Você está na página 1de 99

Econometria de Sries Temporais: Captulo 3

Rodrigo De Losso da Silveira Bueno

Agosto 2015

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

1 / 99

Propsitos
Modelagem de Box, Jenkins e Reinsel (1994) para sries temporais
univariadas estacionrias:
1

Identicar as ordens p e q do modelo.

Estim-lo.

Vericar se resduos estimados so um rudo branco. Se no rejeitam,


passa-se ao prximo passo. Se rejeitam, retorna-se ao primeiro passo.

Prever.
Se uma srie for considerada no estacionria, deve ser diferenciada.
Qualquer processo estacionrio, mesmo no sendo linear, tem uma
representao linear.
Implicao: pode-se decompor um processo estacionrio qualquer em
dois componentes lineares, um determinstico e um estocstico =
Teorema de Wold.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

2 / 99

Teorema de Wold
De acordo com Priestley (1981) e Perron (1990), o teorema de Wold o
seguinte:

Theorem
Considere um processo estacionrio qualquer, yt . Tal processo pode ser
representado por dois processos mutuamente no correlacionados, um
puramente determinstico, outro puramente estocstico, e que pode ser
escrito como um MA ():
yt = ut + dt ,
em que
1 ut e dt no so correlacionados;

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

3 / 99

Teorema de Wold: continuao


Theorem
1

2 ut regular, sendo representado por:

ut

s t

s,

s =0

0 = 1;

2s < ;

RB 0, 2 ,

s =0

sendo que E (s dt ) = 0, 8s, t. Alm disso, a seqncia fs gs=0 e o


processo ft g so unicamente determinados.

3 dt singular no sentido de que pode ser previsto a partir do seu


prprio passado com varincia de predio nula.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

4 / 99

Funo de Autocorrelao - FAC


FAC: grco da autocorrelao contra a defasagem.
A funo de autocorrelao permitir identicar a ordem q de um
processo MA.
Modelo

FAC
j =

MA (q )

j + j +1 1 + j +2 2 + + q q
q
j =0 2j

, j = 1, 2, . . . , q

j = j , j = 1, 2, . . . .

AR (1)
AR (p )

j = 1 j

ARMA (1, 1)

Rodrigo De Losso da Silveira Bueno ()

8
>
<
>
:

+ 2 j

1 =
j = 1 j

+ p j

p, j

= 1, 2, . . .

(1 +1 1 )(1 + 1 )
1 + 21 +21 1
1

= j1 1 1 , j > 1.

Captulo 3: Processos Estacionrios

Agosto 2015

5 / 99

Funo de Autocorrelao - FAC: continuao


A Figura 1 mostra o grco das observaes amostrais de modelos
simulados.
FAC - AR(2)

1.0

FACP - AR(2)

0.8
0.4

0.5

0.0
0.0
-0.4
-0.5
-1.0

-0.8
2

10

12

14

16

18

20

22

24

FAC - ARMA(1,1)

1.0
0.8
0.6
0.4
0.2
0.0

10

12

14

16

18

20

22

24

FAC - MA(2)

.8

-1.2

1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4

.6

.4

.4

.2

12

14

16

18

20

22

24

10

12

14

16

18

20

22

24

18

20

22

24

FACP - MA(2)

.8

.6

10

FACP - ARMA(1,1)

.2

.0

.0

-.2

-.2

-.4

-.4

10

12

14

16

18

20

22

24

10

Figura: MA (2): 1 = 0, 8, 2 = 0, 9; AR (2): 1 =


(1, 1): = = 0, 9.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

12

14

16

0, 5, 2 = 0, 4; ARMA

Agosto 2015

6 / 99

Funo de Autocorrelao Parcial - FACP


Considere um AR (1). H uma correlao implcita entre yt e suas
defasagens, evidenciado no decaimento exponencial da FAC.
Mas, qual a correlao pura entre yt e suas defasagens? Para obter
isso, preciso ltrar as correlaes.
Como? Gerando a funo de autocorrelao parcial, FACP, pela qual
eliminam-se as correlaes implcitas entre duas observaes.
bj ,j contra
Formalmente, a funo de autocorrelao parcial o grco de
j estimado a partir das seguintes regresses em que a srie original tem
sua mdia subtrada:
yt = j ,1 yt

+ j ,2 yt

+ j ,j yt

+ et , j = 1, 2, . . . ,

em que et um erro.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

7 / 99

Funo de Autocorrelao Parcial - FACP: continuao


O que deve acontecer teoricamente, por exemplo, num modelo AR
(2)? Os coecientes obtidos a partir de j > 2 devero ser iguais a
zero.
Genericamente, em um AR (p ) encontrar-se-o coecientes diferentes
bp,p , e estatisticamente iguais a zero a partir de ento.
de zero at

Num MA (q ), dada a condio de invertibilidade que torna esse


bj ,j
processo um AR (), pode-se mostrar que os coecientes
decaem. Quando se tem um modelo ARMA (p, q ), h decaimento a
partir da defasagem p, cuja congurao depende da magnitude dos
parmetros.

Remark
Na prtica, Enders (2009) sugere calcular a funo de autocorrelao
parcial at j = T4 , em que T o tamanho da amostra.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

8 / 99

Funo de Autocorrelao Parcial - FACP: continuao


A Figura 2 mostra o grco das observaes amostrais de modelos
simulados.
FAC - AR(2)

1.0

FACP - AR(2)

0.8
0.4

0.5

0.0
0.0
-0.4
-0.5
-1.0

-0.8
2

10

12

14

16

18

20

22

24

FAC - ARMA(1,1)

1.0
0.8
0.6
0.4
0.2
0.0

10

12

14

16

18

20

22

24

FAC - MA(2)

.8

-1.2

1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4

.6

.4

.4

.2

12

14

16

18

20

22

24

10

12

14

16

18

20

22

24

18

20

22

24

FACP - MA(2)

.8

.6

10

FACP - ARMA(1,1)

.2

.0

.0

-.2

-.2

-.4

-.4

10

12

14

16

18

20

22

24

10

Figura: MA (2): 1 = 0, 8, 2 = 0, 9; AR (2): 1 =


(1, 1): = = 0, 9.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

12

14

16

0, 5, 2 = 0, 4; ARMA

Agosto 2015

9 / 99

Testes para identicao do ARMA(p, q)


A FAC dene a defasagem do MA. A FACP dene a defasagem do
AR.
Por qu? No primeiro caso, a FAC decai com o aumento de
defasagens, e a funo de autocorrelao parcial truncada a partir
da defasagem p.
No segundo caso, a funo de autocorrelao truncada na
defasagem q, e a funo de autocorrelao parcial decai.
No caso de uma ARMA (p, q ), ambas as funes decaem a partir da
defasagem de truncagem.
O padro de decaimento oscila, exceto para os casos MA(1) e AR (1).
Modelo
AR (p )
MA (q )
ARMA (p, q )

FAC
Decai
Truncada na defasagem q
Decai se j > q

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

FACP
Truncada na defasagem p
Decai
Decai se j > p
Agosto 2015

10 / 99

Estimando a FAC
1

Obtenha a mdia amostral da srie yt :


Tt=1 yt
.
T
Calcule a autocorrelao amostral:
y=

3
4

b
j : b
j =

T
t =j +1 (y t y )(y t j y )
T
2
T
t =1 (y t y )
T

, j = 1, 2, . . .

