15/01/2010

1
Prof.: Dr.: ANDERSON ANTONIO DENARDIN
VETOR AUTO-REGRESSIVO
(VAR)
15/01/2010
2
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Os modelos econmicos, de um modo geral, so constitudos pela inter relao
de um conjunto de variveis de interesse. Assim sendo, o uso de modelos
univariados mostram-se limitados para expressar esse tipo de anlise.
A utilizao de instrumentos economtricos mais avanados que utilizam
tcnicas de anlise multivariada (vetor de variveis), permite que se expressem
modelos econmicos completos e que se faa uma anlise mais consistente sobre
fenmenos econmicos.
Assim, para contornar essa limitao, tem sido amplamente utilizada uma tcnica
que empregam, como instrumento de anlise, o uso de Vetor Auto Regressivo
(VAR).
Esta tcnica permite a utilizao de um vetor de variveis de interesse, que so
tratadas simetricamente entre si, ou seja, todas as variveis que so inseridas no
modelo so tratadas como sendo variveis endgenas.
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Para o desenvolvimento de modelos de Vetor Auto Regressivo (VAR), as
seguintes hipteses so assumidas:
i) As variveis que compem o Vetor so estacionrias;
ii) Os choques aleatrios so rudo branco com mdia zero e varincia
constante;
iii) Os choques so rudo branco no auto-correlacionados.
) , 0 ( N
t

j. i para 0 ) , ( - =
j t
C o v
15/01/2010
3
ANLISE DE VETOR AUTO-REGRESSIVO (VAR0
Considere um vetor de variveis representados por X
t
= [X
1t
, X
2t
, X
3t
...., X
nt
], a
descrio de um modelo na forma de um Vetor Auto-Regressivo dada por:
Aps manipulao algbrica temos que:
nt p nt n p t nt nn t n t n nn t n t n n nt
t p nt n p t nt n t nt n t t t
t p nt n p t nt n t nt n t t t
t p nt n p t nt n t nt n t t t
X p X p X X X B X B X B B X
X p X p X X X B X B X B B X
X p X p X X X B X B X B B X
X p X p X X X B X B X B B X




+ + + + + + + + + + + + =
+ + + + + + + + + + + + =
+ + + + + + + + + + + + =
+ + + + + + + + + + + + =




) ( .... ) ( ..... ) 1 ( .... ) 1 ( ...
) ( .... ) ( ..... ) 1 ( .... ) 1 ( ...
) ( .... ) ( ..... ) 1 ( .... ) 1 ( ...
) ( .... ) ( ..... ) 1 ( .... ) 1 ( ...
1 1 11 1 1 1 1 1 1 2 2 1 1 0
3 3 1 31 1 3 1 1 31 3 2 32 1 31 30 3
2 2 1 21 1 2 1 1 21 2 3 23 1 21 20 2
1 1 1 11 1 1 1 1 11 1 3 13 2 12 10 1
nt p nt n p t nt nn t n n nt t n nn t n t n
t p nt n p t nt n t nt n t t t
t p nt n p t nt n t nt n t t t
t p nt n p t nt n t nt n t t t
X p X p X X B X X B X B X B
X p X p X X B X B X X B X B
X p X p X X B X B X B X X B
X p X p X X B X B X B X B X




+ + + + + + + + = +
+ + + + + + + + =
+ + + + + + + + = +
+ + + + + + + + =




) ( .... ) ( ..... ) 1 ( .... ) 1 ( ...
) ( .... ) ( ..... ) 1 ( .... ) 1 ( ...
) ( .... ) ( ..... ) 1 ( .... ) 1 ( ...
) ( .... ) ( ..... ) 1 ( .... ) 1 ( ...
1 1 11 1 1 1 1 0 1 1 2 2 1 1
3 3 1 31 1 3 1 1 31 30 3 3 2 32 1 31
2 2 1 21 1 2 1 1 21 20 2 3 23 2 1 21
1 1 1 11 1 1 1 1 11 10 1 3 13 2 12 1
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Em forma matricial o modelo estrutural multivariado de ordem p pode ser
representado por:
De forma genrica temos:

+ +

nt
t
t
p nt
p t
p t
nn n
n
n
nt
t
t
nn n
n
n
n nt
t
t
n n
n
n
X
X
X
p p p
p p p
p p p
X
X
X
B
B
B
X
X
X
B B
B B
B B

