Eco No Me Tri A

Apontamentos de Econometria Aplicada
Jo ao Sousa Andrade
Dezembro de 2001 - (Maio 2004)
2
Conte udo
1 Apresenta cao do Modelo Geral Linear 7
1.1 Constru c ao de Modelos . . . . . . . . . . . . . . . . . . . . . . 7
1.2 O Modelo de Regress ao Cl assico . . . . . . . . . . . . . . . . . 10
1.2.1 As hip oteses do modelo . . . . . . . . . . . . . . . . . . 10
1.2.2 Alguns resultados algebricos . . . . . . . . . . . . . . . 14
1.3 A Natureza do Processo Estoc astico . . . . . . . . . . . . . . . 15
1.3.1 Estacionaridade . . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Ergocidade . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.3 Conclus ao . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4 Regress oes sem Sentido . . . . . . . . . . . . . . . . . . . . . . 17
1.4.1 Valores anormais ou sem sentido . . . . . . . . . . . . . 19
1.5 Testes de aplica c ao mais corrente . . . . . . . . . . . . . . . . 20
1.5.1 Teste de normalidade dos erros . . . . . . . . . . . . . 20
1.5.2 Teste LM . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5.3 Teste LM de auto-correla c ao dos erros . . . . . . . . . 21
1.5.4 Teste ARCH . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.5 Teste de especica c ao (Regression Specication Test) . 22
1.5.6 Teste de Ljung-Box . . . . . . . . . . . . . . . . . . . . 22
1.5.7 Teste de Chow . . . . . . . . . . . . . . . . . . . . . . 23
1.5.8 Criterios de informa c ao . . . . . . . . . . . . . . . . . . 24
1.5.9 Testes de restri c ao de coecientes de regress ao . . . . . 24
2 Razes Unitarias e Estacionaridade 27
2.1 Introdu c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 O operador de desfasamentos . . . . . . . . . . . . . . 27
2.1.2 Vari aveis estacion arias em economia . . . . . . . . . . . 28
2.2 Testes de Dickey-Fuller e Phillips-Perron . . . . . . . . . . . . 30
2.2.1 Procedimentos disponveis no RATS . . . . . . . . . . 31
2.2.2 Diferentes comportamentos das series . . . . . . . . . . 32
2.3 O Estudo de Razes Unit arias em Series Trimestrais . . . . . . 35
2.3.1 A metodologia HEGY . . . . . . . . . . . . . . . . . . 35
3
4 CONTE
UDO
2.3.2 O procedimento do RATS . . . . . . . . . . . . . . . . 36
2.4 O Ratio de Cochrane e a Persistencia das Inova c oes . . . . . . 36
2.5 Avalia c ao ad hoc de Processo AR . . . . . . . . . . . . . . . . 38
2.6 Teste de Perron a Altera c oes Estruturais . . . . . . . . . . . . 39
2.7 A Hip otese Nula de Estacionaridade . . . . . . . . . . . . . . . 41
2.8 Exemplos de Aplica c ao no RATS . . . . . . . . . . . . . . . . 43
2.8.1 Series com raiz unit aria . . . . . . . . . . . . . . . . . . 43
2.8.2 Series estacion arias . . . . . . . . . . . . . . . . . . . . 55
2.8.3 Series com uma ruptura estrutural . . . . . . . . . . . 61
2.8.4 Exemplo de series trimestrais . . . . . . . . . . . . . . 72
3 Cointegra cao, Equilbrio e Ajustamento 81
3.1 Exemplos Econ omicos . . . . . . . . . . . . . . . . . . . . . . 82
3.1.1 Procura de moeda . . . . . . . . . . . . . . . . . . . . 82
3.1.2 Fun c ao consumo . . . . . . . . . . . . . . . . . . . . . 83
3.1.3 Eciencia em mercados cambiais . . . . . . . . . . . . . 83
3.1.4 Paridade do poder de compra . . . . . . . . . . . . . . 84
3.1.5 Despesas do Estado . . . . . . . . . . . . . . . . . . . . 84
3.2 Equivalencia do MCE e da Cointegra c ao . . . . . . . . . . . . 85
3.2.1 Um cuidado adicional: ainda o caso de regress oes esp urias 85
3.2.2 Equivalencia MCE / Cointegra c ao . . . . . . . . . . . . 86
3.3 Obten c ao das Rela c oes de Cointegra c ao . . . . . . . . . . . . . 88
3.3.1 Metodo de Engle-Granger . . . . . . . . . . . . . . . . 88
3.3.2 Cointegra c ao ` a Johansen . . . . . . . . . . . . . . . . . 89
4 Modelos VAR, VECM e Near-VAR(VECM) 121
4.1 Estabilidade de modelos auto-regressivos . . . . . . . . . . . . 122
4.1.1 Processo com dois desfasamentos . . . . . . . . . . . . 122
4.1.2 Processo com p desfasamentos . . . . . . . . . . . . . . 124
4.2 Apresenta c ao de modelos VAR . . . . . . . . . . . . . . . . . . 124
4.2.1 Exemplo de modelo . . . . . . . . . . . . . . . . . . . . 125
4.2.2 Rela c ao entre os erros dos modelos . . . . . . . . . . . 125
4.2.3 Estabilidade do modelo . . . . . . . . . . . . . . . . . . 126
4.3 Identica c ao e estima c ao . . . . . . . . . . . . . . . . . . . . . 127
4.3.1 A Sobre-parametriza c ao dos modelos VAR . . . . . . . 127
4.3.2 A escolha do n umero de desfasamentos . . . . . . . . . 128
4.3.3 Apresenta c ao alternativa de modelos VAR . . . . . . . 129
4.3.4 Identica c ao e matriz de vari ancias-covari ancias . . . . 130
4.3.5 Avalia c ao dos efeitos de choques e decomposi c ao de
Choleski . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4.3.6 Um exemplo e uma regra pr atica . . . . . . . . . . . . 131
CONTE
UDO 5
4.4 Decomposi c ao da vari ancia e an alise de causalidade . . . . . . 132
4.4.1 Capacidade de previs ao dos modelos VAR . . . . . . . 132
4.4.2 Decomposi c ao da vari ancia dos erros . . . . . . . . . . 133
4.4.3 A exogeneidade por blocos de vari aveis . . . . . . . . . 134
4.4.4 Identica c ao do modelo e testes ` as restri c oes impostas 135
4.4.5 Decomposi c ao hist orica das series . . . . . . . . . . . . 136
4.4.6 Programa para apresenta c ao de alguns c alculos relaci-
onados com um modelo VAR . . . . . . . . . . . . . . 136
4.5 Modelos VECM, Near-VAR e Near-VECM . . . . . . . . . . . 143
5 Modelos ARCH 145
5.1 Apresenta c ao geral da quest ao do ARCH . . . . . . . . . . . . 145
5.1.1 Vari ancia condicional AR . . . . . . . . . . . . . . . . 146
5.1.2 Vari ancia condicional ARMA . . . . . . . . . . . . . . 147
5.2 Apresenta c ao do metodo de m axima verosimilhan ca . . . . . . 149
5.2.1 A utiliza c ao do RATS . . . . . . . . . . . . . . . . . . 151
5.3 Algumas observa c oes adicionais sobre a pesquisa do tipo de
Vari ancia condicionada . . . . . . . . . . . . . . . . . . . . . . 153
6 Metodos de Estima cao em Painel Estatico 157
6.1 Metodos de Estima c ao em Painel Est atico . . . . . . . . . . . 158
6.1.1 Teste aos efeitos individuais . . . . . . . . . . . . . . . 159
6.1.2 Testes ` a vari ancia dos erros individuais . . . . . . . . . 159
Em 1993 a Texto Editora publicou os meus apontamentos de econome-
tria, Andrade (1993), os quais constituam o apoio a uma disciplina de op c ao
na Licenciatura de economia e o apoio introdut orio a uma disciplina de Mes-
trado.
Estes apontamentos pouco ou nada devem a esses outros. A unica coisa
em comum refere-se ao facto de continuar a utilizar, como apoio de c alculo,
o programa da Estima, RATS. Na altura, o programa fazia a sua passagem
da vers ao 2 para a 3 e agora encontra-se na vers ao 6.02.
Pretendo que estes novos apontamentos sejam uma base para o ensino
da macro-economia aplicada. N ao se trata de introduzir a econometria em
estudos aplicados, mas de conhecer a econometria que deve come car por ser
usada nos estudos aplicados de macro-economia a um nvel n ao elementar.
Entretanto, acabei por reproduzir no RATS os exemplos dados por Johston
6 CONTE
UDO
e Dinardo na nova edi c ao do livro. Alguns desses exemplos s ao hoje apre-
sentados pela Estima a par com outros de alguns dos principais manuais de
econometria.
Estes apontamentos come caram a ser feitos em Dezembro de 2001. O
programa de texto utilizado na altura era o Scientic Word e depois de
meados de 2003 passou a ser o WinEdt e, nalmente, o Kile como interface
do LaTex, em ambiente Windows e Linux.
O ultimo captulo apresentado acabou por n ao ser desenvolvido (Mode-
los ARCH). O curso do colega Ant onio Alberto Santos, sobre econometria
das series nanceiras, retirou qualquer interesse ` a tentativa de desenvolver
esse captulo. Neste curso, iniciado em 2003, n ao e apenas a volatilidade
determinista que e apresentada, este tipo de volatilidade cl assica e mesmo
critidada e estudada a volatilidade estoc astica
1
.
A econometria dos dados de painel em termos de an alise est atica e intro-
duzida mas n ao a an alise din amica desses mesmo dados.
1
Veja-se a sua p agina www4.fe.uc.pt/aasantos/analise series nanceiras/analise series nanceiras.htm.
Captulo 1
Apresenta cao do Modelo Geral
Linear
Neste captulo iremos falar dos primeiros passos necess arios ` a estima c ao de
um modelo. Come caremos por ver como devemos encarar a liga c ao entre
os elementos de an alise e a constru c ao de um modelo para ser estimado
econometricamente. Em seguida trataremos da apresenta c ao generica do
modelo cl assico e das hip oteses que lhes est ao subjacentes. Estas hip oteses
s ao importantes porque determinar ao a maior parte das exigencias de testes
` as nossas bases de dados e aos nossos resultados.
Becker e Greene (2001) indicam um razo avel n umero de livros de econo-
metria, undergraduate textbooks, e tambem muitas p aginas da internet onde
se podem encontrar elementos de estudo de estatstica e econometria. Para o
objectivo aqui pretendido devemos juntar a esse livros o de Hayashi (2000),
cuja apresenta c ao do modelo cl assico e a nova forma de o encarar acab amos
por seguir.
Nos ultimos meses os autores do RATS tem disponibilizado, na sua p agina,
instru c oes adequadas aos exerccios que constam de um grupo razo avel de
livros de econometria.
1.1 Constru cao de Modelos
Em economia dispomos de encadeamentos l ogicos entre vari aveis que carac-
terizam o comportamento dos indivduos ou de um dado conjunto de in-
divduos. Estas vari aveis podem, ou n ao, ser sujeitas a quantica c ao. No
caso de o serem, e ainda possvel que atraves de fun c oes matem aticas aca-
bemos por representar aqueles comportamentos. Trata-se do caso de uma
7
8 CAP
ITULO 1. APRESENTAC

AO DO MODELO GERAL LINEAR
fun c ao consumo agregado, ou de uma fun c ao da procura de um bem por
parte de um indivduo, respectivamente de
C = C
A
+c Y
d
(1.1)
ou de
Q
D
=
0
P
1
(1.2)
Mas como sabemos, s ao muitos os casos em que temos rela c oes entre
vari aveis em que apenas conhecemos com alguma certeza os sinais das de-
rivadas e n ao a rela c ao precisa entre elas. Ate mesmo para a procura de
moeda, podemos fazer
M
D
= L
_
i, P,

P, Y
R
_
(1.3)
onde
M
D
i
< 0,
M
D
P
> 0,
M
D

P
< 0 e
M
D
Y
R
> 0.
E com esta forma geral procuramos ainda ter em conta que a taxa de juro,
i, pode ser nominal ou real, taxa simples ou factor de capitaliza c ao. E mais,
se retivermos a taxa de juro real n ao podemos usar (em geral) logaritmos.
Os valores negativos desta taxa, para alguns perodos impossibilita-nos de o
fazer.
Onde pretendemos chegar? Que a an alise econ omica conduz-nos ` a veri-
ca c ao emprica de algumas das suas hip oteses de comportamento. Mas deixa
` a investiga c ao propriamente emprica a investiga c ao do tipo de rela c oes, que
podem existir entre vari aveis, que traduzem esses comportamentos. De outra
forma, a an alise econ omica de natureza dedutiva n ao apresenta como produto
nal rela c oes funcionais bem determinadas, para as quais apenas haver a que
determinar os valores dos par ametros. Por essa raz ao, o trabalho emprico
envolve duas tarefas: - conhecer o tipo de rela c ao funcional existente entre as
vari aveis; e - determinar os par ametros que fazem parte dessa rela c ao. Deve-
mos retomar a li c ao de Neyman, Pearson e Wald (McCloskey e Ziliak (1996)
1
)
que a signic ancia estatstica n ao pode eliminar a signic ancia econ omica.
Um modelo s o dever a ser retido se tiver um sentido econ omico, n ao apenas
no que respeita aos sinais dos seus par ametros, mas tambem no que respeita
` a grandeza desses par ametros.
Pelo que acab amos de dizer acaba por ser bastante interessante a ob-
serva c ao de Chow (1983) acerca de a econometria ser anal uma arte. Uma
1
Penso que aqueles autores viviam um perodo em que as conrma c oes empricas eco-
nometricas n ao eram arma de arremesso entre escolas econ omicas. Quando isto acontece,
a signic ancia estatstica tende a dominar a econ omica.
1.1. CONSTRUC

AO DE MODELOS 9
arte que n ao fez sentido sem os olhos que a possam apreciar, a an alise
econ omica, e uma arte que pode dar um signicado preciso ao nosso ra-
ciocnio hipotetico-dedutivo.
Normalmente o economista usa e abusa de modelos com elasticidades
constantes, como o que est a expresso na equa c ao (1.2). Esse modelo tem uma
representa c ao linear bastante simples em logaritmos. O mesmo e dizer que
gostamos de modelos lineares de vari aveis previamente transformadas em
logaritmos. Mas carmos por rela c oes deste tipo e limitarmos excessivamente
a nossa imagina c ao e capacidade. Por outro lado, e como iremos ver mais
` a frente, n ao podemos esquecer algumas caractersticas que s ao exigidas ` as
observa c oes que reunimos nas nossas vari aveis e que nos obrigam a obter
diferen cas dos seus valores.
Exempliquemos o que queremos dizer com esta ultima observa c ao. S o
aparentemente um modelo de elasticidade constante e equivalente a um mo-
delo linear em termos de taxas de crescimento. O primeiro ser a escrito em
termos de logaritmos de observa c oes em nveis e o segundo em primeiras di-
feren cas desses logaritmos. Mas eles s ao profundamente diferentes do ponto
de vista das vari aveis que usamos... O economista sem conhecimentos de eco-
nometria n ao imagina as diferen cas entre uma e outra forma de apresentar o
que anal ate e o mesmo.
A formula c ao de uma rela c ao econ omica e o primeiro passo na nossa in-
vestiga c ao emprica. Mas este passo nunca deve ser tomado como irreversvel
pelo investigador. Por uma lado existem alguns testes estatsticos que nos
ajudam a saber se estamos perante um modelo bem especicado e por outro,
temos a obriga c ao de testar (e tentar) v arias formula c oes que n ao ofendam
a teoria econ omica, pelo contr ario que a conrmem.
Que n ao nos iludamos, o nosso trabalho econometrico e apenas de puro
conrmacionismo. Mesmo que saiamos desse conrmacionismo e possamos
descobrir algo de novo, apenas se esse novo for coerente com a an alise
econ omica o devemos reter. Descobrir o que n ao sabemos explicar ou com-
preender n ao faz sentido. Ao aceitarmos estas regras de jogo estamos anal
a reduzir os efeitos negativos do uso do metodo indutivo que a econometria
implica. Mas ao fazermos isto estamos tambem a contribuir para imunizar
as nossas teorias.
Ao come carmos o nosso trabalho econometrico devemos ter uma rela c ao
em condi c oes de ser testada econometricamente. e a partir dela que toda
a nossa investiga c ao se vai desenvolver. Se porventura ela for substituda
por uma outra e porque n ao pudemos excluir toda uma serie de requisitos
que consideramos essenciais a uma boa rela c ao funcional. e disto que iremos
tratar.
10 CAP
ITULO 1. APRESENTAC

Se pretendemos que uma proposi c ao geral tenha car acter cientco, ela
deve ser posta ` a prova da experiencia. Qualquer experiencia e sempre singular
e n ao podemos tentar uma experiencia como a experiencia geral . A eco-
nometria lida com numerosos resultados de experiencias. E como, depois de
Popper, e certo que nenhum conhecimento cientco deve ser tomado como
absolutamente certo, a natureza estoc astica dos resultados econometricos
parece-nos adequada ` a an alise cientca em economia.
Fa camos, nalmente, uma referencia a uma fal acia especca ` a econo-
metria: a fal acia da regress ao para a media. Esta fal acia foi apresentada
por Hotelling (1933) e recentemente lembrada por Friedman (1992). Este
ultimo autor chama-lhe mesmo armadilha. Referindo-se ao estudo onde se
provavaa tendencia para a media de diferentes empresas, Hotelling disse
The real test of a tendency to convergence would be in showing a consistent
diminution of variance, not among means of groups, but among individual
entreprises. O mesmo tipo de fal acia pode ser encontrado nos exemplos
dados por Friedman, para o crescimento econ omico e para a fun c ao consumo
baseada em dados cross-section. Esta fal acia pode ser encarada como um
resultado indirecto da ausencia de estudo da signic ancia econ omica em
econometria.
1.2 O Modelo de Regressao Classico
Em economia n ao podemos esperar que os dados que dispomos resultem de
experiencias que podem ser repetidas. Por esse motivo devemos tomar as
vari aveis a estudar como sendo o resultado de processos aleat orios, como
constituindo um processo estoc astico.
1.2.1 As hip oteses do modelo
Passemos em revista as hip otese em que se fundamenta o modelo.
Hip otese 1 A linearidade do modelo
Tomemos o modelo simples
Y
t
=
0
+
1
x
t1
+
2
x
t2
+... +
k
x
tk
+
t
(1.4)
o membro direito e anal a fun c ao a estimar. Os s ao os coecientes de
regress ao. A vari avel
t
corresponde ao que se convencionou designar por
erros do modelo. Esta vari avel concentra, para alem dos erros que derivam
1.2. O MODELO DE REGRESS
AO CL
ASSICO 11
de estarmos a lidar com um processo estoc astico, os efeitos de outras vari aveis
n ao presentes no modelo, as quais ignoramos quais sejam, ou, tendo uma ideia
de quais s ao, n ao apresentam uma rela c ao est avel com a vari avel dependente.
O modelo a estimar tem a congura c ao linear representada em (1.4). Em
termos matriciais podemos fazer
Y =
_
_
Y
1
Y
2
.
.
.
Y
N
_
_
=
_
2
.
.
.
N
_
_
X =
_
_
x
11
x
12
. . . x
1k
x
21
x
22
. . . x
2k
. . .
. . .
. . .
x
N1
x
N2
. . . x
Nk
_
_
=
_
2
.
.
.
k
_
_
ou seja, de forma compacta
Y = X + (1.5)
Os modelos a estimar baseiam-se nesta regra de linearidade. e certo que a
econometria n ao se limita a modelos lineares, mas o modelo cl assico e todas
as suas caractersticas de distribui c ao estatstica dos estimadores se referem
ao modelo (1.5) acima. Tambem e certo que o modelo referido e j a muitas
vezes o resultado de transforma c oes que nos levam de rela c oes n ao lineares
a uma rela c ao que e linear. O exemplo mais conhecido, e f acil de perceber,
e o de aquelas vari aveis serem logaritmos de outras. Estaramos neste caso
a lidar com um modelo de elasticidades constantes, mas cuja estima c ao se
resume ` a de um modelo linear.
Hip otese 2 Exogeneidade estrita
Esta hip otese traduz-se na seguinte exigencia expressa pelo valor esperado
dos erros condicionados aos valores de X
E [
t
/X] = 0, t = 1, 2, N (1.6)
O valor esperado da vari avel aleat oria erros, sendo dados os valores das
vari aveis independentes, e uma constante que toma o valor nulo. Uma outra
forma de apresentar esta hip otese e estabelecer a independencia de e cada
uma das vari aveis em X.
Esta hip otese de igualdade estrita acarreta algumas consequencias.
1
a
.
A media dos erros (n ao condicionados) e nula. Como podemos ver
12 CAP
ITULO 1. APRESENTAC

E [E [
t
/X]] = E [
t
] E [
t
/X] = 0 E [
t
] = 0 (1.7)
2
a
.
As vari aveis independentes s ao ortogonais com o erro
E [x
jk
t
] = 0 (1.8)
Sen ao vejamos,
E [
t
/x
jk
] = E [E [
t
/X] /x
jk
] = 0
E [x
jk
t
] = E [E [x
jk
t
/x
jk
]] = E [x
jk
E [
t
/x
jk
]] = 0
As vari aveis independentes s ao assim ortogonais com os erros de ob-
serva c oes identicas, E [x
tk
t
], e ainda de observa c oes diferentes, para o qual
bastar a que em E [x
jk
t
], j = t.
3
a
.
Como resulta da 2
a
consequencia, a covari ancia dos erros e das vari aveis
independentes e nula.
Cov (
t
, x
jk
) = E [x
jk
t
] E [x
jk
] E [
t
]
= E [x
jk
t
] = 0 (1.9)
No caso de j = t, as vari aveis independentes n ao s ao correlacionadas com
os erros.
N ao e difcil perceber que a segunda daquelas consequencias e demasiado
exigente para modelos com series temporais: as vari aveis independentes s ao
ortogonais com os erros para observa c oes contempor aneas, passadas ou fu-
turas destes. Isto invalidaria os nossos modelos auto-regressivos. Felizmente
os nossos estimadores possuem boas caractersticas mesmo com esta viola c ao
da exogeneidade estrita.
Veja-se o caso de um processo AR1,
Y
t
= Y
t1
+
t
que anal nos conduz a
E [Y
t
t
] = E [( Y
t1
+
t
)
t
]
= E [Y
t1
t
] +E
_
2
t
= 0 +E
_
2
t
= E
_
2
t
1.2. O MODELO DE REGRESS
AO CL
ASSICO 13
e assim, mesmo com E [
t
] = 0, e natural ter E [Y
t
t
] = 0!
Hip otese 3 N ao multicolinearidade
Esta hip otese pode ser expressa de uma forma bastante simples, exigindo-
se que a caracterstica da matriz X seja igual a k.
R[X] = k (1.10)
Hip otese 4 Homocedasticidade e n ao correla c ao dos erros
A homocedasticidade implica que
E
_
2
t
/X
=
2
(1.11)
ou, de outra forma, em termos da vari ancia dos erros
V ar [
t
/X] = E
_
2
t
/X
E [
t
/X]
2
= E
_
2
t
/X
=
2
A n ao correla c ao das observa c oes dos erros pode ser expressa como
E [
i
j
/X] = 0 (1.12)
ou ainda como
Cov [
i
j
/X] = 0
Resulta destas duas hip oteses, (1.11) e (1.12) que
E [
/X] =
2
I
N
(1.13)
ou, de outra forma
V ar [/X] =
2
I
N
A matriz das vari ancias dos erros e assim uma matriz diagonal, sendo o
valor da diagonal dado pela vari ancia dos erros.
Hip otese 5 Distribui c ao Normal dos erros
14 CAP
ITULO 1. APRESENTAC

A distribui c ao Normal dos erros e importante para o conhecimento das
distribui c oes estatsticas dos coecientes de regress ao
/X N
_
0,
2
I
N
_
(1.14)
De acordo com a nossa primeira hip otese e (1.14), temos o resultado a
que nos referimos imediatamente acima
(b ) /X N
_
0,
2
(X
X)
1
_
(1.15)
1.2.2 Alguns resultados algebricos
Vamos passar em revista algumas f ormulas uteis que resumem a estima c ao
do modelo linear.
1) Resulta da minimiza c ao do quadrado dos erros da equa c ao (1.5) que
os coecientes de regress ao s ao obtidos de acordo com a f ormula (1.16.a)
b = (X
X)
1
X
Y (1.16.a)
2) Os valores estimados do modelo s ao representados por
Y e s ao obtidos
atraves do modelo usando os coecientes de regress ao obtidos. Desta forma
podemos obter os valores dos erros do modelo, (1.16.b) e (1.16.c)
Y = X b (1.16.b)
e = Y

Y (1.16.c)
3) A soma do quadrado dos erros RSS (residual sum of squares), (1.16.d),
permite-nos calcular o valor do desvio padr ao da estima c ao (1.16.e)
RSS = e
e (1.16.d)
SEE =
s
2
=
_
RSS
N k
(1.16.e)
4) O valor do coeciente de correla c ao n ao-centrado, (1.16.f), e centrado,
ou coeciente de determina c ao, (1.16.g), vem dados por
R
2
un
= 1
e
e
Y
Y
(1.16.f)
1.3. A NATUREZA DO PROCESSO ESTOC
ASTICO 15
R
2
c
= 1
e
Y
(1.16.g)
com
Y = YE[Y].
5) O valor da estatstica F para (k 1) e (nk) graus de liberdade vem
dado por
F
k1,nk
=
Y/(k 1)
e
e/(Nk)
(1.16.h)
e destina-se a testar a hip otese nula dos coecientes do modelo, para alem
da constante, serem nulos.
1.3 A Natureza do Processo Estocastico
Como j a dissemos acima, estamos perante uma sequencia de vari aveis aleat ori-
as que seleccion amos. A partir desta escolha vamos procurar obter o modelo
que as relaciona. Tomemos os valores do produto e da ina c ao de 1951 a 2000.
Dispomos de 50 observa c oes. Estas observa c oes caracterizam o produto e
a taxa de ina c ao em geral, ou apenas podem caracterizar o produto
e a taxa de ina c ao daquele perodo? Outros perodos hist oricos e ou-
tras seriam as series obtidas? Como obter outra amostra de 50 observa c oes
daqueles valores do produto e da taxa de ina c ao?
Poderemos tomar o valor de 1980 como representando a media dos valores
do processo que gera o produto? E da taxa de ina c ao? Se a distribui c ao
da taxa de ina c ao continuar inalterada
2
aquelas 50 observa c oes s ao apenas
valores da mesma distribui c ao. Se o fen omeno n ao for muito persistente
3
cada observa c ao conter a informa c ao que n ao est a disponvel nas outras ob-
serva c oes. N ao e difcil perceber que estas quest oes que coloc amos s ao mais
complicadas de aplicar aos valores do produto que aos da ina c ao.
1.3.1 Estacionaridade
Passemos a esclarecer o que pretendemos com a caracterstica de estacio-
naridade. Um processo {Z
t
} e fracamente estacion ario (ou estacion ario em
covari ancia) se:
a) O valor esperado em qualquer momento n ao depender desse preciso
momento. Ou seja, E [Z
t
], n ao depender de t.
2
A vari avel for estacion aria.
3
Falamos de ergocidade.
16 CAP
ITULO 1. APRESENTAC

b) A vari ancia dos seus valores, seja qual for o perodo a que nos repor-
temos, for constante e nita: E
_
(Z
t
E [Z
t
])
2
<
c) A covari ancia entre diferentes observa c oes depender do intervalo entre
essas observa c oes mas n ao do perodo em que as tomamos: Cov [Z
t
, Z
tk
] =
k
. De outra forma:
Cov [Z
t+121
, Z
t+100
] =
21
= Cov [Z
t+22
, Z
t+1
] = Cov [Z
t+25
, Z
t+2
].
Exemplos simples de vari aveis estacion arias s ao os (i) erros, a que j a
zemos referencia, IID, e que apresentam a ausencia de rela c ao auto-
regressiva; e (ii) uma constante, que j a apresenta o m aximo de dependencia
auto-regressiva.
Uma forma pratica de determinar se a variavel e estacionaria
Sem procurarmos avan car de imediato no estudo das caractersticas de es-
tacionaridade podemos desde j a apresentar uma regra pr atica e uma fun c ao
com comportamento tpico. A primeira consiste em dividir a amostra, por
exemplo em duas partes, Z
1t
e Z
2t
, e ver se as respectivas medias e desvios
padr ao coincidem
Z
1
=
Z
2

2
Z
1
=
2
Z
2
Se tal acontecer existem fortes possibilidades de estarmos perante uma
vari avel estacion aria.
A segunda baseia-se na obten c ao da fun c ao de auto-correla c ao da amostra
j
=
Cov (Z
t
, Z
t+j
)
V ar (
t
)
(1.17)
onde
0
= 1
k
=
k
. Aquela express ao pode ser obtida atraves de
j
=
Nj
t=1
_
Z
t
Z
_
_
Z
t+j
Z
_
N
t=1
_
Z
t
Z
_
2
(1.17.a)
Ora, em caso de estacionaridade, o valor de
j
cai para 0 ap os j = 1. Por
outro lado, sabemos que N (o,
=
1
N
, pelo que podemos avaliar
o grau de probabilidade de = 0.
1.4. REGRESS
OES SEM SENTIDO 17

1.3.2 Ergocidade
Se numa qualquer serie Z, (Z
t+1
, Z
t+2
, ..., Z
t+h
) e (Z
t+k+1
, Z
t+k+2
, ..., Z
t+k+h
) ,
com k sucientemente grande, forem independentes
4
, ent ao o processo es-
tacion ario e dito que apresenta ergocidade. Um importante teorema de
uma serie estacion aria e erg otica e que se {Z
t
} representar essa vari avel,
e E [Z
t
] = , ent ao, para uma amostra N, teremos
Z
N
=
1
N
N
t=1
Z
t
(1.18)
a media daqueles valores converge assimptoticamente para .
1.3.3 Conclusao
Se um processo estoc astico for formado por vari aveis que veriquem as ca-
ractersticas de estacionaridade e ergocidade ent ao podemos com seguran ca
tomar uma amostra dos valores desse processo e com base nela passarmos ` a
representa c ao econ omica (econometrica) pretendida. No exemplo acima, se
a taxa de ina c ao for uma vari avel desse tipo, ent ao podemos estar seguros
de usar aquela amostra de valores para representar o fen omeno inacionista -
n ao temos necessidade de esperar mais 50 anos para vermos se o processo se
repete ... -. Se a nossa amostra apenas correspondesse a um fen omeno par-
ticular a econometria seria de pouca valia na conrma c ao das nossas ideias
(ou dedu c oes) pela impossibilidade que teramos de generalizar.
Como vemos, o economista deseja para as series que vai usar carac-
tersticas que lhe permitem mitigar
5
o problema da indu c ao em econome-
tria. Ele pretende trabalhar com series que mais n ao s ao que uma amostra
do processo gerador dos valores dessas vari aveis.
1.4 Regress oes sem Sentido
Yule (1926) foi o primeiro autor a levantar a quest ao de regress oes sem sentido
e de regress oes esp urias. No entanto, a inuencia do seu trabalho foi-se redu-
zindo ao longo do tempo e cou mesmo esquecido ate ao trabalho de Phillips
(1986). Para uma apresenta c ao dos diferentes tipos daquelas regress oes veja-
se Hendry e Juselius (2000), pp. 17-21. Mais ` a frente voltaremos ` a quest ao
das regress oes esp urias.
4
Assintoticamente.
5
E mesmo ultrapassar.
18 CAP
ITULO 1. APRESENTAC

No caso de regress oes sem sentido temos dois subtipos de regress oes para
as quais devemos estar atentos. No primeiro subtipo obtemos bons mo-
delos que relacionam vari aveis sem que essas rela c oes expressem conte udos
econ omicos com signicado. Obviamente que devemos evitar este tipo de
resultados. As nossas muni c oes para essa preven c ao residem na an alise
econ omica. O segundo subtipo parte de vari aveis, que pela sua natureza
estatstica, conduzem a falsas rela c oes. Nestes dois casos, dizemos, hoje, que
apesar dessas vari aveis serem integradas, elas s ao mutuamente independen-
tes. Vejamos este ultimo caso.
Tomemos apenas duas vari aveis, Y
t
e X
t
. Em modelos em que aquelas
vari aveis apresentam uma tendencia ou n ao s ao estacion arias, os R
2
acabam
por ser muito elevados e a estatstica de Durbin-Watson apresenta valores
muito reduzidos. Um dos problemas com tal regress ao e que X
X
1
N
n ao
converge para um limite, e assim, o estimador dos mnimos quadrados n ao e
convergente. Para alem disso, as estatsticas habituais acabam por n ao ter
as distribui c oes desejadas.
Tomemos dois casos. Comecemos por admitir que as vari aveis apresentam
uma tendencia. Assim
Y
t
=
1
+
2
t +
t
X
t
=
1
+
2
t +
t
(1.19a)
e que
t
e
t
n ao tem qualquer rela c ao entre si. Se tomarmos os valores
Y
t
1
=
Y
t
e X
t
1
=
X
t
, podemos ver que
E
_
Y
t
_
=
2
t
E
_