Trace o grco de b
j contra j.
Em grandes amostras, a varincia das estimativas para um rudo
branco pode ser aproximada por T 1 .
Para o MA (q ), a varincia pode ser aproximada por
T 1 1 + 2 js =11 2s , para j > q. H softwares que aproximam s
por b
s . Outros pacotes usam o intervalo do rudo branco mesmo. A
rejeio da nula sob o intervalo de um rudo branco poderia ser falsa
se o intervalo correto fosse calculado.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

11 / 99

Estimando a FAC: continuao

bj ,j tambm dada por T 1 para um


Para a FACP, a varincia de
AR (p ), quando j > p. Assim, se a estimativa estiver entre dois
1
desvios padro, 2T 2 , no se rejeita a hiptese nula de coeciente
igual a zero.
Necessita-se dos verdadeiros valores de j para calcular o intervalo de
conana. Por isso, o procedimento para a identicao de modelos
ARMA deve ser usado apenas como uma regra de bolso.
A aproximao de Bartlett para amostras limitadas no muito boa.
O mesmo ocorre com a funo de autocorrelao parcial.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

12 / 99

Teste de Ljung-Box
Hipteses: H0 : 1 = 2 =
= j = 0 para j = 1, 2, . . . , n
H1 : 9 m 6= 0 para algum m = 1, 2, . . . , j.
Estatstica:
n

Q = T (T + 2)

j =1

b
2j

! 2n ,

em que ! 2n indica convergncia em distribuio.


Se uma das autocorrelaes for diferente de zero, h evidncia de
existncia de um modelo ARMA (p, q ).
Se estimado o modelo, e os resduos obtidos no apresentarem mais
evidncia de autocorrelao usando essa estatstica, o modelo estar
bem estimado.
Na prtica: Identica-se o modelo por meio da FAC e FACP; depois
usa-se a estatstica de Ljung-Box sobre os resduos estimados. Se a
nula rejeitada, adicionam-se novas defasagens e repete-se o processo
de vericao de resduos.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

13 / 99

Critrio de informao
Mtodo alternativo de identicar um ARMA(p, q ).
Para cada regressor adicional, a soma dos quadrados dos resduos no
vai aumentar e pode diminuir. Mas, a reduo se d s custas de
mais regressores.
Idia: balancear a reduo dos erros e o aumento do nmero de
regressores.
O critrio de informao associa uma penalidade ao aumento do
nmero de regressores. Se a penalidade for menor do que a
diminuio da soma de resduos, o regressor adicional deve ser
incorporado ao modelo.
O critrio de informao minimiza uma funo baseada nos resduos,
penalizada pelo nmero de regressores.
Alm disso, comum dois ou mais modelos possveis gerando resduos
cujos testes indiquem ser um rudo branco. O melhor modelo ser o
mais parcimonioso. Por qu? O modelo com menor nmero de
parmetros dever gerar menos impreciso de estimativas.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

14 / 99

Critrio de informao: continuao

A especicao geral tem a seguinte forma:


b 2 ( T ) + cT ( T ) ,
C = ln

em que
b2 (T ) = T 1 Tt=1 b2t a varincia estimada dos resduos;

cT representa o nmero de parmetros estimados;


(T ) a ordem do processo, que penaliza a falta de parcimnia.
O nmero de observaes, T , invariante ao nmero de parmetros
estimados, logo necessrio comparar sries com o mesmo nmero de
observaes.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

15 / 99

Principais critrios
1

Estatstica de Schwarz, BIC (Bayesian Information Criterion) ou SBC


(Schwarz Bayesian Criterion):
b2 + n
BIC (p, q ) = ln

ln T
,
T

em que
n = p + q, se o modelo no tem constante, e n = p + q + 1, se h
constante no modelo.
Estatstica de Akaike, AIC (Akaike Information Criterion):
b2 + n
AIC (p, q ) = ln

2
.
T

Estatstica de Hannan-Quinn, HQ:

Rodrigo De Losso da Silveira Bueno ()

b2 + n
HQ (p, q ) = ln

2
ln ln T .
T

Captulo 3: Processos Estacionrios

Agosto 2015

16 / 99

Principais critrios: continuao


Quanto mais parmetros forem estimados no mesmo perodo da
amostra, menor ser o erro estimado, mas isso ser penalizado na
segunda parcela da estatstica. Por isso, deseja-se o menor AIC , HQ
ou BIC possvel.
BIC consistente assintoticamente, tendendo a escolher um modelo
mais parcimonioso do que o AIC.
AIC funciona melhor em pequenas amostras.
Os resultados valem tanto para processos estacionrios quanto para
processos integrados (Ltkepohl e Krtzig, 2004).
De forma geral, se T

16:
p
bBIC

Rodrigo De Losso da Silveira Bueno ()

p
bHQ

p
bAIC ,

Captulo 3: Processos Estacionrios

Agosto 2015

17 / 99

Motivao

A ideia principal supor uma distribuio para a varivel de interesse.


A partir da amostra, encontrar os parmetros que maximizam a
verossimilhana entre a distribuio emprica dos dados e a terica,
pr-suposta.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

18 / 99

A funo de verossimilhana
A funo densidade conjunta de n indendente e identicamente
distribudas observaes para uma varivel aleatria y dada pela
funo de verossimilhana:
n

f (y1 , y2 , . . . , yn j) =
ln L (jy) =

f (yt j) = L (jy) =)

t =1
n

ln f (yt j) .

t =1

Mais geralmente, se quisermos condicionar o modelo a variveis


explicativas, com erros normalmente distribudos, com mdia
t = xt0 e varincia 2 , podemos escrever:
n

ln L (jy, X) =

ln f (yt jxt , )

t =1

em que X uma matriz n


Rodrigo De Losso da Silveira Bueno ()

"
#
1 n
(yt xt0 )2
2
ln + ln 2 +
,
2 t
2
=1
K ,cuja t

e sima linha dada por xt0 .

Captulo 3: Processos Estacionrios

Agosto 2015

19 / 99

Identicao I

Nem sempre possvel identicar os parmetros do modelo.

Denition
O vetor de parmetros identicvel (estimvel) se para qualquer outro
vetor de parmetros, 6= , para os dados y, L ( jy) 6= L (jy) .
Um exemplo de no identicao o seguinte: suponha que
yt = 1 + 2 xt + t , em que t jxt
N 0, 2 . Suponha que yt
represente a disposio a pagar do consumidor por determinado bem.
Por exemplo, a diferena entre o valor que o consumidor atribui ao
bem e seu preo, yt = pt pt . Porm, apenas observamos se o
consumidor adquiriu tal bem, caso em que yt > 0.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

20 / 99

Identicao II
Nesse contexto:
Pr (compraj 1 , 2 , , xt ) = Pr (yt > 0j 1 , 2 , , xt ) =

= Pr ( 1 + 2 xt + t > 0j 1 , 2 , , xt ) =
= Pr (t > ( 1 + 2 xt ) j 1 , 2 , , xt ) =
( 1 + 2 xt )
t
>
j 1 , 2 , , xt =
= Pr

( 1 + 2 xt )
= Pr zt >
j 1 , 2 , , xt ,

em que zt tem distribuio normal padro.


Note que podemos multiplicar os parmetros a estimar por qualquer
constante sem mudar a probalidade. Logo, no so identicveis.
Normalizaes usuais: = 1 ou 1 = 1.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

21 / 99

Exemplo I
Considere uma amostra aleatria com 10 observaes sorteadas de
uma distribuio de Poisson, (5, 0, 1, 1, 0, 3, 2, 3, 4, 1), cuja densidade
de cada observao dada por:
f (yt j ) =

exp ( ) yt
.
yt !