2
1
2
1
12 1
2 22 21
1 12 11
1
1 2
1 1
12 1
2 22 21
1 12 11
0
20
10
2
1
3 2
2 21
1 12
.
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (
.... .
) 1 ( ) 1 ( ) 1 (
) 1 ( ) 1 ( ) 1 (
) 1 ( ) 1 ( ) 1 (
.
1
1
1

nt
t
t
p
i
i nt
i t
i t
nn n
n
n
n nt
t
t
n n
n
n
X
X
X
i i i
i i i
i i i
B
B
B
X
X
X
B B
B B
B B

2
1
1
2
1
12 1
2 22 21
1 12 11
0
20
10
2
1
3 2
2 21
1 12
.
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (
.
1
1
1
t
p
i
i t i t
X B B BX + + =

=

1
0
15/01/2010
4
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Em um modelo estrutural genrico representado por:
Temos que: X
t
um vetor (n x 1) de variveis econmicas de interesse no
instante t; B
0
um vetor (n x 1) de constantes; B
i
, com i= 0 ,....,p, uma matriz (n x
n) de coeficientes; e
i
, um vetor (n x 1) de choques estruturais que se deseja
identificar, cujas caractersticas so:
i) mdia zero E(
i
) = 0 ;
ii) ausncia de auto-correlao serial E(
i

j
) = 0 para (ij);
iii) e, matriz de varincia-covarincia na forma de identidade de dimenses
(n x n), E(
i

j
) = I .
Os choques so denominados choques estruturais porque afetam individualmente
cada uma das variveis endgenas. So considerados independentes entre si
porque as inter-relaes entre um choque e outro so captados indiretamente pela
matriz B. logo, a independncia dos choques d-se sem perda de generalidade.
t
p
i
i t i t
X B B BX + + =

=

1
0
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
A especificao inicial do modelo de Vetor Auto-Regressico (VAR), em sua
forma estrutural, corresponde uma especificao bastante razovel, na medida
em que estabelece que as variveis podem ser influenciadas umas pelas outras,
tanto contemporaneamente como pelos seus valores defasados.
O modelo em sua forma estrutural incorpora um efeito feedback, desde que as
variveis de interesse podem interagir contemporaneamente, ou seja, cada uma
das variveis depende, contemporaneamente, das demais variveis contidas no
vetor que compe o modelo.
O fato de cada uma das variveis dependerem contemporaneamente de cada uma
das demais variveis (efeito feedback), faz com que cada uma das variveis seja,
contemporaneamente, indiretamente correlacionada com os termos de erro.
Dado que as variveis contemporneas so individualmente correlacionadas com
os termo de erro, no possvel estimar diretamente as equaes no sistema VAR
utilizando-se do mtodo Ordinary Least Square (OLS), uma vez que, este
mtodo exige que no haja correlao contempornea entre os choques e as
variveis do modelo.
15/01/2010
5
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Devido a dificuldade em estimar diretamente as equaes no sistema VAR
utilizando-se do mtodo Ordinary Least Square (OLS) (em virtude da existncia
de correlao contempornea entre os choques e as variveis do modelo), o
modelo transformado em um sistema de equaes mais compacto, ou seja,
normalmente estimado em sua forma reduzida ou na forma de Vetor Auto-
Regressivo Padro. Assim, partindo-se da forma estrutural:
Sua representao na forma reduzida dada por:
Ou, equivalentemente:
Onde A
0
= B
-1
B
0
; A
i
= B
-1
B
i
; e, e
t
= B
-1

t
.
t
p
i
i t i t
X B B BX + + =

=

1
0
t
p
i
i t i t
B X B B B B X
1
1
1
0
1
=


+ + =

t
p
i
i t i t
e X A A X + + =

=

1
0
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Exemplo:
Partindo-se de um Vetor Auto-Regressivo (VAR) estrutural, como segue:
Aps manipulaes algbricas temos:
Usando lgebra matricial, podemos escrever o sistema em uma forma compacta:
Ou, de modo equivalente:
x t t t t t
yt t t t t
Y X Y a a X
X Y X a a Y


+ + + =
+ + + =


1 22 1 21 21 20
1 12 1 11 12 10
x t t t t t
yt t t t t
Y X a Y a X
X Y a X a Y


+ + + = +
+ + + = +


1 22 1 21 20 21
1 12 1 11 10 12

x t
yt
t
t
t
t
X
Y
a
a
X
Y
a
a

1
1
22 21
12 11
20
10
21
12
. .
1
1
t t i t
x B B Bx + + =
1 0
15/01/2010
6
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Exemplo:
Ou, de modo equivalente, temos:
Onde:
t t i t
x B B Bx + + =
1 0

