NOME

Cibele Borges
Tabiner Domingues Marques

N USP
7600972
7185351

MODELO VAR
Estime o modelo VAR para a 1 diferena das variveis.
1.

Selecione a ordem do VAR. Coloque abaixo os resultados do EViews e os

comente.

VAR Lag Order Selection Criteria

Endogenous variables: D_LEMPREGO D_LPIB
Exogenous variables: C
Date: 05/29/15 Time: 12:42
Sample: 2000M01 2015M01
Included observations: 165
Lag

LogL

LR

FPE

AIC

SC

HQ

0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

938.9536
968.3784
991.6521
1005.995
1042.216
1057.197
1062.115
1073.064
1078.231
1096.982
1121.735
1138.535
1210.833
1226.652
1240.955
1242.432

NA
57.77957
45.13684
27.46883
68.49041
27.96536
9.061359
19.90691
9.268938
33.18402
43.20459
28.91567
122.6889
26.46003
23.57873*
2.398885

4.01e-08
2.94e-08
2.33e-08
2.06e-08
1.39e-08
1.22e-08
1.21e-08
1.11e-08
1.09e-08
9.15e-09
7.12e-09
6.10e-09
2.67e-09
2.32e-09
2.05e-09*
2.11e-09

-11.35701
-11.66519
-11.89881
-12.02418
-12.41474
-12.54785
-12.55898
-12.64320
-12.65735
-12.83615
-13.08770
-13.24284
-14.07071
-14.21396
-14.33885*
-14.30827

-11.31937
-11.55225
-11.71057
-11.76065
-12.07591
-12.13372
-12.06955
-12.07849
-12.01733
-12.12084
-12.29709
-12.37694
-13.12951
-13.19747
-13.24706*
-13.14118

-11.34173
-11.61934
-11.82240
-11.91720
-12.27719
-12.37974
-12.36030
-12.41397
-12.39754
-12.54578
-12.76676
-12.89134
-13.68864
-13.80133
-13.89566*
-13.83451

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

Atendendo aos critrios de Akaike, Schwarz e Hannan-Quinn foi estipulado

um VAR(14).

Vector Autoregression Estimates

Date: 05/29/15 Time: 12:43
Sample (adjusted): 2001M04 2015M01
Included observations: 166 after adjustments
Standard errors in ( ) & t-statistics in [ ]

D_LEMPREGO

D_LPIB

D_LEMPREGO(-1)

0.420236
(0.08122)
[ 5.17379]

2.246863
(0.76895)
[ 2.92200]

D_LEMPREGO(-2)

0.306223
(0.08690)
[ 3.52392]

2.505688
(0.82267)
[ 3.04580]

D_LEMPREGO(-3)

0.038839
(0.05931)
[ 0.65485]

-0.130295
(0.56149)
[-0.23205]

D_LEMPREGO(-4)

-0.005670
(0.05791)
[-0.09791]

-0.233854
(0.54823)
[-0.42656]

D_LEMPREGO(-5)

-0.117758
(0.05607)
[-2.10025]

-1.701452
(0.53080)
[-3.20544]

D_LEMPREGO(-6)

0.013786
(0.05501)
[ 0.25063]

0.468603
(0.52075)
[ 0.89987]

D_LEMPREGO(-7)

-0.148551
(0.05449)
[-2.72645]

-0.377702
(0.51581)
[-0.73225]

D_LEMPREGO(-8)

0.045778
(0.05471)
[ 0.83667]

0.046825
(0.51798)
[ 0.09040]

D_LEMPREGO(-9)

0.036897
(0.05415)
[ 0.68136]

0.984093
(0.51266)
[ 1.91959]

D_LEMPREGO(-10)

-0.097806
(0.05474)
[-1.78683]

-1.038063
(0.51820)
[-2.00322]

D_LEMPREGO(-11)

-0.009019
(0.05575)
[-0.16176]

-0.857626
(0.52783)
[-1.62481]

D_LEMPREGO(-12)

0.832191
(0.05356)
[ 15.5363]

-1.023265
(0.50709)
[-2.01790]

D_LEMPREGO(-13)

-0.277164
(0.08832)
[-3.13801]

0.468138
(0.83617)
[ 0.55986]

D_LEMPREGO(-14)

-0.317496
(0.08796)
[-3.60941]