X
t
_
=
2
t
e nalmente
E
_
Y
t
_
=

2
2
E
_

X
t
_
. (1.19b)
O que acab amos de fazer pode ser traduzido no seguinte: tomemos duas
vari aveis sem qualquer rela c ao entre elas,
t
e
t
, somemos a cada uma
tendencia determinista, acabamos por obter duas novas vari aveis que ir ao
apresentar uma rela c ao obvia entre elas. Como podemos saber se num mo-
delo com duas vari aveis (ou mais) estamos perante o caso aqui apresentado?
Em primeiro lugar devemos saber se as vari aveis apresentam, ou n ao, uma
tendencia determinista. Se esta hip otese for conrmada devemos retirar essa
1.4. REGRESS
OES SEM SENTIDO 19

tendencia dessas vari aveis e apenas depois passar ` a estima c ao denitiva do
modelo?
Vejamos agora o caso em que temos duas vari aveis que apresentam um
processo random walk com drift
Y
t
= Y
t1
+
2
+
t
X
t
= X
t1
+
2
+
t
(1.19c)
Fa camos o desenvolvimento recursivo de uma delas
Y
1
= Y
0
+
2
+
1
Y
2
= Y
0
+
2
(2) + (
1
+
2
)
...
Y
t
= Y
0
+
2
t +
t
_
t
=
N
i=1
i
_
(1.19d)
Se tomarmos Y
0
= X
0
= 0, facilmente chegamos a uma rela c ao identica
a (1.19b). Nesta ultima equa c ao encontramos a presen ca de uma tendencia
determinista (
2
t) e de uma tendencia estoc astica
_
t
=
N
i=1
i
_
.
Pelos exemplos que vimos, podemos ser levados a pensar que, nestes casos,
retirando a tendencia ` as series envolvidas resolvemos os nossos problemas.
Mas isso n ao e correcto, veja-se Hendry (1995), pp. 133-4.
1.4.1 Valores anormais ou sem sentido
J a vimos o problema de modelos sem sentido econ omico ou econometrico.
Devemos tambem ter uma palavra para valores anormais de vari aveis sem
sentido. Se num modelo tivermos uma vari avel que apresenta valores fora
do normal, exageradamente elevados ou reduzidos, estes valores acabam por
dominar a estima c ao dos seus coecientes de regress ao.
Num modelo de series temporais o problema pode ser resolvido, esco-
lhendo um criterio claro para a sua identica c ao, e substituindo esse valor
por uma media centrada. Se a vari avel n ao for uma serie temporal mas sim
composta por valores de um indivduo a quest ao e mais complicada. N ao
faz sentido substituir esse valor pela media de valores de outros indivduos.
Ou se exclui o indivduo ou se altera a vari avel de forma a que esse problema
20 CAP
ITULO 1. APRESENTAC

deixe de existir. Uma correc c ao possvel, nalguns casos, e a passagem a uma
vari avel de valores relativos.
Na resolu c ao deste problema tambem podemos optar por uma op c ao au-
tom atica, do tipo de excluir certas observa c oes nas nossas estima c oes que
veriquem uma dada condi c ao. Por exemplo, excluir as observa c oes cujo va-
lor absoluto do erro seja superior a um m ultiplo do desvio-padr ao dos erros.
1.5 Testes de aplica cao mais corrente
Vamos apresentar um conjunto alargado de testes a diferentes hip oteses do
modelo linear que se destinam a conrmar se as hip oteses retidas para a sua
estima c ao s ao, ou n ao, conrmadas. Num estudo econometrico constitui uma
boa pr atica a realiza c ao destes testes, assim como a sua divulga c ao.
1.5.1 Teste de normalidade dos erros
As estatsticas obtidas para o modelo linear geral est ao dependentes desta
caracterstica. Se o modelo apresentar uma constante (intersec c ao) ent ao
a media dos erros e necessariamente nula. A ideia mais geral consiste em
procurar ver se os valores dos erros apresentam (as)simetria e n ao s ao acha-
tados
6
. Se tomarmos uma vari avel X, e admitirmos que temos N valores
para a representar, podemos resumir um conjunto de dados importantes
Media
X =
1
N
N
t=1
X
t
Vari ancia s
2
=
1
N1
N
t=1
_
X
t
X
_
2
Desvio-padr ao da media
s
N
Estatstica t para
X = 0
N
s
Skewness Sk =
N
2
(N1)(N2)
m
3
s
3
Estatstica para SK = 0 Sk
_
(N1)(N2)
6N
Kurtosis Ku =
N
2
(N1)(N2)(N3)
(N+1)m
4
3(N1)m
2
2
s
4
Estatstica para Ku = 0 Ku
_
(N1)(N2)(N3)
24N(n+1)
Jarque-Bera N
_
Ku
2
24
+
Sk
2
6
_

2
(2)
Se tivermos uma distribui c ao Normal N(0, 1), a media dever a ser nula,
o desvio-padr ao igual a 1 e a skewness e o excesso de kurtosis dever ao ser
ambos nulos. O teste de Jarque-Bera tem como H(0) a distribui c ao Normal.
6
Skewness e excesso de Kurtosis.
1.5. TESTES DE APLICAC

AO MAIS CORRENTE 21
1.5.2 Teste LM
Pertence a um conjunto de testes bastante usados
7
. Baseia-se na compara c ao
de dois modelos: um sem qualquer restri c ao (UR) e outro com restri c ao (R).
Escrevamos os dois modelos, R e UR
Y
t
=
1
1
+
1
2
X
2t
+... +
1
k
X
kt
+
t
(1.20.a)
Y
t
=
2
1
+
2
2
X
2t
+... +
2
k
X
kt
+
2
k+1
X
k+1t
+... +
2
k+m
X
k+mt
+
t
(1.20.b)
O nosso objectivo consiste em saber se porventura os coecientes de re-
gress ao
2
k+1
, ...,
2
k+m
s ao nulos (ou n ao). Do modelo (1.20.a) obtemos os
valores estimados de

t
e fazemos a estima c ao do modelo seguinte

t
=
1
+
2
X
2t
+... +
k
X
kt
+
k+1
X
k+1t
+... +
k+m
X
k+mt
+
t
(1.20.c)
O valor de N R
2
que resulta de (1.20.c) tem uma distribui c ao do
2
com
m graus de liberdade. Se o seu valor for superior ao valor crtico escolhido
(para uma dado grau de probabilidade),
2
(m) >
2
c
(m), ent ao a hip otese
nula dos coecientes
2
k+1
, ...,
2
k+m
deve ser excluda.
Trata-se de um teste muito robusto quando rejeita a hip otese nula da-
queles coecientes. Este teste acaba por ter bastantes aplica c oes. Vejamos
para j a uma das suas aplica c oes. Se tivermos um modelo como o da equa c ao
(1.20.a) podemos questionarmos se a inclus ao de outras vari aveis n ao me-
lhoraria o nosso modelo, ou se anal n ao estaramos a excluir injusticada-
mente outras vari aveis dele. Foi no fundo o que acab amos de ver ao comparar
(1.20.a) com (1.20.b).
Vejamos de imediato outras aplica c oes deste tipo de teste.
1.5.3 Teste LM de auto-correla cao dos erros
O problema que se nos coloca e saber se num modelo como (1.20.a) podemos
excluir para os erros uma estrutura auto-regressiva de ordem r
t
=
r
i=1
ti
+
t
,
t
IID(0,
) (1.21.a)
O teste e em tudo semelhante ao feito em (1.20.c).
7
Como o de Wald e o de Ratio de Verosimilhan ca.
22 CAP
ITULO 1. APRESENTAC


t
=
1
+
2
X
2t
+... +
k
X
kt
+
k+1

t1
+... +
k+r

tr
+
t
(1.21.b)
onde N R
2

2
(r) na hip otese de n ao existir auto-correla c ao.
1.5.4 Teste ARCH
O famoso teste de AutoRegressive Conditional Heteroscedasticity baseia-se
na possibilidade de a vari ancia dos erros ter uma estrutura auto-regressiva.
Assim, devemos testar a hip otese do seguinte comportamento dos erros dum
qualquer modelo
2
t
=
r
i=1
2
ti
+
t
,
t
IID(0,
) (1.21.c)
A estima c ao adicional

2
t
=
1
+
2
t1
+... +
r

2
tr
+
t
(1.21.d)
N R
2
apresenta a mesma distribui c ao que acima para a hip otese nula de
ausencia de processo ARCH.
1.5.5 Teste de especica cao (Regression Specication
Test)
Procuramos com este teste comparar um modelo com a alternativa de as
potencias do valor estimado pertencerem ao modelo. Normalmente camos
pela potencia de ordem 2. A quest ao que se coloca e se aquela nova vari avel,
Y
2
t
, faz ou n ao parte do modelo
Y
t
=
1
+
2
X
2t
+... +
k
X
kt
+
k+1
Y
2
t
+
t
(1.21.e)
Na estima c ao de uma equa c ao do tipo (1.21.b) o valor de N R
2
apresenta
uma distribui c ao
2
(1), na hip otese nula de correcta especica c ao do modelo
original. Se a hip otese nula (H0) for rejeitada ent ao devemos pensar numa
outra especica c ao do modelo em termos algebricos.
1.5.6 Teste de Ljung-Box
Trata-se de um teste de Box-Pierce adaptado a amostras pequenas, para va-
lores elevados da ordem de auto-correla c ao, r. Se representarmos por
2
k
o co-
eciente de correla c ao entre valores da mesma vari avel desfasados k perodos,
a estatstica de Ljung-Box vir a dada por

AO MAIS CORRENTE 23
Q(k) = N (N + 2)
k
i=1
1
N i

2
i
(1.21.f)
que tem uma distribui c ao
2
(k) na hip otese nula (conjunta) dos coecientes
de correla c ao.
1.5.7 Teste de Chow
Este teste ganhou um outro valor ap os a crtica de Lucas ` a ausencia de
inclus ao nos modelos econ omicos da modela c ao dos comportamentos de an-
tecipa c oes dos agentes. Estes ultimos, ao reagirem a diferentes polticas
provocar ao altera c oes nos par ametros de comportamento das vari aveis da
economia. Ou seja, devemos ter um cuidado particular com a estabilidade
dos coecientes do modelo que estimarmos.
Suponhamos que temos N
1
+ N
2
observa c oes e k par ametros que nos
permitem construir o seguinte modelo
8
Y = X + (1.21.g)
Suponhamos tambem que acabamos por ter serias d uvidas de que o mo-
delo seja o mesmo para as primeiras N
1
observa c oes e para as ultimas N
2
observa c oes. Por exemplo, sabemos que se registaram altera c oes importantes
de um para o outro perodo.
Construindo os dois modelos
Y
1
= X
1

1
+
1
Y
2
= X
2

2
+
2
queremos, no fundo, saber se
1
=
2
. Para tal construamos o modelo UR
(n ao restrito)
_
Y
1
Y
2
_
=
_
X
1
0
0 X
2
_
_

1
2
_
+
_

1
2
_
(1.21.h)
Se retivermos o somat orio do quadrado dos erros do modelo (1.21.g),
RSS
R
, e do modelo (1.21.h), RSS
UR
podemos obter
(RSS
R
RSS
UR
) /k
RSS
UR
/ (N
1
+N
2
2k)
F
k,N
1
+N
2
2k
que tem uma distribui c ao F na hip otese nula de igualdade dos coecientes.
8
Que passaremos a designar por R (restrito).
24 CAP
ITULO 1. APRESENTAC

1.5.8 Criterios de informa cao
N ao se trata agora de apresentar quaisquer testes estatsticos, mas antes o
que e conhecido como criterios de informa c ao que traduzem a qualidade de
ajustamento de um modelo. Para estes indicadores a vari avel principal acaba
por ser uma medida do valor absoluto dos erros. Eles giram ` a volta, da soma
do quadrado dos erros, RSS = e
e. Vejamos os mais conhecidos.

Desvio-padrao da estima cao (see)
see =
_
RSS
N k
(1.21.i)
Criterio de Akaike (AIC)
AIC = N log(RSS) + 2 k (1.21.j)
Criterio de Schwarz (BIC)
9
BIC = N log(RSS) +k (log(N)) (1.21.k)
Compara cao entre os diferentes criterios
Estes tres criterios penalizam por ordem crescente o n umero de desfasamen-
tos. Excluda que est a a utiliza c ao do coeciente de correla c ao para traduzir
o nvel de informa c ao sobre a vari avel dependente de um dado modelo, resta-
nos a escolha de um daqueles criterios. Talvez porque tenha a virtude de se
situar ao centro, o AIC acaba por ser o mais utilizado.
1.5.9 Testes de restri cao de coecientes de regressao
A quest ao que agora colocamos e que temos um dado modelo
10
e queremos
saber se podemos admitir com um grau razo avel de probabilidade certos
valores para combina c oes lineares desses coecientes. Lembremos que no se
refere a um coeciente de regress ao isolado, esse teste e conduzido atraves da
estatstica t. O que normalmente acontece e que o teste t e feito (calculado)
para a H(0) de E [] = 0. Logo, bastar a substituir o valor esperado do
coeciente, para podermos fazer um novo teste.
Trata-se agora de impor como H(0:
9
Tambem designado Bayesian Information Criterion.
10
Linear ou, mesmo, n ao linear.

AO MAIS CORRENTE 25
R = r (1.21.l)
onde R
qk
, q < k e r
q1
.
Vejamos tres testes: o LM, o de Wald (W) e o do ratio de verosimilhan ca
(LR). Estes tres testes tem a seguinte rela c ao entre eles: W LR LM
11
.
Uma nota importante deve ser feita a prop osito da rela c ao entre a estatstica
do
2
(q) e a F
q,(Nk)
. Quando (N k) , q F
q,(Nk)

a
2
(q). Alguns
autores indicam os valores em termos da estatstica F e outros em termos da
estatstica do
2
.
Teste LM
A prop osito de analisarmos algumas das hip oteses do modelo geral j a vimos
a l ogica dos testes LM. Aplicada ` a hip otese expressa em (1.21.l) temos
LM = N
RSS
R
RSS
UR
RSS
R

2
(q) (1.21.m)
Teste de Wald
Para este teste temos a express ao
W = N
RSS
R
RSS
UR
RSS
UR

2
(q) (1.21.n)
Teste do Ratio de Verosimilhan ca
A express ao que nos conduz a esta estatstica, tambem com distribui c ao do
chi-quadrado, e
LR = N (ln RSS
R
ln RSS
UR
)
2
(q) (1.21.o)
11
Embora sejam assintoticamente equivalentes.
26 CAP
ITULO 1. APRESENTAC

Captulo 2
Razes Unitarias e
Estacionaridade
J a fal amos da necessidade de sabermos se as vari aveis usadas num modelo s ao
ou n ao estacion arias. No caso de o n ao serem a tecnica econometrica a utilizar
n ao pode ser a mesma que a utilizada quando as vari aveis s ao estacion arias:
as distribui c oes estatsticas dos estimadores n ao s ao as convencionais.
Como dissemos, o modelo cl assico est a construdo para vari aveis esta-
cion arias. No que respeita ` as razes unit arias, o livro de Hamilton (1994)
passou a ser a referencia obrigat oria. No entanto, o livro de Maddala e Kim
(1998), que apenas se dedica a esta quest ao, e bastante mais completo do
que aquele. Veja-se tambem, em portugues, o livro de Marques (1998).
Comecemos por apresentar um conceito util, o de operador de desfasa-
mentos, e passaremos depois a justicar porque raz ao certas vari aveis apre-
sentam um interesse limitado para os economistas.
Os testes mais usados para o estudo da caracterstica de estacionaridade
das series ser ao em seguida apresentados. Veremos os testes de ADF, Perron,
HEGY, Cochrane e KPSS.
2.1 Introdu cao
2.1.1 O operador de desfasamentos
O conceito de operador de desfasamento e bastante usado em an alise econ omica
e econometrica pela economia que introduz na representa c ao de f ormulas
com desfasamentos. A referencia cl assica continua a ser Dhrymes (1971).
27
28 CAP
ITULO 2. RA
IZES UNIT
ARIAS E ESTACIONARIDADE
Vejamos como o podemos caracterizar
L X
t
= X
t1
L
h
X
t
= X
th
(k)
(L)
t
=
_
1 +
1
L +
2
L
2
+... +
k
L
k
_

t
=
=
t
+
1

t1
+
2

t2
+... +
k

tk
Como vemos, a forma extremamente condensada da apresenta c ao de um
polin omio de desfasamentos pode ser de grande utilidade.
2.1.2 Variaveis estacionarias em economia
Tomemos uma vari avel, Y , estacion aria em covari ancia
Y
t
= +
t
+
1

t1
+
k

tk
+... = +(L)
t
(2.1)
onde
j=0
|
j
| < e as raizes de (z) = 0 est ao fora do crculo unit ario.
A vari avel
t
apresenta as caractersticas normais, desejadas para tal
vari avel,
t
N (0,
2
), com media nula e vari ancia constante.

Uma vari avel como a apresentada em (2.1) e identicada simbolicamente
por I(0). Esta representa c ao permite conhecer o n umero de diferen cas tem-
porais que foram feitas aos valores originais de uma serie para que ela se
tenha tornado estacion aria. I(d) signica que zemos d diferencia c oes para
obter uma vari avel do tipo (2.1). Ela ser a lida como vari avel integrada de
ordem d.
A vari avel Y , acima descrita, apresenta ainda, como caractersticas
E [Y
t
] = (2.1.a)
E [Y
t+s
] =

Y
t+s
= E [Y
t+s
/Y
t
, Y
t1
, ...] (2.1.b)
(i) uma media n ao condicionada constante; e (ii) o seu valor esperado em
qualquer perodo de tempo, conhecida a hist oria da serie, tende para uma
constante.
Estas caractersticas s ao de tal forma exigentes que levam ao desinteresse
dos economistas por series deste tipo. Acabamos por nos interessar por outros
tipos de vari aveis como as que passaremos a descrever em (2.2) e em (2.3).
Trata-se de vari aveis muito comuns no trabalho dos economistas.
Vejamos o primeiro tipo de vari aveis
Y
t
= + t +(L)
t
(2.2)
2.1. INTRODUC

AO 29
onde a vari avel t multiplicada por representa a tendencia determinista. A
vari avel Y e uma vari avel estacion aria ` a volta de uma tendencia (trend),
como podemos ver melhor em baixo
(Y
t
t) = +(L)
t
O segundo tipo de vari aveis e dado por
(1 L) Y
t
= +(L)
t
(2.3)
onde Y apresenta uma raiz unit aria. Devemos agora impor
(1) = 0
sendo (z) = 1 +
1
z
1
+
2
z
2
+...
com (1) = (z = 1)
O signicado de poder a ser visto mais ` a frente quando apresentarmos
o ratio de Cochrane.
Acontece que estes dois tipos de vari aveis tem comportamentos muito
diferentes em termos de previs ao, no que respeita ao erro quadrado medio
MSE (mean square error)
_
Y
t+s

Y
t+s/t
_
2
.
Sen ao vejamos,
- para um processo estacion ario em tendencia, (2.2), o MSE tende para um
valor nito quando o horizonte se distancia;
- para um processo de raiz unit aria, (2.3), o MSE cresce de forma permanente
com o horizonte de previs ao.
No que respeita a efeitos de inova c oes,
t
, eles s ao estacion arios na pri-
meira vari avel e os seus efeitos anulam-se; enquanto na segunda os seus efeitos
s ao persistentes.
Vejamos o seguinte exemplo para uma vari avel y, que podemos identicar
como sendo o produto
(L) = 0.5 +
t
com
(L) = 1 0.3 L 0.12 L
2
+ 0.11 L
3
+ 0.08 L
4
30 CAP
ITULO 2. RA
IZES UNIT
Simplicando, para obtermos a equa c ao do produto de longo prazo, po-
demos ver que a varia c ao de uma unidade em
t
arrasta uma varia c ao total
no produto de
(1) =
1
(1)
0, 5 =
1
1 0, 3 0, 12 + 0, 11 + 0, 08
0, 5 = 1, 3 0, 5
onde (1) = (L = 1).
N ao restam d uvidas que os efeitos daquela inova c ao s ao persistentes no
valor do produto (Y
t
= 1, 3
t
). Eles jamais desaparecem.
2.2 Testes de Dickey-Fuller e Phillips-Perron
Vejamos o tipo de testes mais popular, por vezes, conhecido apenas pelo
nome dos primeiros (DF) Dickey-Fuller, e tambem o teste conhecido por
ADF (augmented DF), devido ` a presen ca de termos desfasados da vari avel
dependente na equa c ao a ser estimada do teste DF, que se destina a corrigir
a presen ca de auto-correla c ao dos erros
1
.
Comecemos em primeiro lugar pela apresenta c ao dos testes e depois pas-
semos ` as diferentes hip oteses a considerar para o comportamento das series.
Tomemos um processo gaussiano AR(1)
Y
t
= Y
t1
+
t
com
t
N (0,
2
) , Y
t=0
= 0. O estimador OLS de vir a dado por
=
N
t=1
(Y
t1
Y
t
)
N
t=1
Y
2
t1
Quando || < 1, e N sucientemente grande, teremos
N (
N
) N
_
0,
_
1
2
__
Mas como estamos interessados na presen ca de uma raiz unit aria naquela
serie devemos investigar se = 1.
Se aquela distribui c ao se aplicasse, neste caso ( = 1), teramos a sua
vari ancia reduzida a zero, ou seja, ela pr opria se resumiria a um unico ponto.
1
Veja-se Dickey e Fuller (1979), Phillips (1987) e Phillips e Perron (1988).
2.2. TESTES DE DICKEY-FULLER E PHILLIPS-PERRON 31
Por esta raz ao, multiplicamos, na sua distribui c ao, o valor de (
N
1) n ao
por
N, mas antes por N. Em consequencia, obtemos

N ( 1) =
1
N

N
t=1
(Y
t1
Y
t
)
1
N
2

N
t=1
Y
2
t1
(2.4)
A distribui c ao de ( 1) n ao e a nossa conhecida Normal, mas antes
um ratio que envolve uma
2
(1), no numerador, e uma distribui c ao n ao
estandardizada no denominador.
O teste nulo de = 1 tambem pode ser conduzido via a estima c ao pontual
habitual
t
N
=
1

(2.5)
Mas apesar de a estatstica t ser calculada na sua forma habitual, ela n ao
corresponde ao tipo de distribui c ao convencional quando = 1
2
.
O n umero de testes que giram ` a volta da raiz unit aria n ao tem parado de
aumentar. Citemos apenas o trabalho de Stock (1991) para a determina c ao
dos intervalos de a diferentes nveis de probabilidade e o de Bhargava
(1986) para o teste de hip otese de passeio aleat orio contra estacionaridade e
de passeio aleat orio contra um comportamento explosivo
3
.
2.2.1 Procedimentos disponveis no RATS
No que respeita a procedimentos disponveis para o RATS, o procedimento
adf.src inclui a fun c ao geradora dos valores da estatstica, enquanto que o
procedimento uradf.src apenas tem valores da tabela pr oximos dos valores
correspondentes ` as observa c oes usadas no teste para os valores de probabili-
dade habituais
4
.
O procedimento ppunit.src, sem qualquer op c ao, apresenta como Phillips-
Perron Test, o valor de N ( 1) e com a op c ao ttest o valor de ( 1)/
.
O procedimento adf.src tambem indica o valor de ( 1)/
, mas com a
indica c ao do valor crtico associado ao n umero de observa c oes para o nvel de
5%. Os testes mais completos s ao executados com o procedimento uradf.src.
2
As tabelas apropriadas ` a verica c ao da hip otese nula encontram-se, por exemplo, nas
pp. 762-4 de Hamilton (1994).
3
Veja-se Andrade (2003) para uma aplica c ao de v arios desses testes.
4
A p agina www.estima.com e uma fonte importante de procedimentos para estudo de
razes unit arias e estacionaridade.
32 CAP
ITULO 2. RA
IZES UNIT
Neste procedimento, Augmented Dickey-Fuller t-test refere-se a ( 1)/
e
Augmented Dickey-Fuller Z-test refere-se a N ( 1).
2.2.2 Diferentes comportamentos das series
No que se segue iremos supor que n ao existe problema de auto-correla c ao
dos erros. Se tal for o caso, devemos incluir desfasamentos da vari avel de-
pendente para eliminar esse problema. E como saber se ele est a presente
e que foi eliminado? A minha preferencia vai para um vulgar teste LM ` a
auto-correla c ao dos erros. Se a H(0) for excluda estamos perante a presen ca
de auto-correla c ao e devemos incluir um desfasamento para a eliminar. Se
o problema continuar a existir, H(0) continuar a ser excluda, ent ao deve-
mos incluir mais um desfasamento para eliminar a auto-correla c ao. E assim
sucessivamente ... ate que o problema seja denitivamente resolvido. No
RATS os procedimentos adf.src e uradf.src utilizam processos autom aticos
de elimina c ao do problema da auto-correla c ao atraves do teste LM.
Passemos em revista os tres casos tpicos de serie com raiz unit aria.
Serie com drift
O processo em causa e caracterizado pelo seguinte comportamento
Y
t
= +
t
com
t
=
t1
+
t
(2.6)
Para obtermos o modelo reduzido, determinamos aquela vari avel desfa-
sada um perodo, Y
t1
, e subtramos em (2.6)
Y
t1
= +
t1
Y
t
Y
t1
= (1 ) +
t

t1
pelo que chegamos a
Y
t
= (1 ) + Y
t1
+
t
e nalmente, para que possamos fazer o teste ` a hip otese de coeciente nulo
(raiz unit aria)
Y
t
Y
t1
= (1 ) + ( 1) Y
t1
+
t
que ainda pode ser escrito numa forma mais compacta
Y
t
= (1 ) + ( 1) Y
t1
+
t
(2.6.a)
Como podemos ver, se = 1, a constante tambem deve tomar o valor
nulo.
2.2. TESTES DE DICKEY-FULLER E PHILLIPS-PERRON 33
Serie com drift e tendencia
Suponhamos agora que temos o seguinte processo
Y
t
= + t +
t
com
t
=
t1
+
t
(2.7)
A mesma metodologia de simplica c ao feita acima conduz-nos a
Y
t1
= + (t 1) +
t1
Y
t
Y
t1
= (1 ) + t (t 1) +
t

t1
Y
t
Y
t1
= (1 ) + t t + +
t
Y
t
Y
t1
= [ (1 ) + ] + (1 ) t +
t
Passando a segunda parcela da esquerda para a direita e subtraindo o
valor desfasado de Y , chegamos a
Y
t
= [ (1 ) + ] + (1 ) t + ( 1) Y
t1
+
t
(2.7.a)
Vemos que agora, se tivermos = 1, o coeciente da tendencia tambem
se anula.
Tarefas de identica cao
O processo mais conveniente para a identica c ao de uma raiz unit aria numa
serie consiste em partir do caso geral de uma serie com trend e testar se essa
hip otese n ao pode ser anulada. Se excluirmos a presen ca de trend devemos
passar ao caso de uma serie com drift. Se a presen ca de drift puder ser
excluda, ent ao resta-nos o caso de uma serie sem drift.
Vejamos os diferentes casos que podemos encontrar. As tabelas e re-
ferencias de p agina que faremos em baixo s ao do livro de Hamilton (1994).
Caso 1
Regress ao estimada com base no processo
Y
t
=
t
, com
t
=
t1
+
t
Sendo o processo verdadeiro dado por
Y
t
=
t
, com
t
=
t1
+
t
N ( 1) tem a sua distribui c ao na Tabela B.5, Caso 1, p. 762
( 1)/
tem a sua distribui c ao na Tabela B.6, Caso 1, p. 763

34 CAP
ITULO 2. RA
IZES UNIT
Caso 2
Regress ao estimada com base em
Y
t
= +
t
, com
t
=
t1
+
t
Y
t
=
t
, com
t
=
t1
+
t
( 1)/

O teste F para a hip otese conjunta, = 0 = 1 tem a sua distribui c ao
na Tabela B.7, Caso 2, p. 764
Caso 3
Y
t
= +
t
, com
t
=
t1
+
t
Y
t
= +
t
, com
t
=
t1
+
t
( 1)/
tem a sua distribui c ao aproximada pela N(0, 1)

Caso 4
Y
t
= + t +
t
, com
t
=
t1
+
t
Y
t
= +
t
, com
t
=
t1
+
t
( 1)/

O teste F para a hip otese conjunta, = 0 = 1 tem a sua distribui c ao
na Tabela B.7, Caso 4, p. 764
2.3. O ESTUDO DE RA
IZES UNIT
ARIAS EM S
ERIES TRIMESTRAIS35
2.3 O Estudo de Razes Unitarias em Series
Trimestrais
O economista trabalha muitas vezes com valores trimestrais, desta forma,
pretende-se que os fen omenos de curto prazo sejam valorizados. Assim, o eco-
nomista defronta com frequencia a necessidade de conhecer as caractersticas
de series trimestrais quanto ` a presen ca de razes unit arias (E. Ghysels e Noh
(1994)), e n ao apenas as caractersticas de series anuais. Como iremos ver,
essas razes podem ser de v arios tipos o que vai ditar a forma da sua trans-
forma c ao para a obten c ao de series estacion arias.
Vejamos a metodologia conhecida, pelo nome dos seus autores, HEGY,
S. Hylleberg, R. Engle, W. Granger e B. Yoo
5
, e depois a sua aplica c ao no
RATS.
2.3.1 A metodologia HEGY
Aqueles autores propuseram a an alise de uma serie gerada pelo seguinte
processo
A(L) Y =
t
com A(L) de ordem 4 de forma que
(1
1
L) (1 +
2
L) (1
3
i L) (1 +
4
i L) Y
t
=
t
(2.8)
Fazendo o desenvolvimento da express ao acima como fun c ao de
1
,
2
,
3
e
4
, atraves da aproxima c ao em serie de Taylor ` a volta do ponto
1
=
2
=
3
=
4
= 1, chegamos ` a equa c ao
_
1 L
4
_
Y
t
=
1
_
1 +L +L
2
+L
3
_
Y
t1
_
1 L +L
2
L
3
_
Y
t1
+
+
_
1 L
2
_
(
5
6
L) Y
t1
+
t
que e uma f ormula em condi c oes de ser estimada. Mas para o fazermos vamos
simplicar, obtendo previamente as seguintes vari aveis transformadas
Y
1,t1
=
_
1 +L +L
2
+L
3
_
Y
t1
= Y
t1
+Y
t2
+Y
t3
+Y
t4
Y
2,t1
=
_
1 L +L
2
L
3
_
Y
t1
= Y
t1
Y
t2
+Y
t3
Y
t4
Y
3,t1
=
_
1 L
2
_
Y
t1
= Y
t1
Y
t3
Y
3,t2
= Y
t2
Y
t4
5
S. Hylleberg e Yoo (1990).
36 CAP
ITULO 2. RA
IZES UNIT
De forma que agora podemos fazer a estima c ao da equa c ao
_
1 L
4
_
Y
t
=
1
Y
1,t1
2
Y
2,t1
+
5
Y
3,t1
6
Y
3,t2
+
t
(2.8.a)
Esta ultima equa c ao poder a incluir ainda uma constante, um trend e
vari aveis mudas sazonais e, n ao esque camos, deve ser estimada com in-
clus ao de valores desfasados da vari avel dependente de forma a anular a
auto-correla c ao dos erros.
2.3.2 O procedimento do RATS
Passemos a ver o signicado daqueles coecientes, com indica c ao do nome da
vari avel includa no procedimento hegqnewy.src
6
, em termos das respectivas
hip oteses nulas
1
= 0 [= PI1]
raiz unit aria n ao sazonal, [(Y
t
Y
t1
) I(0)]
2
= 0 [= PI2]
raiz unit aria de frequencia semi-anual, [(Y
t
Y
t2
) I(0)],
mas tambem [(Y
t
+Y
t+1
) I(0)]
5
=
6
= 0 [= PI3 = PI4 = (F34)]
raiz unit aria de frequencia anual, [(Y
t
Y
t4
) I(0)],
mas tambem [(Y
t
+Y
t2
) I(0)].
Como vemos, n ao se trata apenas de estudar a presen ca de uma raiz
unit aria, mas da possibilidade de existencia de tipos diferentes de razes
unit arias. E da n ao exclus ao de um certo tipo de raiz unit aria resultar a
uma forma adequada de diferencia c ao conducente ` a obten c ao de uma nova
vari avel estacion aria.
2.4 O Ratio de Cochrane e a Persistencia das
Inova c oes
Antes de apresentarmos o ratio proposto por Cochrane (1988) e Campbell e
Mankiw (1987), convem lembrar que se uma vari avel segue um processo do
6
Inclumos os valores crticos para 5% das diferentes estatsticas e para 100 observa c oes,
como constam do artigo citado.
2.4. ORATIODE COCHRANE E APERSIST
ENCIA DAS INOVAC

OES37
tipo Y
t
=
0
+ t, ent ao as primeiras diferen cas dessa vari avel Y
t
= ,
traduzem um crescimento de Y a taxa constante. E da mesma forma pode-
mos dizer que se uma vari avel regista um crescimento a taxa constante o seu
comportamento pode ser traduzido por um processo de tendencia determi-
nista.
Tomemos a seguinte deni c ao para a vari avel Y
Y
t
= +
t
com
t
=
j=0
j

tj
(2.9)
Se Y
t
for estacion aria em tendencia, uma inova c ao n ao ter a efeitos per-
manentes sobre os seus valores futuros. Nesse caso, e em termos da sua
derivada
7
lim
s
Y
t+s
t
= (1), com (1) = 0
Cochrane explorou essa caracterstica e procurou medir a presen ca dos
efeitos da inova c ao na serie.
Comecemos por ver a altera c ao em Y passados s perodos depois de uma
inova c ao
Y
t+s
Y
t
= s +
t+s
+
t+s1
+... +
t+1
erros acumulados
e assim
Y
t+s
Y
t
s
= + s
1
(
t+s
+
t+s1
+... +
t+1
)
valor da media de s observa c oes de
A segunda parcela do membro direito representa uma media de s ob-
serva c oes aleat orias da vari avel , que apresenta a seguinte propriedade
lim
s
s V ar(...) =
2
[(1)]
2
O estimador vem dado, como e normal, por
= N
1
t=1
(Y
t
Y
t1
)
A estimativa da vari ancia da diferen ca entre o valor tomado por Y em
t +s e t vir a dada por
7
Ver nota c ao j a atr as utilizada.
38 CAP
ITULO 2. RA
IZES UNIT
J
N
(s) =
Ns
t=0
(Y
t+s
Y
t
s)
2
N
Para valores de N sucientemente grandes obteremos
J(s) = E
_
(Y
t+s
Y
t
s)
2
= E
_
(
t+s
+
t+s1
+... +
t+1
)
2
(2.1)
= lim
s
1
s
J(s) =
2
[(1)]
2
Cochrane prop os-se calcular