=
x t
yt
t i
t
t
t
B
a
a
B
X
Y
x
a
a
B

1
1
22 21
12 11
20
10
0
21
12
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Exemplo:
Pr-multiplicando a equao que segue por B
-1
, obtemos o Vetor Auto-
Regressivo (VAR) em sua forma padro:
Na forma matricial, temos:
Ou, de modo equivalente:
Onde, A
0
= B
-1
B
0
; A
i
= B
-1
B
i
; e, e
t
= B
-1

t
.
t t i t
t t i t
t t i t
B x B B B B x
B x B B B B Bx B
x B B Bx

1
1
1
0
1
1
1
1
0
1 1
1 0

+ + =
+ + =
+ + =
t t i t
e x A A x + + =
1 0

x t
yt
t
t
t
t
a
a
X
Y
a
a
a
a
a
a
X
Y

.
1
1
. .
1
1
.
1
1
1
21
12
1
1
22 21
12 11
1
21
12
20
10
1
21
12
15/01/2010
7
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Exemplo:
importante destacar que o termo de erro (e
x t
e e
yt
), em um Vetor Auto-
Regressivo (VAR) em sua forma padro, composto de dois choques
xt
e
yt
.
Desde que , e
t
= B
-1

t
, temos que
xt
e
yt
pode ser especificado como segue:
21 12
21
21 12
12
21
12
21 12
1
21
12
21 12
1
1
21
12 1
1

1
1
1
.
1
1
1
1
1
1
a a
a
e
a a
a
e
a
a
a a
B
a
a
a a
B
a
a
B
x t yt
yt
yt x t
x t
x t yt
yt x t
t
yt
x t
t
yt
x t
t

ANLISE DE VETOR AUTO-REGRESSIVO (VAR)

Exemplo:
Uma vez que os choques
xt
e
yt
representam um processo de rudo branco,
ento, os termos de erro e
x t
e e
yt
, apresentam mdia zero, varincia constante, e
so individualmente serialmente no correlacionada. Assim, temos que:
OVALOR ESPERADO OU VALOR MDIO DE e
xt
e e
yt
:
, )
, )
, )
, )
, )
, )
0
1
E
0
1
21 12
21
21 12
12
=

=
=

=
a a
a E
e
a a
a E
e E
x t yt
yt
yt x t
x t


15/01/2010
8
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Exemplo:
AVARINCIA DE e
xt
e e
yt
:
, )
, )
, )
, )
, ) , )
, )
, )
, )
, )
, ) , )
2
21 12
2 2 2
2
21 12
2
21
2
21 12
21
2
21 12
2 2 2
2
21 12
2
12
2
21 12
12 2
1 1 1
E

1 1 1
21
12
a a
a
a a
a E
a a
a
E e
a a
a
a a
a E
a a
a
E e E
x t yt x t yt x t yt
yt
yt x t yt x t yt x t
x t

=


ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Exemplo:
AAUTO-CORRELAO DE e
xt
e e
xt-i
:
para i 0 dada por:
, )
, ), )
, )
, )
, ), )
, )
0
1
. E

0
1
.
2
21 12
21 21
2
21 12
12 12
=

=
=

a a
a a E
e e
a a
a a E
e e E
i x t i yt x t yt
i yt yt
i yt i x t yt x t
i x t x t


15/01/2010
9
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Exemplo:
ACOVARINCIA DE e
xt
e e
yt
:
Como pode-se observar, os choques e
x t
e e
yt
sero correlacionados. Em um caso
especial, em que b
12
e b
21
for igual a zero, ou seja, quando no existir efeitos
contemporneos de x
t
em y
t
e y
t
em x
t
, ento os choques sero no
correlacionados
, )
, ), )
, )
, )
, )
, )
, ), )
, )
, )
, )
2
21 12
2
12
2
21
2
21 12
12 21
2
21 12
2
12
2
21
2
21 12
21 12
1 1
. E

1 1
.
a a
a a
a a
a a E
e e
a a
a a
a a
a a E
e e E
yt x t yt x t x t yt
x t yt
yt x t x t yt yt x t
yt x t

