Estabilidade e Estacionariedade

em Séries Temporais
Adaptado de Enders, Capítulos 1 e 2
 Objeto de estudo

• A econometria de séries temporais dedica-

se à estimação de equações de diferença
contendo componentes estocásticos.
 Séries Discretas no Tempo
• Seja y = f(t), portanto
• Δy = f(t0 + h) – f(t0)
• Na prática, as séries econômicas são
geradas em intervalos discretos de tempo
• Toma-se por conveniência h = 1,
representando a unidade de tempo da série
em questão
 Séries discretas
• Note que o fato do tempo ser discreto não
implica que a variável y seja discreta.
• A variável discreta y é dita aleatória
(estocástica) se existe pelo menos um valor
de r tal que 0 < p(y = r) < 1
• Caso exista um valor de r para o qual
p(y = r) = 1, então y é determinística
 Séries Discretas
• Os elementos de uma série econômica {y 0,
y1, ..., yt} podem ser considerados como
realizações (resultados) de um processo
estocástico.
• Por exemplo o PIB. Como não podemos
prevê-lo perfeitamente, yt é uma variável
aleatória.
• Cada valor conhecido do PIB é uma
realização desse processo estocástico.
 Objetivo do modelo
• A partir de valores observados de uma
séries temporal (i.e., uma amostra),
identificar os aspectos essenciais do
“verdadeiro” processo gerador de dados
(i.e., do universo).
• As equações de diferenças estocásticas são
um instrumento eficaz para modelar
processo econômicos dinâmicos.
 Equações de diferenças
• Uma equação de diferenças expressa o
valor de uma variável como função de seus
próprios valores defasados, do tempo, e de
outras variáveis. Ex:

yt = 8,2 + 0,75yt-1 – 0,12yt-2 + εt

 Ruído Branco

• Uma seqüência {εt} é dita ruído branco se

cada valor da série tiver média zero,
variância constante, e não apresentar
correlação serial.
 Ruído Branco

0
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99
-1

-2

-3
 Ruído Branco
E(εt) = E(εt) = ... = 0

Var(εt) = Var(εt) = ... = 2

E(εt.εt-s) = 0 para todo s  0

 Solução de equações de diferenças
• A solução de equações de diferenças lineares pode
ser dividida em duas partes: a solução particular e
a solução homogênea.
• A parte homogênea da equação dá uma medida do
desequilíbrio inicial em relação à posição de
equilíbrio de longo prazo
• A equação homogênea é importante porque dá as
raízes características, que determinam se a série é
convergente (estável)
 Exemplo: Equação de ordem 2
yt = a0 + a1yt-1+ a2yt-2 + εt
Equação homogênea
yt - a1yt-1- a2yt-2 = 0
Equação característica
x2 - a1x - a2 = 0
• As raízes dessa equação são chamadas raízes
características
 Raízes e estabilidade
• As raízes características serão funções dos
coeficientes a1 e a2
• As raízes características determinam se a
série é estável (convergente) ou instável
(divergente)
• Isto é, a estabilidade da série depende dos
coeficientes a1 e a2
 Série convergente (estável)

3,00

2,00

1,00

0,00
1 3 5 7 9 11 13 15 17 19 21 23 25
-1,00

-2,00

-3,00
Série divergente (instável)

16,00
14,00
12,00
10,00
8,00
6,00
4,00
2,00
0,00
1 2 3 4 5 6 7 8 9 10 11
 Condições de Estabilidade

• Condição necessária n

a
i 1
i 1

• Condição suficiente a
i 1
i 1

• Se algum ai = 1, o
processo tem raiz(es)
unitária(s)
 Estabilidade e Estacionariedade

• Se yt é uma equação estocástica de

diferenças, então a condição de estabilidade é
uma condição necessária para que a série
temporal {yt} seja estacionária.
 Estacionariedade
• Um processo estocástico y(t) é dito (fracamente)
estacionário se:
• E[y(t)] = 
• Var[y(t)] = E[y(t) - ]2 = 2
• E{[y(t) - )][y(t - k) - ]} = f(k)
• Obs.: um processo fortemente estacionário não
precisa de média e variância constantes. (É um
conceito menos restritivo).
 Interpretação
• Uma série temporal é dita estacionária se suas
propriedades estatísticas não mudam com o tempo
• A série estacionária tem média e variância
constantes no tempo, e a covariância entre valores
defasados da série depende apenas da defasagem,
isto é, da “distância” temporal entre eles.
Cov(Yt,Yt-k) = k k
 Interpretação
Cov(Yt,Yt-k) = k k
• significa que se, por exemplo, 1 > 0, então um
valor “alto” de Y no presente momento
provavelmente será seguido de um valor também
alto de Y no próximo momento.
• A hipótese de que os k sejam estáveis no tempo,
permite que se use essa informação para prever
valores futuros da série.
 Não-estacionariedade
• No nível da média. A média varia ao longo
da série. Séries que apresentam tendências
temporais não têm média estacionária.
• Se a tendência for não-linear, as
covariâncias também se alterarão ao longo
do tempo
 Modelo autoregressivo de primeira
ordem AR(1)
• É representado como:
Yt = a1 Yt-1 + t
• significa que o valor de Y em t depende do
valor de Y no período anterior mais uma
perturbação aleatória.
• Note que se tomou a0 = 0.
Média do modelo AR(1)

E(yt) = a0/(1 – a1)

Variância do modelo AR(1)

Var(yt) = 2/[1 – (a1)2]

Covariância do modelo AR(1)

Cov(yt, yt-s) = 2(a1)s/[1 – (a1)2]= γs

Portanto γ0 é a variância de yt
 Autocorrelação
• Para uma série estacionária pode-se definir
a autocorrelação entre yt e yt-s como:
s = γs /γ0
• A função de autocorrelação (FAC) mostra
os valores de s para valores crescentes de s.
 Restrições para estacionariedade do
AR(1)
• Seja Yt = a0 + a1 Yt-1 + t

• Dada a condição inicial y = y0 para t = 0, a

solução da equação é:

Yt = a0i=0t-1 a1i + a1t Y0 + i=0t-1 t-i

 Restrições (continuação)
• Ao tomar o valor esperado de y para os
instantes t e t+s observa-se que:
E (yt)  E(yt+s)
• Isto é, a média não seria constante e,
portanto o AR(1) não seria estacionário
 Restrições (conclusão)
• Esta restrição é contornada ao se tomar o valor
limite de yt:

lim yt = a0/(1 – a1) + i=0∞ t-i = a0/(1 – a1)

• Portanto a estacionariedade requer |a1| < 1, e
requer também que o número de observações seja
grande, ou que o processo esteja ocorrendo ahá
um tempo infinitamente longo
• Portanto é necessário cuidado ao trabalhar com
séries originárias de processos recentes, pois
podem não ser estacionárias.
 Autocorrelação parcial
• Mede a intensidade da relação entre duas
observações da série, controlando
(mantendo constante) o efeito das demais
Yt = 11Y1 + t  11= 11
Yt = 11Y1 + 22Y2 + t  22= 22
Yt = k1Y1 + k2Y2 + ...+ kkYk + t  kk= kk
• a seqüência de pares (k, kk) constitui a função de
autocorrelação parcial
 Interpretação
• Se, por exemplo, numa série mensal, os
valores de Yt forem altamente
correlacionados com os valores de Y t-12,
então a função de autocorrelação parcial
deveria exibir um pico na defasagem 12, e
nenhum valor significativo nas demais.