J
N
(s) para diferentes valores de s. A carac-
terstica interessante nesta estatstica e que se a vari avel Y for estacion aria,
ou estacion aria ` a volta de uma tendencia, aquele valor cai para 0 para valores
elevados de s. Esta estatstica obriga a que os valores de s sejam bastante
mais pequenos que os de n. O que por vezes e difcil nas series que dispomos.
Ao mesmo tempo, se Y e I(1), aqueles valores d ao-nos a import ancia dos
efeitos permanentes da inova c ao ` a medida que o tempo passa.
Por vezes e usada a seguinte simbologia A(1) = (1) e V (k) = J(s).
Nesta nova simbologia, um valor de A(1)=0,32 para k=100 signica que 100
perodos ap os a existencia de uma inova c ao de 1% a vari avel ainda retem
0, 32% daquele valor.
2.5 Avalia cao ad hoc de Processo AR
Pivetta e Reis (2002) apresentam um conjunto variado de alternativas para
analisar a persistencia de inova c oes numa seria. Nestas alternativas sobres-
sai um metodo de grande simplicidade: trata-se de obter uma representa c ao
auto-regressiva de uma dada vari avel e somar os coecientes dos termos des-
fasados. Desta forma, camos com uma ideia do arrastamento dos valores
de uma vari avel. Suponhamos que temos o seguinte processo
(L) Y
t
=
0
+
t
O valor de
1
1 (1)
, f acil de calcular, d a-nos o grau de persistencia da
vari avel Y . Ficamos assim com uma ideia da reten c ao das inova c oes sobre
esta vari avel.
2.6. TESTE DE PERRON A ALTERAC

OES ESTRUTURAIS 39
2.6 Teste de Perron a Altera c oes Estruturais
Vamos apresentar a an alise de Perron (1989) e Perron (1997) em conjunto
com o procedimento elaborado para o RATS por G. Golletaz e F. Serranito.
O objectivo deste teste consiste em testar a presen ca de uma raiz unit aria
em vari aveis com tendencia determinista. A hip otese nula consiste na pre-
sen ca de uma raiz unit aria. Este teste procura dar resposta ao problema
de termos series que s ao estacion arias ` a volta de uma tendencia, mas que
sofreram um choque e, em consequencia, somos levados a concluir, para a
totalidade do perodo, que ela tem uma raiz unit aria. E esta nossa dedu c ao
e obviamente incorrecta.
A forma de resolver o problema, proposta em 1997 por P. Perron, con-
siste em determinar endogenamente o perodo do choque. Para tal devemos
ter uma ideia das consequencias do choque, ou seja, do tipo de choque. Iden-
tiquemos por modelo os diferentes tipos de altera c oes
modelo IO1 altera c ao na intersec c ao
modelo IO2 altera c ao na intersec c ao e na inclina c ao
modelo AO altera c ao na inclina c ao sem descontinuidade na tendencia
No modelo a estimar, a presen ca dos desfasamentos das diferen cas da
vari avel dependente, de ordem k, ser a escolhida tendo em conta que o valor
de t leva a excluir a hip otese nula do ultimo coeciente e a n ao excluir a
do coeciente seguinte k + 1
8
. O nvel de signic ancia que vamos reter ser a,
como habitualmente, o de 5%.
O metodo de determina c ao end ogena do perodo de ruptura obedece ao
princpio de pesquisa do perodo que conduz ao valor de t
=1
mnimo
9
. Uma
vez que o teste se destina a levantar a hip otese de uma serie aparentemente
de raiz unit aria ser de facto estacion aria, ele e bastante robusto na exclus ao
dessa hip otese de raiz unit aria.
Em termos do procedimento do RATS, temos perron97.src, e para cada
um daqueles modelos devemos fazer
@perron97(model=io1,signif=0,05);
@perron97(model=io2,signif=0,05); e
@perron97(model=ao,signif=0,05).
O output do procedimento deve ser lido com cuidado. Em primeiro lugar
temos a informa c ao da data de ruptura na serie, ou data do choque nela
vericado. Depois devemos olhar para o valor de t associado a alpha igual ` a
unidade (t
=1
). Um valor superior ao valor crtico (por exemplo 5%) signica
8
Foi essa a escolha preferida por Colletaz e Serranito.
9
O coeciente e o coeciente do termo desfasado da vari avel a estudar.
40 CAP
ITULO 2. RA
IZES UNIT
a exclus ao dessa hip otese nula e portanto a vari avel deve ser tomada como
estacion aria. Mas isto n ao signica que n ao devamos olhar para o valor do t
associado ao coeciente do trend. Se este ultimo n ao excluir a hip otese nula
n ao h a raz ao alguma para tomarmos este tipo de procedimento que pressup oe
a presen ca de uma tendencia na vari avel.
Assim, apenas devemos reter a hip otese de vari avel estacion aria ` a volta
de uma tendencia com rupturas temporais se a existencia dessa tendencia for
um facto, de outra forma este procedimento n ao deve ser utilizado.
N ao esque camos tambem, que este teste deve ser sobretudo ensaiado para
o caso de termos chegado ` a conclus ao, com outros metodos (testes) que a
vari avel tinha uma raiz unit aria.
Vejamos os modelos estimados para as diferentes hip oteses de ruptura.
Para o primeiro caso, onde ensaiamos uma altera c ao na intersec c ao em TB,
o modelo e o seguinte
Y
t
= + DU
t
+ t + DTB
t
+ Y
t1
+
k
i=1
c
i
Y
ti
+
t
onde tomamos
DU
t
= 0 para t TB e DU
t
= 1 para t > TB e ainda
DTB
t
= 1 para t = TB + 1, DTB
t
= 0 para t > TB + 1 e DTB
t
= 0 para
t < TB
Para o segundo caso, em que ensaiamos uma altera c ao n ao s o na inter-
sec c ao como na inclina c ao, devemos ter o seguinte modelo
Y
t
= + DU
t
+ t + DT
t
+ DTB
t
+ Y
t1
+
k
i=1
c
i
Y
ti
+
t
onde devemos tomar
DU
t
= 0 para t TB e DU
t
= 1 para t > TB
DTB
t
= 1 para t = TB + 1, DTB
t
= 0 para t > TB + 1 e DTB
t
= 0 para
t < TB e ainda
DT
t
= 0 para t TB e DT
t
= t TB para t > TB.
Finalmente para o terceiro caso considerado, de altera c ao na inclina c ao
n ao havendo descontinuidade na curva de tendencia, temos um processo em
duas etapas. Na primeira temos
Y
t
= + t +DT
t
+
Y
t
2.7. A HIP
OTESE NULA DE ESTACIONARIDADE 41

onde DT
t
e nossa conhecida.
E na segunda
Y
t
=
Y
t1
+
k
i=1
c
i

Y
ti
+
t
.
Estas tres hip oteses dever ao ser vericadas uma a uma. Voltemos a in-
sistir no facto de se a vari avel a estudar n ao apresenta qualquer trend, ou
seja, n ao exclumos a hip otese nula do coeciente associado a t, ent ao n ao
devemos continuar com os testes de investiga c ao de raiz unit aria, de = 1.
As distribui c oes apropriadas, a cada uma das formas de detectar endoge-
namente a ruptura temporal, e aplicadas a t
=1
, encontram-se no artigo de
Perron (1997)
10
.
No caso de os testes aqui apresentados nos indicarem a exclus ao da raiz
unit aria, a exclus ao da nossa H(0), ent ao devemos ter algum cuidado com
o tipo de ruptura que vamos reter. O nosso conhecimento da vari avel em
estudo deve ser ent ao utilizado. Se os tres tipos de modelos nos derem datas
de ruptura diferentes, talvez o melhor seja passar ao procedimento ex ogeno
de determina c ao das possveis rupturas, com base no perodo que ` a partida
nos parece mais propcio a esse fen omeno.
2.7 A Hip otese Nula de Estacionaridade
Os testes ate aqui analisados tomam como hip otese nula a presen ca de uma
raiz unit aria. O teste apresentado por Denis Kwiatkowski; Peter C. B. Phil-
lips; Peter Schmidt and Yongcheol Shin
11
, e conhecido pelas iniciais dos
seus autores, tomam como hip otese nula a estacionaridade. Ou seja, a n ao
exclus ao da hip otese nula, para o nvel de informa c ao disponvel sobre a
vari avel, leva-nos a aceitar a caracterstica de estacionaridade. Por este mo-
tivo, e frequente o seu uso em face de diculdades encontradas na inter-
preta c ao dos resultados do teste ADF.
Tomemos a seguinte decomposi c ao de uma vari avel y
y
t
= t +r
t
+
t
onde r constitui um random walk, r
t
= r
t1
+
t
, tendo os erros as propri-
edades habituais,
t
i.i.d.(0,
2
). A componente e tomada como sendo

10
Pp. 362-3.
11
Schmidt e Shin (1992).
42 CAP
ITULO 2. RA
IZES UNIT
estacion aria, I(0). Tomemos o primeiro valor de r
t(=0)
como sendo xo,
r
0
.
Quando
2
= 0, vir a r
t
= r
t1
= r
0
(r
0
constante). Passaremos neste
caso a ter
y
t
= r
0
+ t +
t
em que y e estacion ario ao longo de uma tendencia, ou quando = 0,
y
t
= r
0
+
t
em que y e estacion ario em redor de uma constante.
O problema que se coloca consiste anal em saber como avaliar se pode-
mos reter
2
= 0. Tomemos os erros da estima c ao do modelo

y
t
=
0
+
1
t +e
t
onde teremos e
t
= y
t
y no caso de estudarmos um processo estacion ario em

redor de uma constante.
Dena-se a soma parcial dos erros como S
t
=
t
i=1
e
i
, para t = 1, 2, ..., T,
vindo a vari ancia de longo prazo dada por
2
= lim
T
E
_
S
2
T
sendo o seu estimador eciente (Newey-West) dado por

2
=
1
T

T
t=1
( e
t
)
2
+
2
T

l
s=1
_
1
s
1 +l
_
t=s+1
e
t
e
ts
O valor da estatstica KPSS e denido por
KPSS =
1
T
2

T
t=1
S
2
t

2
.
O problema que se coloca de imediato e o da escolha do par ametro l. Ele
deve ser escolhido de forma a que
2
estabilize. Uma possvel solu c ao e usar
os desfasamentos do teste ADF que eliminam a presen ca de AR.
2.8. EXEMPLOS DE APLICAC

AO NO RATS 43
2.8 Exemplos de Aplica cao no RATS
Optamos pela apresenta c ao de um conjunto alargado de exemplos.
O nosso objectivo e provar que a aplica c ao dos testes que acab amos de ver
pode n ao conduzir a certezasacerca das caractersticas das series, ou n ao
estivessemos n os no campo dos fen omenos estoc asticos. No que se segue,
as instru c oes do RATS encontram-se em it alico. Depois de uma primeira
apresenta c ao dos resultados completos de um teste procur amos eliminar o
que j a poderia ser redundante. Mantivemos, no entanto, a informa c ao de
natureza estatstica. Apesar de termos usado uma base de dados criada por
n os, inclumos tambem a forma como as series foram originalmente criadas.
Se bem que tivessemos optado pela instru c ao %invnormal(%uniform(0,1))
os autores do programa insistem na correc c ao do uso simples de %ran(1),
valores com distribui c ao Normal de media nula e desvio padr ao unit ario.
*
end 1
Normal Completion. Halt at 1
cal
all 0 500
open data basecd.rat
data(format=rats) /
table
Series Obs Mean Std Error Minimum Maximum
Y 1 500 11.4308091 13.0212173 -11.5384738 39.4031874
Y 2 500 255.5191409 147.1280748 1.0000000 523.4755801
Y 3 500 444.5352434 328.3178184 0.8024026 1114.8879613
Y 4 500 -0.0233314 0.9675172 -3.0437533 2.9480151
Y 5 500 100.0010792 0.9482761 97.2244322 103.1935670
Y 6 500 13.5365366 7.3489073 -0.6660893 28.0716595
set trend = t
source(noecho) kpss.src
source(noecho) uradf.src
source(noecho) cochran2.src
2.8.1 Series com raiz unitaria
Ser ao aqui apresentados os diferentes casos de media nula, media n ao nula e de
media n ao nula com tendencia.
Raiz unitaria sem intersec cao e sem tendencia
* com beta 0 = 0.0
* com alpha = 1
44 CAP
ITULO 2. RA
IZES UNIT
* set y 1 = beta 0
* dofor i = 2 to 500
* com y 1(i) = beta 0 + alpha*y 1(i-1)+ %invnormal(%uniform(0,1))
* end dofor
graph(header=Series contains a unit root with zero drift) 1
# y 1 100 500
@uradf(sclags=2,crit=lmtest) y 1 100 500
****************************************************************
* TESTING THE NULL HYPOTHESIS OF A UNIT ROOT IN Y 1 *
* Using data from 100 to 500 *
* Choosing the optimal lag length for the ADF regression *
* by adding lags until a Lagrange Multiplier test fails to *
* reject no residual serial correlation at level0.050. *
****************************************************************
Adding lag 0
Lagrange multiplier test for residual serial correlation of order 2
Test Statistic: 0.23186 Signicance Level: 0.89054
****************************************************************
* Augmented Dickey-Fuller t-test with 0 lags: -0.8974 *
* 1% 5% 10% *
* -3.44 -2.87 -2.57 *
* *
* Augmented Dickey-Fuller Z-test with 0 lags: -1.3773 *
* 1% 5% 10% *
* -20.5 -14.0 -11.2 *
* *

AO NO RATS 45
* Coecient and T-Statistic on the Constant: *
* 0.08113 1.1007 *
* *
* Joint test of a unit root and no constant: 0.6195 *
* 1% 5% 10% *
* 6.47 4.61 3.79 *
****************************************************************
@uradf(sclags=2,crit=lmtest,det=none) y 1 100 500
****************************************************************
* TESTING THE NULL HYPOTHESIS OF A UNIT ROOT IN Y 1 *
* Using data from 100 to 500 *
* Choosing the optimal lag length for the ADF regression *
* by adding lags until a Lagrange Multiplier test fails to *
* reject no residual serial correlation at level0.050. *
****************************************************************
Adding lag 0
Lagrange multiplier test for residual serial correlation of order 2
Test Statistic: 0.00000 Signicance Level: 1.00000
****************************************************************
* 1% 5% 10% *
* -2.58 -1.95 -1.62 *
* *
* 1% 5% 10% *
* -13.7 -8.0 -5.7 *
****************************************************************
@kpss(lmax=0) y 1 100 500
ETA(mu) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
For lag parameter l = 0 ETA(mu) = 33.22934
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216
For lag parameter l = 0 ETA(tau) = 4.74329
@cochran2(kmax=50) y 1 100 500
Procedure COCHRAN2. Written by Paco Goerlich
DESCRIPTIVE STATISTICS: DIFFERENCED SERIES
Statistics on Series DY 1
Observations 400
Sample Mean 0.03549046473 Variance 1.084411
Standard Error 1.04135057653 SE of Sample Mean 0.052068
46 CAP
ITULO 2. RA
IZES UNIT
t-Statistic 0.68162 Signif Level (Mean=0) 0.49587233
Skewness -0.01338 Signif Level (Sk=0) 0.91333310
Kurtosis -0.30703 Signif Level (Ku=0) 0.21404545
Jarque-Bera 1.58311 Signif Level (JB=0) 0.45314071
Correlations of Series DY 1
Autocorrelations
1: 0.0130180 -0.0203363 0.0446545 -0.0411355 0.0020879 -0.0417136
7: -0.0076704 0.0853379 -0.0145517 0.1100158 -0.0002016 0.0312013
13: 0.0286271 -0.0864040 0.0346841 0.0424573 0.0385783 0.0721545
19: -0.0365911 0.0308145 -0.0074737 -0.0788482 -0.0246001 0.0218464
25: 0.0462269 -0.0383788 0.0006904 0.0220878 0.0594751 0.0260752
31: -0.0879134 -0.0735294 -0.0002132 0.0277538 0.1061334 0.0548844
37: 0.1098404 -0.0851167 -0.0368970 -0.0282977 0.0610112 -0.0529606
43: 0.0345585 0.0725667 0.0321708 0.0148328 0.0014473 -0.0653047
49: 0.0013556 -0.0708737
COCHRANE (1988 - JPE) MEASURE OF PERSISTENCE: VK
CALCULATIONS ARE BIASED CORRECTEDBY FACTOR: NOBS/(NOBS-
K)
Window size = 1 V 1.01690 Asymptotic SD 0.08303
A1 1.00850
A1 1.00659
A1 1.01792
A1 1.01662
A1 1.01664
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A1 1.27522
A1 1.27967
A1 1.28376
A1 1.28612
A1 1.28780
A1 1.28824

AO NO RATS 47
48 CAP
ITULO 2. RA
IZES UNIT
Raiz unitaria com intersec cao e sem tendencia
* com beta 0 = 1
* com alpha = 1
* set y 2 = beta 0
* com y 2(i)=beta 0+alpha*y 2(i-1)+(2*%invnormal(%uniform(0,1)))
* end dofor
graph(header=Series contains a unit root with drift) 1
# y 2 100 500
****************************************************************
...........................
****************************************************************
* Augmented Dickey-Fuller t-test with 0 lags: 0.3816 *
* 1% 5% 10% *
* -3.44 -2.87 -2.57 *
* *
* Augmented Dickey-Fuller Z-test with 0 lags: 0.1214 *
* 1% 5% 10% *
* -20.5 -14.0 -11.2 *
* *
* 0.96854 3.7340 *
* *
* 1% 5% 10% *

AO NO RATS 49
* 6.47 4.61 3.79 *
****************************************************************
@uradf(sclags=2,crit=lmtest,det=trend) y 2 100 500
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* 0.92616 3.5505 *
* Coecient and T-Statistic on the Linear Trend: *
* 0.01115 1.3942 *
* *
* Joint test of a unit root and no linear trend 1.0448 *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
@kpss(lmax=0) y 2 100 500
ETA(mu) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216
..........................
A1 1.20380
.........................
50 CAP
ITULO 2. RA
IZES UNIT
Raiz unitaria com intersec cao e tendencia
Depois de efectuados os testes normais para as observa c oes de 100 a 500, iremos
dividir a amostra com observa c oes de 100 a 200, 300 a 400 e 300 a 500. Como pode-
mos vericar, as nossas conclus oes, acerca de uma vari avel, poder ao, infelizmente,
estar dependentes da sub-amostra retida.
* com beta 0 = 1
* com alpha = 1
* set y 3 = beta 0
* com y 3(i)=beta 0+.005*trend(i)+alpha*y 3(i-1)+%invnormal(%uniform(0,1))
* end dofor
graph(header=Unit root with linear trend signicant) 1
# y 3 100 500
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *

AO NO RATS 51
* 0.59864 1.4761 *
* 0.00901 2.0217 *
* *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
@kpss(lmax=0) y 3 100 500
ETA(mu) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216
..........................
A1 3.55936
**************** power of our tests applied to our last serie:
* ********************************************
****************************************************************
52 CAP
ITULO 2. RA
IZES UNIT
...........................
****************************************************************
* 1% 5% 10% *
* -3.99 -3.43 -3.13 *
* *
* 1% 5% 10% *
* -28.4 -21.3 -18.0 *
* *
* -1.98867 -1.0540 *
* 0.07031 1.5306 *
* *
* 1% 5% 10% *
* 8.43 6.34 5.39 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.99 -3.43 -3.13 *
* *

AO NO RATS 53
* 1% 5% 10% *
* -28.4 -21.3 -18.0 *
* *
* -49.36761 -3.2557 *
* 0.45708 3.3765 *
* *
* 1% 5% 10% *
* 8.43 6.34 5.39 *
****************************************************************
****************************************************************
...........................
****************************************************************
* Augmented Dickey-Fuller t-test with 2 lags: 0.8936 *
* 1% 5% 10% *
* -3.99 -3.43 -3.13 *
* *
* Augmented Dickey-Fuller Z-test with 2 lags: 1.3821 *
* 1% 5% 10% *
* -28.4 -21.3 -18.0 *
* *
* 3.16698 1.0565 *
* -0.01414 -0.6237 *
* *
* 1% 5% 10% *
* 8.43 6.34 5.39 *
****************************************************************
..........................
A1 1.30279
.........................
54 CAP
ITULO 2. RA
IZES UNIT
A1 0.64392
.........................
A1 2.34242

AO NO RATS 55
2.8.2 Series estacionarias
Tal como foi feito para as series com raiz unit aria, vamos agora apresentar um
conjunto de series geradas de forma a apresentarem a caracterstica de estaciona-
ridade.
Serie sem intersec cao e tendencia
* com beta 0 = 0.0
* set y 4 = beta 0
* com y 4(i) = beta 0 + %invnormal(%uniform(0,1))
* end dofor
graph(header=Series stationary around a zero mean) 1
# y 4 100 500
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.44 -2.87 -2.57 *
* *
* 1% 5% 10% *
* -20.5 -14.0 -11.2 *
* *
56 CAP
ITULO 2. RA
IZES UNIT
* -0.03262 -0.6690 *
* *
* 1% 5% 10% *
* 6.47 4.61 3.79 *
****************************************************************
@uradf(sclags=2,crit=lmtest,det=none) y 4 100 500
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -2.58 -1.95 -1.62 *
* *
* 1% 5% 10% *
* -13.7 -8.0 -5.7 *
****************************************************************
@kpss(lmax=0) y 4 100 500
ETA(mu) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216

AO NO RATS 57
..........................
A1 0.17967
Serie estacionaria com intersec cao e sem tendencia
* com beta 0 = 100
* set y 5 = beta 0
* com y 5(i) = beta 0 + %invnormal(%uniform(0,1))
* end dofor
graph(header=Series stationary around a non-zero mean) 1
# y 5 100 500
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.44 -2.87 -2.57 *
* *
* 1% 5% 10% *
* -20.5 -14.0 -11.2 *
58 CAP
ITULO 2. RA
IZES UNIT
* *
* 97.72481 19.5167 *
* *
* 1% 5% 10% *
* 6.47 4.61 3.79 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* 97.91123 19.5064 *
* -0.00027 -0.6388 *
* *
* 1% 5% 10% *

AO NO RATS 59
* 8.34 6.30 5.36 *
****************************************************************
@kpss(lmax=0) y 5 100 500
ETA(mu) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216
.........................
A1 0.18474
Serie estacionaria à volta de uma tendencia determinista
Depois da an alise da totalidade da amostra podemos estudar os sub-perodos de
100 a 200, 300 a 400 e 300 a 500 e vericar que as caractersticas da totalidade se
conservam.
* com beta 0 = 1
* set y 6 = beta 0
* com y 6(i)=beta 0+.05*trend(i)+%invnormal(%uniform(0,1))
60 CAP
ITULO 2. RA
IZES UNIT
* end dofor
graph(header=Series stationary around a trend) 1
# y 6 100 500
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* 0.84409 5.6589 *
* 0.04689 18.3298 *
* *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
@kpss(lmax=0) y 6 100 500
ETA(mu) Values:

AO NO RATS 61
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216
.........................
A1 0.17580
2.8.3 Series com uma ruptura estrutural
Iremos analisar series com rupturas provocadas de acordo com os casos considera-
dos por Perron para as altera c oes de comportamento tendencial.
source(noecho) perron97.src
Altera cao na intersec cao
set y 7 1 250 = y 6
set y 7 251 500 = y 6 + 10
graph(header=Sationary serie around a trend with a change in intercept) 1
# y 7
62 CAP
ITULO 2. RA
IZES UNIT
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.99 -3.43 -3.13 *
* *
* 1% 5% 10% *
* -28.4 -21.3 -18.0 *
* *
* 0.98029 7.0523 *
* 0.05454 16.2760 *
* *
* 1% 5% 10% *
* 8.43 6.34 5.39 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *

AO NO RATS 63
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* 7.57827 10.4282 *
* 0.03502 10.1281 *
* *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* 0.10711 0.8904 *
* 0.00372 2.0551 *
* *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
@perron97(model=IO1,lagmax=0,signif=.05) y 7
-
break date TB = 249 statistic t(alpha==1) = -23.14654
critical values at 1% 5% 10% 50% 90% 95% 99%
for 100 obs. -5.70 -5.10 -4.82 -3.87 -3.05 -2.75 -2.22
innite sample -5.41 -4.80 -4.58 -3.75 -2.99 -2.77 -2.32
-
number of lag retained : 0
64 CAP
ITULO 2. RA
IZES UNIT
explained variable : Y 7
coecient student
CONSTANT 0.91373 8.37138

DU 9.93441 21.46539
D(Tb) -7.36952 -6.68097
TIME 0.04980 22.06153
Y 7 {1} 0.00947 0.22120
print 247 253 y 7

ENTRY Y 7
247 13.06744938978
248 12.32065786018
249 14.14908566475
250 16.06326899359
251 24.25605780010
252 23.55802349582
253 23.30761681966
*************************
Serie com raiz unitaria e tendencia e altera cao da intersec cao
Tomamos como ponto de partida a serie j a utilizada y
3
set y 8 1 250 = y 3
set y 8 251 500 = y 3 + 100
graph(header=Unit root with trend and a change in intercept) 1
# y 8
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.99 -3.43 -3.13 *
* *
* 1% 5% 10% *
* -28.4 -21.3 -18.0 *
* *
* 0.68368 3.3608 *

AO NO RATS 65
* 0.01199 1.5831 *
* *
* 1% 5% 10% *
* 8.43 6.34 5.39 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* -45.08393 -5.9180 *
* 0.56183 6.7857 *
* *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
66 CAP
ITULO 2. RA
IZES UNIT
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* 0.02183 0.0329 *
* 0.02360 2.5628 *
* *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
-
for 100 obs. -5.70 -5.10 -4.82 -3.87 -3.05 -2.75 -2.22
innite sample -5.41 -4.80 -4.58 -3.75 -2.99 -2.77 -2.32
-
coecient student
CONSTANT -0.20333 -0.30822

DU 3.49358 3.72052
D(Tb) -4.40872 -0.95587
TIME 0.03255 3.45457
Y 8 {1} 0.98523 241.30729

AO NO RATS 67
Serie com altera cao na inclina cao e intersec cao
A serie que vamos construir apresenta algumas caractersticas interessantes. Tendo
em conta a ruptura temporal ela pode ser retida como estacion aria ao longo de
uma tendencia. Analisada de forma usual ela apresenta uma raiz unit aria para a
totalidade da amostra. no entanto, ela e estacion aria para as observa c oes de 1 a
250 e de 250 a 500.
set y 9 1 250 = y 6
set y 9 251 500 = y 6 + 10 + .08*(trend-250)
graph(header=Sationary serie around a trend with a change in intercept) 1
# y 9
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.99 -3.43 -3.13 *
* *
* 1% 5% 10% *
* -28.4 -21.3 -18.0 *
* *
* 0.98029 7.0523 *
* 0.05454 16.2760 *
68 CAP
ITULO 2. RA
IZES UNIT
* *
* 1% 5% 10% *
* 8.43 6.34 5.39 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* -6.26858 -8.3683 *
* 0.09053 10.6883 *
* *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* -0.04332 -0.2843 *
* 0.00373 2.0805 *
* *

AO NO RATS 69
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
-
for 100 obs. -6.21 -5.55 -5.25 -4.22 -3.35 -3.13 -2.63
innite sample -5.57 -5.08 -4.82 -3.98 -3.25 -3.06 -2.72
-
coecient student
CONSTANT 0.92150 6.73669

DU -9.90679 -17.16078
D(Tb) -7.36391 -6.66410
TIME 0.04975 21.31848
DT 0.07937 21.48080
Y 9 {1} 0.00935 0.21806
Altera cao da inclina cao

set y 10 1 250 = y 6
set y 10 251 500 = y 6 + .08*(trend-250)
graph(header=Stationary serie around a trend with a continuous change in incli-
nation) 1
# y 10
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.99 -3.43 -3.13 *
* *
* 1% 5% 10% *
* -28.4 -21.3 -18.0 *
70 CAP
ITULO 2. RA
IZES UNIT
* *
* 0.98029 7.0523 *
* 0.05454 16.2760 *
* *
* 1% 5% 10% *
* 8.43 6.34 5.39 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* -16.64110 -13.2890 *
* 0.11420 13.8597 *
* *

AO NO RATS 71
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.98 -3.42 -3.13 *
* *
* 1% 5% 10% *
* -28.9 -21.5 -18.1 *
* *
* 0.10359 0.8265 *
* 0.00206 1.3379 *
* *
* 1% 5% 10% *
* 8.34 6.30 5.36 *
****************************************************************
@perron97(model=AO,lagmax=0,signif=.05) y 10
-
for 200 obs. -5.28 -4.65 -4.38 -3.32 -2.48 -2.27 -1.90
innite sample -4.91 -4.36 -4.07 -3.13 -2.32 -2.12 -1.78
-
coecient student
CONSTANT 0.91256 7.47835

TIME 0.05042 70.64384
DT 0.07988 62.71360
Y 10 {1} 0.02686 0.59964

72 CAP
ITULO 2. RA
IZES UNIT
***************************************************************
***************************************************************
2.8.4 Exemplo de series trimestrais
end 1
Normal Completion. Halt at 1
cal 1970 1 4
all 2000:4
GRPARM(BOLD) HEADER 30 SUBHEADER(italic) 25
env noecho
source uradf.src
source kpss.src
source hegyqnew.src
source cochran2.src
sea s
open data cnt2001.rat
data(format=rats) / pib pibr95
table
...........................
set p = pib/pibr95
com base = (p(1970:1)+p(1970:2)+p(1970:3)+p(1970:4))/4
set ip = 100*p/base
set lip = log(ip)
di(sdis=1) lip / d4lip
set lq = log(pibr95)
di lq / dlq
****************************************************************
graph(header=Ination rate,subheader=1971:1-2000:4) 1
# d4lip
@uradf(sclags=2,crit=lmtest) d4lip
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.46 -2.88 -2.57 *
* *
* 1% 5% 10% *
* -20.3 -14.0 -11.2 *
* *

AO NO RATS 73
* 0.00833 1.8503 *
* *
* 1% 5% 10% *
* 6.52 4.63 3.81 *
****************************************************************
@uradf(sclags=2,crit=lmtest,det=none) d4lip
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -2.58 -1.95 -1.62 *
* *
* 1% 5% 10% *
* -13.6 -8.0 -5.7 *
****************************************************************
@kpss(lmax=0) d4lip
ETA(mu) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216
74 CAP
ITULO 2. RA
IZES UNIT
Lin(noprint) d4lip / res
# constant s{-2 to 0}
@uradf(sclags=2,crit=lmtest) res
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.46 -2.88 -2.57 *
* *
* 1% 5% 10% *
* -20.3 -14.0 -11.2 *
* *
* 0.00023 0.1054 *
* *
* 1% 5% 10% *
* 6.52 4.63 3.81 *
****************************************************************
@uradf(sclags=2,crit=lmtest,det=none) res
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -2.58 -1.95 -1.62 *
* *
* 1% 5% 10% *
* -13.6 -8.0 -5.7 *
****************************************************************
@kpss(lmax=0) res
ETA(mu) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216

AO NO RATS 75
@hegyqnew(criterion=nocrit,nlags=9) lip
******************************* HEGY-tests **************************
Testing for seasonal integration in series: LIP
Eective sample: 1973:02 to 2000:04
Aux.regr. t1 t2 t3 t4 F3&4 LM-sign Lags - -
0.388 -2.274 -1.083 -1.133 1.230 0.098 123456789
I -4.511 -2.228 -1.275 -1.103 1.424 0.529 123456789
I,SD -4.463 -2.205 -1.587 -0.459 1.359 0.567 123456789
I,Tr -1.084 -2.211 -1.269 -1.093 1.405 0.490 123456789
I,SD,Tr -1.049 -2.188 -1.576 -0.454 1.338 0.522 123456789
***********************************************************************
Hylleberg et al.((1990) critical values for 100 obs
(5%) PI1 PI2 PI3 PI4 F34
None -1.97 -1.92 -1.90 -4.02 3.12
I only -2.88 -1.95 -1.90 -3.92 3.08
I,SD -2.95 -2.94 -3.44 -5.31 6.57
I,Tr -3.47 -1.94 -1.89 -3.90 2.98
I,SD,Tr -3.53 -2.94 -3.48 -5.29 6.60
************************************************************************
* we must insist with d4lip
@hegyqnew d4lip
******************************* HEGY-tests ****************************
Testing for seasonal integration in series: D4LIP
Aux.regr. t1 t2 t3 t4 F3&4 LM-sign Lags
- - 0.564 -6.248 -4.143 -7.072 45.477 0.107 123456
I -0.917 -5.742 -4.240 -4.071 21.128 0.348 12345678
I,SD -0.914 -5.629 -4.236 -4.032 21.020 0.307 12345678
I,Tr -3.602 -6.443 -6.453 -7.209 47.629 0.225 12345
I,SD,Tr -3.597 -6.378 -6.406 -7.202 47.318 0.221 12345
************************************************************************
(5%) PI1 PI2 PI3 PI4 F34
None -1.97 -1.92 -1.90 -4.02 3.12
I only -2.88 -1.95 -1.90 -3.92 3.08
I,SD -2.95 -2.94 -3.44 -5.31 6.57
I,Tr -3.47 -1.94 -1.89 -3.90 2.98
I,SD,Tr -3.53 -2.94 -3.48 -5.29 6.60
************************************************************************
* we can retain a sonseasonal unit root
di d4lip / dd4lip
@uradf(sclags=2,crit=lmtest) dd4lip
****************************************************************
76 CAP
ITULO 2. RA
IZES UNIT
...........................
****************************************************************
* 1% 5% 10% *
* -3.46 -2.88 -2.57 *
* *
* 1% 5% 10% *
* -20.3 -14.0 -11.2 *
* *
* 0.00001 0.0039 *
* *
* 1% 5% 10% *
* 6.52 4.63 3.81 *
****************************************************************
@uradf(sclags=2,crit=lmtest,det=none) dd4lip
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -2.58 -1.95 -1.62 *
* *
* 1% 5% 10% *
* -13.6 -8.0 -5.7 *
****************************************************************
* See what happen to the Cochrane ratio
@cochran2(kmax=50) d4lip
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
@cochran2(kmax=50) dd4lip
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
*********************************************************************
graph(header=Output quarterly growth rate,subheader=1971:1-2000:4) 1
# dlq
@uradf(sclags=2,crit=lmtest) dlq
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *

AO NO RATS 77
78 CAP
ITULO 2. RA
IZES UNIT
* -3.46 -2.88 -2.57 *
* *
* 1% 5% 10% *
* -20.3 -14.0 -11.2 *
* *
* 0.00609 2.3814 *
* *
* 1% 5% 10% *
* 6.52 4.63 3.81 *
****************************************************************
@kpss(lmax=4) dlq
ETA(mu) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.347 0.463 0.574 0.739
ETA(tau) Values:
Critical Level: 0.10 0.05 0.025 0.01
Critical Value: 0.119 0.146 0.176 0.216

AO NO RATS 79
@hegyqnew lq
******************************* HEGY-tests **************************
Testing for seasonal integration in series: LQ
Aux.regr. t1 t2 t3 t4 F3&4 LM-sign Lags
- 2.926 -1.206 -1.748 0.055 1.530 0.811 1234
I -0.421 -1.190 -1.740 0.065 1.517 0.796 1234
I,SD -0.387 -1.714 -2.069 -0.066 2.142 0.727 1234
I,Tr -3.819 -1.701 -2.140 0.109 2.297 0.113 123
I,SD,Tr -3.487 -2.580 -2.687 0.291 3.657 0.119 12
*********************************************************************************
(5%) PI1 PI2 PI3 PI4 F34
None -1.97 -1.92 -1.90 -4.02 3.12
I only -2.88 -1.95 -1.90 -3.92 3.08
I,SD -2.95 -2.94 -3.44 -5.31 6.57
I,Tr -3.47 -1.94 -1.89 -3.90 2.98
I,SD,Tr -3.53 -2.94 -3.48 -5.29 6.60
*********************************************************************************
* Perhaps its better to transform ...
di(sdis=1) lq / d4lq
@uradf(sclags=2,crit=lmtest) d4lq
****************************************************************
...........................
****************************************************************
* 1% 5% 10% *
* -3.46 -2.88 -2.57 *
* *
* 1% 5% 10% *
* -20.3 -14.0 -11.2 *
* *
* 0.00636 2.4143 *
* *
* 1% 5% 10% *
* 6.52 4.63 3.81 *
****************************************************************
80 CAP
ITULO 2. RA
IZES UNIT
***********************************************************
Captulo 3
Cointegra cao, Equilbrio e
Ajustamento
Vamos dedicar este captulo ao estudo da cointegra c ao entre vari aveis, ao seu
signicado econ omico e ` a forma como v arias rela c oes com implica c oes temporais
diferentes pode ser deduzidas. Procuramos analisar a representa c ao de vari aveis
em termos de longo prazo e o mecanismo de ajustamento do curto prazo a estes
valores de equilbrio.
A cointegra c ao apresenta-se como um captulo exemplar da econometria onde
o signicado econ omico das rela c oes obtidas nunca pode ser descurado em favor de
aspectos mais estatsticos: a mindless attempt at nding cointegrated relations
without knowing what they mean is not going to be fruitful, so I believe that
the econometrician has to carefully choose the variables that should enter the
study, and carefully discuss the economic theory that motivates this (Johansen
(1995), p. 6). A signic ancia econ omica e estatstica s ao aqui tomadas a par, It
must be emphasized that a cointegration analysis cannot be the nal aim of an
econometric investigation, but it is our impression that as an intermediate step
a cointegrations analysis is a useful tool in the process of gaining understanding
of the relation between data and theory, which should help in building a relevant
econometric model (Johansen (1995), p.8).
Comecemos por apresentar o signicado econ omico de rela c ao, ou vector, de
cointegra c ao, atraves de alguns exemplos. Passaremos depois ` a obten c ao de rela c oes
de equilbrio de longo prazo, ` a ausencia de signicado de rela c oes entre vari aveis
em certos casos e ` a equivalencia entre os processos que envolvem um mecanismo de
correc c ao dos erros e a cointegra c ao. Apresentaremos o metodo de Engle-Granger
para c alculo da rela c ao de co-itegra c ao. As limita c oes desta ultima metodologia
v ao conduzir-nos ao metodo de Johansen. Na exposi c ao do seu metodo veremos
tambem como podemos impor algumas restri c oes ` as rela c oes de cointegra c ao e aos
vectores de ajustamento e test a-las.
81
82 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
3.1 Exemplos Econ omicos
A utiliza c ao da ideia de equilbrio e ajustamento no curto prazo ` aqueles valores
de equilbrio de longo prazo e bastante frequente em economia. Em praticamente
todos os seus captulos temos exemplos de ajustamentos de curto e de longo prazo
e do caminho do curto ao longo prazo. O economista est a habituado a distinguir
um e outro tipo de equilbrio. Os pais da economia ensinaram os economistas
a analisar unicamente o longo prazo, com as suas leis tendenciais, ou naturais.
Apenas com o aparecimento de Keynes, e a sua contesta c ao ` as ideias da epoca, os
economistas deixaram de ser escravos desse longnquo tempo sem m. Infelizmente
alguns economistas confundem o Keynes quantitativista, que denunciava que no
longo prazo estaramos todos mortos, com o Keynes j a keynesiano. Talvez hoje
assistamos a algum exagero inverso, que leva os economistas a preocuparem-se
exclusivamente com o curto (e o muito curto) prazo.
As rela c oes de longo prazo, ou de equilbrio, s ao vistas em termos da nova
econometria como rela c oes entre os nveis das vari aveis integradas de ordem 1.
A rela c ao que da resulta tem as caractersticas de estacionaridade, ou seja, de
desvios relativamente ao equilbrio. Funcionando a rela c ao de equilbrio como um
atractor, as vari aveis presentes nesse equilbrio v ao reagir num perodo subsequente
ao do desequilbrio para o corrigir. O que nos leva ` as rela c oes entre primeiras
diferen cas das vari aveis do modelo e os valores de desequilbrio. Ao qual chamamos
comportamento de curto prazo, porque traduz a evolu c ao, perodo a perodo, das
altera c oes das vari aveis para atingirem a situa c ao descrita na rela c ao de longo
prazo.
Vejamos, pois, alguns exemplos retirados da an alise econ omica aplicados ape-
nas a uma rela c ao de longo prazo: o que signica que valorizamos modelos ECM.
Mais ` a frente veremos a equivalencia entre processo ECM e cointegra c ao.
3.1.1 Procura de moeda
As diversas formula c oes da procura de moeda, com diferentes implica c oes macro-
econ omicas e o seu comportamento aparentemente inst avel, entusiasmaram muito
os economistas nos nais dos setenta e nos anos oitenta. Os investigadores n ao
dispunham na altura dos conhecimentos econometricos que apenas mais tarde se-
riam conhecidos e popularizados. O livro de Homan e Rasche (1996) e um marco
na aplica c ao das novas metodologias ` a procura de moeda. Tambem a ideia de uma
deten c ao de encaixes monet arios no sentido de posse de um buer stock (Mizen
(1994)) levou a modelar a procura de moeda em termos de comportamentos de
equilbrio e de ajustamento a esse equilbrio.
Vejamos uma forma comum a esta ideia de expressar a procura de moeda,
3.1. EXEMPLOS ECON
OMICOS 83
sendo as vari aveis tomadas em logaritmos
M
t
=
0
+(M
t1

1
Y r
t1

2
P
t1

3
r
t1
) + (3.1)
+
1
(L) M
t1
+
2
(L) Y r
t1
+
3
(L) P
t1
+
+
1
(L) r
t1
+
t
Os
j
(L) s ao polin omios de desfasamento de ordem n ao xa, a determinar.
A parte da equa c ao que est a entre parenteses traduzir a o comportamento de
longo prazo da procura de moeda, enquanto que a equa c ao em si traduz o compor-
tamento de curto prazo, ou de ajustamento ao longo prazo. A equa c ao de longo
prazo pode ser assim escrita
M
t
=
1
Y r
t
+
2
P
t
+
3
r
t
(3.1.a)
onde temos as diferentes elasticidades constantes
1
. O valor de deve ser negativo
( < 0). O que traduz o processo de correc c ao de M, (M), ao seu valor de
equilbrio de longo prazo. Se M
t

M
t
> 0, ent ao o valor de M
t+1
(< 0) deve
corrigir essa diferen ca positiva
2
.
3.1.2 Fun cao consumo
O trabalho pioneiro na nova formula c ao emprica da fun c ao consumo deve-se a
J. Davidson e Yeo (1978) e envolveu um estudo emprico aplicado ao Reino Unido.
A separa c ao entre a componente permanente e transit oria do consumo agregado
pode levar-nos ` a seguinte formula c ao
C =
0
+ (C
P
Y )
1
+
1
(L) C
1
+
2
(L) Y
1
(3.2)
onde fazemos uso de uma outra forma, tambem convencional, de indicar os perodos.
No caso da equa c ao (3.2) podemos ver que o longo prazo se caracteriza por
uma fun c ao com propens ao media identica ` a propens ao marginal a consumir.
3.1.3 Eciencia em mercados cambiais
A simplica c ao que vamos fazer e talvez excessiva. Veja-se a este prop osito a
apresenta c ao consagrada em Hallwood e MacDonald (2000), pp. 255-63. Voltemos
a utilizar logaritmos. Seja f
t
a cota c ao a prazo (forward) de uma divisa e s
t
o seu
valor ` a vista (spot). Fazendo uso do conceito de valor esperado podemos escrever
E
t
[s
t+1
] = f
t
(3.3)
1
Veremos mais ` a frente que n ao devemos tomar aqueles coecientes como elasticidades
constantes em modelos com v arias equa c oes. Obviamente que estamos a admitir que as
vari aveis est ao em logaritmos.
2
A presen ca de outras rela c oes de longo prazo tambem e possvel. Mas e prefervel usar
exemplos simples.
84 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
Se considerarmos que as antecipa c oes s ao correctas, ent ao os agentes, ao usarem
toda a informa c ao disponvel, obtem valores que podem ser expressos como
s
t+1
E
t
[s
t+1
] =
t+1
(3.3.a)
onde
t
tem as caractersticas habituais de um rudo branco.
Podemos, assim, testar a hip otese de eciencia estudando a rela c ao de equilbrio
s
t+1
= f
t
+
t+1
que pode ser integrada numa outra que se rera explicitamente aos ajustamentos
de curto prazo da taxa de c ambio.
3.1.4 Paridade do poder de compra
Da mesma forma, a paridade do poder de compra na determina c ao das taxas de
c ambio pode ser testada pela rela c ao
s
t
+p
t
p
t
=
t
(3.4)
includa em
s
t
=
0
+
t1
+
1
(L) p
t
+
2
(L) p
t
+
t
(3.4.a)
onde p se refere aos pre cos internos e p
aos pre cos externos e as vari aveis continuam

em logaritmos.
Esta formula c ao deve ser encarada como a mais adequada, na medida em que
a respectiva teoria nunca defendeu a sua verica c ao no curto prazo, surgindo mais
como uma restri c ao de longo prazo ` as rela c oes entre taxas de c ambio.
3.1.5 Despesas do Estado
As despesas do Estado tambem podem ser modeladas procurando ter em conta
um comportamento de longo prazo ` a Wagner e uma din amica de curto prazo
G
t
=
0
+ (G
1

G
Y
1
) +
1
(L) G+
2
(L) Y + (3.5)
Pensamos que j a tenha cado claro que o coeciente representa, em equa c oes
deste tipo, a velocidade de ajustamento ao equilbrio.
Imaginemos um sistema como o que se segue
G
t
=
0
+
G
(G
1

G
Y
1
) +
1
(L) G+
2
(L) Y + (3.2)
Y
t
=
0
+
Y
(G
1

G
Y
1
) +
1
(L) G+
2
(L) Y +
Se neste sistema, para os ajustamentos das duas vari aveis, tivessemos os coe-
cientes
G
< 0
Y
= 0, ent ao poderamos defender que G n ao determinava Y .
Os afastamentos da rela c ao de longo prazo n ao afectavam esta vari avel (Y ) e, por
isso, G n ao causaria Y .
3.2. EQUIVAL
ENCIA DO MCE E DA COINTEGRAC

AO 85
3.2 Equivalencia do MCE e da Cointegra cao
A nossa ideia de equilbrio, e de erro (ou afastamento) de equilbrio, leva-nos a
denir o equilbrio, fazendo uso da representa c ao vectorial, como
x
t
= 0 (3.3)
e o erro de equilbrio como
x
t
= e
t
(3.4)
onde e
t
tem as caractersticas de rudo branco normais.
As vari aveis pertencentes ao vector x s ao vari aveis cointegradas de ordem d, b
se forem integradas, isoladamente, de ordem d e se existir uma combina c ao linear
entre elas que seja integrada de ordem (d b), com b positivo
x
t
CI (d, b)
x
it
I(d)
: x
t
I(d b), b > 0
O vector e designado por vector de cointegra c ao e, para n os, representa o
vector de equilbrio de longo prazo das vari aveis presentes no modelo.
A nossa exigencia quanto ` a cointegra c ao e assim sempre dupla.
1
o
queremos o signicado econ omico da rela c ao entre as vari aveis, e
2
o
o respeito pelas caractersticas econometricas da rela c ao que as envolve.
A primeira observa c ao a fazer refere-se ` a propriedade de homogeneidade, ` a
qual os economistas tambem se habituaram: se e um vector de cointegra c ao,
(c ), tambem e vector de cointegra c ao, sendo c um escalar.
3.2.1 Um cuidado adicional: ainda o caso de regress oes
esp urias
O problema das regress oes esp urias resume-se ao facto de regress oes entre vari aveis
integradas, sem qualquer rela c ao entre elas, conduzirem a valores das estatsticas
t e F, que excluem a hip otese nula da inclina c ao, levando-nos a concluir pela
existencia de relacionamento quando tal n ao deveria acontecer.
Sigamos o exemplo de Granger e Newbold (1974). Tomemos o caso em que
o nosso modelo de regress ao envolve vari aveis n ao estacion arias. Tomemos duas
vari aveis, x e y, random walk
y
t
= y
t1
+
t
x
t
= x
t1
+
t
(3.5)
86 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
com as seguintes caractersticas,
t
i.i.d.(o,
2
),
t
i.i.d.(o,
2
), E[
t
k
] t, k,
E[
t
tk
] = E [
t
tk
] = 0k = 0.
O modelo com y, como vari avel dependente, vir a
y
t
=
0
+
1
x
t
+
t
(3.6)
Como y
t
e x
t
n ao est ao correlacionados, y n ao exerce nenhuma inuencia sobre
x, e esta ultima vari avel tambem n ao exerce qualquer inuencia sobre y, acredita-
mos que
1
seja nulo e que R
2
tenda para zero. Pois bem, n ao e este o caso.
Se duas vari aveis tiverem valores crescentes, ent ao o R
2
afasta-se de zero, ainda
que os motivos que levam uma vari avel a crescer nada tenham a ver com os motivos
que levam a outra vari avel tambem a crescer e os incrementos em cada uma delas
n ao estejam correlacionados. De notar que em (3.6) n ao s o e errado tomar
1
= 0,
como
1
= 0 (y =
0
+
t
). Tambem o teste conjunto (
0
=
1
= 0) n ao deve ser
aplicado no caso das vari aveis como (3.5) (Phillips (1986)).
Normalmente, um bom indicador de uma regress ao esp uria e o valor muito
reduzido que se obtem para a estatstica de Durbin-Watson. Granger e Newbold
(1974) prop oem mesmo que tomemos as regress oes onde R
2
> DW como sendo
regress oes com muito forte probabilidade de serem esp urias.
Foi frequente, no passado, a obten c ao de equa c oes deste tipo sem que os econo-
mistas percebessem a ausencia de sentido do que acabavam de obter, mas que lhes
agradava por conrmar as suas posi c oes te oricas. Como veremos, a econometria
de vari aveis n ao estacion arias, mais propriamente, de vari aveis com raiz unit aria,
resolveu este tipo de problema de forma adequada.
3.2.2 Equivalencia MCE / Cointegra cao
Procuremos agora comparar um sistema de ajustamento baseado no princpio de
correc c ao dos erros com um outro baseado numa rela c ao de cointegra c ao. Utilize-
mos duas vari aveis (y e z) com o mesmo n umero de desfasamentos nas equa c oes
em primeiras diferen cas. Engle e Granger (1987) provaram que a cointegra c ao
conduz a um efeito de feedback negativo nos valores desfasados das vari aveis em
nveis e um efeito negativo de feedback dessas vari aveis implica a existencia de
cointegra c ao.
Tomemos pois um sistema com duas vari aveis integradas de ordem um [y, x
I(1)] e limitemos a um os desfasamentos a introduzir nas equa c oes de ajustamento
de curto prazo
y
t
=
10
+
1
(y
t1

11
z
t1
) +
12
y
t1
+
13
z
t1
+
yt
(3.7)
z
t
=
20
+
2
(y
t1

21
z
t1
) +
22
y
t1
+
23
z
t1
+
zt
(3.8)
Este sistema, com uma representa c ao MCE, pode tomar uma forma diferente,
mas equivalente
3.2. EQUIVAL
ENCIA DO MCE E DA COINTEGRAC

AO 87
y
t
=
10
+
1
y
t1

1

11
z
t1
+
12
y
t1
+
13
z
t1
+
yt
z
t
=
20
+
2
y
t1

2

21
z
t1
+
22
y
t1
+
23
z
t1
+
zt
Se atendermos a que podemos representar por vectores e matrizes os seguintes
par ametros
M
1
=
_

1

1

11
2

2

21
_
, M
2
=
_

12

13
22

23
_
,
t
=
_

yt
zt
_
,
m
o
=
_

10
20
_
e x
t
=
_
y
t
z
t
_
e ent ao podemos condensar aquele sistema da seguinte forma
x
t
= m
0
+M
1
x
t1
+M
2
x
t1
+
t
(3.9)
ou ainda
M
1
x
t1
= x
t
m
0
M
2
x
t1

t
(3.10)
Sendo para o caso geral de p desfasamentos
M
1
x
t1
= x
t
m
0

p
j=2
M
j
x
tj+1

t
(3.11)
No membro direito de (3.11) encontramos uma combina c ao linear entre vari aveis
estacion arias pelo que a caracterstica de estacionaridade est a assegurada. E esta
caracterstica de estacionaridade do membro direito garante a estacionaridade do
membro esquerdo. Se tivermos M
1
= 0, ent ao temos um modelo VAR com
vari aveis estacion arias. No caso geral, temos M
1
= 0, e e a esta situa c ao que
aplicamos as nossas ideias de equilbrio e de afastamento do equilbrio.
Recapitulemos. Como temos
M
1
x
t1
I(0)
e sabendo que cada uma das vari aveis x, (y, z), e integrada de ordem um
x I(1)
podemos armar que estamos perante vari aveis cointegradas
x CI(1, 1)
Este resultado signica que a representa c ao em termos de mecanismo de cor-
rec c ao dos erros (MCE) e equivalente ` a representa c ao em termos de vari aveis
cointegradas. Falamos anal do mesmo, num e noutro caso.
88 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
3.3 Obten cao das Rela c oes de Cointegra cao
Comecemos por apresentar a metodologia proposta por Engle-Granger e depois
de tecermos alguns coment arios acerca dos seus limites, passaremos ` a exposi c ao
da metodologia de Johansen.
3.3.1 Metodo de Engle-Granger
Iremos fazer a apresenta c ao nos dois passos tradicionais. Come camos por supor
que as vari aveis y e z s ao vari aveis integradas de ordem 1. Sendo assim, podemos
fazer
y
t
=
0
+
1
z
t
+
t
(3.12)
de forma a obter valores para os erros que sejam estacion arios. Se, porventura,
esses erros,
t
, apresentarem uma raiz unit aria as vari aveis n ao s ao cointegradas
3
.
Como esta nova vari avel e obtida pela regress ao acima, Engle e Granger (1987)
calcularam as tabelas apropriadas para aquele tipo de raiz unit aria para o caso de
duas vari aveis e Engle e Yoo (1987) para o caso de mais de duas vari aveis.
Se y, z CI(1, 1) ent ao podemos, depois de estimar (3.12), passar ` a estima c ao
do sistema
y
t
=
(1)
1

_
y
t1

1
z
t1
_
+
k
1
i=1
(1)
2i
y
ti
+ (3.13)
+
k
2
j=1
(1)
3j
z
tj
+
1t
z
t
=
(2)
1

_
y
t1

1
z
t1
_
+
k
3
i=1
(2)
2i
y
ti
+ (3.14)
+
k
4
j=1
(2)
3j
z
tj
+
2t
onde os coecientes

0
,
1
j a forma determinados por (3.12).
Um problema que deve ser resolvido e, obviamente, o da auto-correla c ao que
poder a estar presente naquelas equa c oes. O remedio, como sempre, reside na di-
namiza c ao adequada do modelo. N ao esque camos tambem que os erros de uma
3
A possibilidade de
1
= 0 e excluda pela hip otese de y e z serem, cada uma, integradas
de ordem 1, I(1).
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 89
das equa c oes podem estar correlacionados com os erros da outra equa c ao, se ad-
mitirmos efeitos contempor aneos entre y e z.
Os par ametros
(1)
1
,
(2)
1
medem as velocidades de ajustamento das vari aveis
aos respectivos valores de equilbrio. N ao faz sentido, em geral, que estes valores
sejam muito elevados. Se porventura
(2)
1
for nulo, podemos concluir que a vari avel
y n ao exerce inuencia sobre a vari avel z. Esta vari avel z e dita fracamente
ex ogena.
Este processo, que acabamos de descrever, evolui em v arios passos, e est a
sujeito a algumas crticas.
- Num modelo a duas vari aveis que erros tomar: os da fun c ao y(z) ou z(y)? Sabe-
mos que para um n umero innito de observa c oes e indiferente um ou outro come co,
mas em economia as nossas observa c oes s ao, em geral, em n umero reduzido.
- Os problemas complicam-se com tres ou mais vari aveis. Este metodo n ao fornece
uma metodologia precisa para estes casos.
- E, como em todos os processos em dois passos, os erros introduzidos no primeiro
passo, logicamente que cam presentes no segundo.
Hoje, n ao e muito complicado resolver algumas das quest oes postas pelas
crticas ` a resolu c ao (simplicada) daqueles processos n ao lineares. Por metodos
n ao lineares podemos estimar directamente o sistema acima, num unico passo. Mas
obviamente que n ao respondemos ` a quest ao da complexidade que deriva do uso
de tres e mais vari aveis. Felizmente que o metodo de Johansen(1988), utilizando
a tecnica de m axima verosimilhan ca, resolve com ec acia todos estes problemas.
3.3.2 Cointegra cao à Johansen
Iremos seguir Johansen (1995), Hansen e Juselius (1995) e Ba c ao (1999).
Tomemos um processo x de raiz unit aria, do tipo
x
t
= A
1
x
t1
+
t
(3.15)
ao qual podemos dar a seguinte congura c ao
x
t
= A
1
x
t1
x
t1
+
t
= (A
1
I) x
t1
+
t
e nalmente
x
t
= x
t1
+
t
(3.16)
A caracterstica de dar-nos- a o n umero de vectores de cointegra c ao presentes
entre as vari aveis do vector x.
No caso extremo dessa caracterstica ser nula,
Rank () = 0
n ao teremos vectores cointegrados.
90 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
A express ao acima, (3.16), pode tomar a forma geral
x
t
= x
t1
+A
0
+
t
(3.17)
no caso de A
0
ser diferente de zero, temos a presen ca de vari aveis deterministas
na explica c ao dos valores do vector x. Estas vari aveis podem ser uma constante e
uma tendencia temporal, por exemplo.
Suponhamos que a caracterstica daquela matriz e igual ` a unidade. Neste
caso, temos um vector de cointegra c ao e, como j a record amos atr as, todos os
outros vectores possveis limitam-se a combina c oes lineares deste. Vejamos como
podemos representar o sistema acima condensado
x
1t
=
11
x
1t1
+
12
x
2t1
+... +A
01
+
1t
x
2t
= s
2
(
11
x
1t1
+
12
x
2t1
+...) +A
02
+
2t
...................................................
x
kt
= s
k
(
11
x
1t1
+
12
x
2t1
+...) +A
0k
+
kt
No caso especco de A
0j
= s
j
A
01
, a constante passa para dentro do parenteses,
o que leva a retirar dos nveis das vari aveis x o comportamento de tendencia tem-
poral.
A obten cao dos vectores de cointegra cao
Tomemos um processo auto-regressivo de ordem p para k vari aveis
x
t
= A
1
x
t1
+A
2
x
t2
+... +A
p
x
tp
+
t
(3.18)
a subtrac c ao de x
t1
de cada membro conduz-nos a
x
t
= (A
1
I) x
t1
+A
2
x
t2
+... +A
p
x
tp
+
t
se agora somarmos e subtrairmos (A
1
I) x
t2
chegamos a
x
t
= (A
1
I) x
t1
+ (A
2
+A
1
I) x
t2
+... +A
p
x
tp
+
t
se continuarmos e somarmos e subtrairmos (A
2
+A
1
I) x
t3
x
t
= (A
1
I) x
t1
+ (A
2
+A
1
I) x
t2
+
+(A
3
+A
2
+A
1
I) x
t3
+... +A
p
x
tp
+
t
e nalmente, se generalizarmos, obtemos
x
t
=
p1
i=1
i
x
ti
+ x
tp
+
t
(3.19)
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 91
onde
=
_
I
p
i=1
A
i
_
e
i
=
_
_
I
i
j=1
A
j
_
_
A caracterstica de d a-nos o n umero de vectores de cointegra c ao. No caso
de ser nula, estamos perante um VAR normal
4
. Se tivermos o valor k, identico ao
n umero das vari aveis do modelo, ent ao o vector das vari aveis e estacion ario e se
tivermos um valor entre 1 e k, teremos esse n umero de vectores independentes de
cointegra c ao.
O valor da caracterstica daquela matriz e o n umero de valores pr oprios asso-
ciados ` a matriz que s ao diferentes de zero. Sabemos que os valores de
i
se obtem
da resolu c ao de | I| e uma raiz nula implica que || seja nulo, pelo que
pelo menos uma la ser a n ao independente das restantes. Tomemos
i
como re-
presentando o valor pr oprio i e ordenemos os diferentes valores pr oprios por ordem
decrescente
1
>
2
>
3
... >
k
Se a caracterstica for nula, todos os
i
ser ao nulos ou, de outra forma mais
util,
ln (1
i
) = 0
Se a caracterstica for igual ` a unidade, ent ao 0 <
1
< 1, e assim
ln (1
1
) < 0
sendo neste caso
ln (1
j
) = 0, para j = 1
para todas os outros valores pr oprios.
O problema que temos de resolver e saber quantos valores pr oprios s ao dife-
rentes de zero, ou quantos obedecem ` a condi c ao
(1
i
) = 1
Dois testes foram propostos para responder a tal quest ao. O primeiro vem
dado por
tra co
(r) = N
k
i=r+1
ln
_
1

i
_
(3.20)
4
Como j a atr as dissemos.
92 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
- que testa a H
0
de o n umero de vectores de cointegra c ao distintos ser em n umero
inferior ou igual a r. Quanto mais afastados de zero estiverem os valores de
i
,
mais elevado ser a o valor daquela estatstica.
O segundo teste e dado por
max
(r, r + 1) = N ln
_
1

r+1
_
(3.21)
- que testa a H
0
de o n umero de vectores de cointegra c ao ser r contra a hip otese
alternativa de r + 1.
Por simula c ao, diversos autores obtiveram tabelas para aquelas estatsticas.
Nomeadamente Osterwald-Lenum (1992), Johansen e Juselius (1990) e Soren Johan-
sen e Niesen (2000).
Alguns testes na rela cao de cointegra cao
Devido ` a sua import ancia devemos come car por fazer o teste de exclus ao de uma
constante no vector de cointegra c ao contra a sua n ao presen ca, ou n ao restri c ao da
constante. Estimemos o modelo para os dois casos. Representemos

1
,
2
, ...,

k
os valores pr oprios associados ` a presen ca da constante fora do vector, o que de-
signamos por n ao restri c ao da constante, e por

1
,
2
, ...,
k
os valores associados
` a integra c ao da constante no vector de cointegra c ao. Assimptoticamente, temos a
estatstica
N
k
i=r+1
_
ln
_
1

i
_
ln
_
1

i
__

2
(k r)
onde r foi previamente retido. Para conhecermos os graus de liberdade que de-
vemos usar veja-se Johansen (1995). A hip otese nula consiste na restri c ao da
constante no espa co de cointegra c ao.
Os valores reduzidos da express ao levam-nos a n ao excluir a H
0
e assim n ao
excluir a constante do vector de cointegra c ao. Ou, de outra forma, se
2
(k
r) >
2
C
(k r) devemos aceitar a sua exclus ao do vector de integra c ao e em
contrapartida admitir a presen ca de tendencia temporal nas vari aveis em estudo.
Vejamos como tambem podemos impor outras restri c oes ` as rela c oes de coin-
tegra c ao. Apresentamos assim alguns testes que envolvem certos valores dos
par ametros. Tomemos
=
onde
(kr)
e uma matriz de par ametros de cointegra c ao e
(kr)
se comp oe dos
pesos com que cada vector de cointegra c ao entra nas equa c oes do sistema estimado
(3.19), ou seja, temos aqui os valores, j a atr as designados, das velocidades de
ajustamento.
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 93
Podemos pois, a partir daquele sistema (3.19), fazer
x
t
=
p1
i=1
i
x
ti
+
x
tp
+
t
O que, para r = 1, e normalizando para a primeira vari avel,
1
= 1, nos
permite escrever
=
_
_
1
2
...
k
_
_
e =
_
2
...
k
_
_
As restri c oes que pretendamos impor em e tem um tratamento identico ` as
anteriores. Tomemos os valores pr oprios do modelo n ao restringido