+
=

+
=

=


ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
Exemplo:
MATRIZ DE VARINCIA COVARINCIA DO ERRO e
xt
e e
yt
:
A matriz de varincia e covarincia dos termos de erro e
x t
e e
yt
, representada
como segue:
, )
, )
, )
, )
, ) , )

2
21 12
2 2 2
2
21 12
2
12
2
21
2
21 12
2
12
2
21
2
21 12
2 2 2
2
2
1 1
1 1
) var( ) , cov(
) , cov( ) var(
21
12
a a
a
a a
a a
a a
a a
a a
a
e e e
e e e
x t yt yt x t
yt x t yt x t
y yx
x y x
yt yt x t
yt x t x t




15/01/2010
10
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
ESTABILIDADE E ESTACIONARIEDADE:
Considerando um Vetor Auto-Regressivo (VAR) de primeira ordem, como segue:
Fazendo interaes sucessivas para o passado obtemos:
t t t
e x A A x + + =
1 1 0

=

+

+








+ + + + + + + =
+ + + + + + + + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + + =
+ + =
+ + + + =
+ + + + =
+ + + + =
+ + =
n
i
i t
n
n t
n n
t
t t t n t
n
n t
n n
t
t t t t t
t t t t t
t t t t t
t t t
t t t t
t t t t
t t t t
t t t
e A x A A A A A A I x
e e A e A e A x A A A A A A I x
e e A e A x A A A A I x
e e A e A x A A A A A I x
e e A e x A A A A A I x
e x A A x
e e A x A A A I x
e e A x A A A A x
e e x A A A A x
e x A A x
0
1 1
1
1 0 1
3
1
2
1 1
1 1 2
2
1 1 1
1
1 0 1
3
1
2
1 1
1 1 2
2
1 3
3
1 0
2
1 1
1 1 2
2
1 3
3
1 0
2
1 0 1
1 1 2 3 1 0
2
1 0 1
2 3 1 0 2
1 1 2
2
1 0 1
1 1 2
2
1 0 1 0
1 2 1 0 1 0
1 2 1 0 1
) (
) (
: temos interaes n Aps
) (
) (
) ( ) (
) (
) (
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
ESTABILIDADE E ESTACIONARIEDADE:
Na medida em que continua-se o processo de interao para o passado, o processo de
convergncia requer que o termo A
1
n
tende a desaparecer (se aproxima de zero) na
medida em que n se aproxima do infinito. Assim, quando n tende ao infinito, uma
soluo particular para x
t
dada por:
Tomando o valor esperado dessa equao resulta que a mdia de x
t
, assim, a mdia de
x
t
e y
t
respectivamente x e y. Avarincia e a covarincia de x
t
e y
t
pode ser obtida como
segue:
' , onde
0
1
x y
e A x
i
i t
n
t
=
+ =

z + =
z + + + + =
- =
z =

=

1 2
1
2
6
1
4
1
2
1
2
2 1
1 2
2
0
1
2
) ( ) (
...) ( ) (
: temos assim , 0 para 0 que Desde
.
: que Dado
) (
A I x E
A A A I x E
i e Ee
e e
e
e
E Ee
e A E x E
t
t
i t t
t t
et
t
t
i
i t
n
t

15/01/2010
11
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
ESTABILIDADE E ESTACIONARIEDADE:
Se as condies de estabilidade se mantm, as seqncia x
t
e y
t
tero covarincia
estacionria. Cada seqncia apresenta media finita e invariante no tempo, e uma
varincia finita e invariante no tempo.
Utilizando-se dos operadores de defasagem, pode-se definir outra forma para
garantir a estabilidade do sistema:
Para assegurar a convergncia do sistema, as razes caractersticas do polinmio
devem estar fora do crculo unitrio
2
21 12 22 11
1 21 11 10 21 11 20
2
21 12 22 11
1 12 22 20 12 22 10
t t
21 20 22
12 10 11
22 21 20 1 22 1 21 20
12 11 10 1 12 1 11 10
) 1 )( 1 (
) 1 ( ) 1 (
) 1 )( 1 (
) 1 ( ) 1 (
: obtemos y e x para equao de sistema o Resolvendo
) 1 (
) 1 (
B a a B a B a
e a e B a a a a a
y
B a a B a B a
e a e B a a a a a
x
e Bx a a y B a
e By a a x B a
e By a Bx a a y e y a x a a y
e By a Bx a a x e y a x a a x
x t yt
t
yt x t
t
yt t t
x t t t
yt t t t yt t t t
x t t t t x t t t t