-0.428567
(0.83275)
[-0.51464]

D_LPIB(-1)

0.007137
(0.00919)
[ 0.77696]

-0.459094
(0.08697)
[-5.27900]

D_LPIB(-2)

-0.001386
(0.01007)
[-0.13766]

-0.487328
(0.09534)
[-5.11161]

D_LPIB(-3)

0.003999
(0.01091)
[ 0.36665]

-0.175721
(0.10327)
[-1.70164]

D_LPIB(-4)

0.003167
(0.01086)
[ 0.29175]

-0.367107
(0.10277)
[-3.57212]

D_LPIB(-5)

0.006581
(0.01108)
[ 0.59414]

-0.136939
(0.10487)
[-1.30583]

D_LPIB(-6)

0.009150
(0.01094)
[ 0.83627]

-0.136934
(0.10358)
[-1.32203]

D_LPIB(-7)

-0.001904
(0.01091)
[-0.17458]

-0.168424
(0.10325)
[-1.63124]

D_LPIB(-8)

0.004720
(0.01078)
[ 0.43782]

-0.167270
(0.10207)
[-1.63878]

D_LPIB(-9)

-0.004296
(0.01068)
[-0.40229]

-0.151663
(0.10109)
[-1.50023]

D_LPIB(-10)

0.021374
(0.01016)
[ 2.10429]

-0.029377
(0.09616)
[-0.30551]

D_LPIB(-11)

-0.006412
(0.00987)
[-0.64946]

-0.060416
(0.09347)
[-0.64635]

D_LPIB(-12)

-0.019425
(0.00949)
[-2.04720]

0.101941
(0.08983)
[ 1.13484]

D_LPIB(-13)

-0.006397
(0.00871)
[-0.73409]

-0.005593
(0.08250)
[-0.06779]

D_LPIB(-14)

-0.018809
(0.00836)
[-2.25021]

0.106902
(0.07913)
[ 1.35094]

0.000901
(0.00065)
[ 1.37712]

0.024382
(0.00619)
[ 3.93586]

0.886523
0.863330
0.000574
0.002046
38.22459
808.2400

0.766663
0.718974
0.051401
0.019370
16.07624
435.1031

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood

Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

-9.388434
-8.844773
0.003161
0.005534

Determinant resid covariance (dof adj.)

Determinant resid covariance
Log likelihood
Akaike information criterion
Schwarz criterion

-4.892808
-4.349148
0.008489
0.036539
1.46E-09
9.98E-10
1249.149
-14.35119
-13.26387

2. Estime o modelo com a ordem selecionada e:

a. Verifique se ele estvel (apresente as razes e comente).

O teste de estabilidade do modelo VAR permite analisar se todas as

razes so, em mdulo, menores que um, ou seja, se esto dentro do
crculo unitrio. Neste contexto o grfico apresenta os resultados que
corroboram com a no condio de estabilidade do modelo, j que h
raizes na fronteira do circulo, e portanto, em modulo iguais a um.
Inverse Roots of AR Characteristic Polynomial
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

b. Faa o teste LM para autocorrelao/correlao no

contempornea dos resduos (apresente os resultados e comente).

O teste LM nos indicou que h autocorrelao nos lags 12 e 14. Ainda que para a determinao da
ordem do modelo VAR seja necessrio que no haja correlao dos resduos, observa-se que
frequente a autocorelao no lag 12, indicando que pode ser uma caracterstica da srie, devido
provavelmente a sazonalidade.

Teste LM
VAR Residual Serial Correlation LM Tests
Null Hypothesis: no serial correlation at lag
order h
Date: 05/29/15 Time: 12:38
Sample: 2000M01 2015M01
Included observations: 166
Lags

LM-Stat

Prob

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

2.739160
1.017119
3.485724
2.296139
4.218203
2.232825
2.291728
5.156654
6.674486
1.832180
1.598092
29.61953
3.892808
15.43059
0.621210
1.245522

0.6024
0.9072
0.4801
0.6815
0.3773
0.6930
0.6823
0.2716
0.1541
0.7666
0.8091
0.0000
0.4207
0.0039
0.9607
0.8705

Probs from chi-square with 4 df.

c. Faa o teste de normalidade dos resduos (apresente os resultados e

comente).
Date: 05/29/15
Time: 12:47
Sample: 2000M01 2015M01

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
Probability

RESID03

RESID04

8.45E-19
1.17E-05
0.004682
-0.006572
0.001864
-0.357963
3.834424

3.70E-18
0.002744
0.049746
-0.072923
0.017650
-1.070157
6.147632

8.360970
0.015291

100.2123
0.000000

Sum
Sum Sq. Dev.

