilizados pelos autores para encontrar a
especicao acima tem mdia zero, homocedstico, no autocorrelacionado,
e representa choques exgenos nas taxas de juros.
b. Os instrumentos utilizados so: defasagens de 1 a 4 da taxa de juros, inao,
variao da taxa de cmbio, variao das reservas e gap do produto, e primeira
defasagem do desvio da meta de inao.
c. Considerando amostras trimestrais, vemos que os coecientes estimados para
gi variam em torno de 0.47, sempre estatisticamente signicantes. Quando ob-
servamos os resultados estimados para g , notamos que no perodo pr-Volcker,
o coeciente estimado era superior a 1, enquanto que ps Volcker, ele manteve-se
em torno de 0,81, preservando a signicncia estatstica. No perodo completo,
a estimativa permaneceu inferior a 1. J as estimaes para gx foram negativas
nos trs perodos, com valor de -0,16 no perodo ps Volcker e -0,48 no perodo
completo (no observou-se signicncia estatstica para o perodo pr-Volcker).
d. O parmetro g apresenta valor absoluto maior que 1 no perodo pr-Volcker,
e valor menor que 1 para o perodo posterior.

58
5.1 EXERCCIOS PARA PROVAS
Exerccio 5.10 O professor Ricardo Avelino, em seminrio no dia 01=10=2008;
props um modelo estimado a dois passos. No primeiro passo, ele encontra a
partir da funo escore:
XT
g xt ; b = 0;
t=1
em que
@ ln px ( ; xt jxt ; )
g xt ; b = :
@
No segundo passo ele encontra a partir do escore:
T X
X Nt
hi Fi ; b; b = 0;
t=1 i=1

em que
h i @Fi b; b
hi Fi ; b; b = 2 Fi Fi b; b:
@
Ele, ento, considera os escores como momentos, o que lhe permite estimar os
parmetros do modelo por GMM. Por que necessrio estimar o modelo por GMM?
Ou seja, por que ele no pode estimar o segundo passo dissociado do primeiro?

Soluo 5.10 Porque era necessrio corrigir a varincia obtida no segundo passo.
A varincia da estimativa do segundo passo unicamente dada por
e =H 1
Shh H 10
;

em que as denies dessas matrizes encontram-se no artigo apresentado no sem-


inrio.
Usando o GMM, possvel corrigir essa varincia para a correta, decorrente da
variabilidade extra introduzida pelo uso de um vetor de parmetros estimado a patris
dos dois termos extras conforme abaixo.

= e +H 1
H G 1 Sgg G 10
H0 H 10
H 1
H G 1 Sgh + Shg G 10
H0 H 10
:

59
6 VETOR AUTO-REGRESSIVO - VAR
Exerccio 6.1 Considere o seguinte modelo VAR estrutural bivariado:

1 12 y1;t 11 12 y1;t 1 u1;t


= +
21 1 y2;t 21 22 y2;t 1 u2;t

a. Assuma que E [ut;1 ] = E [ut;2 ] = 0, E [ut;1 u ;1 ] = 1 para t = e zero caso


contrrio, E [ut;2 u ;2 ] = 2 para t = e zero caso contrrio e E [ut;1 u ;2 ] = 0
para todo t e .Quais as implicaes destes pressupostos? Explique brevemente.

b. Reescreva o VAR em sua estrutura original na forma reduzida. Discorra sobre a


identicao do VAR estrutural (nmero de parmetros, como atinigir identi-
cao).

c. Suponha que o VAR estrutural em b) est exatamente identicado. Expresse os


parmetros estruturais na forma dos parmteros reduzidas.

Soluo 6.1 a. Choques estruturais tem mdia zero e no so correlacionados


entre si, assim como so serialmente no correlacionados.

b. A forma reduzida pode ser escrita da seguinte forma:

y1;t 11 12 y1;t 1 u1;t


= +
y2;t 21 22 y2;t 1 u2;t

onde E [ut;1 ] = E [ut;2 ] = 0, E [ut;1 u ;1 ] = ! 11 para t = e zero caso contrrio,


E [ut;2 u ;2 ] = ! 22 para t = e zero caso contrrio, E [ut;1 u ;2 ] = ! 12 para t =
e zero caso contrrio. Assim, temos 7 parmetros na forma reduzida porm
8 na forma estrutural, portanto o sistema no est identicado. Neste caso
precisamos impor alguma restrio adicional sobre o modelo original, como
12 = 0.

c. Tomando por exemplo 12 = 0, resolvendo a lgebra, chegamos em 7 equaes,


uma para cada parmetro estrutural.

Exerccio 6.2 Considere o seguinte VAR estrutural:

y1;t = 0; 5y2;t 0; 1y1;t 1 0; 2y2;t 1 + u1;t


y2;t = 0; 8y1;t 1 + 0; 4y2;t 1 + u2;t

60
a. O modelo est identicado?
b. Reescreva o modelo na forma reduzida. O que pode-se dizer sobre a causalidade
de Granger das sries?
c. Calcule a funo impulso resposta de ut;1 sobre yt;2 para os trs primeiros
perodos.
Soluo 6.2 a. Sim, o modelo est identicado.
b. Note que o modelo pode ser reescrito na forma reduzida da seguinte forma:
y1;t = 0; 3y2;t + u1;t
y2;t = 0; 8y1;t 1 + 0; 4y2;t 1 + u2;t

onde ut;1 = "t;1 + 0; 5"t;2 e ut;2 = "t;2 . Portanto, das equaes tericas do
sistema, vemos que yt;1 granger causa yt;2 , enquanto o contrrio no ocorre.
Podemos portanto utilizar yt;1 para aumentar o poder de previso da srie yt;2 .
c. A funo impulso resposta neste caso pode ser escrita como:
j
c12;j = A0 1

1 0; 5 0; 3 0
onde j = 1; 2; 3, A0 = e = .
0 1 0; 8 0; 4
Exerccio 6.3 Considere o seguinte VAR:
y1;t 0; 1 0; 8 0 y2;t 1 u1;t
= + +
y2;t 1 0; 2 0; 4 y1;t 1 u2;t
a. O modelo estacionrio, cointegrado ou possui duas razes unitrias indepen-
dentes?
b. Calcule o valor da funo impulso resposta de um choque unitrio em u1;t e
u2;t , para 6 perodos.
c. Suponha que a matriz de covarincia dos resduos dada por
X 1 1
=
1 4

decomponha esta matriz utilizando o mtodo de Andr Luis Cholesky e recal-


cule a funo impulso resposta.

61
Soluo 6.3 a. Estacionrio. O primeiro mtodo para vericar isto consiste em
calcular os autovalores, que neste caso so 0; 8 e 0; 4, uma vez que a matriz
triangular. O segundo mtodo consiste em reescrever o modelo na forma de
correo de erros (ECM), temos assim:

y1;t 0; 1 0; 8 1 0 y1;t 1 u1;t


= + +
y2;t 1 0; 2 0; 4 1 y2;t 1 u2;t

y1;t 0; 1 0; 2 0 y1;t 1 u1;t


= + +
y2;t 1 0; 2 0; 6 y2;t 1 u2;t

Agora computamos o posto da matriz 2 2, que claramente completo. Note


que se ela posto pleno o sistema estacionrio, se tem posto unitrio as
equaes so cointegrveis, e se o posto nulo o sistema possui duas razes
unitrias independentes (no h relao de cointegrao entre as variveis).

b. Para calcular as 6 primeiras respostas do sistema ao choque (na forma re-


duzida), devemos computar primeiramente:
j
j 0; 8 0
=
0; 2 0; 4

para j = 1; :::; 6.

2 0; 64 0 3 0; 512 0 4 0; 4096 0
= ; = ; =
0; 24 0; 16 0; 224 0; 064 0; 1920 0; 0256

5 0; 3277 0 6 0; 2621 0
= ; =
0; 1587 0; 0102 0; 129 0; 0041

Sendo o choque unitrio dado em u1;t , sendo ut = [1 0]0 , os choques sero dados
por j ut . Cada ponto do grco abaixo corresponde a um valor das matrizes
acima. Como o choque foi dado uma vez e depois os erros se mantiveram em
zero ( uma simulao!), podemos esquecer da somatria.

c. Para darmos um impulso na forma estrutural (na relao terica), ser necessrio
impor restries adicionais ao modelo uma vez que este no est identicado.
Estas restries podem ser fundamentadas na teoria econmica (preferencial-
mente) ou na matemtica. A decomposio de Cholesky pode ser aplicada a

62
qualquer matriz simtrica e positiva denida (por exemplo, em matrizes de co-
varincia), resultando em duas matrizes triangulares (uma superior e outra
inferior) que, em realidade, so a mesma matriz, porm transposta. Uma ob-
servao importante aqui: a ordem em que montamos as matrizes faz toda a
diferena, pois as restries aos resduos so desiguais para cada linha.
Para vermos com maior clareza o que est sendo feito, transformamos o VAR
em um VMA:
X1
s
yt = + "t s
s=0

No entanto, como estamos na forma reduzida, precisamos saber tambm a re-


lao entre ut e "t para poder simular como um choque em uma varivel a afeta
e afeta as outras. Seja a matriz de covarincia dos erros do sistema na forma
original "0t "t = . Podemos decomp-la em = AA0 como provou Cholesky.
Impomos ento a seguinte estrutura Aut = "t . Como a matriz triangular
inferior, o modelo est identicado. A vantagem da imposio desta relao
que os elementos do vetor ut sero mutuamente ortogonais por construo
(veja Hamilton pg. 318 para mais detalhes).
Em termos amostrais, utilizamos a varincia dos resduos e a decompomos:

1 1 1 p0 1 p1
=
1 4 1 3 0 3

Utilizando a matriz triangular inferior, calculamos a funo impulso, em cada


1 p0
instante de tempo, da seguinte forma: s A"t s , onde A = ,
1 3
s
s 0; 8 0
=
0; 2 0; 4

1 0; 8 0 2 0; 64 0 6 0; 26 0
A= ; A= ; :::; A=
1; 15 0; 69 1; 06 0; 29 0; 49 0; 01

Exerccio 6.4 Cite pelo menos dois argumentos de Sims (1980) criticando os macro-
modelos economtricos.

Soluo 6.4 1. Restries de equilbrio parcial no valem necessariamente para


modelos de equilbrio geral.

63
2. H restries que so impostas sem teoria econmica, e sim pela intuio do
econometrista.

Exerccio 6.5 Os macro-modelos economtricos so ferramentas teis para anlise


de polticas e previso? Por qu?

Soluo 6.5 Sim, porque para a previso e anlise de poltica, a identicao es-
trutural no necessria e a imposio de restries falsas pode at ajudar.

Exerccio 6.6 Por que se podem usar modelos na forma reduzida para estimar
efeitos de poltica e previso de comportamento de variveis endgenas?