+ + +
=

+ + +
=
+ + =
+ + =
+ + + = ~ + + + =
+ + + = ~ + + + =

2
21 12 22 11
) 1 )( 1 ( B a a B a B a
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
FUNO DE RESPOSTAAIMPULSO:
Considere o seguinte modelo de Vetor Auto-Regressivo (VAR) de primeira
ordem com duas variveis:
possvel escrever um Vetor Auto-Regressivo (VAR) como um Vetor de Mdias
Mveis (VMA), ou seja, as variveis x
t
e y
t
podem ser expressas em termos de
valores correntes e passados de choques e
x t
e e
yt
, como segue:

+ + + =
+ + + =

yt
x t
t
t
t
t
yt t t t
x t t t t
e
e
y
x
a a
a a
a
a
y
x
e y a x a a y
e y a x a a x
1
1
22 21
12 11
20
10
1 22 1 21 20
1 12 1 11 10
.

i yt
i x t
i
i t
t
e
e
a a
a a
y
x
y
x
.
0 22 21
12 11
15/01/2010
12
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
FUNO DE RESPOSTAAIMPULSO:
Assim como expressamos x
t
e y
t
em termos dos choques e
x t
e e
yt
, podemos,
tambm, express-las em termos dos choques
xt
e
yt
, como segue:
O vetor de erro pode ser escrito como:
Substituindo os termos de erros e
x t
e e
yt
, na equao original, temos:

= yt
x t
i
i t
t
a
a
a a
a a
a a y
x
y
x

.
1
1
.
1
1
21
12
0 22 21
12 11
21 12

yt
x t
yt
x t
a
a
a a
e
e

.
1
1
1
1
21
12
21 12
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
FUNO DE RESPOSTAAIMPULSO:
Simplificando a matriz 2 x 2 com elementos
i
representados por
jk
(i), como
segue:
Assim, a representao na forma de mdias mveis pode ser descrita em termos
da seqncia dos erro
xt
e
yt
, como segue:
Ou de forma compacta:

i yt
i x t
i
i t
t
i i
i i
y
x
y
x

.
) ( ) (
) ( ) (
0 22 21
12 11

=
1
1
1
21
12
21 12
1
a
a
a a
A
i
i

=

+ =
0 i
i t i t
x
15/01/2010
13
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
DECOMPOSIO DAVARINCIA:
Supondo que so conhecidos os coeficientes A
0
e A
1
, e deseja-se fazer previso
dos valores de x
t+i
condicionais aos valores observados de x
t
.
Partindo-se da seguinte equao:
Fazendo-se a translao para o futuro em um perodo e tomando a expectativa
condicional de x
t+1
, obtemos:
Assim sendo, o erro de previso um passo a frente dado por:
Ou de forma compacta:
t t t
e x A A x + + =
1 1 0
t t
t t t
t t t
x A A x E
e E x A E A E x E
e x A A x
1 0 1
1 1 0 1
1 1 0 1
) (
) ( ) ( ) ( ) (
+ =
+ + =
+ + =
+
+ +
+ +
1 1 1
1 0 1 1 0 1 1
) (
) ( ) ( ) (
+ + +
+ + +
=
+ + + =
t t t
t t t t t
e x E x
x A A e x A A x E x
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
DECOMPOSIO DAVARINCIA:
Fazendo-se a translao para o futuro dois perodo a frente e tomando a
expectativa condicional de x
t+2
, obtemos:
Assim sendo, o erro de previso dois passos a frente dado por:
t t
t t t t
t t t t
t t t t
t t t t
t t t
x A A A I x E
e e A x A A A I E x E
e e A x A A A I x
e e A x A A A A x
e e x A A A A x
e x A A x
2
1 0 1 2
2 1 1
2
1 0 1 2
2 1 1
2
1 0 1 2
2 1 1
2
1 0 1 0 2
2 1 1 0 1 0 2
2 1 1 0 2
) ( ) (
] ) [( ) (
) (
) (
+ + =
+ + + + =
+ + + + =
+ + + + =
+ + + + =
+ + =
+
+ + +
+ + +
+ + +
+ + +
+ + +
2 1 1 2 2
2
1 0 1 2 1 1
2
1 0 1 2 2
) (
] ) [( ] ) [( ) (
+ + + +
+ + + +
+ =
+ + + + + + =
t t t t
t t t t t t
e e A x E x
x A A A I e e A x A A A I x E x
15/01/2010
14
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
DECOMPOSIO DAVARINCIA:
Generalizando, fazendo-se a translao para o futuro n perodo a frente e
tomando a expectativa condicional de x
t+n
, obtemos:
Assim sendo, o erro de previso n passos a frente dado por:
t
n n
n t
n t n t n t t
n
t
n n
n t
t n t n t t
n
t
n n
n t
x A A A A A A I x E
e e A e A e A x A A A A A A I E x E
e e A e A e A x A A A A A A I x
1 0 1
3
1
2
1 1
1 1 2
2
1 1
1
1 1 0 1
3
1
2
1 1
2 1 1 2
2
1 1
1
1 1 0 1
3
1
2
1 1
) ... ( ) (
] ... ) ... [( ) (
... ) ... (
+ + + + + + =
+ + + + + + + + + + + =
+ + + + + + + + + + + =
+
+ + + + + +