1.46E-16
0.000574

6.09E-16
0.051401

Observations

166

166

Para a primeira varivel, EMPREGO, observamos que simetria aproxima-se

de zero, o que desejvel. A curtose tambm prxima de 3, que o valor
referencia. Entretanto a probabilidade Jarque-Bera pequena, que indica
que h apenas 1% de chance de a distribuio ser normal. J a segunda
varivel apresenta simetria diferente de zero, curtose tambm excede o
valor ideal, e a probabilidade de Jarque-Bera zero, o que indica que no
segue distribuio normal. Portanto, os testes de normalidade dos resduos
nos revelou que para as variveis deve haver problema de no normalidade
dos resduos.

3. Se forem identificados problemas, tente corrigi-los e apresente os novos

resultados:
Frente ao problema de no normalidade, a anlise grfica das sries e
dos resduos nos permite inferir que o problema pode ser causado por
oultiers. Ento, estipula-se a incluso de dummies para a varivel pib
para os perodos 06/2001, 01/2010 e 03/2014; e para a varivel emprego
para 10/2008, 11/2008 e 12/2008.
Estimou-se um novo modelo, incluindo as dummies para os outliers. E
obteve-se o mesmo numero de lags pelos critrios AIC, SC e HQ, e
portanto um VAR(14)
LAGS
VAR Lag Order Selection Criteria
Endogenous variables: D_LEMPREGO D_LPIB
Exogenous variables: C DUMMY
Date: 05/29/15 Time: 12:48
Sample: 2000M01 2015M01
Included observations: 164
Lag

LogL

LR

FPE

AIC

SC

HQ

0
1
2
3
4
5
6
7
8
9
10
11

939.1218
969.0234
997.6203
1012.782
1052.735
1067.126
1071.983
1086.371
1091.478
1113.816
1140.189
1156.409

NA
58.34444
55.10148
28.84387
75.03439
26.67607
8.883874
25.96861
9.094038
39.22695
45.67038
27.69273

3.82e-08
2.79e-08
2.07e-08
1.80e-08
1.16e-08
1.02e-08
1.01e-08
8.94e-09
8.83e-09
7.06e-09
5.38e-09
4.64e-09

-11.40392
-11.71980
-12.01976
-12.15588
-12.59433
-12.72105
-12.73150
-12.85818
-12.87169
-13.09532
-13.36816
-13.51718

-11.32832
-11.56858
-11.79294
-11.85345
-12.21630
-12.26741
-12.20225
-12.25333
-12.19123
-12.33925
-12.53649
-12.60991

-11.37323
-11.65841
-11.92768
-12.03310
-12.44087
-12.53689
-12.51664
-12.61263
-12.59545
-12.78838
-13.03053
-13.14886

12
13
14
15
16

1232.561
1248.033
1263.387
1264.134
1267.393

128.1588
25.65988
25.09078*
1.203222
5.166906

1.93e-09
1.68e-09
1.46e-09*
1.52e-09
1.54e-09

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

VAR(14)

Vector Autoregression Estimates

Date: 05/29/15 Time: 12:48
Sample (adjusted): 2001M04 2015M01
Included observations: 166 after adjustments
Standard errors in ( ) & t-statistics in [ ]
D_LEMPREGO

D_LPIB

D_LEMPREGO(-1)

0.372426
(0.07588)
[ 4.90832]

1.669449
(0.67797)
[ 2.46243]

D_LEMPREGO(-2)

0.313236
(0.08051)
[ 3.89081]

2.590380
(0.71934)
[ 3.60105]

D_LEMPREGO(-3)

0.043880
(0.05495)
[ 0.79856]

-0.069420
(0.49097)
[-0.14139]

D_LEMPREGO(-4)

0.012029
(0.05376)
[ 0.22374]

-0.020094
(0.48040)
[-0.04183]

D_LEMPREGO(-5)

-0.112723
(0.05195)
[-2.16999]