Soluo 6.6 A crtica de Lucas vale no sentido por ele dado de variar determinada
poltica ainda no implementada. Porm, nem sempre o caso de haver variao de
polticas, mas sim exercer as polticas j correntes e analis-las.
Ento, previses acuradas so possveis porque no se prope mudar a regra vi-
gente de poltica, mas implementar efetivamente aquela j existente.

Exerccio 6.7 Suponha o seguinte modelo economtrico:

yt = cEt 1 (xt ) + dwt + ut


xt = Et 1 (xt ) + t ;
Et 1 ( t ) = Et 1 [Et 1 (xt ) t ] = 0;
(L) xt = (L) t :

Suponha que voc estime o seguinte modelo:

yt = cxt + dwt + vt ; (3)


vt = ut + c [Et 1 (xt ) x t ] = ut c t:

Normalmente voc poderia estimar o modelo (3) por mnimos quadrados or-
dinrios? Por qu? Como voc poderia estimar o modelo (3)?
Sob que condies o estimador de mnimos quadrados ordinrios resulta em esti-
mativas consistentes dos coecientes?

Soluo 6.7 No possvel estimar o modelo (3) por mnimos quadrados ordinrios.
Isso porque, se observarmos o sistema de equaes estruturais, notaremos que ut representa
o componente de erro da primeira equao e, por isso, possui correlao com xt . Logo,
se estimarmos o modelo (3) diretamente por mnimos quadrados ordinrios, estare-
mos violando a hiptese de no correlao entre variveis explicativas e resduos.

64
O modelo deve ser estimado atravs de um modelo de vetor auto regressivo.
O estimador de mnimos quadrados ordinrios resulta em estimativas consistentes
dos coeciente sob condies de no correlao entre variveis dependentes e regres-
sores.
Exerccio 6.8 Considere o seguinte modelo:
yt = 5; 168 + 1; 294 yt 1 0; 375 yt 2 + "t 0; 244"t 1 + 0; 487"t 2 :
Encontre pt e ct , segundo a decomposio de Beveridge-Nelson.
Soluo 6.8 Trata-se de um modelo ARIMA(3; 1; 2). Os componentes pt e ct foram,
respectivamente, obtidos calculando-se:
pt = pt 1 + + (1) "t =)
1 0; 244 + 0; 487
pb t = pbt 1 + 5; 168 + b
"t =
1 1; 294 + 0; 375
= pbt 1 + 5; 168 + 15; 276b
"t :
A gura a seguir mostra exatamente que pt mais voltil de yt .
Sabemos que (L)
1 0:244L + 0:487L2
(L) = =
1 1:294L + 0:375L2
= 1:0 + 1:05L + 1:4707L2 + 1:5093L3 +
+1:4016L4 + 1:2476L5 + 1:0888L6 + 0:9411L7 + O L8
P P1
Portanto, como (L) = 1 k
k=0 k L e k = j=k+1 j , sendo 0 = 1, temos
que
X
1

1 = j = 1:4707 + 1:5093 + 1:401 6 + 1:2476 + 1:0888 + 0:9411 + =


j=2
= 7:6591 + ;
X1

2 = j = 1:5093 + 1:4016 + 1:2476 + 1:088 8 + 0:9411 = 6:188 4 +


j=3
X1

3 = j = 1:4016 + 1:2476 + 1:0888 + 0:9411 + = 4:6791 +


j=4
X1

4 = j = 1:2476 + 1:0888 + 0:9411 + = 3:2775 +


j=5
..
.

65
Com isso, pode-se calcular
ct = yt pt ;
cujo grco o seguinte:

6.1 EXERCCIOS PARA PROVAS


Exerccio 6.9 Seja a seguinte equao:

t xt = (Pt xt+1 Pt 1 x t ) + t (Cagans portfolio balance schedule)


em que t a taxa de crescimento da oferta de moeda, xt a taxa de inao e t sat-
isfaz Pt 1 t = 0, em que P o operador de projeo linear, de forma que Pt [y] a pro-
jeo linear da varivel aleatria y sobre o espao gerado por t ; t 1 ; :::; xt ; xt 1 ; ::: ,
ou seja, Pt [y] proj yj t ; t 1 ; :::; xt ; xt 1;::: .
1. Prove que a soluo do Cagans portfolio balance schedule dada por:
1 X
1 j 1
Pt xt+1 = Pt t+j (4)
1 j=1
1

2. Suponha que (xt ; t) tem uma representao dada pelo seguinte vetor ARMA
bivariado:
xt 1 0 xt 1 a1t a1t 1
= +
t
1 t 1 a2t a2t 1

em que a1t = xt Pt 1 xt ; a2t = t Pt 1 t ; j j < 1, e a1t e a2t tm varincia


nita e covarincia no-nula. Prove que a frmula de Cagan para a taxa de
inao esperada t ,
1
t = xt
1 L
implicada pela hiptese de expectativas racionais, i.e., pela equao (4).
3. Prove que no-Granger-causa x.
4. Calcule os coecientes da projeo de t xt sobre o processo xt , ou seja,
calcule P [ t xt j fxt g]. Essa projeo a mesma que a equao de Cagan
(1 )
t xt = (1 L)xt + t (5)
(1 L)
em que t aleatrio? Se no, use a sua frmula para a projeo de modo a
determinar o vis que emergiria ao se usar erroneamente a equao (5) como
projeo.

66
Soluo 6.9 1. Em primeiro lugar, avance o Cagans portfolio balance schedule
em 1 perodo:

t+1 xt+1 = (Pt+1 xt+2 Pt xt+1 ) + t+1 :

Agora aplique o operador de projeo linear para obter:

Pt t+1 Pt xt+1 = (Pt xt+2 Pt xt+1 ) ; (6)

desde que Pt (Pt+1 xt+2 ) = Pt xt+2 pela lei das expectativas iteradas e Pt t+1 = 0
por premissa. Agora a equao (4) pode ser usada para obter Pt xt+1 e Pt xt+2 ,
e o resultado pode ser substitudo na equao (6) para obter:

1 X
1 j 1
Pt t+1 = (1 ) Pt t+j
1 j=1
1
1 X
1 j 1
+ Pt t+j+1
1 j=1
1
1 1 X
1 j 1
= Pt t+1 + Pt t+j
1 1 j=2
1
X
1 j 1
Pt t+j+1
1 j=1
1
= Pt t+1 ;

o que uma identidade para todo t. Portanto, a equao (4) soluciona o


Cagans portfolio balance schedule.

2. Por premissa:
t = (1 )xt 1 + t 1 + a2t a2t 1 :
Ento, dado que j j < 1,

1
t = xt 1 + a2t :
1 L
Avanando a expresso acima um perodo e aplicando o operador de projeo
linear:
1 1 1 L 1
Pt t+1 = xt = a1t = a1t :
1 L 1 L 1 L 1 L

67
Agora dena o processo estocstico Yt = Pt t+1 = (1 )(1 L) 1 a1t . Como
1
Pt Yt+j = Pt Yt+1 = Yt , ento Pt t+j = 1 L xt para todo j 1. Usando isso
na equao (4):

1 X
1 j 1
1
Pt xt+1 = xt
1 j=1
1 1 L
" #
1 1 1
= xt
1 1+ 1
1 L
1
= xt :
1 L

Ento, t = Pt xt+1 , e a frmula de Cagan racional.

3. Do resultado anterior:

P xt+1 jxt ; xt 1 ; :::; t; t 1 ; ::: = P Pt xt+1 jxt ; xt 1 ; :::; t ; t 1 ; :::


1
= P xt jxt ; xt 1 ; :::; t ; t 1 ; :::
1 L
1
= xt
1 L
= P [xt+1 jxt ; xt 1 ; :::] :

Logo no-Granger-causa x.

4. Para calcular P [ t xt jfxt g], ser necessrio derivar a uma representao de


Wold para [(1 L)xt ; (1 L) t ]. Primeiramente, do Cagans portfolio balance
schedule e da equao (4):

1 1
t xt = xt xt 1 + t
1 L 1 L
1
= (1 L) xt + t:
1 L

A seguir, desde que Pt t+1 = (1 )(1 L) 1 xt = Pt (1 )(1 L) 1 xt+1 ,


t+1 pode ser escrito como:

1
t+1 = Pt t+1 + t+1 = xt+1 + t+1 ;
1 L

68
onde t+1 = t+1 Pt t+1 e Pt t+1 = 0. Ento:

1
t xt = xt + t xt
1 L
1
= xt + t:
1 L

Depois de agrupar o termos contendo xt e rearranjar, temos:

1 L
(1 L)xt = ( t t) ;

onde + (1 ). Ento:

(1 L)(1 )
(1 L) t = xt + (1 L) t
1 L
1
= ( t t) + (1 L) t :

Escolha ( t t ) para ser um dos rudos na representao de Wold. Ento


projete "t sobre ( t t ) para encontrar um tal que t = ( t t ) + Vt , em
que Vt ortogonal a ( t t ). Dessa forma:

1
(1 L) t = ( t t) + ( t t) + Vt t 1 t 1 Vt 1

1
= + (1 L) ( t t) + (1 L)Vt :

Ento:
1 L
(1 L)xt = ( t t) (7)

1
(1 L) t = + (1 L) ( t t) + (1 L)Vt ; (8)

que a representao de mdias mveis de Wold com inovaes ortogonais.


Agora inverta a equao (7) para obter:

1 L
xt = t t;
1 L

69
e substitua dentro da equao (8):

1 1 L
(1 L) t = + (1 L) xt + (1 L)Vt :
1 L

Ou simplicando:

1
t = + (1 L) xt + Vt :
1 L

Essa um equao de regresso, j que EVt xt j = 0 para todo j por construo.


Ento:
1 + (1 L)
t = xt + Vt ;
1 L
o que nos d:

1 + (1 L) (1 L)
t xt = xt + Vt
1 L
+ L + (1 L)
= xt + Vt
1 L
+
= (1 L)xt + Vt ;
1 L

o que no o mesmo que a equao (5). Ento, a estimativa de Cagan para


(1 ) seria, em termos populacionais, + [ + (1 )]. Note que se a
equao do portfolio balance vale sem erro (ou seja, se t = 0), ento = 1, e
a equao de Cagan uma projeo, e a estimativa de Cagan de (1 ) seria
correta em termos populacionais.

