cap3_versao_3

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.
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;
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.
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)
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.
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.
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.
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.
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.
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
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.
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.
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.
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.
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.
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:
b2 + n
HQ (p, q ) = ln
2
ln ln T .
T
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
p
bHQ
p
bAIC ,
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.
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

"
#
1 n
(yt xt0 )2
2
ln + ln 2 +
,
2 t
2
=1
K ,cuja t
e sima linha dada por xt0 .
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.
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.
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.
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
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
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+
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 =
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 .
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 .
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.
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
Tt=2 yt
T 1
T
y
b 1 t =2 t 1 .
T 1
b2 =
= 0 =)
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 =
t =2
b2t
6=
t =2
b2t
= 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
+ t .
) = c.
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.
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 () =
T
ln 22
2
1
22
t 1
t =1
i =0
) 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.
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
1 , . . . , y1
jy0 , 0 ; ) =
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
jyp , yp
T
t =p +1
1 , . . . , y1 , p
= p
= p
q +1
=0;
2t
.
22
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.
Agosto 2015
36 / 99
Inferncia: segunda derivada da funo de

log-verossimilhana
Jdd =
l ()
0
Com isso, tem-se que

b
E
.
b
=
1
l ()
0
'
TT
l ()
0
=
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
'
=
"
"
TT
gt
t =1
T
gt
t =1
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
1 yt
1)
1 yt
2
1 ) yt 1
T
(yt
T 1
+
2
2
t =2
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
2 l ( )
c 2
2 l ( )
c
2 l ( )
2 c
t y t
2
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,
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
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
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.
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
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.
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.
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.
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
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
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.

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.
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
R 2 ! 2h .
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
LMh = T
R 2 ! 2h .
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.
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.
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
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.
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.
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
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.
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
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.
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.
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%
MA (2)
Dinmico Esttico
1, 330
1, 094
1, 091
0, 908
193, 15% 129, 11%
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:
bT +1 ybT +h .
ybT +1 +h =
Agosto 2015
64 / 99

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.
Agosto 2015
65 / 99

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 =
1,
s = 1, 2 . . . , H
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.
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.
Agosto 2015
68 / 99

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.
Agosto 2015
69 / 99

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.
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.
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.
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.
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%
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.
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
1=
1=
2
2
0, 0415 +
13, 98%;
15, 30%;
1=
0, 08742
2
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
0, 1465) 4
1=
3, 88% ao ms.
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
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
Agosto 2015
79 / 99

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.

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.
Agosto 2015
81 / 99

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.
Agosto 2015
82 / 99
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
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
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
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.
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 .
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.
k
1
zT ) +
1+
xT
k
1
(xT
zT ) como intercepto e
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
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.
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 .
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
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.
Agosto 2015
93 / 99

.6
.4
.2
.0
-.2
-.4
-.6
-.8
2
10 12 14 16 18 20 22 24
FAC
FACP
Figura: MA (4) degenerado - Autocorrelao.
Agosto 2015
94 / 99
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%
Agosto 2015
95 / 99

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.

Agosto 2015
96 / 99
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%
Agosto 2015
97 / 99
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 .
Agosto 2015
98 / 99

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.

Agosto 2015
99 / 99

Idioma

Bem-vindo(a) ao Scribd!

cap3_versao_3

Enviado por

Dados do documento

Data de envio

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Descrição:

Direitos autorais:

Formatos disponíveis

cap3_versao_3

Enviado por

Descrição:

Direitos autorais:

Formatos disponíveis

Títulos relacionados

Econometria de Sries Temporais: Captulo 3

Rodrigo De Losso da Silveira Bueno

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Identicar as ordens p e q do modelo.

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

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Teorema de Wold: continuao

2 ut regular, sendo representado por:

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

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

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Funo de Autocorrelao - FAC

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Funo de Autocorrelao - FAC: continuao

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

Captulo 3: Processos Estacionrios

Funo de Autocorrelao Parcial - FACP

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Funo de Autocorrelao Parcial - FACP: continuao

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

Captulo 3: Processos Estacionrios

Funo de Autocorrelao Parcial - FACP: continuao

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

Captulo 3: Processos Estacionrios

Testes para identicao do ARMA(p, q)

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Obtenha a mdia amostral da srie yt :

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Estimando a FAC: continuao

bj ,j tambm dada por T 1 para um

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

em que ! 2n indica convergncia em distribuio.

Captulo 3: Processos Estacionrios

Captulo 3: Processos Estacionrios

Critrio de informao: continuao

A especicao geral tem a seguinte forma:

cT representa o nmero de parmetros estimados;

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

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

Estatstica de Hannan-Quinn, HQ:

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

Principais critrios: continuao

Rodrigo De Losso da Silveira Bueno ()

Captulo 3: Processos Estacionrios

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

Rodrigo De Losso da Silveira Bueno ()