-1.640642
(0.46415)
[-3.53473]

D_LEMPREGO(-6)

-0.003677
(0.05108)
[-0.07199]

0.257690
(0.45640)
[ 0.56462]

D_LEMPREGO(-7)

-0.169634
(0.05066)
[-3.34880]

-0.632319
(0.45261)
[-1.39705]

D_LEMPREGO(-8)

0.039077
(0.05070)
[ 0.77074]

-0.034110
(0.45302)
[-0.07530]

D_LEMPREGO(-9)

0.044003

1.069918

-14.39709
-14.53698
-14.67545*
-14.63578
-14.62675

-13.41420
-13.47849
-13.54135*
-13.42608
-13.34144

-13.99808
-14.10728
-14.21505*
-14.14469
-14.10496

(0.05018)
[ 0.87687]

(0.44839)
[ 2.38616]

D_LEMPREGO(-10)

-0.094483
(0.05071)
[-1.86329]

-0.997930
(0.45308)
[-2.20256]

D_LEMPREGO(-11)

-0.011121
(0.05165)
[-0.21532]

-0.883014
(0.46148)
[-1.91346]

D_LEMPREGO(-12)

0.823949
(0.04965)
[ 16.5967]

-1.122804
(0.44359)
[-2.53118]

D_LEMPREGO(-13)

-0.238415
(0.08220)
[-2.90037]

0.936119
(0.73449)
[ 1.27452]

D_LEMPREGO(-14)

-0.317002
(0.08148)
[-3.89053]

-0.422591
(0.72804)
[-0.58045]

D_LPIB(-1)

0.012753
(0.00859)
[ 1.48513]

-0.391274
(0.07673)
[-5.09956]

D_LPIB(-2)

0.001998
(0.00935)
[ 0.21361]

-0.446453
(0.08358)
[-5.34157]

D_LPIB(-3)

0.006080
(0.01011)
[ 0.60118]

-0.150596
(0.09036)
[-1.66659]

D_LPIB(-4)

0.008109
(0.01011)
[ 0.80238]

-0.307418
(0.09030)
[-3.40422]

D_LPIB(-5)

0.015221
(0.01041)
[ 1.46168]

-0.032598
(0.09304)
[-0.35035]

D_LPIB(-6)

0.017275
(0.01027)
[ 1.68183]

-0.038808
(0.09178)
[-0.42285]

D_LPIB(-7)

0.006014
(0.01023)
[ 0.58775]

-0.072793
(0.09143)
[-0.79616]

D_LPIB(-8)

0.012159
(0.01010)
[ 1.20349]

-0.077428
(0.09028)
[-0.85769]

D_LPIB(-9)

-0.000152
(0.00993)
[-0.01528]

-0.101612
(0.08871)
[-1.14546]

D_LPIB(-10)

0.026706
(0.00947)
[ 2.81938]

0.035018
(0.08464)
[ 0.41375]

D_LPIB(-11)

-0.001538
(0.00920)
[-0.16716]

-0.001545
(0.08221)
[-0.01880]

D_LPIB(-12)

-0.015330
(0.00883)
[-1.73625]

0.151396
(0.07889)
[ 1.91902]

D_LPIB(-13)

-0.009285
(0.00809)
[-1.14717]

-0.040470
(0.07232)
[-0.55960]

D_LPIB(-14)

-0.019362
(0.00774)
[-2.50050]

0.100215
(0.06919)
[ 1.44843]

0.000554
(0.00061)
[ 0.90771]

0.020190
(0.00545)
[ 3.70227]

DUMMY

-0.004089
(0.00084)
[-4.86512]

-0.049388
(0.00751)
[-6.57594]

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

0.903344
0.882734
0.000489
0.001895
43.82960
821.5574
-9.536836
-8.974428
0.003161
0.005534

0.822957
0.785205
0.039000
0.016934
21.79910
458.0184
-5.156848
-4.594441
0.008489
0.036539

Determinant resid covariance (dof adj.)

Determinant resid covariance
Log likelihood
Akaike information criterion
Schwarz criterion

1.02E-09
6.86E-10
1280.222
-14.70147
-13.57666

a. Condio de estacionariedade (apresente as razes e comente).