Exerccio 6.10 Suponha que xt um processo estocstico com representao de


Wold dada por:

xt = c(L)"t
"t = xt P [xt jxt 1 ; :::]

Suponha que xt satisfaa a seguinte condio:

P [xt+1 jxt ; xt 1 ; :::] = xt ; j j<1


1
Use a frmula de Wiener-Kolmogorov para provar que c(L) precisa ser igual a (1 L)
:

70
Soluo 6.10 Use a frmula de Wiener-Kolmogorov para calcular P [xt+1 jxt ; :::],
em que [ ]+ representa o operador aniquilamento (positivo):

P [xt+1 jxt ; :::] = L 1 c(L) +


c(L) 1 xt :

Mas isso igual a xt :


L 1 c(L) +
c(L) 1 xt = xt ;
de modo que
L 1 c(L) +
c(L) 1
= ;
ou
1 1
L [c(L) c0 ] c(L) = :
Ento:

c(L) = Lc(L) + c0
c0
= :
1 L

Ao se ajustar apropriadamente a varincia de f t g, estamos livres para escolher


c0 = 1. Ento c(L) = 1 1 L .

Exerccio 6.11 Suponha que xt um processo estocstico com representao de


Wold dada por:

xt = c(L)"t
"t = xt P [xt jxt 1 ; :::]

Suponha que xt tal que:

P [xt+2 jxt ; xt 1 ; :::] = P [xt+1 jxt ; xt 1 ; :::]

em que j j < 1. Use a frmula de Wiener-Kolmogorov para provar que c(L) dada
por:
c0 + (c1 c0 ) L
c(L) =
1 L

Soluo 6.11 Use a frmula de Wiener-Kolmogorov para escrever a identidade


dada como uma projeo:

L 2 c(L) +
c(L) 1 xt = L 1 c(L) +
c(L) 1 xt :

71
Ento:
L 2 c(L) +
= L 1 c(L) +
;
ou
2 1
L [c(L) c0 c1 L] = L [c(L) c0 ] :
Assim, segue que:

(1 L)c(L) = c0 + (c1 c0 )L
c0 + (c1 c0 )L
c(L) = :
1 L
Exerccio 6.12 Suponha que xt um processo estocstico com representao de
Wold dada por:

xt = c(L)"t
"t = xt P [xt jxt 1 ; :::]

Suponha que xt tal que:


k
P [xt+k jxt ; xt 1 ; :::] = P [xt+1 jxt ; xt 1 ; :::]

para todo k 1 e em que j j < 1. Use a frmula de previso de Wiener-Kolmogorov


para provar que:
c0 + (c1 c0 ) L
c(L) =
1 L
Soluo 6.12 Use a frmula de Wiener-Kolmogorov para escrever a identidade
dada como uma projeo:

L k c(L) +
c(L) 1 xt = k 1
L 1 c(L) +
c(L) 1 xt :

Ento:
k k 1
z c(z) +
= z 1 c(z) +
;
ou
X
1 X
1
j k k 1
cj z = cj z j 1 :
j=k j=1

Agora multiplique cada lado da equao acima por z 1 , e integre com respeito a z,
Z X
1 Z X1
1 1 j k 1 1 k 1
(2 i) z cj z dz = (2 i) z cj z j 1 dz;
j=k j=1

72
para obter:
k 1
ck = c1 ;
para todo k 1. Agora multiplique por z k e some sobre k 1 para obter:
X
1 X
1
k k 1 k
ck z = c1 z ;
k=1 k=1

ou
c1 z
c(z) c0 = :
(1 z)
Logo, temos:
c0 + (c1 c0 ) L
c(L) = :
(1 L)

7 VETOR DE CORREO DE ERROS - VECM


Exerccio 7.1 Modelos de Cointegrao so uma ferramenta importante para testar
modelos econmicos que envolvam sries no estacionrias. Em particular, muitos
estudos tm procurado estabelecer relaes entre as taxas de cmbios de diversas
moedas.

a. Utilize seu conhecimento macroeconmico e estabelea uma relao terica


entre as taxas de cmbio dos pases.

b. Descreva a metodologia proposta por Engle e Granger e aplique-a para testar


seu modelo para a taxa de cmbio entre Dlar e Iene.

c. Descreva brevemente a metodologia de Johansen. Teste a presena de cointe-


grao e interprete as estatsticas max e trace .

d. O que podemos dizer das duas metodologia para este caso? Alguma prefervel
outra?

Soluo 7.1 Primeiramente, a metodologia de Engle-Granger no se aplica para o


caso multifatorial, pois no temos como testar as diversas combinaes possveis. As
comparaes devem ser feitas para os casos de apenas um vetor de cointegrao.
Uma grande vantagem da metodologia de Engle-Granger a sua relativa simpli-
cidade. Os vetores de longo prazo so estimados diretamente por OLS e os resduos
analisados para testar a presena de raz unitria.

73
Por outro lado, a metodologia de Johansen impe restries sobre a distribuio
das sries, pois trata-se de um mtodo de mxima verossimilhana. Isto pode ser um
problema em alguns casos em que as sries se distanciam da normalidade.

Exerccio 7.2 Muito se tem dito sobre a taxa de cmbio e outras variveis nan-
ceiras, porm praticamente nada sobre o nosso po francs de cada dia. Este exerccio
e o seguinte propem-se a preencher esta lacuna e aproximar a teoria econmica do
nosso cotidiano matinal.
Sejam os preos da farinha de trigo ao consumidor em duas regies metropolitanas
p1 e p2 e o preo do trigo para o produtor pp . Temos o seguinte modelo VECM:
! ! !
p1;t 11 12 13 p1;t 1
p2;t = 21 22 23 p2;t 1
pp;t 31 32 33 pa;t 1
! !
11 12 1
(p1 10 11 p2 )t 1
+ 21 22
(p2 + 2 d1;t
20 21 pp )t 1
31 32 3
!
"1;t
+ "2;t
"3;t

em que d1;t uma dummy para o perodo de cmbio utuante (a partir de janeiro
de 1999).

a. Interprete o modelo acima, explique cada parte do modelo.

b. Estime os parmetros e interprete o signicado destes. (note que o vetor de


correo de erros est restrito; ateno quando estimar).
Sugesto: consulte Hendry e Juselius (1999; 2000). Esteja a vontade para
sugerir modicaes que melhorem o modelo.

Soluo 7.2 a. Este um modelo VAR com correo de erros. As variveis em


primeira diferena so estacionrias, portanto podemos estimar este modelo
utilizando as ferramentas j conhecidas.
Podemos dividir o modelo em duas partes essenciais, em dinmica de curto
prazo e em dinmica de longo prazo. A dinmica de longo prazo est repre-
sentada pela matriz 3 2 com alfas. Neste modelo, temos duas relaes de
cointegrao: a diferena de preos entre duas regies (1 e 2 ) e a diferena
de preos entre uma regio e os preos ao produtor (1 e p). Os parmetros

74
alfas captam como os desvios de longo prazo so corrigidos. Por exemplo, o
parmetro 11 capta como o diferencial de preos entre as duas regies afeta
a variao de preos na regio 1 (em termos econmicos, este ajuste poderia
reetir movimentos de arbitragem entre mercados). J o parmetro 21 reete
o mesmo impacto porm sobre o preo da regio 2 . Os parmetros 12 e 22
medem como o diferencial de preos do trigo e da farinha na regio 2 inter-
ferem nos preos das regies 1 e 2 . Como o preo recebido pelo produtor
um custo para as empresas que comercializam a farinha de trigo aos consum-
idores nais, estes coeciente pode captar este repasse dos custos. Por m, se
assumirmos que os produtores de trigo so tomadores de preo, os parmetros
31 e 32 devem ser nulos.

Na dinmica de curto prazo, temos os parmetros . A interpretao destes


a mesma do caso VAR tradicional, e captam o comportamento autoregressivo
das sries. Neste caso, o modelo inclui apenas uma defasagem das variveis,
mas poderia incluir mais.
O modelo tambm inclui um componente determinista, por meio da dummy
para o perodo de cmbio utuante. Neste caso, procuramos ver se h alguma
alterao das sries quando aumenta a volatilidade da taxa de cmbio. Note
que o trigo uma commodity e um dos principais produtos da pauta importa-
dora brasileira. Assim, poderamos ter que, em momentos de maior incerteza
(volatilidade), os preo do trigo ao consumidor se ajustem com maior velocidade
para evitar prejuzos inesperados (aqui tambm podemos ter um movimento as-
simtrico de reajuste, que termina em elevadas margens de lucro).
b. Seja 1 Porto Alegre e 2 Belo Horizonte, temos (valores signicantes a 5 %
marcados com ):
! ! !
p1;t 0; 22 0; 16 0; 18 p1;t 1
p2;t = 0; 05 0; 36 0; 03 p2;t 1
pp;t 0; 03 0; 11 0; 40 pp;t 1
!
0; 17 0; 13 (p1 0; 06 0; 95 p2 )t 1
+ 0; 03 0; 08
(p2 0; 73 0; 92 pp )t 1
0; 06 0; 03
!
0; 04
+ 0; 03 d1;t
0; 06

Podemos ver que o ajuste (a desvios nos preos das duas regies metropolitanas)
se d bem mais rpido em Porto Alegre ( 0; 17) do que em Belo Horizonte

75
( 0; 03), cujo preo praticamente no responde a estes desvios de longo prazo
(no signicante). No entanto, ambos os preos reagem a desvios dos preos no
atacado do trigo, com o movimento mais acentuado em Porto Alegre ( 0; 13)
do que em Belo Horizonte ( 0; 08). possvel que isto seja devido ao fato do
Rio Grande do Sul ser um estado produtor de trigo e cujos custos com o trigo
em si pesam mais na composio dos custos totais da farinha de trigo (custo
com frete menor, por exemplo).
Os preos no atacado no respondem a desvios das relaes de longo prazo
(os coecientes no so estatisticamente distintos de zero). Da mesma forma,
esta varivel no afetada no curto prazo tambm, o que indicaria que ela
seria exgena a movimentos nos preos da farinha de trigo ao consumidor (no
curto prazo esta srie se comporta como um AR(1 )). Como havamos dito,
presses de demanda no seriam signicativas na determinao do preo pago
ao produtor pelo trigo (aumento nos preos ao consumidor indicariam elevao
da demanda, porm isto no inui nos preos ao produtor).
A dummy de perodos de elevada oscilao cambial se mostrou signicativa
para as trs sries. Como o trigo uma commodity, denominada em moeda es-
trangeira, o sinal positivo da dummy para esse perodo faz sentido. Importante
observar aqui que se estimamos este sistema sem essa dummy, os parmetros
12 e 22 tm seus sinais trocados, o que no faria sentido (desvios do preo ao
consumidor do preo ao produtor se acentuariam no instante seguinte). Vemos
tambm que a estimao pontual da dummy para os preos ao produtor maior
relativo farinha nas duas cidades, conforme espera-se.

Exerccio 7.3 No exemplo do captulo foi criado um modelo para os ndices de


preos do trigo no atacado e da farinha e po francs ao consumidor. Escolha alguma
regio metropolitana e:

a. Verique se h alguma relao de cointegrao entre as sries, usando o teste


de Johansen.

b. Especique o modelo e estime-o.

c. Interprete os resultados.
Sugesto: a ideia deste exerccio estimular o aluno a criar um modelo com
estas ferramentas. Por exemplo, veja que temos aqui uma cadeia produtiva
de um mercado relativamente competitivo, onde pode-se assumir que os custos
so repassados ao consumidor...