1
,
2
, ...,
k
e
os novos valores associados ` a restri c ao imposta

1
,
2
, ...,
k
. Assimptoticamente,
temos a estatstica
N
r
i=1
_
ln
_
1

i
_
ln
_
1

i
__

2
(restri c oes em ou )
que, como indicamos, pode ser aproximada pela estatstica do chi-quadrado com
um n umero de graus de liberdade igual ` as restri c oes impostas.
Exempliquemos com um modelo de procura de moeda. Se estivermos interes-
sados em testar se a elasticidade pre co e, no longo prazo, igual ` a unidade, devemos
fazer um teste deste tipo,
P
= 1, e se, porventura, o valor obtido daquela es-
tatstica for inferior ao seu valor crtico, n ao exclumos a restri c ao ! Da mesma
forma devemos fazer para o par ametro . N ao esquecendo que a nossa hip otese
nula consistir a no valor que impusermos a , por exemplo = 0. Tenhamos
tambem em aten c ao que os testes em s ao verdadeiros testes sobre exogeneidade
fraca, como j a atr as referimos.
Exemplica cao da obten cao de rela c oes de cointegra cao no RATS
O reconhecimento da import ancia da caracterstica de estacionaridade das series
conduziu ao desenvolvimento da econometria de vari aveis n ao estacion arias. A
an alise de series com raiz unit aria, ou an alise da cointegra c ao, revolucionou os
nossos anteriores conhecimentos. As suas consequencias para os economistas s ao
de profundo alcance. Ao mesmo tempo permitiu que alter assemos a hip otese,
deveras irrealista, de os valores das vari aveis independentes serem tomados como
constantes.
As observa c oes que aqui ser ao feitas n ao eliminam o estudo do manual Hansen
e Juselius (1995) e que se destina a apresentar a metodologia e o programa CATS
in RATS.
94 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
O procedimento para a CI ` a Johansen come cou por ser distribudo com o
RATS e era da autoria de K. Juselius. Mais tarde, a sua designa c ao passou
a ser a actual, CATS, da autoria de H. Hansen e a estar disponvel na Inter-
net. Finalmente passou a ser vendido ` a parte do RATS pela empresa sua pro-
priet aria (Hansen e Juselius (1995)). Sempre que zermos referencia ao direct orio
c:cats referimo-nos a esta ultima vers ao. Se tivermos c:oldcat, ent ao trata-se
do pen ultimo procedimento. Este difere do mais actual por um resultado diferente
na op c ao rank, para o primeiro tipo de vector de CI.
As instru c oes e resultados que se seguem demonstram uma forma possvel de
estudo da presen ca de CI entre v arias vari aveis. Obviamente que n ao esgotam
as possibilidades de c alculos e testes que s ao possveis utilizando directamente os
comandos da nova janela do RATS e que e designada por CATS.
As tabelas estatsticas baseadas no Tra co, para os cinco modelos (Johansen
(1995), p. 212) constam das pp. 214-8. Aninda Banerjee e Hendry (1993) apre-
sentam para os modelos 1 (Quadro 8.1, p. 269), 2 (Quadro 8.7, p. 276) e 3
(Quadro 8.5, p. 274) tabelas tambem baseadas no valor pr oprio m aximo e que
foram retiradas de Osterwald-Lenum (1992), sendo por isso mais precisas que as
precedentes.
Passemos ao nosso exemplo com um modelo que podemos apelidar do tipo IS-
LM. Base de dados: massa monet aria em sentido restrito (M1), PIB real a pre cos
constantes, pre cos implcitos no PIB e taxa de juro das opera c oes banc arias activas
de 181 dias a um ano a empresas n ao nanceiras. O perodo vai de 1997 a 2000
e tem periodicidade trimestral. ` a excep c ao das taxas de juro, que continuam em
valores decimais, todas as vari aveis foram transformadas em ndices de base 100
para 1995. As vari aveis foram depois transformadas em logaritmos. A simbologia
e a seguinte: M, Q, P e R.
Come camos por questionar o tipo de vari aveis deterministas que devemos in-
cluir no estudo. Ou o que equivale ao mesmo, que tipo de modelo devemos consi-
derar. Para isso usamos o antigo programa CATS (oldcat).
end 1
cal 1970 1 4
all 2000:4
open data base.rat
data(format=rats) /
dofor i = q p m r
log i
end dofor i
source(noecho) catsmain.src
open copy a:temp.out
@cats(proc=rank,lags=5,season=4)
# m q p r
# money output prices interest
Como vemos, indicamos para alem das vari aveis sazonais, cinco desfasamentos.
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 95
Estes desfasamentos foram escolhidos porque ao ensaiarmos modelos com cinco
e seis desfasamentos cheg avamos ` a conclus ao que podamos rejeitar a presen ca
de auto-correla c ao de erros, o que n ao acontecia com desfasamentos inferiores.
Johansen (1995) (p. 21) diz-nos que na presen ca de auto-correla c ao e prefervel
ensaiar o acrescimo de novas vari aveis a aumentar os desfasamentos, devido ` a
perda de graus de liberdade que isso representa. Num sistema com 4 vari aveis
um desfasamento a mais equivale a 16 graus de liberdade perdidos. Apesar disso
quisemos estudar a hip otese de nulidade dos coecientes quando passamos de 5
para 6 desfasamentos. Os resultados para um e outro tipo de modelo (p
0
= 5 e
p
1
= 6), para o perodo efectivo de 1978:3 a 2000:4 foram os seguintes
5
p
0
p
1
log (||) -31.83559 -32.11987
SC -27.03580 -26.52011
HQ -28.62699 -28.37650
Os criterios de Schwarz e Hannan-Quinn levam-nos a aceitar o modelo a 5
desfasamentos (p
0
) contra os 6 desfasamentos (p
1
). A f ormula do ratio de verosi-
milhan ca vem dada por (N c) (31.83559 + 32.11987), onde N c vem igual
a 62. Sims (1980) prop os aquele valor de c, igual ao n umero de par ametros por
equa c ao em p
1
, para corrigir o uso de amostras pequenas, que e em geral o nosso
caso. O valor da estatstica, com k
2
(p
1
p
0
) graus de liberdade, vir a assim
Chi-Squared(16)= 17.625360 with Signicance Level 0.34628661
ou seja, n ao exclumos a hip otese nula dos coecientes p
1
p
0
.
J a explic amos a raz ao porque tom amos 5 desfasamentos, mas essa escolha
fundamentou-se num tipo de modelo. Regressamos pois ` a an alise dos resultados
para os diferentes modelos, como resultam das instru c oes acima do RATS
Os resultados foram os seguintes
Nr. Parametrization Interpretation
mu(t) =
1. 0 No deterministic components
2. 0 + a*b 0 Intercept in the cointegration relations
3. mu 0 + Deterministic trends in the levels
4. mu 0 + a*b 1*t + Trends in the cointegration relations
5. mu 0 + mu 1*t + Quadratic trends in the levels
Some of the models might be excluded in advance. Therefore, please input
the rst and the last parametrization you wish to include in the test. Thank you.
I am working on it.
The eigenvalues
rp-r model 1 model 2 model 3 model 4 model 5
0 4 0.2238 0.2798 0.2709 0.2949 0.2908
1 3 0.1006 0.2067 0.1803 0.2122 0.1745
5
Modelo 3. Ver mais abaixo.
96 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
2 2 0.0533 0.1002 0.0902 0.1499 0.1394
3 1 0.0008 0.0425 0.0352 0.0586 0.0043
The l-max test
0 4 23.0561 29.8682 28.7562 31.7913 31.2687
1 3 9.6475 21.0723 18.0956 21.7083 17.4556
2 2 4.9825 9.6098 8.6003 14.7733 13.6622
3 1 0.0735 3.9485 3.2610 5.4988 0.3965
The trace test
0 4 37.7595 64.4987 58.7131 73.7718 62.7829
1 3 14.7034 34.6305 29.9569 41.9804 31.5142
2 2 5.0559 13.5583 11.8613 20.2721 14.0586
3 1 0.0735 3.9485 3.2610 5.4988 0.3965
Fazendo uso das tabelas includas em Johansen (1995) (pp. 214-6) vemos que,
para um valor crtico a 95%
Modelo 5. Aceitamos um vector de cointegra c ao.
Modelo 4. Continuamos a aceitar um.
Modelo 3. Passamos a aceitar dois vectores.
Modelo 2. Aceitamos de novo apenas um vector.
Modelo 1. N ao aceitamos nenhum vector.
Seguindo a metodologia de Johansen (1995) (pp. 98-100) somos levados a
aceitar a presen ca de dois vectores e a usar o modelo 3.
As instru c oes adequadas ` a estima c ao do modelo 3 com 5 desfasamentos s ao as
seguintes (novo CATS)
source(noecho) e:catsmain.src
@cats(dettrend=drift,lags=5,season=4,rec) 1977:1 2000:4
# m q p r
e o resultado principal vem dado assim
COINTEGRATION ANALYSIS
Endogeneous series :
M Q P R
Deterministic series :
Unrestricted constant
3 centered seasonal dummies
Eective sample : 1978:02 TO 2000:04
Lag(s) in VAR-model : 5
No. of observations : 91
Obs.- no.of variables: 67
I(1) ANALYSIS
Eigenv. L-max Trace H0: r p-r L-max90 Trace90
0.2709 28.76 58.71 0 4 17.14 43.84
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 97
0.1803 18.10 29.96 1 3 13.39 26.70
0.0902 8.60 11.86 2 2 10.60 13.31
0.0352 3.26 3.26 3 1 2.71 2.71
Os valores das tabelas transcritas em Aninda Banerjee e Hendry (1993) (pp.
269-76) s ao os seguintes para 95%
L-Max95 Trace95
27.07 47.21
20.97 29.68
14.07 15.41
3.76 3.76
Estes valores s ao mais precisos que os indicados Johansen (1995). O que nos
leva a reter dois vectores de cointegra c ao pela estatstica do tra co e apenas um
pela estatstica do valor pr oprio m aximo. No que se segue tomaremos em primeiro
lugar dois vectores e depois um s o vector.
Caso A: 2 vectores Normalizando para a equa c ao da oferta de moeda e do
produto, obtemos
The matrices based on 2 cointegration vectors
BETA (transposed)
M Q P R
1.000 -1.332 -0.790 0.194
0.192 1.000 -0.288 0.131
ALPHA T-VALUES FOR ALPHA
DM -0.423 -0.067 -3.637 -1.483
DQ 0.108 -0.087 1.723 -3.568
DP -0.103 -0.069 -1.334 -2.282
DR 1.030 0.024 3.652 0.220
A primeira equa c ao pode ser reescrita como M = 1.332 Q+0.790 P 0.194 R
e a segunda como Q = 0, 288P 0.192M0.131R. Num modelo destes podemos
dizer que a primeira equa c ao representa o equilbrio monet ario e a segunda o
equilbrio real. Por vezes existe a tendencia para lermos estes resultados de longo
prazo em termos de elasticidades. Eles devem ser lidos como atractores (Johansen
(1995), p. 41) para os quais os agentes adaptam os seus comportamentos e cujas
reac c oes aos desequilbrios s ao dadas pelos valores dos . Isto, porque num modelo
com vari aveis cointegradas, A shock to one variable implies a shock to all variables
in the long run, and hence the coecients do not in general allow a ceteris paribus
interpretation, como defendeu, nomeadamente, Lutkepohl (1994) (ver Johansen
(1995), p. 50).
Podemos constatar que os coecientes daquelas duas rela c oes n ao s ao des-
titudos de signicado econ omico e que os valores dos s ao para cada uma delas
negativos (-3.637 e -3.568) como postula a teoria. Olhando para os restantes
que s ao diferentes de zero, podemos ainda ver que a ina c ao se reduz quando o
98 CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
produto e superior ao seu valor de equilbrio e a varia c ao da taxa de juro e positiva
quando a quantidade de moeda e mais elevada que a de equilbrio, prenunciando
antecipa c oes inacionistas.
A an alise dos resduosdo modelo produz os seguintes resultados
MULTIVARIATE STATISTICS
LOG(DET(SIGMA)) = -31.66202
INFORMATION CRITERIA: SC = -27.10159
HQ = -28.61593
TRACE CORRELATION = 0.67552
TEST FOR AUTOCORRELATION
L-B(22), CHISQ(280) = 313.168, p-val = 0.08414
LM(1), CHISQ(16) = 19.423, p-val = 0.24734
LM(4), CHISQ(16) = 26.107, p-val = 0.05254
TEST FOR NORMALITY
CHISQ(8) = 13.220, p-val = 0.1045
UNIVARIATE STATISTICS
...
Onde, de forma independente, precis amos os nveis de signic ancia dos valores
do chi-quadrado atraves da instru c ao cdf chisqr valor graus no RATS.
N ao apresentamos os restantes resultados quanto a cada uma das equa c oes
no que respeita ` a exclus ao de processo ARCH (de ordem 5) e da normalidade
(Shenton-Bowman, ver Doornik e Hansen (1994)) dos erros (ordem 2) porque
opt amos
6
por obter os valores de signic ancia das estatsticas. Em baixo est ao
esses valores.
ARCH(5) NS Normalidade NS
Equa c ao de M 10.722 0.057 1.885 0.390
Equa c ao de Q 2.239 0.815 1.217 0.544
Equa c ao de P 3.484 0.626 8.349 0.015
Equa c ao de R 10.019 0.075 1.277 0.528
Como podemos ver, apenas na equa c ao 3, dos pre cos, a normalidade dos erros
n ao est a garantida. Em todas as outras equa c oes podemos rejeitar a presen ca de
processo ARCH e aceitar a distribui c ao Normal dos erros.
Os valores pr oprios da matriz A, matriz acompanhante, correspondem ao
inverso das raizes do polin omio caracterstico. O seu gr aco e o seguinte
A matriz A e formada por
_
_
A
1
A
2
... A
p1
A
p
I
k
0 ... 0 0
0 I
k
... 0 0
... ... ... ... ...
0 0 ... I
k
0
_
_
onde I
k
representa a matriz identidade de ordem k.
6
Ver a nota anterior.
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 99
The eigenvalues of the companion matrix
-1.0 -0.5 0.0 0.5 1.0 1.5
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
100CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
Como podemos ver, todas os valores est ao dentro, ou no, crculo unit ario, o
que traduz um processo n ao explosivo representado pelo modelo com as vari aveis
que escolhemos.
As vari aveis que utilizamos conrmam a ideia de I(1) em nveis e I(0) em
primeiras diferen cas, como podemos ver nas guras em baixo.
M
LEVEL
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
5.5
DIFFERENCE
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.10
-0.05
0.00
0.05
0.10
0.15
0.20
A leitura gr aca das series usadas num modelo pode revelar-se muito impor-
tante. Ao olharmos para estas 4 series camos com uma ideia clara do processo
de estabiliza c ao da ina c ao e da redu c ao da incerteza associada ` a sua evolu c ao,
assim como da convergencia da taxa de juro, e ainda da estranha evolu c ao do
produto - cuja elucida c ao apenas os Santos protectores do INE poder ao conhecer
...
Os valores de desequilbrio de um e outro vector traduzem resultados esperados.
Em cada um dos gr acos a segunda curva, que e corrigida dos efeitos de curto
prazo e ainda sazonais, tem uma aparencia clara de vari avel estacion aria.
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 101
Q
LEVEL
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
4.08
4.20
4.32
4.44
4.56
4.68
4.80
4.92
DIFFERENCE
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.08
-0.06
-0.04
-0.02
0.00
0.02
0.04
0.06
102CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
P
LEVEL
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
2.0
2.5
3.0
3.5
4.0
4.5
5.0
DIFFERENCE
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 103
R
LEVEL
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-3.25
-3.00
-2.75
-2.50
-2.25
-2.00
-1.75
-1.50
-1.25
-1.00
DIFFERENCE
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.20
-0.15
-0.10
-0.05
-0.00
0.05
0.10
0.15
0.20
104CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
beta1 * Zk(t)
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-5.70
-5.65
-5.60
-5.55
-5.50
-5.45
-5.40
beta1 * Rk(t)
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.050
-0.025
0.000
0.025
0.050
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 105
beta2 * Zk(t)
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
3.60
3.65
3.70
3.75
3.80
3.85
3.90
3.95
4.00
4.05
beta2 * Rk(t)
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.16
-0.12
-0.08
-0.04
0.00
0.04
0.08
0.12
106CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
Vejamos ainda os gr acos com os valores efectivos (em primeiras diferen cas)
e estimados, e os erros, sua evolu c ao, histograma e correlograma. Neste ultimo e
sombreada a situa c ao em que o valor da correla c ao e superior a
2/
. O que
acontece para os erros das tres ultimas equa c oes, sem que no entanto traduzam
um padr ao que pudessemos reter.
Actual and Fitted for DM
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.10
-0.05
0.00
0.05
0.10
0.15
0.20
Standardized Residuals
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-2.4
-1.6
-0.8
-0.0
0.8
1.6
2.4
Histogram of Standardized Residuals
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
Normal
DM
Correlogram of residuals
Lag
2 4 6 8 10 12 14 16 18 20 22
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
Conrmamos aquilo que tnhamos visto mais acima acerca da natureza n ao
Normal dos erros da equa c ao dos pre cos (P). O R
2
das diferentes equa c oes tem
os seguintes valores: 0.86; 0.84; 0.77; e 0.44. O que e perfeitamente visvel na
menos boa qualidade do ajustamento da ultima equa c ao (R). De notar os bons
resultados obtidos com o modelo para as taxas de varia c ao da oferta de moeda e
mesmo do produto, apesar do comportamento estranho desta serie.
Voltemos aos vectores obtidos para o nosso modelo: M = 1.332 Q + 0.790
P 0.194 R e Q = 0, 288 P 0.192 M 0.131 R. Ao olharmos para uma
equa c ao como a primeira somos levados, pelos nossos conhecimentos de an alise
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 107
Actual and Fitted for DQ
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.08
-0.06
-0.04
-0.02
0.00
0.02
0.04
0.06
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-3.2
-2.4
-1.6
-0.8
-0.0
0.8
1.6
2.4
0.00
0.08
0.16
0.24
0.32
0.40
0.48
0.56
Normal
DQ
Lag
2 4 6 8 10 12 14 16 18 20 22
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
108CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
Actual and Fitted for DP
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-3
-2
-1
0
1
2
3
4
0.0
0.1
0.2
0.3
0.4
0.5
0.6
Normal
DP
Lag
2 4 6 8 10 12 14 16 18 20 22
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 109
Actual and Fitted for DR
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-0.20
-0.15
-0.10
-0.05
-0.00
0.05
0.10
0.15
0.20
1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
-2
-1
0
1
2
3
0.0
0.1
0.2
0.3
0.4
0.5
Normal
DR
Lag
2 4 6 8 10 12 14 16 18 20 22
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
110CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
econ omica, a colocar a possibilidade de o valor do coeciente dos pre cos ser igual
` a unidade,
21
= 1, assim como o do produto ,
11
= 1. No primeiro caso teramos
um comportamento do equilbrio monet ario referido a valores reais da oferta de
moeda. E se vericassem aqueles dois casos, poderamos falar num comportamento
da velocidade de circula c ao da moeda apenas dependente da taxa de juro. Em
ambos os casos temos teorias que justicam tais comportamentos. Mas ser a assim
para o caso em aprecia c ao? A seguinte observa c ao e de ter em conta: although
ones economic theory may be ne, the data chosen may not illustrate this. Hence a
careful statistical analysis helps to support the economic conclusions., (Johansen
(1995), p. 5).
Este tipo de restri c oes de que falamos podem ser testadas de uma forma directa
atraves da reparametriza c ao do modelo, como
= H , onde H
ps
e nossa co-
nhecida, sendo determinada
sr
, com (ps) a representar o n umero de restri c oes
a impor. No caso da reparametriza c ao indirecta bastar a fazer R
= 0.
7
No caso de
11
= 1, pretendemos que os coecientes associados ` a moeda e ao
produto venham dados por
i
= (a
i
, a
i
, , ), onde representa valor a deter-
minar. Comecemos por utilizar a op c ao de defeito do CATS, ou seja a constru c ao
da matriz H
. Assim no comando CATS escolhemos a op c ao 2 (Restrictions on

subsets of beta), e indicamos para Input the number of dierent groups, o valor
1 e para Input the number of restrictionsainda o valor 1. A matriz transposta
H deve ser de seguida construida
H
=
_
_
1 1 0 0
0 0 1 0
0 0 0 1
_
_
De imediato apenas teremos de indicar as vari aveis para normalizar os vec-
tores de cointegra c ao assim obtidos, e que s ao a primeira e a segunda, M e Q
respectivamente. O resultado obtido foi o seguinte
The LR test, CHISQ(2) = 10.35 , p-value = 0.01
BETA (transposed)
M Q P R
1.000 -1.000 -0.836 0.225
-1.000 1.000 1.026 -0.397
DM -0.425 0.035 -4.079 1.185
DQ -0.027 -0.018 -0.443 -1.062
DP -0.138 -0.055 -2.020 -2.851
DR 0.874 -0.095 3.412 -1.310
A restri c ao deve ser rejeitada. Em equilbrio o coeciente do produto n ao e
o simetrico do da moeda. Para alem dessa informa c ao ainda surge um problema.
No equilbrio real, no segundo vector, passa a existir uma associa c ao positiva entre
7
Johansen (1995) apresenta um conjunto util e imaginativo de restri c oes, nos coeci-
entes e , em dois modelos diferentes, pp. 73-8 e 114-120.
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 111
o produto e a taxa de juro. O que n ao acontecia atr as. Entretanto a ina c ao
reduz-se quando a quantidade de moeda e superior ` a de equilbrio, o que tambem
e, no mnimo, estranho. Veja-se ainda que a varia c ao das quantidades n ao depende
dos desequilbrios monet arios ou reais.
Vejamos agora a hip otese de o coeciente dos pre cos ser o simetrico do da
moeda. A matriz H
vem agora dado por

H
=
_
_
1 0 1 0
0 1 1 0
0 0 0 1
_
_
E o resultado em termos do teste do ratio de verosimilhan ca vem dado por
pelo que tambem rejeitamos esta restri c ao. Insistindo apesar de tudo na ideia
e impondo assim os coecientes do produto e dos pre cos com o mesmo valor e
igual ao simetrico do coeciente da moeda, teramos que indicar o valor 2 para a
pergunta Input the number of restrictionse viria para H
=
_
1 1 1 0
0 0 0 1
_
Com o seguinte resultado para a restri c ao
pelo que mais uma vez voltamos a rejeitar a restri c ao estudada.
Que conclus oes retiramos destas imposi c oes feitas ao modelo? Parece-me que
em termos dos resultados estatsticos e da coerencia econ omica devemos rejeitar a
igualdade dos coecientes do produto e dos pre cos, em conjunto e isoladamente,
com o simetrico da moeda. O que signica que o equilbrio monet ario traduz um
fen omeno de moeda como bem de luxo (coeciente do produto superior ` a unidade)
e ainda a presen ca de ilus ao monet aria (coeciente dos pre cos inferior ` a unidade).
Uma palavra sobre a reparametriza c ao indirecta. Na op c ao 4 do CATS deve-se
alterar o metodo escolhido por defeito para o metodo R
= 0. Apenas temos de
ter cuidado com a introdu c ao dos valores para R
. Os diferentes valores vir ao para

aqueles tres casos anteriores, construidos da seguinte forma
R
=
_
1 1 0 0
=
_
1 0 1 0
=
_
1 1 0 0
1 0 1 0
_
Uma vez que temos um modelo com vari aveis nominais, ` a excep c ao do produto,
podemos perguntar-nos se a vari avel produto n ao deveria juntar-se aos pre cos
para obtermos uma vari avel produto nominal. O teste a efectuar em termos de
reparametriza c ao indirecta seria agora, para 1 grupo, 1 restri c ao
112CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
R
=
_
0 1 1 0
O valor do teste vem dado por

pelo que devemos rejeitar essa altera c ao e manter o modelo com aquelas vari aveis
nominais e a vari avel real.
Uma outra possibilidade a ter em considera c ao
8
e a da exclus ao de cada uma
das vari aveis naquele modelo. Respondemos assim ` a quest ao se n ao podemos
rejeitar nenhuma vari avel das rela c oes de cointegra c ao - de uma rela c ao de longo
prazo. Pelo que devemos fazer para 1 grupo, 1 restri c ao
H
=
_
_
0 1 0 0
0 0 1 0
0 0 0 1
_
_
R
=
_
1 0 0 0
para a reparametriza c ao directa ou indirecta, respectivamente, da hip otese nula

da primeira vari avel, M. E assim sucessivamente para as restantes vari aveis. Os
resultados foram os seguintes
para M, Q, P e R, respectivamente. Nenhuma das vari aveis pode ser rejeitada.
Pelo que ate aqui vimos, devemos manter este modelo e reter os coecientes
n ao restringidos que calcul amos de incio. Aceitando esta conclus ao passemos a
vericar a hip otese de alguma daquelas vari aveis ser fracamente ex ogena. N ao nos
devemos esquecer que sendo a economia portuguesa uma pequena economia aberta,
e possvel que pre cos e taxa de juro, sobretudo, possam ter essa caracterstica.
Iremos fazer o teste dessa restri c ao a sem impor qualquer outra restri c ao aos
valores dos vectores de cointegra c ao, , que da resultarem. Trata-se agora de
denir a matriz
, na restri c ao
= 0. Faremos o ensaio vari avel a vari avel,

ou seja, 1 restri c ao de cada vez. Para a primeira vari avel devemos fazer
=
_
1 0 0 0
, e assim sucessivamente. Os resultados foram

9
8
Que j a deveramos ter levantado, mas que por motivos de exposi c ao apenas agora
referimos.
9
Ver nota mais acima sobre o obten c ao de valores mais precisos para os nveis de
signic ancia.
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 113
O que nos diz que n ao podemos rejeitar a hip otese (da equa c ao) dos pre cos
ser fracamente ex ogena. Estaramos ` a espera de uma resultado destes mais para
a taxa de juro. Talvez isto seja o resultado de na nossa pequena economia aberta
os pre cos terem uma determina c ao externa, pela taxa de c ambio do escudo e da
ina c ao externa, muito importante.
O novo modelo apresenta agora os seguintes par ametros
BETA (transposed)
M Q P R
1.000 -1.385 -0.789 0.194
1.132 1.000 -1.268 0.501
DM -0.387 -0.066 -3.439 -2.409
DQ 0.136 -0.052 2.232 -3.480
DP 0.000 0.000 0.000 0.000
DR 1.070 0.098 3.877 1.458
Terminemos a apresenta c ao do nosso modelo com o gr aco do valor da fun c ao
de m axima verosimilhan ca calculado de forma regressiva a partir de 1990:1. O
valor da fun c ao pode ser decomposto em duas partes (Hansen e Juselius (1995),
p. 55-6) que correspondem aos quatro primeiros gr acos. Numa primeira leitura
somos levados a pensar que os valores n ao s ao est aveis, mais ou menos constantes,
mas tal deve-se apenas ` a escala utilizada nos gr acos. Com os valores totais
da fun c ao, nos dois ultimos gr acos, temos ainda os valores do intervalo a 95%
(2
_
2 p/N) e como podemos ver aquele valor est a bem dentro deste intervalo.
Da mesma forma, os valores dos valores pr oprios apresentam uma grande es-
tabilidade quando os calculamos a partir de 1990:1.
E desta forma damos praticamente por terminado o nosso trabalho de inves-
tiga c ao de um modelo de longo prazo aplicado ` a economia portuguesa de 1977:1
a 2000:4, quando aceitamos a presen ca de dois vectores que traduzem rela c oes de
equilbrio monet ario e real.
O trabalho que aqui descrevemos procura seguir uma evolu c ao l ogica, do ponto
de vista da an alise econ omica. Mas podemos assumir uma atitude mais pragm atica
e usar a possibilidade dada pelo CATS de, p os conhecimento do tipo de modelo
retido, obter informa c ao sobre a possvel exclus ao da rela c ao de longo prazo de
vari aveis do modelo, sobre a estacionaridade de cada serie tomada isoladamente,
e ainda sobre a exogeneidade fraca presente no modelo. A instru c ao e a seguinte
source(noecho) catsmain.src
@cats(dettrend=drift,lags=5,season=4,proc=tsprop) 1977:1 2000:4
# m q p r
Sendo o resultado dado por
COINTEGRATION ANALYSIS
114CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
Z(t)
-ln(det(S00))
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
31.00
31.25
31.50
31.75
32.00
32.25
-Sum(ln(1-lambda))
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
-2/T*log-likelihood
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
26
28
30
32
34
36
38
R(t)
-ln(det(S00))
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
31.00
31.05
31.10
31.15
31.20
31.25
31.30
-Sum(ln(1-lambda))
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
0.500
0.525
0.550
0.575
0.600
0.625
0.650
0.675
0.700
0.725
-2/T*log-likelihood
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
26
28
30
32
34
36
38
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 115
lambda1
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
0.00
0.25
0.50
0.75
1.00
lambda2
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
0.00
0.25
0.50
0.75
1.00
116CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
Endogeneous series : M Q P R
Deterministic series : Unrestricted constant
3 centered seasonal dummies
Eective sample : 1978:02 TO 2000:04
Lag(s) in VAR-model : 5
No. of observations : 91
Obs.- no.of variables: 67
Batch tests of the time series properties of the individual series
TEST FOR EXCLUSION: LR TEST CHISQ(r)
r DGF CHISQ 5 M Q P R
1 1 3.84 10.60 9.83 10.44 9.59
2 2 5.99 19.30 19.25 18.22 13.78
3 3 7.81 24.21 23.30 23.43 18.53
TEST FOR STATIONARITY: LR TEST CHISQ(p-r)
1 3 7.81 17.34 12.87 20.26 22.90
2 2 5.99 6.69 2.21 9.65 13.28
3 1 3.84 2.10 0.35 3.68 3.94
TEST FOR WEAK-EXOGENEITY: LR TEST CHISQ(r)
1 1 3.84 6.93 1.19 0.99 10.12
2 2 5.99 10.28 9.34 4.24 10.80
3 3 7.81 14.54 12.58 8.36 11.55
Os resultados, ` a excep c ao do caso da estacionaridade, s ao nossos conhecidos.
Para 2 vectores de cointegra c ao
10
n ao temos nenhuma raz ao para excluir qualquer
vari avel da representa c ao de longo prazo. No que se refere ` a exogeneidade fraca
j a sabamos que os pre cos assim poderiam ser considerados quando retivessemos
2 vectores. Se retivessemos 3 vectores nenhuma das vari aveis poderia ser tomada
como fracamente ex ogena. Finalmente no que respeita ` a estacionaridade, o pro-
duto pode ser tomado como estacion ario no modelo com 2 vectores de cointegra c ao.
Os problemas seriam de impossvel solu c ao no caso de 3 vectores porque apenas
a vari avel R seria nesse caso I(1) e como sabemos precisamos pelo menos de 2
vari aveis I(1) para fazer o modelo da nossa economia usando a metodologia da
cointegra c ao.
Caso B: 1 s o vector No caso de uma unica rela c ao de cointegra c ao, e de
acordo com os resultados imediatamente acima
- podemos rejeitar a ausencia de uma qualquer daquelas vari aveis;
- podemos rejeitar a estacionaridade de qualquer una daquelas vari aveis; e
nalmente vemos que
- Q e P s ao fracamente ex ogenas.
10
O mesmo podamos dizer para 3 vectores.
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 117
Vejamos melhor este ultimo resultado. Quando tnhamos dois vectores de
cointegra c ao, um dos vectores representando o equilbrio monet ario e o outro o
equilbrio real, os pre cos eram fracamente ex ogenos. Ao retirarmos do nosso mo-
delo a equa c ao do equilbrio real passamos a ter o produto tambem fracamente
ex ogeno. O resultado nal n ao e pois estranho.
O resultado da escolha de r = 1 vem agora
EIGENVECTOR(S) (transposed)
M Q P R
53.8437 -71.7283 -42.5577 10.4638
The matrices based on 1 cointegration vectors
BETA (transposed)
M Q P R
1.000 -1.332 -0.790 0.194
DM -0.423 -3.594
DQ 0.108 1.614
DP -0.103 -1.297
DR 1.030 3.651
A equa c ao do equilbrio monet ario pode ser escrita como M = 1.332 Q +
0.790 P 0.194 R.
Uma vez que se trata de um novo sistema procur amos ver se os 5 desfasamentos
se justicavam relativamente aos 6. Em termos dos criterios de informa c ao (SC
e HQ) o modelo escolhido seria o de 5 desfasamentos. O teste do ratio de vero-
similhan ca, estimando o modelo para o perodo 1978:3 a 2000:4, tem o seguinte
valor
Chi-Squared(16)= 18.593520 with Signicance Level 0.29030404
pelo que tambem este teste nos aponta para os 5 desfasamentos pela n ao exclus ao
da hip otese nula do sexto desfasamento em cada uma das equa c oes do modelo.
A an alise dos erros para o conjunto e para cada uma das equa c oes, fazendo
como atr as, produz os seguintes valores
HQ = -28.58263
L-B(22), CHISQ(284) = 318.970, p-val = 0.08
LM(1), CHISQ(16) = 16.108, p-val = 0.45
LM(4), CHISQ(16) = 25.092, p-val = 0.07
TEST FOR NORMALITY
CHISQ(8) = 16.616, p-val = 0.03
...
118CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
Equa c ao de M 12.787 0.025 2.304 0.316
Equa c ao de Q 0.630 0.987 3.103 0.212
Equa c ao de P 3.992 0.551 9.842 0.007
Equa c ao de R 9.637 0.086 1.269 0.530
Parece-nos que podemos estar seguros acerca da ausencia de auto-correla c ao
dos erros, mas no que toca ` a presen ca de processo ARCH ou ` a ausencia de normali-
dade dos erros os resultados j a n ao s ao t ao satisfact orios. N ao podemos excluir um
processo ARCH para a equa c ao da oferta de moeda e tambem n ao podemos excluir
uma distribui c ao n ao normal para os erros, para o conjunto, e para a equa c ao dos
pre cos em particular.
Se porventura us assemos 6 desfasamentos o problema da auto-correla c ao es-
taria resolvido; n ao teramos processos ARCH; a normalidade conjunta estaria
garantida (embora para um nvel de 0,06), mas n ao a normalidade para a equa c ao
dos pre cos. O vector de cointegra c ao teria um coeciente para Q mais elevado e
mais reduzido para P. O que do ponto de vista econ omico n ao desperta grande
interesse. Por outro lado deveramos abandonar este vector como de equilbrio mo-
net ario, uma vez que o valor de viria agora positivo para a equa c ao da moeda. O
que signicava que deveramos procurar outro signicado para essa equa c ao. Em
suma, o ganho de passarmos para 6 desfasamentos n ao seria nem relevante, nem
estatisticamente justicado.
Passemos a analisar algumas das restri c oes de coecientes da rela c ao de longo
prazo.
Teste de simetria entre o coeciente de M e de Q
Teste de simetria entre o coeciente de M e de P
Teste de simetria entre o coeciente de M e de P e Q
e interessante vericar que podemos n ao rejeitar a hip otese de o coeciente do
produto ser igual ` a unidade na rela c ao do equilbrio monet ario.
No que respeita ` a exogeneidade fraca j a sabemos que o produto (
2
= 0) e os
pre cos (
3
= 0) podem ser tomados como tal, isoladamente. O teste de restri c ao
conjunta (
2
=
3
= 0) tem o valor
O que conrma a exogeneidade daquelas vari aveis, agora em conjunto. Para
executarmos este teste devemos escolher de Restrictions on alphae indicar duas
restri c oes.
Mantendo a exogeneidade fraca para Q e P, ensai amos a restri c ao da simetria
dos coecientes de M e Q
BETA (transposed)
M Q P R
3.3. OBTENC