A condio de estacionariedade exige que as razes do polinmio

autorregresivo devem estar fora do crculo unitrio. Ou ento, que
os autovalores devem estar dentro do crculo unitrio. Entretanto a
observao grfica nos d que h autovalores no limtrofe do
crculo unitrio, o que permite afirmar que o modelo no atende a
condio de estacionariedade.

Inverse Roots of AR Characteristic Polynomial

1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

b.Teste LM para autocorrelao/correlao no contempornea dos

resduos (apresente os resultados e comente).
O teste LM retornou que o problema de autocorrelao dos resduos foi
corrigido no lag 14 com a incluso de dummies. Entretanto persiste o
problema associado ao lag 12.
VAR Residual Serial Correlation LM Tests
Null Hypothesis: no serial correlation at lag
order h
Date: 05/29/15 Time: 12:52
Sample: 2000M01 2015M01
Included observations: 166
Lags

LM-Stat

Prob

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

4.094171
1.299602
1.577665
2.747469
5.886443
3.024785
3.015841
5.447861
1.854571
9.187050
3.618950
26.38967
5.759368
9.107141
0.938917

0.3934
0.8614
0.8128
0.6009
0.2078
0.5537
0.5552
0.2444
0.7625
0.0566
0.4600
0.0000
0.2179
0.0585
0.9189

Probs from chi-square with 4 df.

b. Teste de normalidade dos resduos (apresente os resultados e

comente)

Date: 05/29/15
Time: 12:49
Sample: 2000M01 2015M01
RESID01

RESID02

9.63E-19
-8.12E-05
0.004528
-0.005584
0.001721
0.100624
3.140401

9.88E-18
0.001707
0.051058
-0.040425
0.015374
-0.036962
3.367766

Jarque-Bera
Probability

0.416474
0.812015

0.973289
0.614686

Sum
Sum Sq. Dev.

1.77E-16
0.000489

1.65E-15
0.039000

Observations

166

166

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

O teste de normalidade nos revela que a incluso de dummies no modelo corrigiu o problema de no
normalidade dos resduos. As variveis revelaram com a transformao caractersticas de
normalidade. Apresentam, agora, simetria, curtose prxima de 3, e a probabilidade Jarque-Bera
reafirma ao rejeitar a hiptese de no normalidade do modelo. De fato, a normalidade no uma
caracterstica necessria, entretanto desejvel nas estimaes do modelo.

4. Faa a Funo Impulso-Resposta para o modelo final: apresente os

grficos e comente.
Dado que o problema de autocorrelao foi corrigido, adota-se o modelo
com correo por dummies.

Response to Cholesky One S.D. Innovations 2 S.E.

Response of D_LEMPREGO to D_LEMPREGO

Response of D_LEMPREGO to D_LPIB

.0025

.0025

.0020

.0020

.0015

.0015

.0010

.0010

.0005

.0005

.0000

.0000

-.0005

-.0005
1

10

Response of D_LPIB to D_LEMPREGO

10

10

Response of D_LPIB to D_LPIB

.020

.020

.015

.015

.010

.010

.005

.005

.000

.000

-.005

-.005

-.010

-.010
1

10

Os grficos da funo impulso-resposta ilustram que o impacto de um

choque aleatrio do PIB provocaria um aumento da varivel emprego.
Entretanto, dado que esse aumento est dentro do intervalo de confiana,
podemos considerar que o impacto seria estatisticamente igual a zero.
J quanto a um choque aleatrio em emprego, h um aumento do PIB at o
perodo 3, quando este estabiliza e sofre variaes positivas e negativas.
Novamente, como esses valores esto dentro do intervalo, pode-se
reafirmar que a resposta diferente de zero apenas no perodo 3, ao qual
responde positivamente.
De fato, as concluses chegadas reiteram os testes de estacionariedade da
srie a 1 diferena a qual, em teoria, deve responder a choques aleatrios
convergindo para zero. Isto , sob condio de estacionariedade o choque
no deve ser incorporado a srie.

5. Decomposio da Varincia do Erro de Predio: apresente as tabelas e

comente.

Variance Decomposition 2 S.E.

Percent D_LEMPREGO variance due to D_LEMPREGO

Percent D_LEMPREGO variance due to D_LPIB

120

120

80

80

40

40

10

Percent D_LPIB variance due to D_LEMPREGO

120

80

80

40

40

10

Percent D_LPIB variance due to D_LPIB

120

10

Varianc
e
Decom
position
of
D_LEM
PREGO
:
Period

S.E.