76
Soluo 7.3 a. Sejam 1 trigo, 2 farinha de trigo (regio metropolitana de So
Paulo) e 3 po francs (regio metropolitana de So Paulo).
! ! !
p1;t 0; 40 0; 19 0; 27 p1;t 1
p2;t = 0; 14 0; 42 0; 10 p2;t 1
p3;t 0; 08 0; 23 0; 00 p3;t 1
! !
0; 06 0; 05
+ 0; 05 (p3 + 1; 13 2; 55 p1 + 1; 41 p2 )t 1 + 0; 02 d1;t
0; 03 0; 01

A especicao utilizada aqui semelhante utilizada no exerccio anterior; no


entanto, introduzimos uma relao de longo prazo entre as trs variveis. Os
trs mercados esto interligados, conforme apontam os coecientes de ajuste
dos desequilbrios de longo prazo. Choques de longo prazo nos preos dos trs
mercados so incorporados dinmica (como elevaes das cotaes interna-
cionais do produto percebidas como duradouras).
No entanto, na dinmica de curto prazo, vemos que o preo ao produtor do trigo
no interferido pelo preo dos outros mercados (apenas 0 ; 40 signicativo,
ou seja, um AR(1 )). A dinmica do preo da farinha de trigo responde a
oscilaes do preo do trigo, porm no a do po francs (assim como vimos
anterioremente, isto poderia indicar que as presses de demanda no afetam
os preos no sentido "contrrio"). Por m, vemos que o preo do po responde
a oscilaes no preo da farinha de trigo (0 ; 23 ), e no possui um componente
autoregressivo. Todos os sinais so positivos, conforme esperado.
Interessante notar que a dummy do perodo de oscilao cambial no sig-
nicante para o po francs, ao contrrio do que ocorreu com o trigo (0; 05) e
farinha de trigo (0; 02). Como o trigo uma commodity, isto era previsvel.
A medida que h valor agregado ao produto, o impacto do repasse cambial
atenuado.

b. Aqui impomos uma relao de longo prazo entre as 3 sries. O objetivo procu-

77
rar alguma relao de repasse dos preos na cadeia produtiva do po francs.
! ! !
p1;t 11 12 13 p1;t 1
p2;t = 21 22 23 p2;t 1
p3;t 31 32 33 p3;t 1
!
1
+ 2 (p3 10 11 p1 12 p2 )t 1
3
! !
1 "1;t
+ 2 d1;t + "2;t
3 "3;t
Exerccio 7.4 Dena as estatsticas possveis para o teste de Johansen e interprete-
as. Sob que hipteses os valores crticos dessas estatsticas foram calculados?
Soluo 7.4 Estatstica do trao e do posto. So derivadas sob normalidade dos
erros.
Exerccio 7.5 Carlos Marques queria saber em qual(is) caso(s) pode existir cointe-
grao, para vericar qual o componente de longo prazo para extrao de mais-valia:
A) duas sries I(2) e uma srie I(1); B) Duas sries I(1) e uma srie I(0); C) Uma
srie I(2) e duas sries I(1); D) Trs sries I(0). Quais voc indicaria a ele?
Soluo 7.5 Este apenas um exerccio conceitual sobre cointegrao, complemen-
tando o anterior.Nos casos A e B pode existir cointegrao. Para A e B, se encon-
trarmos um vetor tal que a combinao linear das variveis de maior integrao seja
reduzida e se, em combinao linear com a outra varivel de menor cointegrao, ob-
tivermos uma combinao estacionria, existe cointegrao. Isto segue a denio de
Campbell e Perron (1991). No caso C no pode existir cointegrao, pois no se pode
reduzir a ordem de integrao da varivel I(2). No se pode falar em cointegrao
no caso D, j que as sries so todas estacionrias.

8 HETEROCEDASTICIDADE CONDICIONAL
Exerccio 8.1 Considere um GARCH (1; 1)
rt = + "t
2 2
t = ! + "t 1 + 2t 1
2
"t = t ut ; ut i:i:d 0; :

Calcule a curtose de rt e mostre que, para existir, ento 2 2


+ ( + )2 < 1.

78
Soluo 8.1 Primeiro, observe que
2
t =!+ u2t 1 + 2
t 1:

Segundo, lembrando que ut independente de t, observe que:

E (rt )4 = E 4 4
t ut =E 4
t E u4t = 3E 4
t :

Logo, temos que obter E ( 4t ):


4 2
E t = E !+ u2t1+
2
t 1 =
= E !2 + 2 4
ut 1 + 2 ut 1 + 2 4t 1 + 2! 2t 1
2
u2t 1 + =
= !2 + 3 2
+2 + 2 E 4t 1 + 2!E 2t 1 ( + )=
! ! 2 ! 2 ( + )+2! 2 ( + )
! 2 + 2! 1 ( + ) 1
= 2 2 = 2 =
1 3 +2 + 1 2 2 ( + )
2
! (1 + + )
= :
1 2 2 ( + )2 (1 )

A curtose, k, ser dada, ento por:


! 2 (1+ + )
3E ( 4t ) [1 2 2 ( + )2 ](1 )
k (rt ) = 2 =3 !2
=
[E ( 2t )] (1 )2
" #
(1 + + ) (1 ) 1 ( + )2
= 3 =3 :
1 2 2 ( + )2 1 2 2 ( + )2

Note que, se 6= 0, k (rt ) 3, pois 1 ( + )2 > 1 ( + )2 2 2 . Para que a


curtose exista, deve ser positiva. Se j havamos imposto que 1 ( + )2 > 0, resta
agora impor que ser nita se 1 ( + )2 2 2 > 0, isto , ( + )2 + 2 2 < 1.

Exerccio 8.2 Seja "t ~N (0; ht ), em que ht = 0; 2 + 0; 09"2t 1 + 0; 9ht 1

1. Lembrando que ht = E ["2t j"t 1 ; "t 2 ; :::], use a lei das expectativas iteradas
para encontrar a varincia no condicional de "t .

2. Seja et = "2t ht com var(et ) = 2


e. Encontre a expresso para as 5 primeiras
autocorrelaes de "2t .

79
Soluo 8.2 1. Estamos procurando var ("t ). Como E ("t ) = 0, isto equiva-
lente a obtermos E ("2t ). Pela lei das expectativas iteradas, temos que:

E "2t = E E "2t j"t 1 ; "t 2 ; ::: = E (ht )

sejam = 0; 02, = 0; 09, e = 0; 9, ento

ht = + "2t 1 + ht 1

adicionando "2t em ambos lados da igualdade temos:

"2t + ht = + "2t 1 + ht 1 + "2t


= + "2t 1 + ht
2 2
1 + "t + " t 1 "2t 1

e subtraindo ht dos dois lados

"2t = + ( + ) "2t 1 + "2t ht "2t 1 ht 1


"2t = + ( + ) "2t 1 + et et 1

em que et "2t ht . Note que fet g uma sequncia i:i:d: com mdia zero e var-
incia constante. Veja que representamos "2t como um processo ARMA(1; 1),
em que o componente auto-regressivo multiplicado por + = 0; 99 (portanto
estacionrio). A mdia no condicional deste processo ser ento:

E "2t = = 20
1 ( + )

2. Sabemos que as correlaes de um processo ARMA (1; 1) so dadas pela fr-


mula:
k 1 ( + ) (1 + )
k = 2 :
1+2 +
Substituindo = + e = na frmula acima:

1 ( + )
k = ( + )k 1
1 (2 + )
k 1
k = 0; 99 0; 3504

as 5 primeiras autocorrelaes sero: (0; 350; 0; 346; 0; 343; 0; 340; 0; 336).

80
Encontre E "2t+k j"t ; ht .
Como vimos em (1 :a), temos:

E "2t+1 j"t ; ht = + "2t + ht

que o caso para k = 1. Subtraindo "2t de sua mdia no condicional e sub-


stituindo recursivamente chegamos na frmula para k 2 (onde os erros ht+k
so iguais a zero):

E "2t+k j"t ; ht

= + ( + ) E "2t+k 1 j"t ; ht ;
1 1
para k 2

substituindo os valores temos:

E "2t+1 j"t ; ht = 0; 2 + 0; 09"2t + 0; 9ht


E "2t+k j"t ; ht = 20 + 0; 99 E "2t+k 1 j"t ; ht 20

Exerccio 8.3 Responda as questes a seguir:

a. Mencione 3 usos para os modelos GARCH multivariados;

b. Como identicar as ordens p e q de um modelo GARCH assimtrico?

c. Dado um modelo GARCH univariado, mencione duas formas de identicar as


ordens p e q desse modelo.

Soluo 8.3 a. CAPM, Hedge, Value at risk.

b. Usando algum critrio de informao ou vericao de resduos.

c. Utilizando FAC e FACP, critrio de informao, vericao de resduos.

Exerccio 8.4 Lumsdaine, em 1996, relatou o seguinte resultado: os testes assin-


tticos tradicionais no se alteram, mesmo na presena de IGARCH (1, 1). Este
um resultado aparentemente surpreendente pois, quando as sries esto no nvel, a
distribuio dos testes, na presena de raiz unitria, no padro. Um corolrio ime-
diato deste resultado que podemos aplicar os testes tradicionais sobre a estimao,
sem medo de que os resultados padres no sejam vlidos, caso as razes calculadas

81
da equao da mdia estejam fora do crculo unitrio. Admitindo que as razes da
equao da mdia estejam fora do crculo unitrio, quais testes Alfredo Mrchal pode
aplicar para descobrir se suas sries eram um IGARCH (1; 1)? Se ele estava usando
o E-views, que teste imediato ele poderia aplicar?

Soluo 8.4 Mais um exerccio conceitual de teste de intuio.


Os testes LR, LM, Wald e F podem ser usados. Porm, apenas o teste de Wald
pode ser usado pelo E-views porque no necessita do clculo da equao restrita,
enquanto que os outros necessariamente precisam disso. Ora, como no possvel
estimar pelo E-views usando essa restrio na equao da varincia, resta-nos apenas
o Wald que, alis, tem o melhor tamanho em relao aos outros testes, segundo
Lumsdaine (1996). Em qualquer caso, contudo, preciso que a srie possua um
grande nmero de observaes.

Exerccio 8.5 Utilizando a diferena do log da taxa de cmbio nominal R$/US$


diria, identique e estime o modelo que melhor se encaixa aos dados (tanto a equao
das mdias como a equao da varincia). Considere os modelos ARCH e GARCH.