A funo distribuio conjunta dada por:


n

f (y1 , y2 , . . . , yn j ) =

f (yt j ) =

t =1

10

exp ( 10 ) t =1 yt
10

yt !

t =1

exp ( 10 ) 20
.
207.360
A ltima expresso representa a probabilidade de observar essa
amostra particular. Ento, preciso encontrar que faz essa amostra
ser a mais provvel.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

22 / 99

Grco
O grco dessa expresso :

10^7 L 0.10
0.08

0.06

0.04

0.02

0.00
0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4

theta

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

23 / 99

Achando o mximo
Tomando o ln L ( ):
n

L ( ) =

exp ( n )t =1 yt
n

=)

yt !

t =1

ln L ( ) =
ln L ( )

b
ML

2 ln L ( )
2
Rodrigo De Losso da Silveira Bueno ()

n +

t =1
n

t =1

yt ln ln (yt !) =)

1
yt = 0 =)
t
=1
20
= y n =) b ML =
=2e
10
1 n
20
=
y =
= 5 < 0.
2 t
4
t =1

n+

Captulo 3: Processos Estacionrios

Agosto 2015

24 / 99

Exemplo II: Distribuio normal


Considere uma amostra gerada por uma distribuio normal com
mdia e varincia 2 . A funo de log-verossimilhana dada por
ln L , 2

=
(

bML =

b2ML =

Rodrigo De Losso da Silveira Bueno ()

n
ln (2 )
2
ln L
2
n

1 n (yt )2
=)
2 t
2
=1

n
ln 2
2

ln L

n
22

1
2

nt=1 (yt
1
24

nt=1

) = 0

(yt

)2 = 0

=)

1
yt = y n .
n t
=1
1 n
(yt
n t
=1

y n )2 .

Captulo 3: Processos Estacionrios

Agosto 2015

25 / 99

ESTIMAO CONDICIONAL

Vantagem: fcil especicar e de estimar a funo de verossimilhana.


Desvantagem: no to eciente quanto o mtodo exato, sobretudo
para pequenas amostras.
Assume-se distribuio normal ou t-student e procura-se estimar o
vetor de parmetros = c, 1 , 2 , . . . , p ; 1 , 2 , . . . , q .

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

26 / 99

FUNO DE VEROSSIMILHANA PARA UM AR (p)

Idia: usar as p primeiras observaes como valores iniciais para


maximizar a funo de verossimilhana:
l () =

t =p +1

ln f (yt jyt
p

1 , yt 2 , . . . , y1 ; )

ln 22

(yt

t =p +1

=
2

p
i =1 i yt i )
.
22

Necessrio que as razes de (L) estejam fora do crculo unitrio.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

27 / 99

FUNO DE VEROSSIMILHANA PARA UM AR (1)

FOC:
T

[c ]

(yt

(yt

t =2
T

[ 1 ]

b1 =

1 yt

1)

1 yt
2

1 ) yt 1

2
c

= 0 =) b
c=

= 0 =)

t =2
c Tt=2 yt 1
Tt=2 yt yt 1 b
.
Tt=2 yt2 1
T
(yt c 1 yt 1 )2
T 1
+
22
24
t =2

Rodrigo De Losso da Silveira Bueno ()

Tt=2 yt
T 1

T
y
b 1 t =2 t 1 .

T 1

b2 =
= 0 =)

Captulo 3: Processos Estacionrios

t =2

b2t

Agosto 2015

28 / 99

FUNO DE VEROSSIMILHANA PARA UM AR (1):


continuao
Substituindo a primeira equao na segunda e resolvendo:
b1 =

Tt=2 yt yt

Tt=2 yt yt 1
Tt=2 yt2 1

T
T
t =2 y t
b 1 t =2 y t

T 1
T 1
T
2
t =2 yt 1
T
T
t =2 y t t =2 y t
T 1

(Tt=2 yt 1 )
T

Tt=2 yt

T
t =2 y t y t
T 1

2
T
t =2 y t
T 1

T
T
t =2 y t t =2 y t
(T 1 )2
2
T
t =2 y t 1
T 1

cov (yt , yt 1 )
.
var (yt 1 )

Estimador da varincia:
b2 =

Rodrigo De Losso da Silveira Bueno ()

t =2

b2t

6=

t =2

b2t

Captulo 3: Processos Estacionrios

= s2.
Agosto 2015

29 / 99

Exemplo: IPCA
Modelo estimado:
yt
ut

= + ut ;
= ut 1 + t .

Note que o modelo pode ser sintetizado num AR (1) da seguinte forma:
yt = + ut
Como ut

= yt
yt

Como =

c
1 ,

+ t .

, tem-se:

= + (yt 1 ) + t =
= (1 ) + yt 1 + t = c + yt
claro que (1

Rodrigo De Losso da Silveira Bueno ()

+ t .

) = c.

Captulo 3: Processos Estacionrios

Agosto 2015

30 / 99

Exemplo: IPCA - continuao

IPCAt

= 0, 613 + ut ;
(0,130 )

ut

= 0, 801ut

+ t .

(0,049 )

= 0.311
A srie original tem 149 observaes. Na regresso, foram utilizadas
148.
A inao de longo prazo est em torno de 0, 61% ao ms.
O coeciente do AR (1), , indica considervel inercialidade.
Desvio padro dos coecientes foi ajustado para heterocedasticidade e
autocorrelao.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

31 / 99

FUNO DE VEROSSIMILHANA PARA UM MA (1)


yt = t + t

1.

Fixam-se os valores iniciais dos erros sua esperana incondicional:


0 = 0. Erros em funo da varivel observada:
1 = y1

0 = y1 ;

2 = y2

1 = y2

y1 ;

3 = y3
..
.

2 = y3

(y2

t 1

y1 ) ;

)i yt i .

i =0

A funo de verossimilhana condicional a maximizar:


l () =
Rodrigo De Losso da Silveira Bueno ()

T
ln 22
2

1
22

t 1

t =1

i =0

Captulo 3: Processos Estacionrios

) yt

!2
Agosto 2015

32 / 99

FUNO DE VEROSSIMILHANA PARA UM MA (q)

Fixando os valores iniciais por:


0 =

= 0.

q +1

Assumindo invertibilidade, a funo de verossimilhana condicional dada


por:
T

ln f (yt , yt

1 , . . . , y1

t =1

j 0 = 0 ; ) =

T
ln 22
2

2t 2 .

t =1

O problema do mtodo quando as razes da polinomial esto prximas


do crculo unitrio.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

33 / 99

FUNO DE VEROSSIMILHANA PARA UM ARMA (p,


q)
Assume-se que os erros iniciais sejam nulos, de forma que
0 = 1 =
= q +1 = 0.
O componente auto-regressivo pode ser condicionado de duas formas.
Ou xa-se y0 = y 1 =
= y p +1 = y , que sua mdia temporal, e
inicia-se a estimao usando a amostra toda, calculam-se os resduos:
p

t = yt

i yt

i =1

j t

j, t

= 1, 2, . . . , T ,

j =1

e maximiza-se:
ln f (yT , yT

Rodrigo De Losso da Silveira Bueno ()

1 , . . . , y1

jy0 , 0 ; ) =

Captulo 3: Processos Estacionrios

T
ln 22
2

2t
2.
t =1 2
Agosto 2015

34 / 99

FUNO DE VEROSSIMILHANA PARA UM ARMA (p,


q): continuao
Ou assume-se os valores iniciais de y como sendo os valores observados.
Nesse caso, inicia-se a estimao em t = p + 1. recomendado por Box,
Jenkins e Reinsel (1994):
p = p

= p

q +1

=0

e maximiza-se:
ln f (yT , yT

p
2

1 , . . . , y1

ln 22

Rodrigo De Losso da Silveira Bueno ()

jyp , yp
T

t =p +1

1 , . . . , y1 , p

= p

= p

q +1

=0;

2t
.
22

Captulo 3: Processos Estacionrios

Agosto 2015

35 / 99

Inferncia

Pode-se demonstrar que a distribuio de estimador de mxima


verossimilhana, para T sucientemente grande, dada por:
b

N 0, (T I)

em que
b o parmetro estimado;