AO DAS RELAC

OES DE COINTEGRAC

AO 119
1.000 -1.000 -0.850 0.236
DM -0.447 -4.144
DQ 0.000 0.000
DP 0.000 0.000
DR 1.058 3.992
Como vemos a restri c ao conjunta, de
2
=
3
= 0 e
1
+
2
= 0, n ao pode ser
excluda. E a nova equa c ao do equilbrio monet ario e muito interessante: existe
agora uma maior sensibilidade ` a taxa de juro e aos pre cos. Neste ultimo caso
podemos dizer que a ilus ao monet aria vem agora menor. O teste foi conduzido
mantendo a anterior restri c ao nos e impondo de seguida uma restri c ao nos .
O maior valor do coeciente de P levou-nos a impor tambem a restri c ao de
simetria do coeciente de M com P, mas o resultado e ilucidativo
Tal hip otese deve ser rejeitada. Tratou-se agora de ainda manter a restri c ao
em e impor 1 grupo 2 restri c oes para .
O modelo com exogeneidade fraca de Q e P e simetria do coeciente de M e
Q leva a resultados mais fracos no que respeita aos erros do modelo e das suas
equa c oes. Voltamos por isso ao modelo onde apenas impomos a exogeneidade de
Q e P deixando livre os coecientes da equa c ao de equilbrio. A an alise dos erros
vem neste caso dada por
HQ = -28.55583
L-B(22), CHISQ(284) = 313.381, p-val = 0.111
LM(1), CHISQ(16) = 16.692, p-val = 0.406
LM(4), CHISQ(16) = 26.032, p-val = 0.054
TEST FOR NORMALITY
CHISQ(8) = 16.982, p-val = 0.030
...
Equa c ao de M 13.915 0.016 1.723 0.422
Equa c ao de Q 0.290 0.998 3.326 0.190
Equa c ao de P 4.030 0.545 10.035 0.007
Equa c ao de R 10.909 0.053 1.491 0.474
Como vemos, n ao temos problemas de auto-correla c ao dos erros, mas temos
um problema de ARCH na primeira equa c ao (M) e um problema de ausencia de
normalidade na terceira equa c ao (P). Situa c ao semelhante ` a encontrada no modelo
sem restri c ao alguma.
120CAP
ITULO 3. COINTEGRAC

AO, EQUIL
IBRIO E AJUSTAMENTO
Algumas op c oes uteis do CATS. Descrevamos, para nalizar este ponto,
as possibilidades de representa c ao includas no CATS, tal como guram no proce-
dimento cats.src
/*
CATS for RATS
March 1995
Henrik Hansen, Soren Johansen, Katarina Juselius
*******************************************************************
SYNTAX :
@CATS(OPTIONS) START END
# ENDOGENOUS VARIABLES
# EXOGENOUS VARIABLES * OPTIONAL WITH EXO
# DUMMY SERIES * OPTIONAL WITH DUM
OPTIONS:
LAGS= INTEGER [2] * LAGS IN VAR-MODEL
DETTREND= NONE/CIMEAN/[DRIFT]/CIDRIFT * TREATMENT OF CONS-
TANT
SEASON= INTEGER [0] * CENTERED SEASONAL DUMMIES
EXO/[NOEXO] * INCLUSION OF EXOGENOUS I(1)
DUM/[NODUM] * CONDITIONING ON DUMMY SERIES
PROC= RANK/TSPROP/[I1] * PROCEDURES
TABLES/[NOTABLES] * SHOW THE TABLES OF CRITICAL V.
[MISC]/NOMISC * INCLUDE MISC. PROCEDURES
REC/[NOREC] * INCLUDE THE RECURSIVE PROCEDURE
GNAME= STRING [ ] * ADD A PREFIX TO PLOT FILES
BATCH/[NOBATCH] * SWITCH FOR RUN IN EDITOR OR BATCH
*/
Captulo 4
Modelos VAR, VECM e
Near-VAR(VECM)
Podemos dizer que o criador dos modelos VAR (vector auto regressive) foi o eco-
nomista Christopher Sims (Sims (1980)). A primeira ideia associada a estes mode-
los, que procuravam responder a deciencias dos modelos estruturais de natureza
keynesiana, era a n ao necessidade de estarem ancorados numa teoria econ omica.
Podiam assim ser a-te oricos. No que respeitava ` as limita c oes dos modelos estrutu-
rais tnhamos agora um tipo de modelos que n ao necessitava de condi c oes especiais
de identica c ao e que resolvia o problema das antecipa c oes de forma original, sem
recurso a modela c oes duvidosas. As vari aveis de um modelo VAR eram anal
vari aveis end ogenas, para os valores do perodo corrente, e enx ogenas para os valo-
res desfasados. A presen ca dos valores desfasados tinha assim em conta o passado
da economia e desta forma as antecipa c oes n ao tinham de ter uma representa c ao
especial. ` a primeira ideia de a-teoriadepressa se sucedeu a ideia que a teoria
n ao podia estar afastada desses modelos. e f acil vericar que assim teria de ser: a
escolha das vari aveis reecte sempre a orienta c ao te orica de um autor, a menos que
as escolha de olhos fechados e se limite a apontar ... E este ultimo comportamento
n ao e muito frequente ... No fundo, o que se pretendia dizer e que pass avamos a
ter uma classe de modelos aos quais n ao tnhamos de impor restri c oes de natureza
keynesiana ou monetarista para fazer o estudo dessa representa c ao da economia.
Os modelos VAR s ao uma representa c ao da economia
1
. E como representa c ao
da economia podem:
- fornecer-nos uma vis ao do comportamento passado da economia;
- ajudar-nos a conhecer a din amica de comportamento da economia;
- identicar rela c oes de causalidade; e
- indicar-nos como comportamentos n ao esperados podem inuenciar a economia
e assim a fundamentar as ac c oes de poltica.
1
Walter Enders escreveu um livro de apoio para o RATS onde os modelos deste tipo
s ao especialmente considerados. Veja-se Enders (2003).
121
122 CAP
ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

Logo no incio do sucesso dos VAR os autores bayseanos desenvolveram o que -
cou conhecido por BVAR (Thomas Doan e Sims (1984) e Litterman (1986)), mode-
los VAR bayseanos que procuravam responder ao problema da sobre-parametriza c ao
que afecta os modelos VAR. Os desenvolvimentos continuaram (Watson (1994),
Amisano e Giannini (1997) e Stock e Watson (2001)) e hoje os VAR s ao usados
em previs ao e em simula c ao de polticas com grande frequencia.
Vamos apresentar neste captulo a famlia de modelos VAR. Levantaremos o
problema da estabilidade dos modelos, come cando com exemplos a uma s o equa c ao
e apresentando de seguida o caso de v arias equa c oes; passaremos aos modelos
VAR propriamente ditos; e depois veremos, ainda que de forma breve, as outras
variantes da famlia. O essencial sobre os modelos aqui tratados ser a apresentado
para os primeiros. Procuramos tambem apresentar um exemplo de um modelo
VAR usando o programa RATS.
4.1 Estabilidade de modelos auto-regressivos
Sabemos j a pelo que vimos atr as, que estamos interessados em aplicar os metodos
normais da econometria a series estacion arias. Dito de outra maneira, o princpio
que desejamos para uma vari avel e que a inuencia dos choques sobre essa vari avel
tendam a anular-se ` a medida que o tempo passa, tendam a desaparecer na hist oria
da serie. O mesmo acontecendo para um modelo, desejamos que um choque sobre
uma qualquer vari avel tenha efeitos, sobre ela pr opria e as restantes, que tendam
a desaparecer.
4.1.1 Processo com dois desfasamentos
O que vamos dizer n ao e novo, sendo-o, no entanto, a forma como o faremos.
Exempliquemos com um processo AR(2) para uma vari avel y
y
t
=
1
y
t1
+
2
y
t2
+
t
(4.1)
que pode tomar uma forma mais conveniente aos nossos intuitos
_
1
1
L
2
L
2
_
y
t
=
t
(4.2)
Nesta ultima express ao,(4.2), o polin omio de desfasamentos, por facto-
riza c ao, pode ser re-escrito da seguinte forma
_
1
1
L
2
L
2
_
= (1
1
L) (1
2
L) (4.3)
O que nos leva a apresentar o polin omio dos desfasamentos em termos das
novas vari aveis
_
1
1
L
2
L
2
_
= 1 (
1
+
2
) L + (
1

2
) L
2
(4.4)
4.1. ESTABILIDADE DE MODELOS AUTO-REGRESSIVOS 123
Esta igualdade, (4.4), para que seja verdadeira, conduz-nos ` a seguinte
rela c ao entre as vari aveis dos membros esquerdo e direito
(
1
+
2
) =
1
(4.5)
(
1

2
) =
2
O que signica que se tivermos os valores
1
= 0, 6 e
2
= 0, 05, ent ao
devemos ter
1
= 0, 5 e
1
= 0, 1, ou seja
_
1 0, 6 L + 0, 05 L
2
_
= (1 0, 5 L) (1 0, 1 L)
Em vez de estarmos a utilizar como vari avel, naqueles polin omios, o operador
de desfasamentos L, passemos a utilizar a vari avel . A rela c ao acima (4.3) vir a,
agora, dada por
_
1
1

2

2
_
= (1
1
) (1
2
) (4.6)
Se dividirmos (4.6) por
2
obtemos
_
1

1
2
_
=
_
1
_
2
_
(4.7)
que ser a de grande utilidade se zermos =
1
, porque, assim, teremos
_
1

2
_
= (
1
) (
2
) (4.8)
O membro direito anula-se para =
1
e =
2
, o que leva a fazer para o
membro esquerdo
1
=

1
+
_
2
1
+ 4
2
2
(4.9)
2
=

1

_
2
1
+ 4
2
2
Voltando a tomar
1
= 0, 6 e
2
= 0, 05, obtemos os valores
1
= 0, 5 e
2
= 0, 1.
Podemos j a concluir que o modelo apresentado, para ser est avel, dever a apre-
sentar as raizes daquela equa c ao do segundo grau, em m odulo, inferior ` a unidade,
ou seja, |
1
| < 1 |
2
| < 1.
Como = 1/, tomar o modelo (4.1) e dizer que y e est avel quando as raizes
de
2

1

2
= 0 est ao dentro do crculo unit ario e o mesmo que dizer que
as raizes do polin omio 1
1

2

2
= 0 est ao fora do crculo unit ario, ent ao,
as duas arma c oes s ao equivalentes do ponto de vista da estabilidade de y.
Uma forma pr atica de vericarmos se um processo e estacion ario e vermos os
efeitos de um qualquer choque sobre o comportamento da vari avel (ou vari aveis).
124 CAP

4.1.2 Processo com p desfasamentos
Apresentemos este mesmo resultado para um processo auto-regressivo de ordem
p. O modelo vir a agora representado por
y
t
=
1
y
t1
+
2
y
t2
+... +
p
y
tp
+
t
(4.10)
Fa camos uma representa c ao deste modelo em termos matriciais. Com
t
=
_
_
y
t
y
t1
...
y
tp+1
_
_
F =
_
1

2
...
p1

p
1 0 ... 0 0
0 1 ... 0 0
... ... ... ... ...
0 0 0 1 0
_
t
=
_
t
0
0
...
0
_
_
(4.11)
vir a
t
= F
t1
+
t
(4.12)
que de forma desenvolvida equivale a
y
t
=
1
y
t1
+
2
y
t2
+... +
p
y
tp
+
t
y
t1
= y
t1
+ 0
y
tp+1
= y
tp+1
+ 0
Como podemos ver, em (4.12) temos as mesmas rela c oes que acima, em (4.10).
Os valores pr oprios de F s ao os valores de para os quais se verica
|F I
p
| = 0
Vindo o polin omio caracterstico da matriz F dado por
1

p1
...
p
= 0
o que nos leva a impor como condi c ao de estabilidade que as raizes sejam, em
m odulo, inferiores ` a unidade. O que coincide com a imposi c ao de valores pr oprios
de F dentro do crculo unit ario.
4.2 Apresenta cao de modelos VAR
Passemos agora ` a exposi c ao de modelos com v arias equa c oes auto-regressivas para
as diferentes vari aveis presentes no modelo.
4.2. APRESENTAC

AO DE MODELOS VAR 125
4.2.1 Exemplo de modelo
Designamos por modelo VAR estrutural um modelo do seguinte tipo
y
t
= b
10
b
12
z
t
+
11
y
t1
+
12
y
t2
+
yt
(4.13)
y
t
= b
20
b
22
y
t
+
21
z
t1
+
22
z
t2
+
zt
Neste caso, temos apenas um VAR de ordem 1 com duas vari aveis onde y e z
s ao vari aveis I(0) e
yt
e
zt
s ao vari aveis white noise e n ao correlacionadas. Uma
vez que os valores correntes de cada uma das vari aveis inuenciam a outra, n ao
estamos perante uma forma reduzida de um modelo, ou modelo reduzido, apesar
da sua aparencia. Veja-se Bernanke (1986), Blanchard e Watson (1986), Sims
(1986) e Stock e Watson (2001) para uma apresenta c ao deste tipo de modelos.
Fa camos, antes, a seguinte apresenta c ao (equivalente) do modelo acima
_
1 b
12
b
21
1
_
_
y
t
z
t
_
=
_
b
10
b
20
_
+
_

11

12
21

22
_
_
y
t1
z
t1
_
+
_

yt
zt
_
(4.14)
que, em termos de representa c ao vectorial, se reduz a
B x
t
=
0
+
1
x
t1
+
t
(4.15)
Se pre-multiplicarmos por B
1
obtemos
x
t
= A
0
+A
1
x
t1
+e
t
(4.16)
onde
A
0
= B
1

0
A
1
= B
1

1
e
t
= B
1

t
O modelo VAR assim construido e um modelo VAR estandardizado. Este
modelo toma a seguinte forma desenvolvida
y
t
= a
10
a
11
y
t1
+a
12
z
t1
+e
1t
(4.17)
z
t
= a
20
a
21
y
t1
+a
22
z
t1
+e
2t
4.2.2 Rela cao entre os erros dos modelos
As rela c oes entre os erros entre um e outro sistema levam-nos neste caso a
e
1t
+b
12
e
2t
=
yt
b
21
e
1t
+e
2t
=
zt
=
e
1t
=
ytb
12
zt
1b
12
b
21
e
2t
=
ztb
21
yt
1b
12
b
21
(4.18)
126 CAP

Podemos facilmente perceber que os novoserros mantem as caractersticas
desejadas, n ao s o para o seu valor esperado como para a sua vari ancia. Para uma
e outra e daquelas vari aveis temos
E [e
1t
] =
E[yt]b
12
E[zt]
1b
12
b
21
= 0
E
_
e
2
2t
=

2
zt
b
2
21
2
yt
(1b
12
b
21
)
2
n ao depende do tempo
(4.19)
No entanto, deparamos, agora, com uma caracterstica entre aqueles erros que
estava ausente nos erros anteriores
E[e
1t
e
2t
] =
E [(
yt
b
12

zt
) (
zt
b
21

yt
)]
(1 b
12
b
21
)
2
=
_
b
21

2
y
+b
12

2
z
_
(1 b
12
b
21
)
2
= 0
(4.20)
Este ultimo resultado diz-nos que os choques em y e z passaram a estar corre-
lacionados. A menos que os valores contempor aneos das vari aveis n ao perten cam
ao modelo, ou seja, b
12
= b
21
= 0.
4.2.3 Estabilidade do modelo
Tomemos agora um modelo com k vari aveis, cuja ordem auto-regressiva seja de p.
Utilizando o conceito de operador de desfasamentos, na formula c ao (4.16) temos
x
t
= A
0
+A
1
x
t1
+A
2
x
t2
+... +A
p
x
tp
+e
t
x
t
= A
0
+
_
A
1
L +A
2
L
2
+... +A
p
L
p
_
x
t
+e
t
_
I A
1
L A
2
L
2
... A
p
L
p
_
x
t
= A
0
+e
t
(4.21)
que pode tomar a forma resumida, em termos matriciais
A(L) x
t
= A
0
+e
t
(4.22)
e cuja condi c ao de estabilidade imp oe que as raizes de A(L) = 0 estejam fora do
crculo unit ario. O que e o mesmo que dizer que as raizes de
I
k

p
A
1

p1
A
2

p2
... A
p
= 0
devem cair dentro do crculo unit ario.
Uma outra forma de apresentarmos a quest ao da estabilidade do modelo leva-
nos a tomar o valor medio das vari aveis
= E [x
t
] , t
= A
0
+A
1
+A
2
+... +A
p

x
t
= A
1
(x
t1
) +A
2
(x
t2
) +... +A
p
(x
tp
) +e
t
(4.23)
4.3. IDENTIFICAC

AO E ESTIMAC

AO 127
e a expressarmos de forma matricial esta ultima diferen ca
t
= F
t1
+
t
(4.24)
onde
t
(kp1)
=
_
_
x
t

x
t1

x
t2

...
x
tp+1

_
_
F
(kpkp)
=
_
_
A
1
A
2
... A
p1
A
p
I
k
0 ... 0 0
0 I
k
... 0 0
... ... ... ... ...
0 0 ... I
k
0
_
t
(kp1)
=
_
_
e
t
0
0
...
0
_
_
De forma que mais uma vez chegamos ` a imposi c ao de os valores pr oprios de F
deverem cair no crculo unit ario para que o processo (4.24) seja estacion ario (em
covari ancia). N ao esque camos que os valores pr oprios de F satisfazem
I
k

p
A
1

p1
A
2

p2
... A
p
= 0
4.3 Identica cao e estima cao
Passaremos a analisar as quest oes que se colocam directamente ` a estima c ao de
modelos VAR. O primeiro problema a colocar e precisamente o da identica c ao,
ou, dito de outra forma, da sobre-parametriza c ao dos modelos VAR.
4.3.1 A Sobre-parametriza cao dos modelos VAR
No modelo (4.21) temos k vari aveis e p desfasamentos. Cada matriz A contem
k
2
coecientes, pelo que teremos de estimar k + p k
2
par ametros num modelo
deste tipo. Obviamente que se trata de um exagero. O modelo e pois sobre-
parametrizado.
Este problema e relevante se o modelo (4.21) for usado para fazer previs oes.
Sendo o modelo utilizado para conhecer as rela c oes din amicas entre as vari aveis
a presentes, ent ao aquele problema perde import ancia. Para estimar o modelo
basta-nos a aplica c ao do metodo de OLS. E avance-se, desde j a, que n ao adianta
utilizar a metodologia SUR porque as vari aveis da direita s ao as mesmas em todas
as equa c oes.
Como j a dissemos a utilidade da metodologia VAR resulta de uma serie de
problemas que os modelos tradicionais colocavam ` a representa c ao da economia.
Voltemos a lembrar algumas das vantagens dos VARs:
128 CAP

- n ao exigem a divis ao entre vari aveis end ogenas e ex ogenas,
- n ao temos de impor restri c oes nulas de forma abusiva, e
- podemos esquecer a teoria econ omica sobre a qual assenta o nosso modelo, apenas
nos temos de preocupar com a escolha das vari aveis.
Os modelos VAR levam-nos a dividir os seus adeptos em dois grupos. O pri-
meiro grupo defende o que ate aqui temos vindo a desenvolver e que leva a exigir
que as vari aveis do modelo sejam I(0). Este grupo imp oem ainda que apresente-
mos num modelo de vari aveis em diferen cas (I(0)), pelo menos, tantas vari aveis
deterministas como as que representam os ECMs desfasados entre as vari aveis
I(1). Neste ultimo caso, estamos a supor que as vari aveis a presentes, enquanto
vari aveis I(1), s ao cointegradas.
O segundo grupo de economistas recusa a diferencia c ao e defende mesmo que se
possam utilizar vari aveis I(1) num VAR, uma vez que se trata de obter a din amica
de relacionamento entre essas vari aveis. Estes autores defendem, tambem, que n ao
se utilize uma tendencia que anal acaba por ser dada pelo pr oprio comportamento
das vari aveis I(1). Para estes autores, a diferencia c ao elimina toda uma serie de
informa c oes sobre o relacionamento das vari aveis que deveriam ser retidas.
4.3.2 A escolha do n umero de desfasamentos
A escolha do n umero de desfasamentos a reter num modelo de k vari aveis
pode ser feita utilizando a ratio de verosimilhan ca. Tomemos um exemplo para
k = 2 com 50 observa c oes e onde pretendemos seleccionar entre 3 (p
o
) e 4 (p
1
) des-
fasamentos. Como, no m aximo, temos 4 desfasamentos acabamos por ter apenas
46 observa c oes uteis, T = 50 4, T = N p
1
. A f ormula do r acio vir a
T
_
log
log
_

2
(restri c oes em H
0
)
(4.25)
onde

0
e a matriz das vari ancias-covari ancias do modelo p
0
onde

1
e a matriz das vari ancias-covari ancias do modelo p
1
A nossa hip otese nula consiste em impor k(p
1
p
o
) restri c oes em cada equa c ao.
Pelo que, para todo o sistema, teremos k [k (p
1
p
o
)] = k
2
(p
1
p
o
) graus de
liberdade.
No caso acima temos 2
2
(1) = 4. Se, por exemplo
0
=
_
2 1
1 2, 5
_
1
=
_
1, 8 0, 9
0, 9 2, 2
_
log
= 1, 386 e log
= 1, 147, pelo que 46.(1, 386 1, 147) = 10, 99. Os

graus de liberdade para o teste s ao 4. Ora 10, 99 >
2
4
(= 9, 49)
5%
, pelo que a
hip otese nula e rejeitada. O modelo a quatro desfasamentos e prefervel sobre o
modelo a tres desfasamentos, uma vez que podemos rejeitar a hip otese nula dos
coecientes dos termos auto-regressivos de ordem quatro.
4.3. IDENTIFICAC

AO E ESTIMAC

AO 129
Sims sugeriu uma correc c ao para pequenas amostras em que o teste viria
(T c)
_
log
log
_

2
(restri c oes em H
0
)
(4.26)
onde c e o n umero de par ametros estimados por equa c ao, 1+k p
1
. No caso acima
levaria ao valor (46 9) (1, 386 1, 147) = 8, 84 e, como vemos, a conclus ao
seria justamente a inversa: passaramos a n ao rejeitar a hip otese nula daqueles
coecientes e assim a reter um modelo de ordem 3. As correc c oes estatsticas de
amostras pequenas n ao s ao assim sem consequencias ...
4.3.3 Apresenta cao alternativa de modelos VAR
Desenvolvamos uma forma alternativa de apresentar um modelo deste tipo.
Tomemos o modelo (4.16) e fa camos o seu desenvolvimento recursivo
x
t
= A
0
+A
1
(A
0
+A
1
x
t2
+e
t1
) +e
t
x
t
= (I +A
1
) A
0
+A
2
1
x
t2
+A
1
e
t1
+e
t
Ao m de n vezes acabamos por chegar a
x
t
=
_
I +A
1
+A
2
1
+... +A
n
1
_
A
0
+
n
i=0
A
i
1
e
t1
+A
n+1
1
x
tn1
(4.27)
Esta ultima express ao, no caso de verica c ao das condi c oes j a expostas de
estabilidade, leva a lim
n
A
n
1
= 0 e, assim, obtemos
x
t
=
_
I +A
1
+A
2
1
+... +A
n
1
_
A
0
+
i=0
A
i
1
e
t1
Que, atendendo ` a regra da invers ao de matrizes por potencias em serie, pode
ser escrita como
x
t
= (I A
1
)
1
A
0
+
i=0
A
i
1
e
t1
(4.28)
Para termos uma ideia da primeira parcela presente em (4.28) calcul amo-la
para o caso de duas vari aveis, como correspondendo a (4.17), e chegamos a
(I A
1
)
1
A
0
=
_
_
a
0
(1a
22
)+a
20
a
12
(1a
11
)(1a
22
)a
12
a
21
a
10
a
21
+a
0
(1a
11
)
(1a
11
)(1a
22
)a
12
a
21
_
_
Insistindo na representa c ao matricial podemos escrever
x
t
= +
i=0
A
i
1
e
t1
, =
_

1
2
_
(4.29)
130 CAP

Esta express ao ser a bastante util para expressar o modelo equivalente ao mo-
delo VAR que estamos a apresentar.
Para obtermos a matriz das vari ancias-covari ancias deste modelo, lembremos
que
E
_
e
2
t
=
_

2
1

12
21

2
2
_
, E[e
t
, e
t1
] = 0
e, assim, vir a
E[x
t
]
2
= E
_

i=0
A
i
1
e
t1
_
2
=
_
I +A
2
1
+A
4
1
+...
_
=
_
I A
2
1
_
1

(4.30)
onde representa a matriz das vari ancias-covari ancias dos erros.
4.3.4 Identica cao e matriz de variancias-covariancias
Levant amos, acima, a quest ao da identica c ao a prop osito da apresenta c ao destes
modelos. Voltemos, agora, a esse problema com o exemplo de duas vari aveis e com
uma solu c ao que e bastante vulgar nestes modelos.
Tomemos os modelos (4.15) e (4.16). No primeiro caso, no modelo estrutural,
temos oito coecientes a serem determinados e os dois desvios-padr oes dos erros.
No segundo caso, no modelo estandardizado, temos 6 coecientes, mais os dois
desvios-padr ao dos erros e a covari ancia entre estes. Ou seja, para o primeiro mo-
delo temos 10 par ametros e para o segundo apenas 9. O modelo e sub-identicado.
A solu c ao pode ser a sugerida por Sims, atraves de um modelo recursivo
em que b
21
= 0. Com esta solu c ao o modelo passou a ser identicado
_
1 b
12
0 1
_
_
y
t
z
t
_
=
_
b
10
b
20
_
+
_

11

12
21

22
_
_
y
t1
z
t1
_
+
_

yt
zt
_
Como
B
1
=
_
1 b
12
0 1
_
os erros estimados ter ao a seguinte rela c ao com os choques a que est ao sujeitos as
vari aveis do modelo
_
e
1t
e
2t
_
=
_
1 b
12
0 1
_
_

yt
zt
_
(4.31)
4.3.5 Avalia cao dos efeitos de choques e decomposi cao
de Choleski
Como podemos ver, os valores correntes da vari avel y n ao determinam os
valores correntes de z, enquanto que os valores correntes de z determinam os
valores de y. Ao nvel dos choques nas vari aveis, os choques correntes de y e
4.3. IDENTIFICAC

AO E ESTIMAC

AO 131
z afectam os valores correntes de y, enquanto que os valores correntes de z s ao
afectados apenas pelos choques correntes de z. Os choques correntes de y apenas
afectam os valores de z um perodo mais tarde. Aquela equa c ao (4.31), com matriz
triangular, corresponde ` a decomposi c ao de Choleski e equivale a atribuir um certo
comportamento ao modelo, como veremos de imediato. A equa c ao (4.29) pode
tomar a seguinte formula c ao
x
t
= +
i=0
A
i
1
B
1

t1
(4.32)
Se zermos
i
= A
i
1
B
1
podemos passar a obter a representa c ao equivalente
do VAR em media m ovel
x
t
= +
i=0
i

ti
(4.33)
Esta formula c ao e bastante util porque, com relativa facilidade, obtemos os
valores que resultam de choques aleat orios nas vari aveis y e z. E obtemos esses
valores para o que podemos chamar curto prazo e longo prazos. Chamamos nor-
malmente a este tipo de an alise a avalia c ao dos impulsos que resultam de choques
n ao esperados sobre as vari aveis do nosso modelo. Infelizmente o investigador n ao
conhece, como dissemos atr as a prop osito da sub-identica c ao do modelo. Mas, e
agora felizmente, tambem dissemos que o problema poderia ser resolvido atraves
da imposi c ao de restri c oes, de que a associada ` a decomposi c ao de Choleski e um
exemplo. Assim, os valores correntes de y n ao determinariam os valores correntes
de z, b
21
= 0 o que, em termos do modelo a 2 vari aveis e de ordem 1, conduz a
e
1t
=
yt
b
12

zt
e
2t
=
zt
Os erros observados (e
2t
) s ao atribudos exclusivamente aos choques
zt
. Uma
vez conhecidos
zt
podemos passar ao conhecimento de
yt
. Mas se os valores
correntes de y n ao afectam os valores correntes de z, os valores passados de y
afectam os valores correntes de z e, assim, a sua inuencia acaba por se vericar,
embora de forma indirecta.
Esta decomposi c ao de Choleski assume assim uma hierarquia de efeitos e
uma assimetria de choques
zt

y
t
z
t
e
yt
n ao z
t
pelo que podemos dizer que z e uma vari avel anterior a y.
4.3.6 Um exemplo e uma regra pratica
Consideremos o seguinte processo
_
y
t
z
t
_
=
_
0, 5 0, 2
0, 2 0, 5
_
_
y
t1
z
t1
_
+
_
e
1t
e
2t
_
132 CAP

Por aqui vemos que o processo e est avel e que as vari aveis convergem para
zero. Admitamos ainda que
_
e
1t
e
2t
_
=
_
1, 0 0, 8
0 1, 0
_
_

yt
zt
_
=
_

yt
+ 0, 8
zt
zt
_
- um choque sobre z de uma unidade afecta y no montante de 0, 8 e z em 1. No
segundo momento, para conhecermos os efeitos sobre y e z, devemos olhar para o
processo auto-regressivo acima. O mesmo para os perodos subsequentes ate que
os valores de y e z praticamente se anulam.
- se o choque for sobre y, de uma unidade, o efeito sobre y e obviamente de uma
unidade e sobre z de zero. Apenas no momento seguinte esta vari avel se altera, de
acordo com o processo auto-regressivo acima.
- em ambos os casos a nossa suposi c ao foi que no perodo imediatamente a seguir
ao choque os valores de e s ao nulos.
A principal quest ao que se coloca e, obviamente, saber se a ordem escolhida,
entre aquelas vari aveis e a adequada ? Dois princpios podem ser seguidos
- teoricamente assim se justica;
- o valor do coeciente de correla c ao entre os erros estimados e
1t
e e
2t
e signicativo,
(|
12
| > 0, 2), rule of thumb, e neste caso devemos estudar diferentes alternativas
de ordena c ao.
4.4 Decomposi cao da variancia e analise de
causalidade
Passemos de imediato ` a an alise das potencialidades de previs ao de modelos VAR,
assim como ` a leitura da informa c ao neles contida sobre rela c oes de causalidade
entre as suas vari aveis.
4.4.1 Capacidade de previsao dos modelos VAR
Infelizmente a sobre-parametriza c ao destes modelos leva-os a fazerem m as pre-
vis oes. Mas, como tambem dissemos, estamos mais interessados no conhecimento
das interdependencias entre vari aveis do modelo.
Utilizemos (4.16) e fa camos a previs ao do modelo para t + 1, t +2 e t +n
E
t
[x
t+1
] = A
0
+A
1
x
t
E
t
[x
t+2
] = A
0
+A
1
E
t
[x
t+1
]
= (I +A
1
) A
0
+A
2
1
x
t
E
t
[x
t+n
] =
_
I +A
1
+... +A
n1
1
_
A
0
+A
n
1
x
t
De acordo com esta express ao, os erros de previs ao para um perodo vem dados
por
x
t+1
E
t
[x
t+1
] = e
t+1
4.4. DECOMPOSIC

AODAVARI
ANCIA E AN
ALISE DE CAUSALIDADE133
e para dois perodos, uma vez que
x
t+2
= A
0
+A
1
(A
0
+A
1
x
t
+e
t+1
) +e
t+2
vir a
x
t+2
E
t
[x
t+2
] = e
t+2
+A
1
e
t1
A partir desta ultima express ao passamos ao resultado para n perodos
e
t+n
+A
1
e
t+n1
+A
2
1
e
t+n2
+... +A
n1
1
e
t+1
(4.34)
Mas, uma vez que o processo (4.16) e equivalente a (4.33), para t +n podemos
fazer
x
t+n
= +
i=0
i

t+ni
e o erro de previs ao vir a dado por
x
t+n
E
t
[x
t+n
] =
n1
i=0
i

t+ni
(4.35)
Com esta ultima express ao, podemos calcular a vari ancia do erro n perodos
no futuro
2
(n)
=
n1
i=0
2
i

2
(4.36)
onde, para o caso de duas vari aveis
=
_

2
yt
2
zt
_
Esta ultima formula c ao e bastante ilustrativa sobre a capacidade de previs ao
dos modelos VAR: os erros aumentam com o afastamento do perodo de previs ao,
com n. Estamos perante modelos que devem ser usados com muito cuidado em
previs oes.
4.4.2 Decomposi cao da variancia dos erros
Continuando a utilizar o resultado para duas vari aveis, temos para essas
vari aveis
2
y(n)
=
2
yt

n1
i=0
11
(i)
2
+
2
zt

n1
i=0
12
(i)
2
(4.37)
2
z(n)
=
2
yt

n1
i=0
21
(i)
2
+
2
zt

n1
i=0
22
(i)
2
134 CAP

Mas mais que os valores da vari ancia dos erros, ao longo do perodo de pre-
vis ao, estamos interessados na propor c ao nesses valores dos choques das diferentes
vari aveis. Para isso devemos fazer a seguinte desagrega c ao
efeitos dos choques efeitos dos choques
de y(
yt
) de z(
zt
)
para a Var dos erros de y
yt
n1
P
i=0
11
(i)
2
2
y(n)
zt
n1
P
i=0
12
(i)
2
2
y(n)
para a Var dos erros de z
yt
n1
P
i=0
21
(i)
2
2
z(n)
zt
n1
P
i=0
22
(i)
2
2
z(n)
Se o contributo de
zt
sobre y for desprezvel, ( 0), ent ao podemos dizer
que y e ex ogena face a z. Neste caso, a vari avel y evolui sem que seja afectada
pelos choques de z. Podemos esquecer z no estudo de y.
Mas, mais uma vez, defrontamos um pequenoproblema: o conhecimento
de
yt
e de
zt
, atraves de e
1t
e de e
2t
. Neste caso, a decomposi c ao de Choleski
leva-nos a estudar a decomposi c ao da vari ancia dos erros, mas devemos excluir
as primeiras observa c oes porque e justamente nestas que existe maior incidencia
da hierarquia que impusemos ` as vari aveis do modelo. N ao esque camos que a
import ancia da ordena c ao aumenta com os valores da correla c ao entre os desvios
estimados, e
1t
e e
2t
.
4.4.3 A exogeneidade por blocos de variaveis
Para alem da ideia que pode ser dada pela decomposi c ao da vari ancia dos
erros, devemos, tambem, chamar a aten c ao que os testes de exogeneidade devem
ser estatisticamente ensaiados. Para isso, podemos fazer uso da ratio de m axima
verosimilhan ca onde, agora, passamos a ter
(T c)
_
log
log
2
(restri c oes em H
0
)
(4.38)
onde r e u se aplicam aos modelos restringidos e n ao restringidos. Por exemplo, r
e o nosso modelo inicial e passamos a u juntando a cada uma das suas equa c oes os
desfasamentos da nova vari avel cuja inclus ao queremos estudar. Os graus de liber-
dade da estatstica correspondem ao n umero de desfasamentos vezes as equa c oes
do modelo inicial. Com este teste podemos, tambem, ensaiar a presen ca de sazo-
nalidade no modelo e ainda outras vari aveis deterministas.
Por vezes, tambem se utiliza o grau de informa c ao do sistema
AIC = T log
+ 2 k
s
(4.39)
SBC = T log
+k
s
log (T)
onde k
s
se refere ao n umero de par ametros estimados em todo o sistema. O
primeiro e um criterio de Akaike e o segundo de Schwartz.
4.4. DECOMPOSIC