Soluo 8.5 Uma alternativa para a modelagem do log da taxa de cmbio nominal
R$/US$ diria, para o perodo entre 1994 e 2010, consiste em um modelo GARCH
(1,1), com equao de mdia no formato AR(1). Utilizando essa congurao, obser-
vamos que os testes de resduos apresentaram resultados extremamente satisfatrios.
Vale ressaltar, entretanto, que o modelo sensvel a variaes de perodo estudado,
de forma que o resultado poder variar signicativamente com a alterao do perodo
escolhido.

Exerccio 8.6 Faa o mesmo que solicitado no exerccio anterior utilizando o ndice
Ibovespa, considere agora tambm modelos assimtricos TGARCH, EGARCH e
PGARCH.

Soluo 8.6 Aqui ser estimada a volatividade da srie de retorno do ndice Ibovespa,
abrangendo o perodo de 4 de julho de 1994 at 9 de outubro de 2007. O retorno da
srie foi calculado subtraindo o valor do logaritmo natural t/ do valor do logaritmo
natural da srie em t 1. Estimamos modelos GARCH, EGARCH, PGARCH e
TGARCH, utilizando tanto a distribuio normal quanto a distribuio t-student.
No caso da estimao via GARCH, o modelo capta alta persistncia da volatilidade
em ambas as distribuies. J com estimativas via EGARCH, o modelo apresenta
persistncia um pouco menor, com o parmetro que capta a assimetria do modelo
signicativo e com sinal esperado.

82
Quando utiliza-se o PGARCH, os resultados corroboram o efeito assimetria detec-
tado anteriormente. Por m, as estimativas via TGARCH novamene corroboram a
assimetria presente, en virtude da signicncia dos parmetros estimados.
Exerccio 8.7 Seja o seguinte modelo BEKK bivariado:
Ibovt 1 "1
= + , "t N (0; H)
Cambiot 2 "2
0
11;t 12;t c11 0 c11 0
= +
21;t 22;t c21 c22 c21 c22
0
a11 a12 "21;t 1 "1;t 1 "2;t 1 a11 a12
+
a21 a22 "2;t 1 "1;t 1 "22;t 1 a21 a22
0
g11 g12 11;t 1 12;t 1 g11 g12
+
g21 g22 21;t 1 22;t 1 g21 g22
Transforme o modelo num DBEKK (impondo diagonalidade s matrizes [aij ] e
[gij ]) e estime-o utilizando dados dirios do log da diferena das sries Ibovespa e
Cmbio, desde janeiro de 1999 a dezembro de 2006. Utilize o software que preferir. (o
E-views 5:1 no possui uma forma "pronta" de estim-lo, porm consulte o programa
BV_GARCH.PRG que acompanha o software ou estime usando o J-Multi que pode
ser baixado pela internet). Faa o grco das varincias e covarincia.
Soluo 8.7 Os resultados foram estimados no E-views (todos os valores signica-
tivos a 5 %).
1 0; 00123 "1;t
= +
2 0; 00031 "2;t

c11 0 0; 00313 0
=
c21 c22 0; 00063 0; 00099
a11 a12 0; 17079 0
=
a21 a22 0 0; 39314
g11 g12 0; 97047 0
=
g21 g22 0 0; 91267
Reescrevemos as equaes para as varincias e covarincia.
11;t = 0; 003132 + 0; 970472 11;t 1 + 0; 170792 "21;t 1
2 2 2
22;t = 0; 00099 + ( 0; 00063) + 0; 91267 22;t 1 + 0; 393142 "22;t 1

21;t = 0; 00313 0; 00099 + 0; 97047 0; 91267 21;t 1 +


+0; 17079 0; 39314"1;t 1 "2;t 1

83
Exerccio 8.8 Comente as principais diferenas entre os modelos ARCH, GARCH,
ARCH-M, EGARCH E TARCH.

Soluo 8.8 O modelo ARCH de ordem q pressupe que a varincia explicada


por q defasagens dos erros ao quadrado da equao da mdia. O problema bsico
a necessidade de se restringir os parmetros para garantir estacionaridade da srie e
varincia sempre positiva.
O modelo GARCH supe a varincia condicional aos q erros passados e a prpria
varincia passada. Esse modelo , freqentemente, mais parcimonioso do que o
ARCH. Para entender isso, lembre-se de que, num modelo ARIMA, este pode ser
reparametrizado como um AR nito. O modelo GARCH permite ainda a introduo
de variveis explicativas.
O modelo ARCH-M, desenvolvido por Engle, Lillien e Robins, supe que a equao
da mdia tenha, como varivel explicativa, a prpria varincia. Embora num mesmo
instante haja uma correlao positiva entre risco e retorno, no h provas conclusivas
sobre isso ao longo do tempo. Logo, este modelo pode ser uma maneira de se vericar
isso.
O EGARCH apresentado por Nelson no pressupe que o impacto das informaes
seja simtrico e que os coecientes estimados precisem ser, necessariamente, positivos
como ocorria nos modelos GARCH iniciais. Ou seja, permitem-se assimetrias de
resposta para os choques. De fato, espera-se que choque negativos produzam mais
volatilidades que choques positivos.
Aqui interessante notar que o ARCH-M pode ser parametrizado segundo qual-
quer variante dos modelos GARCH.
Glosten, Jagannathan e Runkle (1993) propem o uso de variveis dummy na
equao da varincia caso o choque seja negativo. Pesquisas indicam que o EGARCH
e o TGARCH costumam ser modelos melhor parametrizados.

Exerccio 8.9 Descreva os passos necessrios para simular o seguinte modelo GARCH:

yt = + "t :
"t = t ut ; ut i:i:d: (0; 1) ;
2 2 2
t = ! + 1 "t 1+ 1 t 1

Soluo 8.9 Simule ut ;


Observe que t 1 = u"tt 1
1
e escreva:
s
2
2 "t 1
"t = ut !+ 1 "t 1+ 1 ;
ut 1

84
Dena os valores de ; !; 1 e 1 ;
Inicie a simulao a partir de t = 2; fazendo "0 = 0; e obtenha "t ;
Em seguida, simule yt :

Exerccio 8.10 (Jord) Considere o seguinte processo gerador de dados:


xt + yt = u1t ; u1t = u1t 1 + "1t ;
xt + yt = u2t ; u2t = u2t 1 + "2t ;

em que j j < 1 e
2
"1t 0 1
D ; 2 ;
"2t 0 2

em que D representa uma distribuio genrica.

a. Derive o grau de integrao das duas sries, xt e yt , denindo explicitamente


as restries sobre os parmetros requeridas em cada caso;
b. Sob que restries de coecientes x e y so cointegrados? Quais so os vetores
de cointegrao em tais casos?
c. Escolha um conjunto particular de coecientes que assegura que x e y so
cointegrados e derive as seguintes representaes:
0 0
(a) Mdias Mveis, isto , ( xt yt ) ca no lado esquerdo, ( "1t "2t ) e suas
defasagens cam do lado direito;
0
(b) Auto-regressivo no nvel, isto , ( xt yt ) ca no lado esquerdo, defasagens
0 0
de( xt yt ) e ( "1t "2t ) cam do lado direito;
(c) Modelo de correo de erro, isto , ( xt yt )0 ser uma funo de zt 1
e dos resduos, sem a necessidade de ser especco sobre os resduos.
(d) Discuta os prs e contras de obter funes resposta ao impulso de um
VAR estimado no nvel como no item b e aquela obtida usando o vetor de
correo de erros como no item c.

1. Soluo 8.10 1. Se = 1, ento xt + yt I (1), mas xt + yt I (0).


Portanto 6= , e:
1.) Se 6= 0, xt I (1) e yt I (1) ; com ( 1 ) sendo um vetor de
cointegrao;
2.) Se = 0, ento xt I (0) e yt I (1) :
Se j j < 1, ento ambas as variveis so estacionrias.

85
2. = 1; ; 6= 0;
3. Para cointegrao, assumem-se os parmetros do item anterior.
1
1 xt (1 L) 0 "1t
= 1 =)
1 yt 0 (1 L) "2t
1
xt 1 (1 L) 0 "1t
= 1 =
yt 1 1 0 (1 L) "2t
P1
1 P1i=0 "i 1t i
= =
1 1 i=0 "2t i
P1 P1 i
1 i=0 "t
P1 i Pi=0 "2t i
= i 1 :
i=0 "2t i i=0 "t i

1 xt u1t 1 0 u1t 1 "1t


= = + =
1 yt u2t 0 u2t 1 "2t

1 0 1 xt 1 "1t
= + =)
0 1 yt 1 "2t
xt 1 1 0 1 xt 1
= +
yt 1 1 0 1 yt 1

1 "1t
1 1 "2t
1 (1 ) xt 1
= +
(1 ) yt 1

"1t
1 1 "2t
O VAR no nvel consistente mas no to eciente quando impe-se as
restries de cointegrao. Entretanto, se restries incorretas de cointe-
grao forem impostas resulta em problemas de especicao. Adicional-
mente, mais complicado obter erros padres a partir das funo resposta
ao impulso em VARs cointegrados.

Exerccio 8.11 (Jord) Considere o seguinte VAR bivariado


y1t = 0:3y1t 1 + 0:8y2t 1 + "1t
y2t = 0:9y1t 1 + 0:4y2t 1 + "2t ;

86
em que E ("1t "1s ) = 1, quando s = t e 0 caso contrrio, E ("2t "2s ) = 2, quando
s = t e 0 caso contrrio, E ("1t "2s ) = 0, para todo s e t.

a. O sistema estacionrio?
@Yt+h
b. Calcule h = @"0t
para h = 0; 1; 2. Qual o lim h?
h!1

c. Calcule a frao do erro quadrtico mdio do erro de previso dois passos


frente para a primeira varivel, E [y1t+2 E (y1t+1 jYt ; Yt 1 ; : : :)]2 , isto , devido
a "1t+1 e "1t+2 :

Soluo 8.11 a. Reescreva o sistema matricialmente:

y1t 0:3 0:8 y1t 1 "1t


= + :
y2t 0:9 0:4 y2t 1 "2t

Para estacionaridade preciso que as razes da seguinte equao estejam fora


do crculo unitrio:
1 0 0:3 0:8
z = 0:6z 2 0:7z + 1:0:
0 1 0:9 0:4

As razes dessa equao so dadas por, f[z = 0:833 33] ; [z = 2:0]g, portanto
o sistema no estacionrio.

b. Tratando-se de um AR(1), sabemos que:

X
1
t
Yt = "t :
t=0

Portanto:

0 1 0 0:3 0:8
0 = = ; 1 = = ;
0 1 0:9 0:4
2
2 0:3 0:8 0:81 0:56
2 = = = ;
0:9 0:4 0:63 0:88
10
10 0:3 0:8 2: 914 3 2: 913 3
h = = = !1
0:9 0:4 3: 277 5 3: 278 4

87
c.
!2
X
1
E [y1t+2 E (y1t+1 jYt ; Yt 1 ; : : :)]2 = E i
"t+2 i =
i=0

= E ("t+2 + "t+1 )2 =
= E ["1t+2 + 0:3"1t+1 + 0:8"2t+1 ]2 =
= 1 + 0:32 + 0:82 2 = 2:37

A frao decorrente a "1 :

1 + 0:32
= 0:459 92:
2:37
Exerccio 8.12 (Jord) Considere o seguinte processo gerador de dados:

xt + yt = vt ; vt (1 1 L)= "1t
2xt + yt = ut ; ut (1 2 L) = "2t

e
"1t 0 2
1 0
N ; 2
"2t 0 0 2

a. Determine se esse sistema estacionrio, no-estacionrio ou cointegrado, de


acordo com os seguintes cenrios:

(a) j 1 j < 1; j 2 j < 1


(b) 1 = 1; j 2 j < 1
(c) 1 = 1; 2 =1

b. Obtenha a representao autoregressiva na forma reduzida do sistema no nvel


quando ele cointegrado.

c. Dada a representao que voc acabou de encontrar, calcule os coecientes (em


forma de matriz) da funo resposta ao impulso na forma reduzida, s , para
os perodos s = 0; 1; 2 e para 2 = 0; 5. Qual s quando s ! 1? Dadas as
matrizes da funo resposta ao impulso na forma reduzida, calcule as respostas
ao impulso na forma estrutural para os perodos 0; 1; 2. O que acontece quando
s ! 1? Explique o resultado.