0 o verdadeiro parmetro;
I a matriz de informao, que pode ser estimada de duas formas
distintas.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

36 / 99

Inferncia: segunda derivada da funo de


log-verossimilhana

Jdd =

l ()
0

Com isso, tem-se que


b
E

Rodrigo De Losso da Silveira Bueno ()

.
b
=
1

l ()
0

'

TT

l ()
0

Captulo 3: Processos Estacionrios

=
b
=
1

b
=

Agosto 2015

37 / 99

Inferncia: FOC da funo de log-verossimilhana


A outra estimativa dada usando as prprias FOC:

Jfoc =T
em que
b = ln f (yt jyt 1 ,yt
g

Com isso, tem-se que


b
E

gt

t =1

2 ,...,y 1 ; )

b
gt

'
=

Rodrigo De Losso da Silveira Bueno ()

"

"

TT

gt

t =1
T

gt

t =1

Captulo 3: Processos Estacionrios

gt

gt
b

Agosto 2015

38 / 99

MATRIZ DE INFORMAO A PARTIR DO HESSIANO

Repetem-se as FOC do AR(1):

[c ] :

T
(yt
l ()
=
c
t =2

[ 1 ] :

T
(yt
l ()
=
1
t =2

l ()
=
2

Rodrigo De Losso da Silveira Bueno ()

1 yt

1)

1 yt
2

1 ) yt 1

T
(yt
T 1
+

2
2
t =2

Captulo 3: Processos Estacionrios

1 yt
24

1)

Agosto 2015

39 / 99

MATRIZ DE INFORMAO A PARTIR DO HESSIANO:


continuao
2 l ( )

A idia agora em encontrar 0 . Lembrando que na amostra h T


observaes, isto dado por:

(T

1) Jdd

l ()
0

=
b
=

2
6
6
4

Tt=2 yt
Tt=2 yt2

1 6 T
4 t =2 yt 1
2
Tt=2 t2
Tt=2

Rodrigo De Losso da Silveira Bueno ()

2 l ( )
c 2
2 l ( )
c
2 l ( )
2 c

t y t
2

Captulo 3: Processos Estacionrios

1
1
1

2 l ( )
c
2 l ( )
2
2 l ( )
2

2 l ( )
c 2
2 l ( )
2
2 l ( )
4

Tt=2 t2
y
Tt=2 t t2 1
T 1
+ Tt=2
22

7
7=
5
2t
4

Agosto 2015

7
5.

40 / 99

Inferncia: segunda derivada da funo de


log-verossimilhana
Para o caso do exemplo do IPCA em que
b = b
b1 ,
b2 = (0, 1217; 0, 8014; 0, 0967):

c,
0
1
1529.7818 989.6186
0.0021
0.0033 A .
(T 1) Jdd = @ 989.6186 1064.3654
0.0021
0.0033
7906.1909
Invertendo essa matriz:

[(T

1) Jdd ]

1. 640 3
= 10 3 @ 1. 525 1
0.000

1
1. 525 1 0.000
2. 357 5
0.000 A
0.000
0.1 265

Com as estimativas da diagonal principal, pode-se calcular o desvio-padro


b1 ,
b2 , que so:
das estimativas de b
c,
b = b
b1 ,
b2 = (0, 041; 0, 049; 0, 0112).

c,

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

41 / 99

MATRIZ DE INFORMAO A PARTIR DA FOC


gt =
Logo
T

(T

1) Jfoc

gt

t =2

1
= 4
b

1 h
bt bt yt
b2

1
b4

Rodrigo De Losso da Silveira Bueno ()

t =2

b
gt

bt
B bt yt
@ 2
bt
2b
2

b2t

B
B b2 y
t t
B
3
t =2 @
T

bt
2b
2

1
bt
2

1
1
2

b2t
2b
2

=
1
C
A

1
2

i0

bt bt yt

b2t yt

1
2 2
bt yt 1

b3t yt 1
2b
2

Captulo 3: Processos Estacionrios

bt yt
2

b2t
2b
2

1
2

b3t
2b
2

bt
2
bt yt
2

b3t yt 1
2b
2
b2t
2b
2

1
2

i
1

Agosto 2015

=
1

C
C
C.
A
42 / 99

MATRIZ DE INFORMAO A PARTIR DA FOC:


continuao
Para o caso do exemplo do IPCA em que
b = b
b1 ,
b2 = (0, 1217; 0, 8014; 0, 0967), essa matriz ca:

c,
0
1
1529.78 1501.32 2728.04
(T 1) Jfoc = @ 1501.32 2035.49 3547.42 A .
2728.04 3547.42 28613.59

Invertendo a matriz:

[(T

1) Jfoc ]

2.370
= 10 3 @ 1.728
0.012

1.728
1.886
0.069

1
0.012
0.069 A
0.045

Com as estimativas da diagonal principal, pode-se calcular o desvio-padro


b1 ,
b2 , que so:
das estimativas de b
c,
b = b
b1 ,
b2 = (0, 049; 0, 043; 0.007). Esses resultados foram

c,
calculados na planilha estimacao_ipca.xls.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

43 / 99

E se no tiver frmula analtica?


Use derivadas numrica.
H vrios mtodos, mas o o mais simples o seguinte. Seja uma
f (x, y ), ento:
f (x + x, y )
f (x, y )
= lim
x !0
x
x

f (x, y )

e
2 f (x, y )
=
x y
f (x + x, y + y ) f (x, y + y )
=
lim
x ,y !0
x y
f (x + x, y ) f (x, y )
.
x y
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

44 / 99

DIAGNSTICO DE RESDUOS

Os resduos devem-se comportar como um rudo branco.


As FAC e FACP dos resduos no devem ter memria.
Se a hiptese nula rejeitada, isso implica dizer que h informao
ainda no captada pelo econometrista.
Ante a rejeio da nula, testam-se outras possibilidades, at que se
encontre um modelo cujos resduos sejam um rudo branco.
A recomendao usual utilizar os testes j apresentados sobre os
resduos tambm.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

45 / 99

DIAGNSTICO DE RESDUOS: continuao

Por que a no rejeio da nula de no-autocorrelao dos resduos via


FAC, FACP e Ljung-Box pode-se dizer que os resduos comportam-se
como um rudo branco?
Tais testes foram designados para sries observadas. O intervalo de
conana de sries estimadas maior do que realmente calculado.
Logo, se a nula no rejeitada sob a hiptese de sries observadas,
com maior razo no se rejeita a nula com as sries estimadas.
Por outro lado, pode-se cometer erro do tipo 1. Para minimizar esse
problema, deve-se olhar para o Ljung-Box.
Rejeitando a nula pelo Ljung-Box, um conselho prtico olhar para a
FAC e a FACP.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

46 / 99

TESTE DE NORMALIDADE

Grco da densidade: eixo horizontal est o intervalo de valores e no


vertical, a freqncia:
b
fh ( ) =

Tt=1 K
Th

bst
h

em que
h a largura da janela ou parmetro de suavizao;
K ( ) a funo kernel, tipicamente uma funo densidade de
probabilidade simtrica ao redor de zero;
bst = bt b bt o resduo padronizado.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

47 / 99

TESTE DE NORMALIDADE: continuao

A funo Kernel suaviza os pontos observados, atribuindo menos peso


nos erros mais distantes do ponto sob avaliao. Alguns tipos de
funo K :
K (u )

Kernel
Gaussiana
Biponderada
Triangular
Epanechnikov

Rodrigo De Losso da Silveira Bueno ()

exp
p
15
16

2
2

2 I (jj < 1)
(1 jj) I (jj < 1)
3
2
p
4 1
5
p
I
j

j
<
5
5
1

Captulo 3: Processos Estacionrios

Agosto 2015

48 / 99

TESTE DE NORMALIDADE: continuao


O Kernel no altera signicativamente a funo densidade.
Crucial, quanto maior h, mais suave ser a funo. Silverman
entre quartis
0,9
b, distncia 1,34
recomenda o seguinte: h = p
min
.
5
T

Example

Na Figura 3 dos resduos, o kernel triangular:


1.6

1.2

0.8

0.4

0.0
-0.5

0.0

0.5

1.0

1.5

Figura: Kernel triangular.


Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

49 / 99

TESTE DE JARQUE-BERA
Vericar se os momentos da srie estimada so iguais aos da normal:
H0 : E (st )3 = 0 ^ E (st )4 = 3
H1 : E (st )3 6= 0 _ E (st )4 6= 3.
Para implement-lo, usa-se a estatstica:
T
JB =
6

"

s 3

Tt=1 (bt )
T

#2

T
+
24

"

s 4

Tt=1 (bt )
T

#2

! 22 .

A rejeio da hiptese nula indica no-normalidade, porm a


no-rejeio no indica normalidade.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

50 / 99

TESTE DE LM

Tambm conhecido como teste de Breusch-Godfrey:

Teste:

bt = 1bt

+ 2bt

+ hbt

+ ut .

H0 : 1 = 2 =
H1

= h = 0
: 1 6= 0, ou 2 6= 0, ou

ou h 6= 0.

tal que
LMh = T

Rodrigo De Losso da Silveira Bueno ()

R 2 ! 2h .

Captulo 3: Processos Estacionrios

Agosto 2015

51 / 99

TESTE DE ARCH-LM

Identica sinais de heterocedasticidade condicional. Regrida:

Teste:

b2t = 1b2t

+ 2b2t

+ hb2t

+ ut .

H0 : 1 = 2 =
H1

= h = 0
: 1 6= 0, ou 2 6= 0, ou

ou h 6= 0.

tal que
ARCH

Rodrigo De Losso da Silveira Bueno ()

LMh = T

R 2 ! 2h .

Captulo 3: Processos Estacionrios

Agosto 2015

52 / 99

TESTE DE RESET

Testa a presena de no-linearidades na srie.


A hiptese nula de linearidade contra a alternativa de
no-linearidade.
Se resduos estimados independentes, no devero ser correlacionados
com qualquer outra varivel, incluindo regressores originais, seus
valores estimados e suas potncias.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

53 / 99

TESTE DE RESET: continuao


Estime:
yt = xt0 + t .
Agora, proceda seguinte regresso adicional:
bt = xt0 +

j ybtj +1 + t .

j =1

Sob a hiptese de que a regresso original est correta:


H0 : 2 = 3 =

= h = 0.

Teste:
RESETh =

(Tt=1 b2t

t )
T
t =1 b
2

t
T
t =1 b
T K h

! F (h, T

h) ,

em que K a dimenso de xt .
Na prtica, h = 1 ou 2 suciente para detectar possveis problemas
de especicao.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

54 / 99

Exemplo
Estima-se o modelo auto-regressivo com inao e toma-se a soma dos
quadrados dos resduos:
148

b2t = 14, 31838.

t =1

Em seguida, estime:

bt = c + yt

+ j ybtj +1 + t , h = 2.
j =1

A soma dos quadrados dos resduos dessa regresso :


148

b2t = 13.76587.

t =1

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

55 / 99

Exemplo: continuao

Calcule a estatstica RESET2 :


RESET2 =
RESET2 =

2t
(148
t =1 b

2t )
148
t =1 b
2

t
148
t =1 b
148 2 2
14.31838 13.76587
2
13.76587
144

! F (2, 144) ;
= 2, 8898.

A esse valor, no se rejeita a nula a 5%, mas rejeita-se a 10%, pois nesse
caso o nvel de signicncia pode ser calculado em 5.88%.
Outros testes comuns para diagnosticar resduos so: teste de Chow para
estabilidade, anlise recursiva, teste CUSUM, etc.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

56 / 99

Introduo

Horizonte de previso que se deseja prever, h: perodo de tempo entre


hoje, t, e h-passos frente, t + h.
Distino: previses h-passos frente e extrapolao h-passos
frente.
Previses de um ponto de futuro com dados at t: t + h, t + 1 + h.
Extrapolao: previses em t + 1, t + 2, . . . , t + h.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

57 / 99

Mecnica

Exemplo de AR (1):
yt +1 = c + yt + t +1 .
Logo:
Et (yt +1 ) = c + yt = yt +1

t +1 ;

Et (yt +2 ) = c + Et (yt +1 ) = c + (c + yt ) ;
..
.
h 1

Et (yt +h ) = c

+ h yt .

i =1

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

58 / 99

Erro de previso
O erro de previso no perodo h, et (h ), dado por:
et (1) = yt +1

Et (yt +1 ) = t +1 ;

et (2) = yt +2

Et (yt +2 ) = c + yt +1 + t +2

Et (yt +1 ) =

= t +1 + t +2 ;
et (3) = yt +3 Et (yt +3 ) = c + yt +2 + t +3 c Et (yt +1 ) =
= t +3 + t +2 + 2 t +1 ;
..
.
et (h ) = yt +h Et (yt +h ) =
= t +h + t +h 1 + 2 t +h 2 +
+ h 1 t +1 .
Tomando as esperanas dos erros de previso, verica-se que so iguais a
zero.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

59 / 99

Varincia do erro de previso

Var (et (h )) = Var t +h + t +h

= 2 1 + 2 + 4 +

+ 2 t +h
+ 2 (h

1)

+ h

t +1 =

A varincia aumenta com o horizonte de previso a taxas


decrescentes. Quando h ! , a varincia de previso converge
2
varincia no condicional 1 2 .
O intervalo de conana para resduos normais dado da seguinte
forma:
h 1

+ h yt

2 1 + 2 + 4 +

+ 2 (h

1)

1
2

i =1

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

60 / 99

AVALIAO DA PREVISO
Deixar uma poro da amostra como teste, e usar as observaes
iniciais para estimar o modelo, fazer a previso a partir dessa amostra
e avaliar a previso obtida com a amotra deixada fora da estimao.
s
2
H
h = 1 et ( h )
MSEt,H =
;
H
MAEt,H
MAPEt,H

H
h =1 jet (h )j
;
H
H
et ( h )
=
.
Hy
t +h
h =1

Mtodo de extrapolao: estimam-se os parmetros uma nica vez,


com as T primeiras observaes.
Se a amostra for sucientemente grande, pode-se deixar de
da amostra por razes de previso.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

1
4

Agosto 2015

1
3

fora
61 / 99

AVALIAO DA PREVISO: variantes

Previso dinmica: no usa a informao adicional para realimentar


as previses. Isto , para prever yT +2 , usa-se Et (yT +1 ).
Previso esttica: usa na previso de yT +h a observao yT +h
Tambm chamada de previso 1-passo frente.

1.

A previso esttica tende a ter um erro de previso menor do que a a


previso dinmica, haja vista que as informaes so atualizadas a
cada passo.
A previso dinmica representa uma extrapolao H-passos a frente.
Comparam-se erros de diferentes horizontes de previso.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

62 / 99

AVALIAO DA PREVISO: exemplo

Remark
Ficam fora da amostra as ltimas 50 observaes. Comparam-se os
resultados entre o modelo degenerado, equivocado e denotado por MA
((2)), e o MA (2) convencional.