AODAVARI
ANCIA E AN
4.4.4 Identica cao do modelo e testes às restri c oes im-
postas
A identica c ao do modelo estrutural e fundamental para compreendermos o signi-
cado da decomposi c ao de Choleski. De (4.15) pass amos a (4.16) com e
t
= B
1
t
.
O uso de modelos estruturais deve levar-nos a utilizar a an alise econ omica
na deni c ao apropriada dos erros. Isto e, a an alise econ omica deve permitir que
recuperemos as inova c oes estruturais dos resduos
t
.
Retomemos um VAR de ordem unit aria com k vari aveis.
x
t
= B
1

0
+B
1

1
x
t1
+B
1

t
a matriz das vari ancias-covari ancias deste modelo vir a
=
_
_
2
1

12
...
1k
... ... ... ...
k1

k2
...
2
k
_
_
,
1j
=
n1
i=0
e
it
e
jt
T
Ora, e simetrica com (k
2
+k)/2 elementos, a nossa matriz B que apresenta,
na sua matriz diagonal principal o valor unit ario, tem k
2
k elementos n ao conhe-
cidos e n ao esque camos que n ao conhecemos as vari ancias dos choques das nossas
k vari aveis [var(
it
)]. Em suma, queremos conhecer k
2
k+k = k
2
par ametros. A
identica c ao destas k
2
inc ognitas dever a ser feita com os (k
2
+k)/2 elementos de
. Para isso temos de impor k
2
[(k
2
+k)/2] = (k
2
k)/2 restri c oes no sistema.
Este ultimo resultado aplica-se a qualquer ordem (p) de um VAR.
A solu c ao tipo Choleski consistia em anular os elementos de B abaixo da dia-
gonal principal. Essas restri c oes de nulidade s ao justamente em n umero suciente
para a identica c ao do sistema.
Sims (1986) e Bernanke (1986) utilizaram outras tecnicas. O primeiro, ao
utilizar 6 vari aveis, imp os 17 restri c oes nulas. Com 17 > 15, o sistema passou a
ser sobre-identicado. Em casos destes, o teste ` a nulidade da sobre-identica c ao
consiste num teste do chi-quadrado do tipo
2
(restri c oes sobre-identicadas)
=
onde, no caso de
2
<
(c)
, n ao rejeitamos as restri c oes que acabamos de impor.
Se, porventura, quisermos ensaiar dois tipos de restri c oes, em que o n umero
de restri c oes R2 > R1 [ k
2
k)/2], podemos testar R
2
contra R
1
utilizando
2
(R
2
R
1
)
=
R
2
R
1
(4.40)
136 CAP

4.4.5 Decomposi cao hist orica das series
De acordo com a f ormula (4.33), que aqui repetimos, podemos fazer a seguinte
decomposi c ao
x
T+j
= +
i=0
i

T+ji
=
j1
i=0
i

T+ji
+
_
_
+
i=j
i

T+ji
_
_
(4.41)
Na primeira parcela temos os valores das componentes de x
T+j
devidos ` as
inova c oes de T +1 a T +j, e que s ao tantas quantas as vari aveis do modelo VAR.
Dentro do parenteses temos a previs ao de x
t+j
sendo dada a informa c ao disponvel
em T, x
T+j
/I
T
.
Este tipo de desagrega c ao e util para conhecermos a inuencia que as inova c oes
das v arias vari aveis acabam por ter na determina c ao dos valores de cada uma das
vari aveis do modelo.
4.4.6 Programa para apresenta cao de alguns calculos
relacionados com um modelo VAR
Retomemos o exemplo de um modelo macroecon omico para a economia portu-
guesa. Na an alise da cointegra c ao tnhamos chegado a duas possibilidades quando
a equa c oes de equilbrio. Na primeira tnhamos uma equa c ao de equilbrio mo-
net ario e outra de equilbrio real. Na segunda, apenas uma equa c ao de equilbrio
monet ario.
Vamos apresentar um modelo VAR com aqueles dois tipos de equilbrio (real
e monet ario).
Modelo VAR com duas rela c oes de cointegra cao
A primeira coisa a reter num modelo do tipo VECM respeita ` a aten c ao que deve ser
dada ` as rela c oes de longo prazo. Nunca as devemos perder de vista. A segunda
e que nesta parte do trabalho vamos apenas modelar comportamentos de curto
prazo ` a volta daquelas rela c oes de longo prazo.
Deni cao de variaveis ECM Devemos come car a constru c ao do nosso mo-
delo com a deni c ao das vari aveis ECM a que cheg amos na an alise de cointegra c ao
set ecm1 = m - 1.332*q - .790*p + .194*r
set ecm2 = q - .288*p + .131*r + .192*m
Investiga cao sobre a ordem do VECM Como o nosso trabalho se segue ao
da cointegra c ao conhecemos a ordem do VAR. Mas se por acaso ainda tivessemos
de determinar a dimens ao do modelo VAR, em termos dos desfasamentos, por
exemplo entre 6 e 5 desfasamentos, o teste do ratio de verosimilhan ca a fazer,
depois de denidas as vari aveis, seria o seguinte
4.4. DECOMPOSIC

AODAVARI
ANCIA E AN
di m / dm
di q / dq
di p / dp
di r / dr
system 1 to 4
var dm dq dp dr
lags 1 to 6
det constant ecm1{1} ecm2{1} s{-2 to 0}
end(system)
estimate(noftest,noprint) 1978:4 *
system 1 to 4
var dm dq dp dr
lags 1 to 5
end(system)
estimate(noftest,noprint) 1978:4 *
ratio(degrees=16,mcorr=30) 1978:4 *
# 1 2 3 4
# 5 6 7 8
onde na instru c ao ratioindicamos os graus de liberdade, 1 desfasamento por
cada uma das 4 vari aveis nas 4 equa c oes, e a correc c ao correspondente ao n umero
m aximo de par ametros dos dois modelos (4 vari aveis6 desfasamentos+6 vari aveis
deterministas=30). Este exemplo serve como ilustra c ao para todos os caso em que
tenhamos necessidade de fazer um teste (LR) de restri c ao a alguns coecientes de
um modelo VAR. De referir a identica c ao do mesmo perodo para os dois modelos
VAR a serem estimados.
Mas no caso em aprecia c ao sabemos que devemos reter 5 desfasamentos para
cada vari avel.
Estima cao simples do modelo A indica c ao e estima c ao do modelo e feita
da seguinte forma
system(model=ISLM)
vars dm dq dp dr
lags 1 to 5
end(system)
estimate(noftest,noprint,outsigma=v) * *
De notar que n ao estamos interessados, neste caso, nem nos valores dos par ametros
(noprint) nem dos testes de exclus ao das diferentes vari aveis (noftest). No entanto
queremos que seja retida pelo RATS o valor da matriz para c alculos subsequen-
tes.
138 CAP

Decomposi cao da variancia de cada variavel do modelo Retendo
aquele modelo vamos decompor a vari ancia associada aos choques das diferentes
vari aveis, para podermos ter uma ideia da import ancia dos choques vericados nela
pr opria e nas restantes sobre a evolu c ao de cada uma das vari aveis. As instru c oes
s ao as seguintes
list ieqn = 1 2 3 4
errors(impulses) 4 40 v
cards ieqn * * ieqn
O facto de n ao termos identicado as equa c oes do modelo leva-nos a usar a
sua ordem (1, 2, 3 e 4). O resultado resumido vem dado por
Decomposition of Variance for Series DM
Step Std Error DM DQ DP DR
1 0.019648187 100.000 0.000 0.000 0.000
10 0.024238918 73.364 12.071 7.459 7.106
... ... ... ... ... ...
30 0.025154355 68.668 11.845 10.528 8.958
Decomposition of Variance for Series DQ
1 0.010434567 1.383 98.617 0.000 0.000
10 0.015915196 11.845 56.817 25.531 5.807
... ... ... ... ... ...
30 0.016855986 12.240 53.833 28.216 5.711
Decomposition of Variance for Series DP
1 0.013298920 0.449 0.657 98.894 0.000
10 0.017319575 2.347 9.716 76.208 11.728
... ... ... ... ... ...
30 0.018328353 3.430 11.196 73.967 11.407
Decomposition of Variance for Series DR
1 0.049419557 8.697 4.444 11.758 75.100
10 0.060998041 13.987 11.383 18.461 56.169
... ... ... ... ... ...
30 0.062511503 13.513 11.411 19.770 55.305
Estes resultados traduzem o comportamento de curto prazo da economia como
est a representada no VECM que estamos a usar. As varia c oes do produto e dos
pre cos tem uma inuencia parecida na varia c ao da oferta de moeda e ligeiramente
superior ` a import ancia da taxa de juro. Praticamente 69% das suas varia c oes
se devem ao seu pr oprio comportamento. Quanto aos outros resultados haver a
a real car a import ancia das varia c oes de pre cos na explica c ao da evolu c ao da
produ c ao; o fraco papel da oferta de moeda na explica c ao da ina c ao; e o papel da
ina c ao, mais importante que o da oferta de moeda, na explica c ao das varia c oes
da taxa de juro. Pelos resultados obtidos podemos conrmar a ideia que nenhuma
daquelas vari aveis deve ser tomada como ex ogena no modelo.
4.4. DECOMPOSIC

AODAVARI
ANCIA E AN
Simula cao de choques ex ogenos nas variaveis do modelo Em se-
guida zemos cada uma das vari aveis sofrerem um choque e vemos como todas
evoluram em resultado desse choque. Comecemos por um choque na oferta de
moeda. Chamemos a aten c ao para o facto de as nossas vari aveis de ajustamento
estarem denidas em termos de primeiras diferen cas, pelo que som amos os seus
valores para termos efeitos acumulados. Os gr acos representam assim inuencias
sobre as vari aveis em nveis. As instru c oes s ao as seguintes
clear resp1; clear resp2; clear resp1 a; clear resp2 a
clear resp3; clear resp4; clear resp3 a; clear resp4 a
compute nstep = 30
impulse(noprint,input) 4 nstep
# 1 resp1
# 2 resp2
# 3 resp3
# 4 resp4
# 1.0 0.0 0.0 0.0
set resp1 a 1 nstep = resp1
*
dofor i = 2 to nstep
compute resp1 a(i) = resp1(i) + resp1 a(i-1)
end dofor i
label resp1 a resp2 a resp3 a resp4 a
# Resp Ac de Moeda Resp Ac de Produto Resp Ac de Pre cos Resp Ac de
Juro
spgraph(velds=2,helds=2,header=Choque unit ario de Moeda)
dofor i = resp1 a resp2 a resp3 a resp4 a
graph(header=%l(i),nodates) 1
# i
end dofor
spgraph(done)
O resultado em termos gr acos vem dado por
O choque obtido no produto dever a ser representado pela instru c ao
# 0.0 1.0 0.0 0.0
no conjunto de instru c oes sobre os impulsos. E assim sucessivamente. Os
resultados viriam dados como se segue
O comportamento de curto prazo, de resposta a choques nas vari aveis end ogenas,
est a assim representado no nosso modelo. No primeiro gr aco vemos que um cho-
140 CAP

Choque unitrio de Moeda
Resp Ac de Moeda
5 10 15 20 25 30
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Resp Ac de Produ
5 10 15 20 25 30
-0.64
-0.56
-0.48
-0.40
-0.32
-0.24
-0.16
-0.08
0.00
Resp Ac de Preo
5 10 15 20 25 30
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
Resp Ac de Juro
5 10 15 20 25 30
-1.2000000
-1.0000000
-0.8000000
-0.6000000
-0.4000000
-0.2000000
-0.0000000
Choque unitrio do Produto
Resp Ac de Moeda
5 10 15 20 25 30
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
Resp Ac de Produ
5 10 15 20 25 30
0.72
0.80
0.88
0.96
1.04
1.12
1.20
1.28
1.36
Resp Ac de Preo
5 10 15 20 25 30
-0.3
-0.2
-0.1
-0.0
0.1
0.2
0.3
0.4
Resp Ac de Juro
5 10 15 20 25 30
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
2.00
2.25
4.4. DECOMPOSIC

AODAVARI
ANCIA E AN
Choque unitrio de Preos
Resp Ac de Moeda
5 10 15 20 25 30
-1.50
-1.25
-1.00
-0.75
-0.50
-0.25
0.00
Resp Ac de Produ
5 10 15 20 25 30
-0.64
-0.48
-0.32
-0.16
0.00
0.16
Resp Ac de Preo
5 10 15 20 25 30
0.50
0.75
1.00
1.25
1.50
1.75
Resp Ac de Juro
5 10 15 20 25 30
0
1
2
3
4
5
Choque unitrio de Juro
Resp Ac de Moeda
5 10 15 20 25 30
-0.6000000
-0.5000000
-0.4000000
-0.3000000
-0.2000000
-0.1000000
-0.0000000
Resp Ac de Produ
5 10 15 20 25 30
-0.3000000
-0.2500000
-0.2000000
-0.1500000
-0.1000000
-0.0500000
-0.0000000
Resp Ac de Preo
5 10 15 20 25 30
0.0
0.1
0.2
0.3
0.4
0.5
Resp Ac de Juro
5 10 15 20 25 30
0.75
1.00
1.25
1.50
1.75
2.00
2.25
142 CAP

que unit ario da oferta de moeda (taxa de varia c ao da oferta de moeda) leva a um
efeito acumulado de 0,45, estabilizando a sua evolu c ao ` a volta do 17
o
trimestre.
Antes desse perodo, por volta do 18
o
estabilizou a inuencia negativa sobre pro-
duto, cujo valor total ronda os -0,49. Sobre os pre cos temos um efeito negativo
que estabiliza por volta do 12
o
trimestre e que no total soma os 0,35, valor infe-
rior ao acumulado pela oferta de moeda. O efeito negativo sobre a taxa de juro
e ntido, estabilizando o efeito por volta do 18
o
trimestre e somando no nal um
valor pr oximo de -0,61.
Os valores que resultam dos choques podem ser lidos como varia c oes percen-
tuais uma vez que as vari aveis estavam representadas em primeiras diferen cas de
logaritmos.
Um choque sobre o produto leva a que 30 trimestres depois o seu efeito ainda
seja de 0,87, deixando as sua evolu c ao de ter grandes utua c oes a partir do 16
o
trimestre. Os efeitos sobre a oferta de moeda s ao tambem substanciais, ao m
de dois anos o efeito estabiliza nos 0,75. Os pre cos aumentam ate aos 0,33, com
algumas utua c oes ` a volta desse valor a partir do 15
o
trimestre. A taxa de juro
aumenta de forma muito sensvel e muito rapidamente.
Um choque sobre a taxa de ina c ao de 100% arrasta os pre cos para uma subida
de 166% e uma queda na produ c ao de 61%. A moeda decresce, chegando a -1,60,
por efeito do importante acrescimo sobre a taxa de juro que passa para 4,91. Mais
do que os resultados previos, estes resultados reectem de forma clara a posi c ao
da economia portuguesa, uma economia muito pequena e aberta.
Vejamos nalmente o efeito de um choque sobre a taxa de juro. Este efeito
arrasta os pre cos ` a subida (ate 0,49), o que por sua vez actua sobre a pr opria taxa
de juro (2,22). Estes efeitos em conjunto reduzem a quantidade de moeda (-0,64)
e a quantidade produzida (-0,27). Os efeitos sobre esta ultima s ao relativamente
r apidos, estando praticamente realizados ao m de 14 trimestres.
Tomemos a possibilidade de escolha de choques para impormos um choque
positivo sobre o produto e um choque negativo sobre a taxa de juro. A altera c ao
a fazer nas instru c oes seria agora
# 0.0 1.0 0.0 -1.0
Os efeitos constam do gr aco em baixo
Como vemos, durante tres anos a oferta de moeda cresceria, estabilizando
apenas no nal do 24
o
trimestre. A inuencia sobre o produto ser a de real car,
sendo m axima no nal do 9
o
trimestre e estabilizando em 1,12, valor superior ao
seu pr oprio choque. Apesar do crescimento do produto o efeito sobre a taxa de
juro e ainda negativo no nal (-0,20), apesar dos valores positivos do 3
o
ao 12
o
trimestres. O efeito nal sobre os pre cos e negativo, -0,13. Estes tem uma evolu c ao
inicial em tudo semelhante a um choque. Uma economia que por algum motivo
possa sofrer do exterior um choque positivo da produ c ao e negativo sobre o valor
da taxa de juro, pode ainda praticar uma poltica no curto prazo de expans ao da
oferta. Se perante aqueles choques ainda aumentasse a oferta de moeda de 0,32,
o valor nal do produto (dos tres choques) viria de 0,96, para ausencia de efeitos
4.5. MODELOS VECM, NEAR-VAR E NEAR-VECM 143
Choque unitrio do Produto e de Juro
Resp Ac de Moeda
5 10 15 20 25 30
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
1.25
1.50
1.75
Resp Ac de Produ
5 10 15 20 25 30
0.80
0.88
0.96
1.04
1.12
1.20
1.28
1.36
1.44
1.52
Resp Ac de Preo
5 10 15 20 25 30
-0.5000000
-0.4000000
-0.3000000
-0.2000000
-0.1000000
-0.0000000
Resp Ac de Juro
5 10 15 20 25 30
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
1.25
sobre os pre cos e redu c ao da taxa de juro de 0,39.
Duas observa c oes adicionais sobre o que zemos ate aqui. Estes choques s ao
analisados tendo em conta as rela c oes de curto prazo e por isso n ao se tratam de
valores obtidos no longo prazo, mas antes de valores na suposi c ao de equilbrio de
longo prazo. Se e instrutivo supormos choques unit arios, estes choques podem n ao
ter rela c ao alguma com a natureza aleat oria do modelo e da vari avel em estudo.
Por isso somos levados muitas vezes a tomar os valores dos choques iguais ao valor
do desvio padr ao do erro da equa c ao respectiva. Exempliquemos com o choque
combinado no produto e na taxa de juro. A instru c ao a dar seria agora
# 0 v(3,3) 0 -v(4,4)
e os resultados nais para a moeda, produto, pre cos e juro seriam dados por
0, 002; 0, 001; 0, 001; e 0, 005
como vemos, os valores s ao muito reduzidos, da ordem das permilagens.
4.5 Modelos VECM, Near-VAR e Near-VECM
O que distingue um modelo VAR de um modelo VECM e que o segundo apresenta
como vari aveis, deterministas os ECMs correspondentes ` as rela c oes de cointegra c ao
entre as diferentes vari aveis. Eventualmente um unico ECM correspondente ` a
unica rela c ao de cointegra c ao entre as diferentes vari aveis.
Um modelo Near-VAR e um modelo que abandona a caracterstica de identico
n umero de desfasamentos para todas as vari aveis do modelo. Procuramos neste
caso reduzir o n umero de par ametros atraves da investiga c ao de quais as melhores
equa c oes para a constru c ao do modelo. No caso destes modelos devemos aplicar
144 CAP

metodos de estima c ao como SUR e FIML.
Finalmente um Near-VECM baseia-se na losoa dos modelos Near-VAR com
a inclus ao de vector, ou vectores, ECM (s).
Captulo 5
Modelos ARCH
Os modelos ARCH surgiram a prop osito do estudo da ina c ao na corrente de
estudos das antecipa c oes racionais. Os modelos da ina c ao acabaram por revelar
um comportamento interessante no que respeitava aos seus erros. Como Engle
(1982) provou, aqueles modelos apresentavam uma estrutura auto-regressiva da
vari ancia dos erros. N ao s o a vari ancia, anal, n ao era constante, como tinha aquele
tipo de comportamento temporal. A vari ancia dos erros de um modelo por ser
encarada como a incerteza associada aos valores medios da previs ao. Os modelos
que incorporam este comportamento dos erros acabaram por ter uma import ancia
crescente no estudo de fen omenos de natureza nanceira devido ` a rela c ao normal
entre rendimentos de activos e incerteza (vari ancia dos seus rendimentos).
5.1 Apresenta cao geral da questao do ARCH
Uma apresenta c ao n ao complexa e feita no Captulo 21 de Hamilton (1994).
Devemos salientar tambem a colec c ao de readings em Engle (1995) e a apresenta c ao
feita em Engle (2001).
Quando temos um modelo auto-regressivo de ordem 1,
y
t
=
0
+
1
y
t1
+
t
(5.1)
assumimos o seguinte comportamento para a vari ancia de y
V ar [y
t
/y
t1
] = E
t1
_
(y
t

0

1
y
t1
)
2
_
= E
t1
_
2
t
=
2
(5.2)
Engle chamou a aten c ao para o facto de em vari aveis monet arias e nanceiras, a
hip otese expressa em (5.2) n ao ser realista. A volatilidade de uma serie, dada pela
sua vari ancia, apresenta muitas vezes um comportamento auto-regressivo, ou um
comportamento de outro tipo, que n ao nos permite tomar a hip otese da vari ancia
constante como realista ou, ate mesmo, desej avel.
145
146 CAP
ITULO 5. MODELOS ARCH

5.1.1 Variancia condicional AR
Tomemos assim uma express ao que traduza um comportamento auto-regressivo
da vari ancia

2
t
=
0
+
1

2
t1
+... +
q

2
tq
+
t
(5.3)
t
i.i.d.
_
0,
2
_
(5.4)
ora, apenas no caso de termos
1
=
2
= ... =
q
= 0 (5.5)
encontramos o resultado do modelo cl assico
E
t
_
=
0
(5.6)
A determina c ao de um modelo pela forma cl assica e feita na suposi c ao que
(5.5) se verica. Ou seja, dito de outra forma, a presun c ao de (5.6), que nos leva
a estudar a exclus ao de heteroscedasticidade e de auto-correla c ao, deve tambem
levar ao estudo da exclus ao de (5.3), que e designada sugestivamente por heteros-
cedasticidade condicionada auto-regressiva (ARCH).
Nesta hip otese, o valor esperado da vari ancia vem dado por:
E
t
_

2
t+1
=
0
+
1

2
t
+... +
q

2
tq+1
+
t
(5.7)
O problema da estima c ao de um modelo para y consiste no facto de necessitar-
mos dos valores do quadrado dos erros. Num primeiro momento podemos usar
os valores estimados dos erros e atraves de um teste LM
1
excluir, ou n ao, um
processo como (5.7). Mas n ao podemos esquecer que o uso de dois passos, como
e vulgar na resolu c ao dos problemas de heteroscedasticidade, n ao e eciente. Por
esse motivo e prefervel que o modelo de y seja estima-do pelo metodo de m axima
verosimilhan ca
2
. Sendo assim, n ao devemos tomar
t
, mas antes log (
t
). Engle
(1982) prop os que se tomasse
t
=
t

_
0
+
1

2
t1
(5.8)
onde
2
= 1.
Teremos assim para a vari ancia
=
2
t
=

0
1
1
(5.9)
1
O teste LM de adi c ao de p vari aveis apresenta para T.R
2
uma distribui c ao do Chi-
quadrado com p desfasamentos.
2
a qual voltaremos mais ` a frente.
5.1. APRESENTAC

AO GERAL DA QUEST
AO DO ARCH 147
Devido a (5.9) e ` a exigencia de estabilidade de (5.8) devemos impor que
0
> 0 0 <
1
< 1 (5.9)
Entretanto, temos para a media condicionada dos erros do modelo (5.1)
E [
t
/
t1
,
t2
, ...] = E[
t
] E
_
_
0
+
1

2
t1
_
1/2
_
= 0 (5.10)
uma vez que, por hip otese, E[
t
] = 0 e
t

t1
s ao independentes.
Um modelo ARCH(1) e anal um modelo cuja vari ancia condicional dos erros
vem dada por
E
_
2
t
/
2
t1
,
2
t2
, ...
=
0
+
1

2
t1
(5.11)
e que apresenta as seguintes caractersticas
- a media condicional e nula,
- a vari ancia condicional segue um processo AR(1).
De notar, que no caso de processos ARCH,
t
n ao e um processo autocor-
relacionado, mas os seus valores n ao s ao independentes porque os seus segundos
momentos est ao relacionados.
Um processo ARCH geral, que designaremos por ARGH(q), corresponder a ao
processo seguinte
t
=
t

0
+
q
i=1
i

2
ti
(5.12)
5.1.2 Variancia condicional ARMA
Bollerslev (1986) avan cou com uma outra hip otese de comportamento da vari ancia,
abandonando a limita c ao do processo auto-regressivo.
Tomemos a seguinte representa c ao para os erros
t
=
t

_
h
t
(5.13)
ainda com
2
= 1, mas agora com a seguinte representa c ao para h

h
t
=
0
+
q
i=1
i

2
ti
+
p
j=1
j
h
tj
(5.14)
148 CAP

Como vemos, em (5.14), temos um processo ARMA, que ser a designado por
GARCH(q,p). Nesta formula c ao [com (5.13) e (5.14)], temos
E [
t
/
t1
, ...] = 0
E
t1
_
2
t
= h
t
(5.10)
A express ao de um GARCH(q,p) acaba por englobar a anterior, uma vez que,
por exemplo, um GARCH(1,0) e identico a um ARCH(1), ou ARCH(AR=1).
Obviamente, que devemos ter cuidado com a estabilidade implcita em (5.14).
Assim, as razes caractersticas de (5.14) devem implicar convergencia.
Nalgumas situa c oes podemos estar interessados numa vari ancia condicional
que apresente raiz unit aria sendo assim divergente para innito. Bastar a para tal
impor que os coecientes e somem a unidade.
De (5.14) deduzimos o valor esperado da vari ancia
E
t
_
2
t
=
0
+
q
i=1
i

2
ti
+
p
j=1
j
h
2
tj
(5.11)
de onde naturalmente retiramos as seguintes quest oes
- como pesquisar a aplica c ao ` as vari ancias de um modelo AR ou ARMA?
- no primeiro caso, como determinar AR ? e
- no segundo como obter os graus de AR e MA ?
Uma hip otese consiste em estudar as vari ancias estimadas e fazer o estudo da
auto-correla c ao simples e parcial entre os valores obtidos.
Quando a variancia condicional afecta a media
Robert Engle e Robins (1987) levantaram a hip otese de nas series nanceiras
3
o facto de o risco ser elevado, ou seja, as vari ancias serem elevadas, conduzir ` a
altera c ao da media dos valores da serie. Assim, o aumento do risco associado a
um ttulo levar a ao aumento do rendimento do mesmo. A hip otese e perfeitamente
l ogica. Este comportamento da vari ancia condicionada e designado por ARCH-M.
A equa c ao do excesso de rendimento de um ttulo vem dada por
R
it
= R +y
t
onde y e o excesso de rendimento do activo i sobre uma taxa de rendimento
isenta de risco, R. Em circunst ancias normais esperamos ter para o valor do
excesso de rendimentos
y
t
=
t
+
t
E
t1
[y
t
] =
t
(5.12)
3
Era nelas que os autores pensavam.
5.2. APRESENTAC

AODOM
ETODODE M
AXIMA VEROSIMILHANC A149

onde
t
representa o premio de risco.
A ideia de Engle traduziu-se em admitir que podamos ter
t
= + h
t
( > 0) (5.13)
com h a poder ser representado por
h
t
=
0
+
q
i=1
i

2
ti
(5.14)
Naturalmente que podemos ter outras representa c oes mais gerais para h.
Mais uma vez, vericando-se (5.5) temos,
t
= +
0
, e assim retornamos
ao caso cl assico de estima c ao.
Exemplo de um modelo ARCH-M
Para dados trimestrais obteve-se: y
t
= 0, 142 +
t
Vamos estudar h
t
=
0
+
1

_
0, 4
2
t1
+ 0, 3
2
t2
+ 0, 2
2
t3
+ 0, 1
2
t4
_
Onde os pesos das vari ancias s ao decrescentes.
A sua estima c ao leva ` a exclus ao da hip otese nula de acordo com o teste LM
T R
2

2
1
e chegamos a
0
=0,0023 e
1
=1,64.
Finalmente obtemos por m axima verosimilhan ca:
y
t
= 0, 0241 +0, 687 h
t
(1,29) (5,15)
h
t
= 0, 0023 +1, 64
_
0, 4
2
t1
+ 0, 3
2
t2
+ 0, 2
2
t3
+ 0, 1
2
t4
_
(1,08) (6,30)
5.2 Apresenta cao do metodo de maxima ve-
rosimilhan ca
Tomemos o seguinte modelo geral
t
= y
t
x
t
(5.15)
Fazendo uso da hip otese habitual de distribui c ao Normal, formamos a equa c ao
de log likelihood da observa c ao t, como
1
2
log (2 )
1
2
log
_
2
_
1
2
2
(y
t
x
t
)
2
(5.16)
que nos leva para T observa c oes a
log (L) =
T
2
log (2 )
T
2
log
_
2
_
1
2
2

T
t=1
(y
t
x
t
)
2
(5.17)
150 CAP

O que pretendemos com este metodo e minimizar este valor, (5.17), para
obter-mos os par ametros desejados. As derivadas de primeira ordem vem dadas
por
log (L)
2
=
T
2
2
+
1
2
4

T
t=1
(y
t
x
t
)
2
log (L)
=
1
2

T
t=1
_
y
t
x
t
x
2
t
_
(5.18)
Para termos as condi c oes de primeira ordem basta igualar a zero aquelas
equa c oes (2.4). O que nos conduz ao valor dos par ametros a estimar

2
=
1
T

T
t=1
2
t
=
T
t=1
x
t
y
t
T
t=1
x
2
t
(5.19)
O nosso problema e que as condi c oes acima s ao lineares e quando estamos
perante um ARCH as condi c oes de primeira ordem n ao s ao lineares.
N ao temos agora uma rela c ao como (5.15), mas antes como (5.12). O que
signica que (5.16) vir a agora
1
2
log (2 )
1
2
log (h
t
)
1
2 h
t
(y
t
x
t
)
2
(5.20)
e assim, para a totalidade das observa c oes passamos a ter para a fun c ao do loga-
ritmo de m axima verosimilhan ca
log (L) =
T 1
2
log (2 )
1
2

T
t=2
log (h
t
)
1
2

T
t=2
(y
t
x
t
)
2
h
t
(5.21)
onde denimos h, a vari ancia, como
h
t
=
0
+
1
(y
t1
x
t1
)
2
(5.22)
5.2. APRESENTAC

AODOM
ETODODE M
AXIMA VEROSIMILHANC A151

5.2.1 A utiliza cao do RATS
Pelo facto de o RATS executar instru c oes que organizamos de forma apropriada
torna-se bastante adequado ` a estima c ao deste tipo de modelos. Comecemos por
ver o signicado da instru c ao FRML e MAXIMIZE antes de nos preocuparmos
com a estima c ao do pr oprio modelo.
As instru c oes FRML e MAXIMIZE
A instru c ao FRML destina-se a denir uma equa c ao. Por isso e usada, por vezes
mais de uma vez, ate chegarmos a uma equa c ao cujo valor queremos maximizar.
A instru c ao MAXIMIZE aplica-se a uma equa c ao FRML previamente denida
e identicada pelo nome a ela atribudo. Ao mesmo tempo deve ser indicado o
perodo para o qual queremos a estima c ao. Aqui, o cuidado a ter relaciona-se
com o incio, sobretudo quando temos valores desfasados nas instru c oes FRML
anteriormente denidas.
O comando de maximiza c ao e assim composto, no essencial, por
MAXIMIZE(op c oes) FRML start end
As op c oes referem-se ao metodo que usamos, sendo por defeito BFGS. Se n ao
houver convergencia na maximiza c ao devemos alter a-lo para method=BHHH. O
RATS tambem admite o uso do SIMPLEX. No caso, frequente, em que a estima c ao
envolve valores desfasados, devemos incluir a op c ao RECURSIVE. As instru c oes
subsequentes TEST e RESTRICT, bastante uteis, podem ser utilizadas com MA-
XIMIZE. Podemos usar o metodo SIMPLEX para uma primeira aproxima c ao aos
valores dos par ametros a estimar.
Tomemos o modelo j a atr as apresentado (2.1) e (2.3). As instru c oes devem ser
(i) NONLIN b var
(ii) FRML L=-log(var)-((y-b*x)**2)/var
(iii) COMPUTE b=?, var=?
(iv) MAXIMIZE(method=BHHH,recursive) L * *
Os pontos de interroga c ao referem-se a valores a serem por n os atribudos.
Vejamos alguns casos interessantes de altera c ao daquelas instru c oes para uma uti-
liza c ao mais exvel do programa. Elimin amos em L as constantes porque n ao
afectam o resultado.
a) A instru c ao da linha (ii) pode ser substituda por estas duas
(ii a) FRML e=y-b*x
(ii b) FRML L=-log(var)-(e(t)**2)/var
b) Ainda em (ii) podemos fazer o seguinte, para o caso de um ARCH(1)
(ii a) FRML e=y-b*x
(ii b) FRML v=a 0+a 1*e{1}**2
(ii c) FRML L=-.5*(log(v)+(e(t)**2)/v
c) Mas as tres deni c oes acima podem ser reduzidas a
(ii a) FRML e=y-b*x
(ii b) FRML L=(v=a 0+a 1*{1}**2),-.5*(log(v)+(e**2)/v)
152 CAP