88
d. Encontre a representao de mdias mveis do sistema e o vetor de cointegrao
quando ele cointegrado.
e. Descreva como voc poderia estimar o vetor de cointegrao em uma regresso
de yt contra xt que bem comportada em pequenas amostras.
Soluo 8.12 a. (a) Estacionrio
(b) Cointegrado
(c) No-estacionrio
b.
(1 L)xt + (1 L)yt = "1t
2(1 2 L)xt + (1 2 L)yt = "2t

rearranjando
1 1 xt 1 1 xt 1 "1t
= +
2 1 yt 2 2 2 yt 1 "2t
Finalmente, a forma reduzida obtida invertendo-se a matriz das correlaes
contemporneas:
xt 2 2 1 2 1 xt 1 "1t + "2t
= +
yt 2(1 2 ) 2 2 yt 1 2"1t "2t
c.
xt 0 0:5 xt 1 1 1 "1t
= + =)
yt 1 1:5 yt 1 2 1 "2t
xt X 0
1
0:5
i
1 1 "1t i
=
yt 1 1:5 2 1 "2t i
i=0

Portanto:
Forma Reduzida Forma Estrutural
1 0 1 0 1 1 1 1
0 = 0 1 0 = 0 1 2 1
=
2 1
0 0; 5 0 0:5 1 1 1:0 0:5
1 = 1 1; 5 1 = 1 1:5 2 1
=
2:0 0:5
2
0 0; 5 0; 5 0; 75 1 1 1:0 0:25
2 = 1 1; 5 2 =
1; 5 1; 75 2 1
=
2:0 0:25
.. ..
. .
s ! 1; s !1 s ! 1; s ! 1 mas apenas para xt

89
Para saber o que acontece quando s ! 1, observe que o autovalores de
0 0:5
, 1:0 e 0:5, pertencem ao crculo unitrio, logo s tende a uma
1 1:5
contante:
h
0 0:5 1 1
lim ! e
h!1 1 1:5 2 2
h
0 0:5 1 1 1 0
lim !
h!1 1 1:5 2 1 2 0

d.
"1t
xt + yt =
(1
L)
"2t
2xt + yt =
(1 2 L)

"2t
Como (1
estacionrio, o vetor de cointegrao resultante ( 2 1 ) :
2 L)

Alm disso, a representao de mdias mveis dada por:


"2t "1t
xt =
(1 2 L) (1 L)
2"1t "2t
yt =
(1 L) (1 2 L)

e. Em grandes amostras a regresso de yt em xt resultar em uma estimativa


assintoticamente consistente do coeciente na regresso

y t = x t + ut :

Entretanto, note que o termo de erro ut ut = (1 "2t L) . Tipicamente essa


2
forma desconhecida, ento uma estratgia recomendada para corrigir o vis
de pequenas amostras usar a abordagem de Saikkonen, Phillips e Loretan,
ou Stock e Watson e incluir as defasagens e "leads" de xt . Aqui, porque a
fonte da correlao nos resduos conhecida, temos que uma correo AR(1)
resolveria o problema, j que:

(1 2 L)yt = 2xt (1 2 L) "2t :

90
Exerccio 8.13 (Jord) Considere o seguinte VAR:

yt = (1 + )yt 1 xt 1 + "1t
xt = yt 1 + (1 )xt 1 + "2t

a. Mostre que esse VAR no-estacionrio.

b. Encontre o vetor de cointegrao e derive a representao VECM.

c. Transforme o modelo de forma que envolva o termo de correo de erro (chame-


o de z) e uma varivel estacionria na diferena (chame-a de wt ). w ser
uma combinao linear de x e y mas no deve conter z. Dica: os pesos nessa
combinao linear sero relacionados com os coecientes dos termos de correo
de erros.

d. Verique que y e x podem ser escritos como uma combinao linear de w e z. D


0
uma interpretao como uma decomposio do vetor (y x) nos componentes
permanente e transitrio.

Soluo 8.13 a. Estacionariedade requer que os valores de z satisfazendo

1 0 1+
z =0
0 1 (1 )

estejam fora do crculo unitrio. Para z = 1, note que:

= + =0

b. Note que
(1) = = (1 );

de modo que

yt = (yt 1 xt 1 ) + "1t
xt = (yt 1 xt 1 ) + "2t

c. Dado o ECM do item anterior, note que

yt + xt = zt 1 "1t + zt 1 + "2t
wt = yt + xt = "1t + "2t

91
Em seguida,
yt = yt 1 + (yt 1 xt 1 ) + "1t
xt = xt 1 + (yt 1 xt 1 ) + "2t

Assim
(yt xt ) = (yt 1 x t 1 ) + zt 1 zt 1 + "1t "2t
zt = (1 + )zt 1 + "1t "2t

implicando
zt 1+ 0 zt 1 1 "1t
= + :
wt 0 0 wt 1 "2t
d. Do item anterior
zt 1 yt
= ;
wt xt
tomando a inversa
1 zt yt
= ;
1 wt xt
e portanto

yt = zt + wt
1
xt = zt + wt

wt I(1) e zt I(0), o que uma verso da decomposio de Beveridge-Nelson


proposta por Gonzalo e Granger (1995).
Exerccio 8.14 (Jord) Considere o VECM bivariado:
0
yt = c + yt 1 + "t
iid 2
"it (0; )
em que = ( 1 0 )0 e = ( 1 2 )0 . Equao por equao, o sistema
dado por:
y1t = c1 + 1 (y1t 1 2 y2t 1 ) + "1t
y2t = c2 + "2t
Responda s seguintes questes:

92
a. A partir do VECM anterior, derive a seguinte representao na forma VECM

yt = c + yt 1 + "t ;

e a seguinte representao na forma V AR(1)

yt = c + Ayt 1 + "t :

b. Baseado nos valores dados para os elementos de e , determine ?; ?, de


modo que 0 ? = 0 e 0 ? = 0.

c. Use o teorema da representao de Granger para determinar que (1) =


0 1 0
? ( ? I2 ? ) ? , em que (L) o polinomial de mdias mveis correspon-
dente ao sistema VECM acima e I2 a matriz identidade de ordem 2. Dica:
voc pode mostrar esse resultado mostrando que (1) ortogonal ao espao de
cointegrao.

d. Usando a decomposio de Beveridge-Nelson e o resultado do item anterior,


determine a tendncia comum no sistema VECM.

e. Mostre que 0 yt segue um processo AR(1) e mostre que esse AR(1) estvel
dado que 2 < 1 < 0. O que voc pode dizer sobre o sistema quando 1 = 0?

Soluo 8.14 a.

1 1 2
=
0 0
1 +1 1 2
A =
0 1

b.
0 2k
? = ; ? = ; k 6= 0
k k

c. Usando a dica: (1)0 = 0. fcil mostrar que


1
0 1 0 2k 2k
?( ? I2 ? ) ? = ( 0 k ) ( 0 k )=
k k
1 2k 0 2
= ( 0 k )= :
k2 k 0 1

93
e, portanto,
1 1 2 0 2
= 0:
0 0 0 1

d. Tudo o que voc precisa lembrar que, da decomposio B-N, as tendncias


so combinaes lineares capturadas em (1)yt , que nesse caso dado por
2 y1t + y2t . Note que essa combinao ortogonal ao vetor de cointegrao.

e. Seja zt = y1t 2 y2t o vetor de cointegrao. Das equaes para y1t e y2t temos

zt = c1 + ( 1 + 1)y1t 1 1 2 y2t 1 + "1t 2 c2 2 y2t 1 2 "2t :

Combinando os termos

zt = (c1 2 c2 ) +( 1 + 1)zt 1 + vt
vt = "1t 2 "2t ;

o que um AR(1 ) cuja estacionaridade requer que j 1 + 1j < 1 ou a condio


equivalente 2 < 1 < 0. Quando 1 = 0, zt no mais estacionrio, ento
no h cointegrao para nenhum valor de 2 . Nesse caso, y1 e y2 so dois
passeios aleatrios independentes.

8.1 EXERCCIOS PARA PROVAS


Exerccio 8.15 Responda as questes a seguir em trs linhas, no mximo, pois
linhas adicionais no sero consideradas.

1. Mencione 3 usos para os modelos GARCH multivariados;


2. Como identicar as ordens p e q de um modelo GARCH assimtrico?;
3. Dado um modelo GARCH univariado, mencione duas formas de identicar as
ordens de p e q desse modelo.

Soluo 8.15 1. CAPM, Hedge, Value at risk;


2. Usando algum critrio de informao ou vericao de resduos;
3. FAC e FACP, critrio de informao, vericao de resduos.

Exerccio 8.16 Seja o processo ARCH "t = t ut , sendo ut i:i:d: (0; 1), em que
2
t = + 1 "2t 1 , independente de ut .