D_LEMPREGO

D_LPIB

0.001895

0.002040

0.002230

0.002345

100.0000
(0.00000)
98.88853
(1.58510)
99.05186
(1.65798)
98.92521
(2.04193)

0.000000
(0.00000)
1.111471
(1.58510)
0.948139
(1.65798)
1.074792
(2.04193)

10

0.002438

98.44377
(3.12383)
97.48740
(4.44950)
95.88393
(5.80896)
95.54370
(6.59126)
94.80685
(7.30815)
94.75811
(7.69807)

1.556226
(3.12383)
2.512605
(4.44950)
4.116067
(5.80896)
4.456295
(6.59126)
5.193149
(7.30815)
5.241889
(7.69807)

0.002479

0.002528

0.002533

0.002545

10

0.002546

Varianc
e
Decom
position
of
D_LPIB
:
Period

S.E.

D_LEMPREGO

D_LPIB

0.016934

0.018357

0.019437

0.019639

0.019875

0.020158

0.020211

0.020302

0.020330

10

0.020387

0.775669
(1.29621)
2.636003
(2.39536)
7.578593
(3.02419)
7.427772
(2.97218)
7.330811
(2.98615)
8.158403
(3.14475)
8.187925
(3.13310)
8.244094
(3.08374)
8.396510
(3.11406)
8.696930
(3.16301)

99.22433
(1.29621)
97.36400
(2.39536)
92.42141
(3.02419)
92.57223
(2.97218)
92.66919
(2.98615)
91.84160
(3.14475)
91.81208
(3.13310)
91.75591
(3.08374)
91.60349
(3.11406)
91.30307
(3.16301)

Choles
ky
Orderin
g:
D_LEM
PREGO
D_LPIB
Standa
rd
Errors:
Monte
Carlo
(100
repetitio
ns)

A decomposio da varincia do erro de predio nos retorna o efeito de um

choque em uma das variveis sobre a variancia das variaveis que compoem
o sistema ao longo do tempo. Nessa perspectiva, constata-se que para o
PIB, a maior parte da sua variancia devido a prpria varivel (91.03%) , e
devido tambm a emprego(8.69%) no 10 perodo. E para a varivel
EMPREGO, maior parte da sua variancia tambm devido a prpria
varivel(94.75%) e em parte devido ao PIB(5.24%) no 10 perodo.
Observa-se, portanto, que o percentual da variancia prevista ao estimar a
varivel devido ao choque estrutural explicada em grande parte pela
prpria varivel no caso da tanto da varivel emprego quanto da varivel
PIB. E, apesar de menor importancia, a variancia da outra varivel tambm
no desprezvel.

6. Teste de Causalidade de Granger: apresente os resultados e comente.

VAR Granger Causality/Block Exogeneity Wald Tests

Date: 06/09/15 Time: 10:51
Sample: 2000M01 2015M01
Included observations: 166

Dependent variable: D_LEMPREGO

Excluded

Chi-sq

df

Prob.

D_LPIB

37.85585

14

0.0005

All

37.85585

14

0.0005

Dependent variable: D_LPIB

Excluded

Chi-sq

df

Prob.

D_LEMPREGO

105.0184

14

0.0000

All

105.0184

14

0.0000

O teste de Granger para o modelo VAR procura verificar se a incorporao

de valores passados de uma varivel contribui com previses melhores para
a outra varivel. A hiptese nula do teste que os coeficientes das
observaes defasadas da varivel X no so estatisticamente significativos
para explicar a variao de Y. Logo, rejeitar a hiptese nula implica que as
variaes passadas de X ajudam a explicar a variao contemporanea de Y.
Logo, trata-se de um teste de precedencia temporal e no de investigao
de causa e efeito.

Pelos resultados, observa-se que possvel rejeitar a hiptese nula tanto

quando a varivel dependente PIB quanto quando emprego. A concluso
, ento, que tanto o PIB possui precedencia temporal sobre a varivel
emprego quanto emprego tem precedencia temporal sobre o PIB. Portanto,
na anlise dos testes Granger, constatou-se que existe causalidade no
sentido de Granger de forma bidirecional entre as variveis PIB e emprego.