De notar a extrema condensa c ao permitida na ultima deni c ao, em que usa-
mos duas equa c oes em simult aneo. Podemos usar em vez de duas as que forem
necess arias para condensar as instru c oes. Antes da deni c ao, propriamente dita,
temos condi c oes de igualdade a vericarem-se.
d) O cuidado principal, quando temos desfasamentos, consiste em uma
vari avel n ao poder ser denida ` a sua pr opria custa. Por exemplo e=y-b*e{1},
constitui uma formula c ao incorrecta. A solu c ao reside na previa deni c ao de uma
vari avel cujo valor seja usado para o c alculo da primeira observa c ao de e.
SET temp=0.0 ; * deni c ao que ser a abandonada
NONLIN b var
FRML e=y-b*temp{1}; depois do primeiro c alculo ser a abandonada
FRML L=(temp=e),.5*(log(var)+e(t)**2)/var)
...
Esta regra pode ser aplicada a outras vari aveis que necessitem de um valor
previo desfasado.
Ainda a prop osito de MAXIMIZE devemos chamar a aten c ao para a instru c ao
NLPAR com a sua op c ao do n umero m aximo de SUBITERATIONS e as rela-
cionadas com os criterios usados para encontrar a solu c ao optima e determinar,
antes disso, o caminho para o optimo. Em MAXIMIZE, ITERATIONS controla o
n umero m aximo de itera c oes do programa a serem executadas.
A programa cao no RATS
Passemos a ver com mais cuidado como podemos usar o RATS na resolu c ao dos
problemas colocados por estruturas condicionadas da vari ancia dos erros.
Lembremos que o nosso modelo de partida e o seguinte
y
t
= x
t
+
t
t
=
t

_
0
+
1

2
t1
A forma de instruir o RATS para a estima c ao deste modelo e constituda
pelas seguintes instru c oes
(i) NONLIN b a 0 a 1
(ii) FRML e=y-b*x
(iii) FRML h=a 0+a 1*e{1}**2
(iv) FRML LIKELIHOOD=0.5*(log(h)+(e(t)**2)/h)
(v) LIN(NOPRINT) y
(vi) # x
(vii) COMPUTE b=%beta(1), a 0=%seesq, a 1=0.0
(viii) MAXIMIZE LIKELIHOOD 2 end
O quadro interior constitui o bloco principal de instru c oes. De notar que inicia-
mos os c alculos com a segunda linha de comandos.
Considerando um modelo ARMA(1,4), a vari avel vem representada por
5.3. ALGUMAS OBSERVAC

OES ADICIONAIS SOBRE APESQUISA DOTIPO DE VARI
ANCIA CONDICIONADA153
y
t
=
0
+
1
y
t1
+
1

t1
+
2

t2
+
3

t3
+
4

t4
Para o qual podemos admitir a seguinte vari ancia condicional
h
t
=
0
+
1

_
0, 4
2
t1
+ 0, 3
2
t2
+ 0, 2
2
t3
+ 0, 1
2
t4
_
Desta forma, devemos substituir a linha (ii) e (iii) do quadro acima, por
(ii) FRML e=y-a 0-a 1*y{1}-b 1*e{1}-b 2*e{2}-b 3*e{3}-b 4*e{4}
(iii) FRML h=a 0+a 1*(.4*e{1}**2+.3*e{2}**2+.2*e{3}**2+.1*e{4}**2)
depois de termos feito as altera c oes adequadas na indica c ao das vari aveis a
calcular em (i).
E no caso da vari ancia condicional tipo GARCH(1,1)
h
t
=
0
+
1

2
t1
+
1
h
t1
temos para (iii)
(iii) FRML h=a 0+a 1*e{1}**2+b 1*h{1}
No caso apresentado atr as de Robert Engle e Robins (1987), em que a media
da vari avel obedece a um processo ARCH, passaremos a ter par (ii) e (iii)
(ii) FRML e=y-a 0-a 1*h
(iii) FRML h=a 0+a 1*(.4*e{1}**2+.3*e{2}**2+.2*e{3}**2+.1*e{4}**2)
Lembremos que num modelo GARCH(q,p) tambem podemos incluir vari aveis
ex ogenas, seja na deni c ao da media, seja na deni c ao da vari ancia. Assim, na
deni c ao de h haveria que juntar, por exemplo no caso de uma vari avel, c(L).Z
t
,
onde Z representa uma vari avel ex ogena e c(L) e o polin omio de desfasamen-
tos.
5.3 Algumas observa c oes adicionais sobre a
pesquisa do tipo de Variancia condicio-
nada
Talvez a forma mais usual de conhecermos o tipo de vari ancia defronte da qual nos
encontramos seja determinar os resduos e a partir deles fazer a nossa investiga c ao.
Suponhamos que os resduos s ao identicados por RES, ent ao podemos fazer
*Supomos dados mensais
CLEAR RES
LIN(NOPRINT) y / RES
# CONSTANT
SET RES2=RES*RES
* Para estudarmos a estrutura AR dos erros
COR(QSTATS,NUMBER=24,SPAN=4,DFC=1) RES
* Para a estrutura auto-regressiva da vari ancia
COR(PARTIAL=PACF,QSTATS,NUMBER=24,SPAN=4,DFC=1) RES2
154 CAP

* suspeitando de AR(1) para as vari ancias
LIN(NOPRINT) RES2
# CONSTANT RES{1}
COMPUTE TRSQ=%NOBS*%RSQUARED
CDF CHISQR TRSQ 1
* se houvesse exclus ao da H0:
NONLIN b a 0 a 1
FRML e=y-b*x
FRML v=a 0+a 1*e(t-1)**2
FRML L=.5*(log(v)+(e(t)**2)/v)
LIN(NOPRINT) y
# x
COMPUTE b=%beta(1), a 0=%seesq, a 1=0.0
MAXIMIZE L start-1 end
Tomemos agora o caso de possvel verica c ao de um modelo ARMA(1,1) para
y e que justica pelas regras anteriores um ARCH(4). As instru c oes vem agora
dadas por
SET u=0.0; * deni c ao transit oria
NONLIN b 0 b 1 b 2 a 0 a 1
FRML e=y-b 0-b 1*y{1}-b 2*u{1}
FRML v=a o+a 1*e(t-4)**2
FRML L=(u=e),.5*(log(v)+(e(t)**2)/v)
BOXJENK(noprint,constant,ar=1,ma=1) y
COMPUTE b 0=%beta(1), b 1=%beta(2), b 2=%beta(3)
COMPUTE a 0=%seesq, a 1=0.0
MAXIMIZE(iter=1000) L 5 *
Admita-se ainda que temos
y
t
=
0
+
1
y
t1
+
2

t1
+
3

t4
t
=
0
+
1

2
t1
+
2

t1
um ARMA(AR=1,MA=1) para y combinado com um GARCH(1,1).
SET w=0.0
SET u=0.0
NONLIN b 0 b 1 b 2 b 3 a 0 a 1 a 2
FRML e=y-b 0-b 1*y{1}-b 2*u{1}-b 3*u{4}
FRML v=a 0+a 1*e{1}**2+a 2*w{1}
FRML L=(u=e),(w=v),.5*(log(v)+(e(t)**2)/v)
BOXJENK(noprint,constant,ar=1,ma=1) y
COMPUTE b 0=%beta(1), b 1=%beta(2), b 2=%beta(3), b 3=%beta(4)
COMPUTE a 0=%seesq, a 1=.1, a 2=.2
MAXIMIZE(iter=1000) L 4 *
5.3. ALGUMAS OBSERVAC

OES ADICIONAIS SOBRE APESQUISA DOTIPO DE VARI
ANCIA CONDICIONADA155
Para vermos se os erros do modelo apresentam as caractersticas desejadas
devemos fazer agora
SET RES=0.0
SET RES 4 * = y-%beta(1)-%beta(2)*y{1}-%beta(3)*RES{1}-%beta(4)*RES{4}
* e depois devemos estudar as auto-correla c oes das medias e das vari ancias ...
e investigar os resultados obtidos.
Um resultado interessante em termos de processos de vari ancia condicionada e
o do conhecimento dos desvios-padr ao. Tomando a pen ultima caixa devemos fazer
SET DVPQ = 0.0
SET DVPQ * * = %beta(5)+%beta(6)*RES{1}**2+%beta(7)*DVPQ{1}
SET UPPER=y+2*DVPQ**.5
SET LOWER=y-2*DVPQ**.5
GRAPH(header=y e D-P condicionados,KEY=upleft,PATTERNS) 3
# y
# UPPER
# LOWER
A investiga c ao dos processos da vari ancia pode ser feita com utiliza c ao do
procedimento BJIDENT, para alem do conhecimento das auto-correla c oes parciais.
Ilustremos por m um caso que nos conduziu a estimar duas hip oteses de
comportamento da media alternativas
y
t
=
0
+
1
V ar
t
+
t
V ar
t
=
0
+
1

2
t1
ou
y
t
=
0
+
1
V ar
t
+
t
+
2

t3
V ar
t
=
0
+
1

2
t1
Temos para o primeiro caso
SET u=0.0
NONLIN a 0 a 1 b 0 b 1
FRML var=a 0+a 1*u{1}**2
FRML e=y-b 0-b 1*var(t)
FRML L=(u=e),-.5*(log(var(t))+(e(t)**2)/var)
LIN(noprint) y
# constant
COMPUTE b 0=%beta(1), b 1=0.0
COMPUTE a 0=%seesq, a 1=1.0
MAXIMIZE L 2 *
e para o segundo
SET u=0.0
156 CAP

SET w=0.0
NONLIN a 0 a 1 b 0 b 1 b 2
FRML var=a 0+a 1*u{1}**2
FRML e=y-b 0-b 1*var(t)-b 2*w{3}
FRML L=(u=e),(w=e),-.5*(log(var(t))+(e(t)**2)/var)
BOXJENK(noprint,constant,ma=3) y
COMPUTE b 0=%beta(1), b 2=%beta(2), a 0=%seesq
COMPUTE b 1=0.0, a 1=0.0
MAXIMIZE L 3 *
Vejamos para nalizar estas observa c oes o caso em que a serie, por exemplo dos
rendimentos, exibe vari ancia condicional assimetrica. Supomos um GARCH(1,1)
e colocaremos em it alico a transforma c ao sugerida por Lawrence Glosten e Runkle
(1993)
Declare series u
Declare series w
NONLIN b 0 a 0 a 1 a 2
NONLIN b 0 a 0 a 1 a 2 a 3
FRML e=y-b 0
FRML h=a 0+a 1*w{1}+a 2*u{1}**2
FRML h=a 0+a 1*w{1}+a 2*u{1}**2+%if(u{1}0.0,a 3*u{1}**2,0.0)
FRML L=(w=h),(u=e),-.5*(log(h(t))+(e(t)**2)/h(t))
LIN(noprint) y / u
# constant
COMPUTE b 0=%beta(1)
COMPUTE a 0=%seesq, a 1=.05, a 2=.05
SET w=%seesq
MAX(method=bhhh,recurs,iter=1000) L start end
O recurso ` a deni c ao dos vectores u e w corresponde a uma alternativa elegante
da deni c ao dessas vari aveis como o zemos atr as.
Rera-se ainda que em Maximize podemos indicar uma op c ao para a estima c ao
da matriz das vari ancias/covari ancias, ROBUSTERRORS.
Tambem a hip otese apontada mais acima de uma processo de vari ancia condi-
cional innita pode ser calculado deste que a restri c ao seja indicada no conjunto
das instru c oes de c alculo. Bollerslev (1986) designaram um processo deste tipo
por IGARCH (integrated GARCH).
Captulo 6
Metodos de Estima cao em
Painel Estatico
A estima c ao econometrica em painel consiste em aplicar os modelos econ omicos
a dados de natureza cross-section e de sucess ao cronol ogica. Usamos dados res-
peitantes a indivduos, famlias, unidades de produ c ao ou pases para um
dado n umero de observa c oes temporais. Estas bases constituem, em geral, uma
maior variabilidade de valores que os constantes de simples series cross-section
ou sucess oes cronol ogicas, pelo que permitir ao a obten c ao de estimadores mais
ecientes. Por outro lado, o estudo em painel permite resolver o problema da
reduzida dimens ao temporal das nossas amostras, para alem de possibilitar um
melhor conhecimento da heterogeneidade individual.
Vamos apresentar alguns dos metodos de estima c ao de modelos lineares n ao
din amicos. A exposi c ao sobre o metodo de efeitos aleat orios, random eects, n ao
focar a o tipo de metodologia usada. Diferentes processos de mnimos quadrados
generalizados, GLS, foram propostos para solucionar o problema da matriz desco-
nhecida das vari ancias dos erros
1
.
Os modelos din amicos incluem a vari avel dependente desfasada como uma
das vari aveis explicativas. Surge ent ao um problema de n ao convergencia dos
estimadores dos mnimos quadrados (m.q.o.) devido ` a correla c ao entre os erros e
as vari aveis explicativas. O problema e tanto mais grave quanto mais reduzida, do
ponto de vista temporal, for a nossa base de dados
2
.
Ap os a apresenta c ao dos diferentes metodos de estima c ao de modelos de painel
est atico exporemos os testes aos efeitos individuais e ` a vari ancia dos erros. Estes
testes s ao importantes para a selec c ao do tipo de modelos que nos interessa.
Quando construmos uma base de dados, um dos primeiros passos que devemos
1
Veja-se Baltagi (2001) sobre os diferentes metodos propostos. Estes autor defende a
pouca import ancia da escolha de um ou outro metodo (p.19).
2
Veja-se a este prop osito a metodologia de Arellano e Bond. Arellano e Bond (1988),
Arellano e Bond (1991) e mais recentemente Arellano (2003).
157
158CAP
ITULO 6. M
ETODOS DE ESTIMAC

AOEMPAINEL EST
ATICO
ter em conta respeita ` a justica c ao da jun c ao dos nossos dados. Ser a que se
justica juntarmos os indivduos para os quais possumos dados?
3
Esta quest ao
e em tudo semelhante ` a quest ao da estabilidade de um modelo em termos de
an alise temporal: justicar-se-` a a jun c ao de perodos diferentes na nossa base? O
que signica que o vulgar teste de Chow deve esclarecer a situa c ao. O problema e
que para dados modelos o teste de Chow recusa a jun c ao dos dados mesmo quando
esta se justica
4
.
6.1 Metodos de Estima cao em Painel Estatico
Admitamos que o modelo geral a testar e do tipo y = x + . Ent ao o modelo
de base para pooling e o seguinte
y
it
= x +z
i
+
it
(6.1)
onde temos N indivduos e T perodos.
A partir deste modelo (equa c ao(6.1)) denimos as diferentes hip oteses de es-
tudo consequentes ` a jun c ao de dados.
Quando z contem apenas um termo constante, os m.q.o. conduzem a esti-
madores convergentes e ecientes.
Se z
it
for constitudo por vari aveis n ao observ aveis mas correlacionadas com
x
it
, o estimador de m.q.o. de e enviesado e n ao convergente (equivalente
` a situa c ao de vari avel omitida). Neste caso podemos ter um modelo com
i
= z
i
, onde impomos que aquele agrupa todos os efeitos individuais
e representa uma media condicionada. Este modelo e conhecido por modelo
de efeitos xos, ou tambem como modelo de m.q.o. com vari aveis mudas
(LSVD).
No caso de aquelas vari aveis n ao observ aveis n ao estarem correlacionadas
com x
it
, estamos perante um efeito aleat orio atribudo a cada grupo da
nossa base. Este modelo e designado por modelo de efeitos aleat orios, ran-
dom eects. Este modelo pode ser visto como se as suas unidades (in-
divduos) resultassem de uma tiragem aleat oria de uma popula c ao mais
alargada. Balestra e Nerlove (1966) propuseram o seguinte modelo
y
it
= x
it
+
i
+
t
+
it
(6.2)
onde ` a formula c ao inicial se juntou um efeito temporal comum a cada in-
divduo.
3
N ao esque camos que o economista tem permanentemente uma grande sede de dados.
4
O que acontece quando a especica c ao correcta de um modelo e de efeitos aleat orios
(ver mais abaixo), Baltagi (1981). Veja-se Baltagi (2002), p. 319.
6.1. M
ETODOS DE ESTIMAC

AO EM PAINEL EST
ATICO 159
O modelo conjunto (pooled) pode ser estimado de tres maneiras diferentes:
a) de acordo com a estima c ao generica original;
b) usando os desvios da media
y
it
y
i
= (x
it
x
i
)
+
it

i
que e conhecido pelo modelo within;
c) usando as medias individuais
y
i
= x
i
+ +
i
que e conhecido pelo modelo entre indivduos, between. Por vezes tambem
e designado por estimador da media individual.
Os valores estimados de s ao os mesmos nos casos a) e b).
6.1.1 Teste aos efeitos individuais
O primeiro teste respeita ` a hip otese nula dos termos constantes individuais e o
segundo ` a hip otese nula de serem iguais.
Com o primeiro teste queremos saber se existe justica c ao para incluir vari aveis
mudas individuais para os diferentes indivduos estudados. O problema resume-se
a um vulgar teste F ao conjunto dos coecientes com base num modelo LSDV. Um
problema existir a se os coecientes forem estimados com o modelo within. Neste
caso, o teste vulgarmente fornecido pelos programas inform aticos normais dever a
ser corrigido
5
.
Com o segundo teste pretendemos saber se devemos insistir na utiliza c ao de
um modelo LSDV ou se o simples pooling de dados num modelo com constante
comum, com estima c ao pelo metodo dos m.q.o., e adequado. O teste F vem neste
caso dado por
6
F
N1,NTNK
=
_
R
2
LSDV
R
2
Pooled
_
/ (N 1)
_
1 R
2
LSDV
_
6.1.2 Testes à variancia dos erros individuais
O estimador no caso do modelo RE e no caso dos m.q.o. e equivalente a uma
media ponderada dos valores estimados com o modelo within e o modelo between.
Quando a vari ancia do erro associado aos indivduos e nula n ao faz sentido n ao
utilizar o modelo LSDV. O teste da presen ca de efeitos aleat orios deve ser condu-
zido em dois passos (a) e b)), que signicam outros tantos testes. Vejamos em que
consistem.
5
Veja-se Baltagi (2002), p. 311.
6
Veja-se Greene (2003), p. 289.
160CAP
ITULO 6. M
ETODOS DE ESTIMAC

AOEMPAINEL EST
ATICO
a) Breusch e Pagan (1980) propuseram um teste a partir dos erros de um modelo
de simples pooling, em que a hip otese nula consiste na nulidade da vari ancia
dos efeitos aleat orios individuais. A estatstica vem dada por
LM =
N T
2 (T 1)

_

N
i=1
e
2
i.
N
i=1
T
t=1
e
2
it
1
_
2
onde e
i.
=
T
t=1
e
it
. A exclus ao da hip otese nula signica o abandono do
modelo de pooling simples com uma unica constante.
b) Claro que a quest ao a que ainda devemos responder respeita ` a reten c ao de um
modelo LSDV ou RE (de efeitos xos ou aleat orios). O problema principal
reside no facto de o modelo LSDV reduzir imenso os graus de liberdade e de
o modelo RE implicar que os efeitos individuais n ao est ao correlacionados
com as restantes vari aveis independentes, o que n ao e razo avel. Hausman
(1978) prop os o teste conhecido pelo seu nome, e que se baseia no seguinte:
se aqueles efeitos n ao estiverem correlacionados, os estimadores usados com
LSDV e RE s ao convergentes mas os m.q.o., usados no primeiro, s ao ineci-
entes. O teste proposto para a hip otese nula de n ao correla c ao, de reten c ao
do modelo RE, e um teste Wald dado por
W = q
[var( q)]
1
q
onde q =

RE

Within
e var( q) = var
_
Within
_
var
_
RE
_
, tendo W
ima distribui c ao do
2
com (K 1) graus de liberdade. Os chapeus e
representam os habituais valores estimados e K e a dimens ao do vector .
Bibliograa
Amisano, G., e C. Giannini (1997), Topics in Structural VAR Econometrics. Sprin-
ger verlag, Berlin, 2nd edn.
Andrade, J. S. (1993), An alise Econometrica, Uma Introdu c ao Para Economistas
e Gestores. Texto Editora, Lisboa.
(2003), Regimes Monetaires et Theorie Quantitative du Produit Nomi-
nal au Portugal (1854-1998), Estudos 6, G.E.M.F., Faculdade de Economia,
Coimbra.
Aninda Banerjee, Juan Dolado, J. G., e D. Hendry (1993), Co-Integration, Er-
ror Correction and the Econometric Analysis of Non-Stationary Data. Oxford
University Press, Oxford.
Arellano, M. (2003), Panel Data Econometrics. Oxford University Press, Oxford.
Arellano, M., e S. R. Bond (1988), Dynamic Panel Data Estimation Using DPD-A
Guide for Users, Working Paper 88/15, Institute for Fiscal Studies.
(1991), Some Tests of Specication for Panel Data: Monte Carlo Evidence
and an Application to Employment Equations, Review of Economic Studies,
58 27797.
Ba c ao, P. (1999), Nota Sobre a Estima c ao de Vectores de Cointegra c ao Com Os
Programas CATS in RATS, PCFIML e EVIEWS, Working Paper, 9, GEMF,
Faculdade de Economia, Coimbra, Working Paper, 9.
Balestra, P., e M. Nerlove (1966), Pooling Cross Section and Time Series Data
in the Estimation of a Dynamic Model: The Demand for Natural Gas, Econo-
metrica, 34 585612.
Baltagi, B. (1981), Pooling: An Experimental Study of Alternative Testing and
Estimation Procedures in a Two-Way Errors Components Model, Journal of
Econometrics, 17 2149.
(2001), Econometric Analysis of Panel Data. John Wiley, Chichester, 2nd
edn.
161
162 BIBLIOGRAFIA
(2002), Econometrics. Springer-Verlag, Berlin, 3rd edn.
Becker, W., e W. Greene (2001), Teaching Statistics and Econometrics to Under-
graduates, Journal of Economic Perspectives, 15, 16982.
Bernanke, B. (1986), Alternative Explanations of the Money-Income Correla-
tion, Carnegie-Rochester Conference Series on Public Policy, 25 4999.
Bhargava, A. (1986), On the Theory of Testing for Unit Roots in Observed Time
Series, Review of Economic Studies, 53 36984.
Blanchard, O., e M. Watson (1986), The American Business Cycle: Continuity and
Changechap. Are Business Cycles All Alike?, pp. 12356. University of Chicago
Press.
Bollerslev, T. (1986), Generalized Autoregressive Conditional Heteroscedasti-
city, Journal of Econometrics, 31, 30727.
Breusch, T. S., e A. R. Pagan (1980), The Lagrange Multiplier Test and its Appli-
cations to Model Specication in Econometrics, Review of Economic Studies,
47 239253.
Campbell, J., e G. Mankiw (1987), Are Output Flictuations Transitory, Quar-
terly Journal of Economics, 102, 85780.
Chow, G. (1983), Econometrics. McGraw-Hill, New York.
Cochrane, J. (1988), How Big Id the Random Walk in GNP?, Journal of Political
Economy, 96, 893920.
Dhrymes, P. (1971), Distributed Lags, Problems of Estimation and Formulation.
Holden-Day, San Francisco.
Dickey, D., e W. Fuller (1979), Distribution of the Estimators for Time Series
Regressions with a Unit Root, Journal of the American Statistical Association,
74 42731.
Doornik, J., e H. Hansen (1994), A Pratical Test for Univariate and Multivariate
Normality, Discussion Paper, Nueld College.
E. Ghysels, H. L., e J. Noh (1994), Testing for Unit Roots in Seasonal Time
Series, Journal of Econometrics, 62 41542.
Enders, W. (2003), RATS Programming Manual, e-book, Estima.
Engle, R. (1982), Autoregressive Conditional Heteroskedasticity with Estimates
of the Variance of United Kingdom Ination, Econometrica, 50, 9871007.
(ed.) (1995), ARCH, Selected Readings. Oxford University Press, Oxford,
reprint 2000 edn.
BIBLIOGRAFIA 163
(2001), GARCH 101: The Use of ARCH/GARCH Models in Applied
Econometrics, Journal of Economic Perspectives, 15, 15768.
Engle, R., e C. Granger (1987), Co-Integration and Error Correction: Represen-
tation, Estimation, and Testing, Econometrica, 55, 25176.
Engle, R., e B. Yoo (1987), Forecasting and Testing in Co-Integrated Systems,
Journal of Econometrics, 35, 14359.
Friedman, M. (1992), Do Old Fallacies Ever Die?, Journal of Economic Litera-
ture, XXX, 212932.
Granger, C. W., e P. Newbold (1974), Spurious Regressions in Econometrics,
Journal of Econometrics, 2, 11120.
Greene, W. (2003), Econometric Analysis. Prentice Hall, Prentice, 5rd edn.
Hallwood, P., e R. MacDonald (2000), International Money and Finance.
Blackwell, Oxford, 3rd edn.
Hamilton, J. (1994), Time Series Analysis. Princeton University Press, Princeton.
Hansen, H., e K. Juselius (1995), CATS in RATS, Cointegration Analysis of Time
Series. Estima, Evanston, 1st edn.
Hausman, J. A. (1978), Specication Tests in Econometrics, Econometrica, 46
125171.
Hayashi, F. (2000), Econometrics. Princeton University Press, Princeton.
Hendry, D. (1995), Dynamic Econometrics. Oxford University Press, Oxford.
Hendry, D., e K. Juselius (2000), Explaining Cointegration Analysis: Part, The
Energy Journal, 21, 142.
Homan, D., e R. Rasche (1996), Aggregate Money Demand Functions, Empirical
Applications in Cointegrated Systems. Kluwer Academic Pub., Boston.
Hotelling, H. (1933), Review of The Triumph of Mediocrity in Business, by Horace
Secrist, Journal American Statistical Association, 28, 4635.
J. Davidson, D. Hendry, F. S., e S. Yeo (1978), Econometric Modelling of the
Aggregate Time-Series Relationship Between Consumers Expenditures and In-
come in the United Kingdom, Economic Journal, 88 66192.
Johansen, S. (1995), Likelihood-Based Inference in Cointegrated Vector Autore-
gressive Models. Oxford University Press, Oxford.
164 BIBLIOGRAFIA
Johansen, S., e K. Juselius (1990), Maximum Likelihood Estimation and Infe-
rence on Cointegration - With Applications to the Demand for Money, Oxford
Bulletin of Economics and Statistics, 52, 169210.
Lawrence Glosten, R. J., e D. Runkle (1993), On the Relation Between the Expec-
ted Value and the Volatility of the Nominal Excess Return on Stocks, Journal
of Finance, 48, 1779801.
Litterman, R. (1986), Forecasting with Bayesian Vector Autoregressions-Five Ye-
ars of Experience, Journal of Business and Economic Statistics, 4, 2538.
Lutkepohl, H. (1994), Interpretation of Cointegration RelationsComments on
Estimating Systems of Trending Variables., Econometric Reviews, 13, 391
4.
Maddala, G. S., e I.-M. Kim (1998), Unit Roots, Cointegration and Structural
Change. Cambridge University Press, Cambridge.
Marques, C. R. (1998), Modelos Din amicos, Razes Unit arias e Cointegra c ao. EDI-
NOVA, Lisboa.
McCloskey, D., e S. Ziliak (1996), The Standard Error of Regressions, Journal
of Economic Literature, XXXIV, 97114.
Mizen, P. (1994), Buer Stock Models and the Demand for Money. Macmillan,
London.
Osterwald-Lenum, M. (1992), A Note with Quantiles of the Asymptotic Distri-
bution of the Maximum Likelihood Cointegration Rank Test Statistics, Oxford
Bulletin of Economics and Statistics, 54, 46172.
Perron, P. (1989), The Great Crash, the Oil Price Shock and the Unit Root
Hypothesis, Econometrica, 57, 13611401.
Perron, P. (1997), Further Evidence on Breaking Trend Functions in Macroeco-
nomic Variables, Journal of Econometrics, 80 35585.
Phillips, P. (1986), Understanding Spurious Regressions in Econometrics, Jour-
nal of Econometrics, 33, 31140.
(1987), Time Series Regression with a Unit Root, Econometrica, 55
277301.
Phillips, P., e P. Perron (1988), Testing for a Unit Root in Time Series Regres-
sion, Biometrika, 75 33546.
Pivetta, F., e R. Reis (2002), The Persistence of Ination in the United States,
Working paper, Harvard University.
BIBLIOGRAFIA 165
Robert Engle, D. L., e R. Robins (1987), Estimating Time Varying Risk Premia
in the Term Structure: The ARCH-M Model, Econometrica, 55, 391407.
S. Hylleberg, R. Engle, W. G., e B. Yoo (1990), Seasonal Integration and Coin-
tegration, Journal of Econometrics, 44 21538.
Schmidt, D. K. P. C. B. P. P., e Y. Shin (1992), Testing the Null Hypothesis
of Stationary Against the Alternative of a Unit Root: How Sure Are We That
Economic Time Series Have a Unit Root?, Journal of Econometrics, 54, 159
78.
Sims, C. (1980), Macroeconomics and Reality, Econometrica, 48, 148.
(1986), Are Forecasting Models Usable for Policy Analysis?, Federal
Reserve Bank of Minneapolis Quarterly Review, 10, 216.
Soren Johansen, R. M., e B. Niesen (2000), Cointegration Analysis in the Presence
of Structural Breaks in the Deterministic Trend, Econometrics Journal, 3, 216
49.
Stock, J. (1991), Condence Intervals for the Largest Autoregressive Root in U.
S. Macroeconomic Time Series, Journal of Monetary Economics, 28 43559.
Stock, J., e M. Watson (2001), Vector Autoregressions, Journal of Economic
Perspectives, 15, 10115.
Thomas Doan, R. L., e C. Sims (1984), Forecasting and Conditional Projection
Using Realistic Prior Distributions, Econometric Reviews, 3, 1100.
Watson, M. (1994), Handbook of Econometricsvol. IV, chap. Vector Autoregressi-
ons and Cointegration, pp. 2844915. Elsevier Science Ltd., Amsterdam.
Yule, G. U. (1926), Why Do We Sometimes Get Nonsense Correlations Between
Time-Series?, Journal of the Royal Statistical Society, 89 29, 3041.

Eco No Me Tri A

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Eco No Me Tri A

Enviado por

Direitos autorais:

Formatos disponíveis

Apontamentos de Econometria Aplicada

1.2. O MODELO DE REGRESS

OES SEM SENTIDO 17

OES SEM SENTIDO 19

e. Vejamos os mais conhecidos.

), com media nula e vari ancia constante.

N, mas antes por N. Em consequencia, obtemos

tem a sua distribui c ao na Tabela B.6, Caso 1, p. 763

tem a sua distribui c ao na Tabela B.6, Caso 2, p. 763

tem a sua distribui c ao aproximada pela N(0, 1)

tem a sua distribui c ao na Tabela B.6, Caso 4, p. 763

ENCIA DAS INOVAC

OTESE NULA DE ESTACIONARIDADE 41

). A componente e tomada como sendo

= 0. Tomemos os erros da estima c ao do modelo

y no caso de estudarmos um processo estacion ario em

sendo o seu estimador eciente (Newey-West) dado por

CONSTANT 0.91373 8.37138

print 247 253 y 7

CONSTANT -0.20333 -0.30822

2.8. EXEMPLOS DE APLICAC

CONSTANT 0.92150 6.73669

Altera cao da inclina cao

CONSTANT 0.91256 7.47835

Y 10 {1} 0.02686 0.59964

aos pre cos externos e as vari aveis continuam

ENCIA DO MCE E DA COINTEGRAC

ENCIA DO MCE E DA COINTEGRAC

. Assim no comando CATS escolhemos a op c ao 2 (Restrictions on

vem agora dado por

. Os diferentes valores vir ao para

O valor do teste vem dado por

para a reparametriza c ao directa ou indirecta, respectivamente, da hip otese nula

= 0. Faremos o ensaio vari avel a vari avel,

, e assim sucessivamente. Os resultados foram

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

= 1, 147, pelo que 46.(1, 386 1, 147) = 10, 99. Os

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 4. MODELOS VAR, VECM E NEAR-VAR(VECM)

ITULO 5. MODELOS ARCH

= 1, mas agora com a seguinte representa c ao para h

ITULO 5. MODELOS ARCH

AXIMA VEROSIMILHANC A149

ITULO 5. MODELOS ARCH

AXIMA VEROSIMILHANC A151

ITULO 5. MODELOS ARCH

ITULO 5. MODELOS ARCH

ITULO 5. MODELOS ARCH

Você também pode gostar