94
1. Mostre que a curtose do modelo dada por:
2
1 1
K(") = 3 2
:
1 3 1

2. Mostre qual a condio para que tenha quarto momento nito. Finalmente,
interprete a expresso do quarto momento.
Soluo 8.16 O exerccio mostra que modelos ARCH captam a curtose.
Tomando a esperana no condicional do erro elevado quarta potncia:
E "4t = E 4
t E u4t = 3E 4
t :
| {z }
=3

Mas,
4 2 2 2 4
E t =E +2 1 "t 1 + 1 "t 1 :
Portanto:
2 2 1
E "4t = 3 2
+
+ 2
1E "4t 1 =)
1 1

2 3 2 (1 + 1 )
1 3 1 E "4t = :
1 1

Resultando, aps algumas poucas manipulaes algbricas, em:


2 2
1 1
E "4t = 3 2 2
=)
(1 ) 1 3 1
| {z 1 }
2
=[E ("2t )]

E ("4t ) 1 2
1
K(") = 2 2
=3
[E ("t )] 1 3 21
Analisando a expresso entre parnteses, fcil ver que, se a1 = 0, a srie mesocr-
tica. Por outro lado, para que a curtose seja nita, preciso que 3 21 < 1 () 21 < 13 .
2
Alm disso, 0 < 1 < 1 =) 1 1 > 1 3 21 . Portanto, a curtose da srie pode se
maior do que 3, e o modelo ARCH capaz de incorporar esse fato, o que muito
importante em nanas.
Exerccio 8.17 Quais os passos para simular o seguinte modelo GARCH
yt = + "t :
"t = t ut ; ut i:i:d: (0; 1) ;
2 2 2
t = ! + 1 "t 1 + 1 t 1?

95
Soluo 8.17 1. Simule ut ;
"t 1
2. Observe que t 1 = ut 1
e escreva:
s
2
2 "t 1
"t = u t !+ 1 "t 1 + 1 ;
ut 1

3. Dena os valores de ; !; 1 e 1;

4. Inicie a simulao a partir de t = 2; fazendo "0 = 0; e obtenha "t ;

5. Em seguida, simule yt :

9 TESTES PARA PROVAS


9.1 FUNDAMENTOS ESTATSTICOS
Exerccio 9.1 Assinale a alternativa verdadeira

1. ( ) Se F (yt1 ; yt2 ; : : : ; ytk ) 6= F (yt1 +h ; yt2 +h ; : : : ; ytk ) ; h 2 Z, ento, necessari-


amente, o processo no estritamente estacionrio;

2. ( ) Se F (yt1 ; yt2 ; : : : ; ytk ) = F yt1 +h ; yt2 +h ; : : : ; ytk 1 +h ; h 2 Z, ento, o


processo estritamente estacionrio.
P 2
3. ( ) Seja um M A (1), tal que 1 j=0 j < 1. Ento, pode-se concluir que
a srie ergdica.
2
4. ( ) Se yt = yt 1 + "t + "t 1 , sendo "t i:i:d: (0; ), ento yt um rudo
branco.

5. ( ) Nenhuma das anteriores verdadeira.

Soluo 9.1 A resposta correta a 4;

1. A primeira falsa. Nada possvel armar sobre a estacionaridade estrita do


processo com os dados apresentados. No seria estritamente estacionrio se
fosse verdade que F (yt1 ; yt2 ; : : : ; ytk ) 6= F (yt1 +h ; yt2 +h ; : : : ; ytk +h ).

2. Quanto segunda questo, ela tambm falsa, pois falta colocar ytk +h na segunda
distribuio para sabermos.

96
P1
3. Tambm falso. Para ergodicidade preciso que j=0 j < 1, pois, nesse
P 2 P
caso 1j=0 j <1e 1 j=0 j < 1, em que j a covarincia entre t e
t j.

4. verdadeira. Reescrevendo:

(1 + L) yt = (1 + L) "t =)
y t = "t :

5. Falso, porque a anterior verdadeira.

Exerccio 9.2 Seja ut um rudo branco. Ento, pode-se concluir que:

1. ( ) ut tem distribuio normal.

2. ( ) ut idntica e independentemente distribudo.

3. ( ) ut pode ser temporalmente dependente, apesar de no ter memria.

4. ( ) ut tambm um passeio aleatrio, tambm conhecido como "random


walk".

5. ( ) Todas as anteriores so falsas.

Soluo 9.2 A resposta correta 3:

1. Um rudo branco no precisa ser necessariamente normal.

2. Um rudo branco no precisa ser necessariamente i.i.d.


2
3. De fato, se for verdade que ut = ut 1 + "t + "t 1 , sendo "t i:i:d: (0; ),
ento ut um rudo branco.

4. O "random walk " tem memria innita.

5. falso porque uma anterior verdadeira.

97
9.2 PROCESSOS ESTACIONRIOS
Exerccio 9.3 Considere a gura abaixo, cujas sries so simulaes a partir dos
mesmos erros, advindos de uma distribuio normal i.i.d. Assinale a alternativa
correta.
Considere as seguintes armaes:
a: Pelo menos uma das sries no estacionria.
b: A srie X tende a ser um processo AR, enquanto a sria Y tende a ser um
processo MA.
c: A mdia incondicional dessas sries idntica.
d: Ambas as sries so estacionrias

1. ( ) Apenas a. falsa.

2. ( ) b. e d. so verdadeiras.

3. ( ) Apenas d. verdadeira.

4. ( ) c. e d. so verdadeiras.

5. ( ) Todas as anteriores so falsas.

Soluo 9.3 A alternativa correta a 2.


Visualmente as sries utuam ao redor de uma determinada mdia. Logo, ambas
so estacionrias. Entretanto, a mdia incondicional das sries no idntica. Por-
tanto, a e c so falsas e d verdadeira. Resta analisar b. Como a srie de cima tem
uma resistncia maior a mudar de trajetria, possvel a ser um AR. Pela razo
inversar, a srie inferior tende a ser um MA, logo b. verdadeira.

Exerccio 9.4 Assinale a alternativa verdadeira

1. ( ) O critrio de informao de Akaike mais apropriado para mdias e


grandes amostras, enquanto que o BIC deve ser usado em pequenas amostras.

2. ( ) O critrio de informao Akaike tende a escolhar modelos sobreparame-


trizados, devido a um certo vis.

3. ( ) Os critrios de informao originalmente foram designados para selecionar


a melhor especicao entre os modelos ARMA(p; q).

4. ( ) Segundo os critrios de informao, deve-se escolher o modelo cujo valor


for o maior possvel.

98
5. ( ) Nenhuma das anteriores verdadeira.

Soluo 9.4 A resposta correta a b:

1. o contrrio. Simulaes estatsticas indicam que o critrio de Akaike fun-


ciona melhor em pequenas amostras.

2. verdade.

3. Falso. Foram designados para escolher o melhor modelo auto-regressivo.

4. Falso. Os critrios de informao foram designados para serem os menores


possvel

5. Falso, porque (b) anterior verdadeira.

Exerccio 9.5 Seja yt um processo ARMA(p; q). Ento, pode-se armar que:

1. ( ) A identicao das defasagens p e q pode ser feita por tentativa e erro


usando o teste de Schwarz.

2. ( ) A vericao dos resduos desse modelo segue o mesmo processo usado


para a identicao do modelo, mas FAC e FACP devem ser interpretadas de
forma contrria.

3. ( ) Sabendo que o R2 desse modelo de 0; 25, pode-se concluir que a especi-


cao deve ser refeita.

4. ( ) A FACP de um AR (p) decai exponencialmente.

5. ( ) Todas as anteriores so falsas.

Soluo 9.5 A resposta correta e:

1. O certo seria mencionar o teste de Ljung-Box.

2. A vericao dos resduos segue exatamente o mesmo processo usado para in-
denticar o modelo.

3. A especicao do modelo ARMA no olhar para o R2 .

4. A FACP de um AR(p) truncada na defasagem p.

99
5. verdadeira porque todas anteriormente so falsas.
Exerccio 9.6 Considere a seguinte especicao: yt = 1 yt 1 + 2 yt 2 + "t , "t
RB (0; 2 ) e as armaes a seguir:
a: Se as razes da polinomial caracterstica de yt esto fora do crculo unitrio,
ento 1 e 2 esto p fora do tringulo de estabilidade.
i
b: e = 1; i = 1.
1 2
c: Os autovalores da matrix A = so idnticos s razes da equao
1 0
2
1 2 = 0:
d: jx + yij = x2 + y 2 :
1. ( ) Apenas a. verdadeira.
2. ( ) b. e d. so falsas.
3. ( ) Apenas c. verdadeira.
4. ( ) b. e c. so verdadeiras.
5. ( ) Todas as anteriores so falsas.
Soluo 9.6 A alternativa correta a 4.
O primeiro item falso, pois 1 e 2 esto dentro do tringulo de estabilidade.
Pela frmula de Moivre,
ei = cos ( ) + i sin ( ) = 1:
considerado o nmero mais bonito da matemtica, porque agrega um nmero
inteiro a uma frmula com ; e e i:
Verdadeiro. Para achar os autovalores de A:

Ax = x =)
(A I) x = 0;
em que I a matriz identidade.
Como x no trivial, para satisfazer a igualdade preciso que (A I) no
tenha posto pleno. Isso quer dizer que o determinante dessa matriz tem de ser igual
a zero. Portanto, deve-se ter:
1 2 0 1 2
0 = = =
1 0 0 1
2
= ( 1 ) 2 = 1 2:

100
p
jx + yij = x2 + y 2 :

9.3 PROCESSOS NO ESTACIONRIOS


Exerccio 9.7 Assinale a armativa verdadeira:

1. ( ) O principal problema dos testes ADF e Phillips-Perron o tamanho.

2. ( ) O teste ERS-GLS tem problema de poder.

3. ( ) O teste ADF no paramtrico e o teste de Phillips-Perron e semi-


paramtrico.

4. ( ) O teste de Ng-Perron melhora o tamanho e o poder dos testes de raiz


unitria propostos anteriormente.

5. ( ) Todas as anteriores so falsas.

Soluo 9.7 A resposta correta d:

1. O principal problema dos testes poder.

2. No, tem problema de tamanho.

3. ADF paramtrico.

4. Verdadeira.

5. Falsa.

Exerccio 9.8 Considere o seguinte modelo:


2
yt = c + yt 1 + "t ; " t W N (0; ):

Dada a srie fyt gTt=1 , esse modelo pode ser estimado pelo Eviews de duas formas
alternativas. Por exemplo, podem-se dar o seguintes comandos:
quick/estimate equation/ y c y( 1) ou
quick/estimate equation/ y c ar(1).
Assinale a alternativa correta:

1. ( ) Ambas as forma de estimar geram o mesmo resultado para b


c.

101
2. ( ) Seja bc1 o coeciente calculado usando a primeira alternativa. Seja b
c2 o
b
c2
coeciente calculado usando a segunda alternativa. Ento: b
c1 = 1 b :

3. ( ) Seja bc1 o coeciente calculado usando a primeira alternativa. Seja b


c2 o
c2 = 1bc1b :
coeciente calculado usando a segunda alternativa. Ento: b

4. ( ) Seja bc1 o coeciente calculado usando a primeira alternativa e b


c2 , o co-
eciente calculado usando a segunda alternativa. Esses coecientes no so
comparveis.

5. ( ) Todas as anteriores so falsas.