MSE
MAE
MAPE

MA ((2))
Dinmico Esttico
1, 316
1, 131
1, 084
0, 964
193, 35% 119, 96%

Rodrigo De Losso da Silveira Bueno ()

MA (2)
Dinmico Esttico
1, 330
1, 094
1, 091
0, 908
193, 15% 129, 11%

Captulo 3: Processos Estacionrios

Agosto 2015

63 / 99

AVALIAO DA PREVISO: Fixando o horizonte de


previso
Fixe o horizonte de previso h-passos frente e estime os parmetros
a cada observao adicional. Considere um AR (1), usando T
observaes iniciais e deixando de fora as H ltimas.
Estime
bT .
yt = T yt 1 + t , t = 1, 2, . . . , T !
Obtenha a previso h < H passos frente:
bT ybT +h
ybT +h =

1.

Reestime os parmetros usanto T + 1 observaes e deixe de fora as


ltimas H 1 observaes:
yt = T +1 yt

b T +1 .
+ t , t = 1, 2, . . . , T + 1 !

Obtenha a previso h-passos a frente:

Rodrigo De Losso da Silveira Bueno ()

bT +1 ybT +h .
ybT +1 +h =

Captulo 3: Processos Estacionrios

Agosto 2015

64 / 99

AVALIAO DA PREVISO: Fixando o horizonte de


previso
Repita esse procedimento H h + 1 vezes, e colete as previses:
fybT +h , ybT +h +1 , . . . , ybT +H g.
Estatsticas de erro:
s
H
ybj )2
Tj =+t +
h (yj
MSEt,h =
;
H h+1
H
ybj j
Tj =+t +
h jyj
MAEt,h =
;
H h+1
T +H
yj ybj
MAPEt,h =
(H h + 1) yj , t = T , T + 1, . . . , T + H
j =t +h

h.

No h extrapolao: as previses so todas de h-passos, do tipo


esttica.
Recalculam-se os parmetros a cada novo passo.
As observaes entre yT +1 e yT +h 1 so inutilizadas.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

65 / 99

AVALIAO DA PREVISO: Fixando o horizonte de


previso

Remark
A cada novo reclculo de parmetros, aumenta-se uma observao na
amostra. Uma variante do procedimento, portanto, seria manter a amostra
constante, suprimindo a ltima observao usada no reclculo anterior.
Nesse caso, a cada regresso usa-se o mesmo nmero de observaes. Isto
estime
yt = T +s yt 1 + t , t = s, 2, . . . , T + s
T +s

b T +s e b
e obtenha

. Em seguida, obtenha a previso h-passos a frente:

bT +s ybT +s +h
ybT +s +h =

Rodrigo De Losso da Silveira Bueno ()

1,

s = 1, 2 . . . , H

Captulo 3: Processos Estacionrios

h.

Agosto 2015

66 / 99

TESTES DE PREVISO: Mincer-Zarnowitz

Considere:
yj = + b
yj + uj , j = T + h, T + h + 1, . . . , T + H.

(1)

Teste
= 0^ = 1

6= 0 _ 6= 1.

Use o teste F Snedcor para esse caso. Na hiptese de existirem dois


modelos alternativos em que no se rejeita o teste de hiptese conjunta,
seleciona-se aquele cuja varincia dos erros a menor.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

67 / 99

TESTES DE PREVISO: Diebold-Mariano

Dena uma funo perda que mea o erro de previso.


Podem-se comparar dois modelos de previso alternativos: A e B.
A hiptese nula :
h
i
h
i
E L ejA,h = E L ejB,h

contra a hiptese alternativa de que esses modelos prevem


diferentemente, ou seja, h um modelo melhor do que o outro.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

68 / 99

TESTES DE PREVISO: Diebold-Mariano


Dena o diferencial esperado por:
h
i
E (dj ,h ) = E L ejA,h

h
i
E L ejB,h .

A idia fazer um teste de mdia, em que se estima a mdia de dj ,h por:


2
3
T +H
T +H
L ejA,h
L ejB,h
dj
5=
d= 4
,
H h + 1)
(H h + 1)
j =T +h
j =T +h (

em que dj

L ejA,h

L ejB,h .

Calcule a varincia de d:
M
k=

var d =
H

bk

2h + 1 +

h (h 1 )
H

b k representa a autocovarincia do diferencial de previso, dj . E


em que
M representa
a defasagem de truncagem, normalmente denida como
p
M = 3 H h + 1.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

69 / 99

TESTES DE PREVISO: Diebold-Mariano


Com isso, podemos calcular a estatstica de Diebold-Mariano:
DM = q

N (0; 1) .

var d

Remark
Esse teste no pode ser aplicado entre modelos que esto contidos um no
outro. Por exemplo, no se pode aplicar esse teste para distinguir um
AR (1) de um ARMA(2, 1), pois o AR (1) est contido no ARMA,
bastando para isso restringir o segundo coeciente auto-regressivo e o
coeciente de mdias mveis a zero. Se um modelo est contido no outro,
a distribuio da estatstica se altera.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

70 / 99

TESTES DE PREVISO: Clark-West


Suponha que o modelo A esteja contido no modelo B. A discrepncia de
previso entre modelos se deve somente em razo dos parmetros
desnecessariamente estimados. Se essa discrepncia de parmetros for
subtrada do erro de previso do modelo B, o resultado pode ser
comparado com o erro do modelo A. Portanto, dena:
zj

ejA,h

ejB,h

ybjA

ybjB

, j = T + h, T + h + 1, . . . , T + H.

Essa nova varivel deve ter mdia nula. Ento, pode-se testar o
modelo regredindo zj contra uma constante.
Se a nula for rejeitada, conclui-se que a previso deve ser feita com o
modelo B; do contrrio, melhor usar o modelo A.
Se houver correlao serial em zj , usa a matriz robusta de
Newey-West.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

71 / 99

PREVISO DE STOCK E WATSON

Estimar o modelo at T e depois prever dinamicamente h-passos frente


um procedimento sujeito a muito rudo e, portanto, de desempenho
sofrvel.
Em vez disso:
yt +h = ch + h (L) yt + h (L) ft + t +h ,
em que o subndice h dos parmetros indica a dependncia dos parmetros
com respeito ao horizonte de previso. As variveis ft representam
variveis explicativas obtidas de alguma forma. Tanto h (L) como h (L)
so polinomiais nitas.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

72 / 99

PREVISO DE STOCK E WATSON


Essa formulao no respeita o processo gerador de dados. Se isso
importante ou no vai depender. Mas, certo que a incerteza sobre os
coecientes tende a reduzir. Suponha por exemplo que queiramos prever
3-passos frente, sabendo que o processo gerador de dados um AR (1).
Duas formas:
b.
yt = yt 1 + t !
Prevendo 3-passos frente, temos:

b2 ET (yT +1 ) =
b3 yT .
bET (yT +2 ) =
ET (yT +3 ) =

Usando o procedimento de Stock e Watson, faz-se a seguinte regresso:


b3 .
yt +3 = 3 yt + t +3 !