+
+ + + + + +

+
2 1 1 2
2
1 1
1
1 2 2
1 0 1
3
1
2
1 1
2 1 1 2
2
1 1
1
1 1 0 1
3
1
2
1 1 2 2
... ) (
] ) ... [(
] ... ) ... [( ) (
+ + + + + +

+ +
+ + + + + +

+ +
+ + + + =
+ + + + + +
+ + + + + + + + + + + =
t n t n t t
n
t t
t
n n
t n t n t t
n
t
n n
t t
e e A e A e A x E x
x A A A A A A I
e e A e A e A x A A A A A A I x E x
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
DECOMPOSIO DAVARINCIA:
Dado que o Vetor Auto-Regressivo (VAR) e o Vetor de Mdias Mveis (VMA)
contm exatamente as mesmas informaes, o erro de previso tambm pode ser
considerado em termos do Vetor de Mdias Mveis (VMA). Assim,
conveniente descrever as propriedades dos erros de previso em termos da
seqncia de choques
t
.
Partindo-se da seguinte equao:
Fazendo-se a translao para o futuro em n perodo e tomando a expectativa
condicional de x
t+n
, obtemos:

=

+ =
0 i
i t i t
x

=

_

+ =
+ =
+

=
+ +

=
+ +

) (
) ( ) (
1
0
1
0
n t
n
i
i n t i n t
n
i
i n t i n t
x E
E E x E
x
15/01/2010
15
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
DECOMPOSIO DAVARINCIA:
Assim sendo, o erro de previso n passos a frente dado por:
Concentrando-se a seqncia de x
t
, o erro de previso n passos a frente
determinado por:
Avarincia do erro de previso n passos a frente determinado por:

=
+ + +

=
+ + +
=
+ =
1
0
1
0
) (
) (
n
i
i n t i n t n t
n
i
i n t i n t n t
x E x
x E x


] ) 1 ( ... ) 1 ( ) 0 ( [
] ) 1 ( ... ) 1 ( ) 0 ( [ ) (
1 12 1 12 12
1 11 1 11 11
+ + +
+ + + + +
+ + + +
+ + + + =
yt n yt n yt
x t n x t n x t n t n t
n
n x E x


] ) 1 ( ... ) 1 ( ) 0 ( [
] ) 1 ( ... ) 1 ( ) 0 ( [ ) (
2
12
2
12
2
12
2
2
11
2
11
2
11
2 2
+ + + +
+ + + + =
n
n n
y
x x


ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
DECOMPOSIO DAVARINCIA:
Uma vez que todos os valores de
ji
(i)
2
so no negativos, a varincia do erro de
previso aumenta na medida em que o horizonte n aumenta.
possvel decompor a varincia do erro de previso n passos a frente,
identificando a proporo dos movimentos na seqncia da varincia dos erros
que pode ser atribuda a cada um dos choques primitivos em
xt
e
yt
sobre cada
uma das variveis que compem o vetor. Assim, as equaes podem ser
reescritas em termos da decomposio da varincia do erro de previso, sendo a
proporo da varincia devido aos choques em
xt
e
yt
, dados por:
2
2
12
2
12
2
12
2
y
2
2
11
2
11
2
11
2
x
) (
] ) 1 ( ... ) 1 ( ) 0 ( [
por a determinad x" " de Previso de Erro do Varincia da Proporo
) (
] ) 1 ( ... ) 1 ( ) 0 ( [
por a determinad x" " de Previso de Erro do Varincia da Proporo
n
n
n
n
x
y
x
x