Soluo 9.8 A alternativa correta a c:


No segundo caso, o Eviews entende o comando da seguinte forma, em razo do
comando AR(1):

yt = c0 + t
2
t = t 1 + "t ; "t W N (0; ):

Logo, substituindo a segunda equao na primeira, tem-se:

yt = c 0 + t 1 + "t
t 1 = yt 1 c0 =)
:yt = c0 + (yt 1 c0 ) + "t =
= (1 ) c0 + yt 1 + "t :
c
Logo, no segundo caso, o Eviews gera a mdia de longo prazo dada por c0 = 1
:

Exerccio 9.9 Assinale a armativa verdadeira:

1. ( ) A decomposio de Beveridge-Nelson pode ser aplicada a sries esta-


cionrias.

2. ( ) A decomposio de Beveridge-Nelson pode ser aplicada a sries no-


estacionrias.

3. ( ) A decomposio de Beveridge-Nelson no pode ser aplicada em srie


sazonais.

4. ( ) A decomposio de Beveridge-Nelson pode ser aplicada em sries com


tendncia determinstica.

102
5. ( ) Todas as anteriores so falsas.

Soluo 9.9 A resposta correta b:

1. A decomposio separa o componente permanente do componente irregular.

2. Exatamente.

3. Pode ser aplicada a sries sazonais, desde que no estacionrias.

4. Falsa, tem de ser tendncia estocstica

5. Falsa.

Exerccio 9.10 O teste de Dickey-Pantula designado para testar mltiplas razes


unitrias.
Assinale a alternativa correta:

1. ( ) O mximo de razes unitrias aceitas pelo teste de Dickey-Pantula 3.

2. ( ) O procedimento pode ser aplicado a sries sazonais:

3. ( ) Para testar, inicia-se com um modelo de mais diferenas para menos


diferenas.

4. ( ) Se houver quebra-estrutural, o teste de Dickey-Pantula ainda aplicvel.

5. ( ) Todas as anteriores so falsas.

Soluo 9.10 A alternativa correta a c:

1. Errado. Pode ser aplicado a qualquer nmero de razes unitrias a princpio.

2. No pode ser aplicado a sries sazonais.

3. Extamente.

4. Falso.

5. Falso.

Exerccio 9.11 Considere as seguintes sentenas.

103
1. Quebras estruturais viesam os testes convencionais de razes unitrias em di-
reo a no rejeio da hiptese nula.
2. Um choque aleatrio numa srie com raiz unitria tem efeitos permanentes.
3. A distribuio da estatstica t student de uma srie com raiz unitria
assimtrica direita com mdia negativa.
4. Tendncia determinstica junto com tendncia estocstica altera a distribuio
assinttica do parmetro de raiz unitria em relao a uma srie sem tendncia
determinstica.
Ento, assinale a alternativa correta:
1. ( ) Os itens (1) e (3) esto corretos, enquanto que os itens (2) e (4) so falsos.
2. ( ) Os itens (2) e (3) esto corretos, enquanto que os itens (1) e (4) so falsos.
3. ( ) Os itens (3) e (4) esto corretos, enquanto que os itens (1) e (2) so falsos.
4. ( ) Os itens (2) e (4) esto corretos, enquanto que os itens (1) e (3) so falsos.
5. ( ) Todas as anteriores so falsas.
Soluo 9.11 A alternativa correta a e. Todas as armativas so verdadeiras.
Exerccio 9.12 Um pesquisador concluiu que sua srie possua uma tendncia quadrtica,
mas no tinha certeza se a sria possua raiz unitria. Estimando a srie com tendn-
cia quadrtica como se fosse proceder ao teste de raiz unitria, ele observou que a
estatstica t calculada era maior do que o valor crtico da tabela com tendncia
apenas. Assinale a alternativa correta:
1. ( ) A srie no possui raiz unitria.
2. ( ) A srie uma tendncia estacionria.
3. ( ) A srie tem uma tendncia de grau incerto.
4. ( ) A srei possui uma raiz unitria.
5. ( ) Todas as anteriores so falsas.
Soluo 9.12 A alternativa correta a d:
A srie possui raiz unitria. A intuio nos diz que, com tendncia quadrtica,
os valores crticos sob a hiptese nula devem ser maiores, em mdulo, que os valores
apenas com tendncia.

104
9.4 VETOR AUTO-REGRESSIVO - VAR
Exerccio 9.13 Considere um VAR(p), com n variveis endgenas. Assinale a al-
ternativa verdadeira:

1. ( ) Se todas as endgenas no so estacionrias, ento no possvel proceder


a inferncias estatsticas.

2. ( ) O modelo no pode ser estimado antes do teste de cointegrao.

3. ( ) Trata-se de um modelo estrutural.

4. ( ) possvel proceder a inferncias estatsticas nos coecientes que podem


ser escritos de forma a multiplicar uma varivel estacionarizada.

5. ( ) Todas as anteriores so falsas.

Soluo 9.13 A resposta correta d:

Exerccio 9.14 Considere a forma reduzida de um VAR(3), em que h 4 variveis


endgenas como desvios de suas mdias. Ento, o nmero de coecientes a estimar
:

1. ( ) 48.

2. ( ) 64.

3. ( ) 58

4. ( ) 52.

5. ( ) Todas as anteriores so falsas.

Soluo 9.14 A alternativa correta a c:


preciso estimar os coecientes da equao da mdia: 42 3 = 48, mais os
coecientes da equao da varincia: n(n+1)
2
= 4 2 5 = 10.

Exerccio 9.15 Considere as seguintes sentenas.

0:4 0:6
1. O VAR(1): Xt = Xt 1 + "t estacionrio.
0:6 0:4

105
2. O VAR(n) pode ser estimado por mxima verossimilhana, mnimos quadrados
ordinrios, GMM ou Filtro de Kalman.

3. Se h variveis no estacionrias no VAR, preciso estacionriz-lo antes de


estim-lo.

4. possvel introduzir tendncia determinstica no VAR(n).

Ento, assinale a alternativa correta:

1. ( ) Os itens (1) e (3) esto corretos, enquanto que os itens (2) e (4) so falsos.

2. ( ) Os itens (2) e (3) esto corretos, enquanto que os itens (1) e (4) so falsos.

3. ( ) Os itens (3) e (4) esto corretos, enquanto que os itens (1) e (2) so falsos.

4. ( ) Os itens (2) e (4) esto corretos, enquanto que os itens (1) e (3) so falsos.

5. ( ) Todas as anteriores so falsas.

Soluo 9.15 A alternativa correta a d:

9.5 QUESTES VERDADEIRO OU FALSO


Exerccio 9.16 Nas questes abaixo, responda V (verdadeiro) ou F (falso) nos
parnteses.

1. (V ) O procedimento de Box-Jenkins constitudo de fases que incluem identi-


cao, estimao e vericao do modelo;

2. (F ) Estacionaridade forte implica estacionaridade fraca, mas estacionaridade


fraca no implica estacionaridade forte;

3. (F ) Uma srie fracamente estacionria se tem varincia e mdia constantes,


mas pode ter autocorrelao no constante, dependente do tempo;

4. (F ) Se a distribuio de uma srie Normal, mas no Normal-padro, ento


estacionaridade forte implica e implicada por estacionaridade fraca;

5. (F ) A hiptese nula do teste FAC a de que a autocorrelao zero. Para


testar essa hiptese, usa-se a distribuio t-student;

106
6. (V ) O teste de razes unitrias de Phillips-Perron semi-paramtrico, enquanto
que o teste de Dickey-Fuller paramtrico;

7. (V ) Os resduos resultantes do processo de modelagem proposto por Box-


Jenkins devem ser um rudo branco;

8. (F ) A funo de autocorrelao sugere a ordem auto-regressiva na equao da


mdia, enquanto que a funo de autocorrelao parcial sugere a ordem do
processo de mdias mveis;

9. (F ) A condio de estacionaridade de um modelo VAR que as razes da


funo caracterstica da matriz (I A1 L A2 L2 An L2 ) estejam dentro
do crculo unitrio;

10. (V ) Uma das restries do VAR padro a ordem das variveis dentro do
modelo;

11. (V ) Embora se possa estimar um modelo nas diferenas quando as variveis


cointegram, esse procedimento no recomendvel, pois se perdem informaes
provenientes da relao de longo prazo;

12. (F ) O Modelo de Correo de Erros um VAR no qual a relao de longo


prazo no est presente;

13. (F ) O teste de Johansen insensvel a quebras estruturais ou intervenes;

14. (V ) Sejam duas variveis I (2). Usando o teste de cointegrao de Engle e


Granger, verica-se que o resduo da combinao dessas variveis I (1). Ento,
h cointegrao.

15. (F ) Quando as variveis endgenas de um modelo VAR no cointegram, mas


mesmo assim estima-se o modelo, as inferncias estatsticas individuais sobre
os coecientes so invlidas.

16. (F ) Todos os modelos da classe ARCH conseguem captar curtoses altas, mas
so incapazes de captar assimetrias na volatilidade;

17. (V ) Mesmo que os resduos de uma srie sejam resultantes de um processo


ARCH, dependendo das hipteses sobre o modelo, pode-se provar que esse
resduo um rudo branco;

18. (F ) O modelo ARCH-M assimtrico na mdia;

107
19. (V ) O modelo GARCH um modelo determinstico;

20. (F ) Por ser mais exvel, o modelo multivariado VECH o melhor modelo
GARCH a ser estimado do ponto de vista prtico;

21. (V ) Os modelos GARCH multivariados BEKK, VECH e DCC so modelo


simtricos;

22. (V ) O modelo DCC permite haver assimetria na varincia condicional, mas


no na covarincia condicional;

23. (F ) Os modelos GARCH univariados assimtricos podem ser estimados a dois


passos: primeiro a equao da mdia; depois a equao da varincia, mesmo
na presena de um AR(p), p > 0;

24. (V ) Mesmo que os resduos de um modelo GARCH univariado no sejam nor-


mais, pode-se utilizar a mxima verossimilhana com funo densidade normal,
porque resultar em estimativas de parmetros de quasi-mxima verossimil-
hana;

25. (V ) O modelo BEKK gera matrizes de covarincia positiva semi-denidas para


todo t diferentemente do VECH em que no se pode garantir isso a priori;

26. (V ) Os modelos GARCH so modelos lineares;

27. (F ) possvel dizer se existe heterocedasticidade condicional e as ordens p e q


do modelo de um modelo GARCH assimtrico;

28. (F ) O IGARCH (1; 1) impede que se faam as inferncias estatsticas conven-


cionais por se tratar de um modelo com varincia explosiva;]

29. (V ) Sejam duas variveis I (2). Usando o teste de cointegrao de Engle e


Granger, verica-se que o resduo da combinao dessas variveis I (1). Ento,
h cointegrao.

30. (F ) Os modelos GARCH univariados assimtricos podem ser estimados a dois


passos: primeiro a equao da mdia; depois a equao da varincia, mesmo
na presena de um AR(p), p > 0.

108