Prevendo 3-passos frente, temos:

b3 yT .
ET (yT +3 ) =

Enquanto no primeiro caso o erro de previso do parmetro ca


pontencializado por 3, no segundo caso esse erro no se propaga.
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

73 / 99

Previso de retornos
Example
A tabela seguinte descreve os valores, em basis-point, do risco Brasil
coletados no m dos meses de outubro/2006 a junho/2007.
Ms/Ano

Pt

10/06
11/06
12/06
01/07
02/07
03/07
04/07
05/07
06/07

223
223
192
190
195
167
156
142
160

Mdia
Desvio-padro
Rodrigo De Losso da Silveira Bueno

rt % = 100

()

ln

Pt
Pt 1

0, 00
14, 97
1, 05
2, 60
15, 50
6, 81
9, 40
11, 93
= 4, 15%
= 8, 74%
Captulo 3: Processos Estacionrios

Rt % = 100

Pt
Pt 1

0, 00
13, 90
1, 04
2, 63
14, 36
6, 59
8, 97
12, 68
R = 3, 69%
Agosto 2015

74 / 99

Previso de retornos

Example
A tabela permite calcular a mdia geomtrica histrica e a mdia
aritmtica:
G
A

1 = e
1 = exp

1=e
+

0,0415

2
2

1=

1=

4, 07%;
3, 70%

A mdia aritmtica, calculada segundo o modelo de preos, difere da


mdia aritmtica dos retornos discretos. A mdia aritmtica maior do
que a mdia geomtrica.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

75 / 99

Previso de retornos

Example
Temos 8 observaes de retornos e podemos us-las para prever os
prximos 4 meses, isto , h = 4.
1+R

e h
A

0, 0369)4

1 = (1
1 = e

0,0415 4

1 = exp

= exp

Rodrigo De Losso da Silveira Bueno ()

1=

1=
2
2

0, 0415 +

13, 98%;

15, 30%;
1=
0, 08742
2

Captulo 3: Processos Estacionrios

1=

13, 99%.

Agosto 2015

76 / 99

Previso de retornos
Example
Finalmente, pode-se usar o modelo ponderando-se as estimativas, dado
que k = 1 Th = 0, 5:
Ak G 1

1 = exp h +

= exp

2
hk
2

0, 0415

1=
4+

0, 08742
2

1
2

1=

14, 65%.

O resultado signica que o retorno esperado acumulado entre o ms


corrente e os prximos 4 meses de 14, 65%. Isso representa uma queda
mdia esperada de

(1
Rodrigo De Losso da Silveira Bueno ()

0, 1465) 4

1=

3, 88% ao ms.

Captulo 3: Processos Estacionrios

Agosto 2015

77 / 99

SAZONALIDADE E SUAVIZAO: VISO


TRADICIONAL
As sries so ajustadas por algoritmos determinsticos. Ignora-se a
modelagem de componentes estocsticos porventura existentes.
Alisamento e dessazonalizao procuram expurgar fatores que geram
perturbaes sistemticas na srie, para ter uma idia mais precisa da
tendncia que ela segue.
A gura 4 mostra um padro sazonal pela existncia de picos e vales
igualmente espaados ao longo do tempo.
ENTRADAS
800,000
700,000
600,000
500,000
400,000
300,000
200,000
100,000
95

96

97

98

99

00

01

02

03

04

05

Perodo

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

78 / 99

MDIA MVEL TRADICIONAL


O processo produto de quatro fatores:
yt = Ct

St

Tt

Ut ,

em que
Ct um componente de ciclo de longo prazo;
St um componente sazonal;
Tt um componente de tendncia;
Ut um componente irregular.
Objetivo: estimar St e, em seguida, expurgar esse termo de yt , para ns de
previso.
Hiptese: componente sazonal xo para subperodos iguais, por isso,
ignora-se uma possvel dinmica desse componente.
Calcula-se a mdia mvel da srie yt denida da seguinte maneira:
(
(0,5yt +6 +yt +5 + +yt + yt 5 +0,5yt 6 )
, se a srie mensal;
12
xt =
(0,5yt +2 +yt +1 +yt +yt 1 +0,5yt 2 )
, se a srie trimestral.
4
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

79 / 99

MDIA MVEL TRADICIONAL


Filtro elimina a sazonalidade e o componente irregular, tal que
xt = Ct

Tt .

Isolando o componente sazonal e irregular:


zt

Ct
yt
=
xt

St
Ct

Tt
Tt

Ut

= St

Ut .

Deseja-se expurgar ou anular o componente irregular de zt . Para isso,


obtm-se a mdia de zt nos perodos similares dentro do ano. Supondo
que o ano seja dividido em q perodos, encontra-se

[ Tq j ]
m =0 zmq +j
i
vj = h
, j = 1, 2, . . . , q,
T j
+
1
q

em que [ ] representa nmero inteiro.


Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

80 / 99

MDIA MVEL TRADICIONAL: Exemplo

Se os dados so mensais, q = 12. Se houver 100 observaes, ento


T = 100. Para a observao constante do primeiro ms da srie, j = 1:
T

j
q

100 1
= [8, 25] = 8.
12

Logo m = 0, 1, 2, . . . , 8, de modo que mq + j = 1, 13, 25, . . . , 97.


No caso em que j = 5,
T

j
q

100 5
= [7, 91666] = 7.
12

Logo m = 0, 1, 2, . . . , 7, de modo que mq + j = 5, 17, 29, . . . , 89.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

81 / 99

MDIA MVEL TRADICIONAL


O ndice v j deve ser normalizado. H duas maneiras de proceder.
1

Multiplica-se cada ndice pelo normalizador


12

vj = v j q

j =1

vj

12
,
q
j =1 v j

tal que a soma de

resultar em 12.

Para sries com componentes multiplicativos, a normalizao deve ser


q

tal que

vj = 1.

Para isso:

j =1

vj = s
q

vj
q

vj

j =1

isto , o ndice original v j normalizado pela mdia geomtrica dos ndices.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

82 / 99

MDIA MVEL TRADICIONAL

O ndice vj corresponde ao St da composio original da srie yt e


denominado como fator de escala.
Com vj pode-se dizer que a srie y (sj 1)% maior do que a srie isenta
de sazonalidade.
O passo nal dividir a srie original, yt pelo ndice correspondente ao
ms a que pertence t. Formalmente, isso feito obtendo-se:
smq +j =

ymq +j
T j
, m = 0, 1, 2, . . . ,
, j = 1, 2, . . . , q.
vj
q

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

83 / 99

MDIA MVEL TRADICIONAL: continuao do exemplo


Usando a srie do incio da seo, obtm-se
j
vj
j
vj

1
0.726
7
1.006

2
0.877
8
1.034

3
1.068
9
0.981

4
1.001
10
1.049

5
1.054
11
1.051

6
1.021
12
1.214

Abril o ms mais tpico da srie dessazonalizada. Janeiro o ms mais


distantes da srie ajustada.
ENTRADAS
800,000
700,000
600,000
500,000
400,000
300,000
200,000
100,000
95

96

97

98

99

00

01

02

03

04

05

Srie Original
Srie Dessazonalizada

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

84 / 99

SUAVIZAO
EWMA

Consiste em obter uma previso de forma adaptativa ponderando as


observaes passadas, desde que ela no tenha tendncia nem
sazonalidade. A srie suavizada xt obtida da seguinte forma:
xt

= yt + (1

= (1

) yt

+ (1

)2 yt

+ (1

)3 yt

) i yt i .

i =0

O coeciente est entre 0 e 1 e indica a importncia das informaes


mais recentes na denio de xt . Esses pesos decaem exponencialmente e
somam 1:

1
(1 )i =
= 1.
1 (1 )
i =0

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

85 / 99

SUAVIZAO
EWMA

Retrocedendo xt para xt

(1

) xt

= (1

e multiplicando o resultado por (1

) yt

+ (1

)2 yt

+ (1

)3 yt

):
3

+ (1

)4

Subtraindo esse resultado de xt , chega-se a:


xt = yt + (1

) xt

1.

O problema nesse caso, encontrar o valor inicial x0 para compor a srie


suavizada. O Eviews sugere a mdia de y usando as T 2+1 observaes
iniciais.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

86 / 99

SUAVIZAO: Previso
EWMA

Em termos de previso, observe que


xt +1 = yt +1 + (1

) xt =)

xt +1 = xt + (yt +1

xt ) .

Nesse padro:
xt +2 = xt +1 + (yt +2

= xt + [(yt +2

xt +1 ) =
xt +1 ) + (yt +1

xt )] .