+ + +
+ + +
15/01/2010
16
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
DECOMPOSIO DAVARINCIA:
Generalizando, temos:
Assim, a proporo da varincia devido aos choques em
xt
e
yt
, so dados por:
2
1
1
2 2
1
1
2 2
2
1
1
2 2
1
1
2 2
) ( ) ( ) (
) ( ) ( ) (
i i n
i i n
n
i
ij y
n
i
ij x y
n
i
ij y
n
i
ij x x

=
+ =
+ =


2
2
1
1
2
2
2
1
1
2
2
2
1
1
2
2
2
1
1
2
) (
) (
) (
) (
10 0
) (
) (
) (
) (
10 0
n
i
n
i
n
i
n
i
y
n
i
ij y
y
n
i
ij x
y
x
n
i
ij y
x
n
i
ij x
x

=
+ =
+ =
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
GRAU DE DEFASAGENS DO MODELOVAR:
possvel construir um Vetor Auto-Regressivo com n-equaes contendo p
defasagens para cada uma das n variveis contidas no sistema. Aps incluir as
variveis que tenham significado econmico no modelo VAR, ou seja, aps um
exame cuidadoso do modelo terico que ajudar definir as variveis que sero
includas no modelo, o passo seguinte consiste em definir o nmero de
defasagens mais adequado para cada uma das variveis.
Em um sistema VAR, quanto mais elevado o grau de defasagens includo no
sistema, mais graus de liberdade sero consumidos. Se a defasagens for p,
cada uma das n equaes deve conter np coeficientes mais n termos de
intercepto, gerando um total de n
2
p+n parmetros.
Se p for muito baixo, corre-se o risco de especificar erroneamente o modelo.
Se p for muito alto, graus de liberdade so perdidos. Portanto, fundamental
selecionar o nmero de defasagens apropriado., para isso, diferentes critrios
para avaliao de defasagens podem ser utilizados.
15/01/2010
17
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
GRAU DE DEFASAGENS DO MODELOVAR:
Likelihood Ratio Test (LR): o teste de razo de verossimilhana baseado na
teoria assinttica, e deve ser aplicada para grandes amostras, podendo ser
definido como segue.
Onde:
T = nmero de observaes utilizadas;
c = nmero de parmetros estimados em cada equao do sistema no restrito (np+1);
log|
i
| = logaritmo natural do determinante da matriz de varincia-covarincia dos
resduos irrestrita;
log|
r
| = logaritmo natural do determinante da matriz de varincia-covarincia dos
resduos restrita;
Esta estatstica tem distribuio assinttica
2
com graus de liberdade igual ao
nmero de restries no sistema (n
2
p+n)
i
-(n
2
p+n)
r
. Se o valor calculado da
estatstica for inferior que
2
em um dado nvel de significncia, a hiptese nula
de um nmero inferior de defasagens no pode ser rejeitada
, )
, )
i r
i r
c T LR
o u
T LR
z z =
z z =
log log ) (
log log ) (
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
GRAU DE DEFASAGENS DO MODELOVAR:
Akaike Information Critrio (AIC): o critrio de informao de Akaike
geralmente aplicado para amostras pequenas de sries economtricas, e pode ser
definido como segue.
Onde:
T = nmero de observaes utilizadas;
log|| = logaritmo natural do determinante da matriz de varincia-covarincia dos
resduos;
N = nmero total de parmetros estimados em todas as equaes N = (n
2
p+n), onde
cada uma das equaes dispem de np regressores e um intercepto.
Adicionando regressores (defasagens) no modelo ocorre uma reduo no log|| ,
s custas de um aumento em N.
Aps fazer os clculos, seleciona-se o modelo que apresenta o menor valor para
o AIC. Os modelos devem ser comparados utilizando-se o mesmo perodo
amostral.
N T A IC 2 log + z =
15/01/2010
18
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
GRAU DE DEFASAGENS DO MODELOVAR:
Shwartz Critrio (SC): o critrio de Shwartz tambm aplicado para amostras
pequenas de sries economtricas, e pode ser definido como segue.
Onde:
T = nmero de observaes utilizadas;
log|| = logaritmo natural do determinante da matriz de varincia-covarincia dos
resduos;
N = nmero total de parmetros estimados em todas as equaes N = (n
2
p+n), onde
cada uma das equaes dispem de np regressores e um intercepto.
Adicionando regressores (defasagens) no modelo ocorre uma reduo no log|| ,
s custas de um aumento em N.
Aps fazer os clculos, seleciona-se o modelo que apresenta o menor valor para
o SC. Os modelos devem ser comparados utilizando-se a mesmo perodo
amostral.
) log( log T N T SC + z =
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
TESTE DE CAUSALIDADE DE GRANGER:
O teste de Causalidade de Granger baseia-se na idia de precedncia de
causalidade de uma varivel em relao outra, ou seja, supe que as
informaes relevantes para previso das respectivas variveis Y e X estejam
contidas exclusivamente nos dados de sries temporais destas variveis. O teste
envolve a estimativa das seguintes regresses:
onde supe-se que as perturbaes u
1t
e u
2t
sejam no correlacionadas.
A primeira equao postula que Y
t
se relaciona com seus prprios valores
defasados e com os valores defasados de X
t
, um comportamento similar
descrito pela segunda equao. Para que estas relaes se confirmem, os
coeficientes estimados sobre X
t
defasado (isto , os
j
), na primeira equao
devem ser, conjuntamente, significativamente diferente de zero.
Equivalentemente, os coeficientes estimados sobre Y
t
defasados (isto ,
j
) na
segunda equao, devem ser, conjuntamente, significativamente diferente de
zero.