Logo:
k 1

xt +k = xt +

(yt +j +1

xt +j ) .

j =0

Numa srie estacionria, kj =01 (yt +j +1 xt +j ) ' 0, mesmo para valores


baixos de k. Considerando simplesmente que xt +k = xt , para todo k > 0,
a previso de yT +k ser dada por xT .
Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

87 / 99

SUAVIZAO: Previso
Duplo EWMA

Para srie com tendncia linear, sugere-se a dupla suavizao,


consistindo-se em suavizar a srie j suavizada. Isto signica calcular:
zt = xt + (1

) zt

1.

Nesse caso, o Eviews constri a previso da srie y , prev (yT +k ) da


seguinte forma:
prev (yT +k ) =

2+

= (2xT
interpretando-se (2xT
inclinao.
Rodrigo De Losso da Silveira Bueno ()

k
1

zT ) +

1+

xT
k
1

(xT

zT ) como intercepto e

Captulo 3: Processos Estacionrios

k
1

zT =

zT ) ,

(xT

zT ) como

Agosto 2015

88 / 99

SUAVIZAO: Previso
Duplo EWMA

Na gura 6 verica-se a suavizao da srie de entradas de processos no


judicirio de So Paulo, com a conseqente previso para um ano frente.
O coeciente de suavizao foi arbitrariamente escolhido em = 0, 15. O
padro de sazonalidade desaparece.
SUAVIZAO COM DUPLO EWMA
800,000
700,000
600,000

= 0,15
500,000
400,000
300,000
200,000
100,000
95

96

97

98

99

00

Srie Original

01

02

03

04

05

06

Srie Suavizada

Figura: Entradas Captulo


de Processos
no Judicirio de So Paulo
3: Processos Estacionrios
Agosto 2015

Rodrigo De Losso da Silveira Bueno ()

89 / 99

SUAVIZAO
HOLT-WINTERS: Sem variao sazonal, com possibilidade de tendncia linear

Holt-Winters prope encontrar a seguinte srie suavizada:


xt
zt

= yt + (1 ) (xt 1 + zt 1 )
= (xt xt 1 ) + (1 ) zt 1 ,

em que 0 < , < 1


Com isso, a previso de yT +k , ser dada por:
prev (yT +k ) = xT + zT k.
O termo xt pode ser interpretado como o componente permanente ou
intercepto, o qual pode, sim, variar ao longo do tempo. O termo zt pode
ser interpretado com tendncia.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

90 / 99

SUAVIZAO
HOLT-WINTERS: Com variao sazonal multiplicativa, com possibilidade de tendncia
linear

Se a srie, por outro lado, tiver um componente sazonal multiplicativo,


ento preciso multiplicar a previso por esse componente sazonal. O
modelo recursivo nesse caso toma a seguinte forma:
xt
zt
ct

yt
+ (1 ) (xt 1 + zt 1 )
ct q
= (xt xt 1 ) + (1 ) zt 1
yt
= + ( 1 ) ct q ,
xt

em que 0 < < 1e q a freqncia de sazonalidade. A previso ser


dada por:
prev (yT +k ) = (xT + zT k ) cT +k q .

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

91 / 99

SUAVIZAO
HOLT-WINTERS: Com variao sazonal aditiva, com possibilidade de tendncia linear

Se a sazonalidade for aditiva, a recursividade segue o seguinte sistema de


equaes:
xt
zt
ct

= (yt
= (xt
= (yt

ct

q ) + (1

) (xt

xt

1 ) + (1

) zt

xt ) + (1

) ct

+ zt

1)

q.

Conseqentemente:
prev (yT +k ) = xT + zT k + cT +k

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

q.

Agosto 2015

92 / 99

SAZONALIDADE - ARMA(p, q)(P,Q)

Usam-se as funes FAC e FACP para identicar a sazonalidade. Suponha:


yt = 4 yt

+ t .
i

A FAC desse modelo tal que: i = (4 ) 4 , quando 4i for um nmero


inteiro, exibindo assim um padro de decaimento exponencial em
defasagens mltiplas de 4. A FACP vai apresentar correlao parcial
diferente de zero somente na defasagem 4.
Para:
yt = t + 4 t 4 ,
a FAC truncada na defasagem 4, e a FACP tem decaimento sazonal nas
defasagens mltiplas de 4.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

93 / 99

SAZONALIDADE - ARMA(p, q)(P,Q)


.6
.4
.2
.0
-.2
-.4
-.6
-.8
2

10 12 14 16 18 20 22 24
FAC

FACP

Figura: MA (4) degenerado - Autocorrelao.

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

94 / 99

SAZONALIDADE - ARMA(p, q)(P,Q)

Defasagem
FAC
FACP
Q

1
0, 001
0, 001
0, 0002

Testes de Autocorrelao
6
12
18
0, 066
0, 406
0, 070
0, 007
0, 047
0, 052
308, 44
553, 52
601, 13

19
0, 040
0, 009
601, 97

24
0, 175
0, 021
646, 26

indica signicncia a 1%

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

95 / 99

SAZONALIDADE - ARMA(p, q)(P,Q)


H dois tipos de sazonalidade em sries temporais. A primeira a
sazonalidade aditiva: um ARMA (1, 1) poder ser sazonal na defasagem 4
via coeciente auto-regressivo ou de mdias mveis:
yt
yt

= 1 yt
= 1 yt

+ 4 yt 4 + t + 1 t 1 ou
1 + t + 1 t 1 + 4 t 4 .
1

A interao com componentes no sazonais complica a anlise. Na Figura


8 difcil identicar a sazonalidade de um modelo do tipo ARMA
(1, (1, 4)):.
0 .6
0 .4
0 .2
0 .0
-0 .2
-0 .4
-0 .6
-0 .8
-1 .0
2

8
FAC

10

12

14

16

18

FACP

Figura: ARMA (1, (1, 4)) - Autocorrelaes.


Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

96 / 99

SAZONALIDADE - ARMA(p, q)(P,Q)

Testes de Autocorrelao
Defasagem
FAC
FACP
Q

1
0, 80
0, 80
100, 35

6
0, 08
0, 04
218, 21

12
0, 02
0, 11
220, 30

18
0, 07
0, 03
229, 49

24
0, 03
0, 04
242, 73

indica signicncia a 1%

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

97 / 99

SAZONALIDADE - ARMA(p, q)(P,Q)

O outro tipo a de sazonalidade multiplicativa . Ainda supondo


sazonalidade de ordem 4, no caso multiplicativo de um AR e de um MA,
ter-se-ia, respectivamente:

(1 1 L) 1 4 L4 yt = (1 + 1 L) t =)
yt = 1 yt 1 + 4 yt 4 + 1 4 yt 5 + t + 1 t ;
(1 1 L) yt = (1 + 4 L) 1 + 1 L4 t =)
yt = 1 yt 1 + t + 1 t + 4 t 4 + 1 4 t 5 .

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

98 / 99

SAZONALIDADE - ARMA(p, q)(P,Q)


A Figura 9 mostra um ARMA (p, q ) (P, Q )s . Por exemplo:
ARMA (2, 1) (1, 2)12 :

(1

1 L

2 L2

1 L) 1

12 L12

12 L12 yt =
24 L24 t .

Para o caso de um ARMA (1, 1) (1, 0)4 , a sazonalidade de ordem 1,


denida a cada 4 perodos, veja a Figura 9.
.6
.4
.2
.0
-.2
-.4
-.6
2

8 10 12 14 16 18 20 22 24 26 28
FAC

FACP

Figura: ARMA (1, 1)(1, 0) - Autocorrelao.


Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Agosto 2015

99 / 99