= =

+ + =
n
i
n
j
t j t j i t i t
u X Y Y
1 1
1


= =

+ + =
n
i
n
j
t j t j i t i t
u Y X X
1 1
2

15/01/2010
19
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
TESTE DE CAUSALIDADE DE GRANGER:
Teste de Wald para Causalidade de Granger: O critrio utilizado para testar a hiptese
nula
- (H
0
=
j
= 0 ), a qual supe que os termos defasados de X
t
no pertencem a
regresso de Y
t
, (ou seja, X
t
faz no Granger causar Y
t
), na primeira equao;
- (H
0
=
j
= 0 ), a qual supe que os termos defasados de Y
t
no pertencem a
regresso de X
t
, (ou seja, Y
t
faz no Granger causar X
t
), na segunda equao;
um teste de Wald para coeficientes restritos. Nesse teste, SQR
r
representa a Soma dos
Quadrado dos Resduos da equao restrita (equao em que se supe que
j
ou
j

zero); SQR
i
representa a Soma dos Quadrados dos Resduos da equao irrestrita
(equao em que se supe que
j
ou
j
diferente de zero).
Para testar essa hiptese, aplica-se o teste F dado por:
o qual segue a distribuio F com k e (n 2K) graus de liberdade. Onde k o nmero
de parmetros estimados e n o tamanho da amostra.
Assim, se o valor calculado de F exceder o valor crtico de F
;(k, n-2k)
para um dado nvel
de significncia , a hiptese nula rejeitada, caso contrrio, a hiptese nula aceita.
) 2 /(
/ ) (
k n SQR
k SQR SQR
F
i
i r

=
ANLISE DE VETOR AUTO-REGRESSIVO (VAR)
TESTE BLOCO EXOGENEIDADE:
Teste de Wald Bloco Exogeneidade: utilizada para detectar se uma varivel deve ser
incorporada em um modelo VAR. A questo para determinar se valores defasados de
uma varivel qualquer Granger causa qualquer uma das demais variveis do sistema.
Para um modelo de trs variveis X
t
, Y
t
e Z
t
, procura-se testar se valores defasados de Z
t
Granger causa X
t
e/ou Y
t
.
Para testar a relevncia de Z
t
em um modelo VAR, estima-se as equaes de X
t
e Y
t
utilizando-se p valores defasados de X
t
, Y
t
e Z
t
e calcula-se
i
(matriz de varincia-
covarincia irrestrita). Logo, reestima-se as duas equaes excluindo-se os valores
defasados de Z
t
e calcula-se
r
(matriz de varincia-covarincia restrita). Assim, utiliza-se
a estatstica oferecida pelo teste de razo de verossimilhana (likeliho o d rat io t est e):
Esta estatstica tem distribuio assinttica
2
com graus de liberdade igual ao
nmero de restries no sistema (n
2
p+n)
i
-(n
2
p+n)
r
. Se o valor calculado da
estatstica for inferior que
2
em um dado nvel de significncia, a hiptese nula
de um nmero inferior de defasagens no pode ser rejeitada
, )
i r
c T LR z z = log log ) (