ECONOMETRIA

Prof. Patricia Maria Bortolon, D. Sc.

Sries Temporais

Fonte: GUJARATI; D. N. Econometria Bsica: 4 Edio.

Rio de Janeiro. Elsevier- Campus, 2006

Processos Estocsticos
um conjunto de variveis aleatrias ordenadas no
tempo.
Varivel aleatria contnua: Y(t)
Varivel aleatria discreta: Yt

O ndice Ibovespa um processo estocstico.

Um determinado valor do ndice Ibovespa no tempo,
uma realizao particular entre todos os possveis
valores.
Populao Amostra
Processo Estocstico Realizao

Processos Estocsticos
Processo Estocstico Realizao
No estudo de sries temporais usamos uma realizao
particular para fazer inferncias sobre o processo
estocstico subjacente

Processos estocsticos estacionrios

= fracamente estacionrio = estacionrio em
covarincias = estacionrio de segunda ordem
Mdia:

E(Yt) =

Constante ao longo
do tempo

Varincia:

Var(Yt) = E(Yt - )2 = 2

Constante ao longo
do tempo

Covarincia:

k = E[(Yt - )(Yt+k - )]

Depende apenas do
intervalo entre os
dois perodos de
tempo

Processos estocsticos estacionrios

Se uma srie temporal estacionria, sua mdia, varincia e
autocovarincia (em diferentes defasagens) permanecem as
mesmas, no importa qual seja o ponto em que as medimos: isto
, elas no variam com o tempo.
Sries desse tipo tendem a retornar para sua mdia (reverso
mdia);
As flutuaes em torno da mdia no variam muito.

Rudo Branco
Ou Processo Puramente Aleatrio
Quando:
Sua mdia zero;
A varincia 2 constante;
serial no correlacionado.

Processo Estocstico No-Estacionrio

A mdia ou a varincia se alteram ao longo do tempo;
Neste tipo de srie todo o resultado da anlise s
vlido para o perodo analisado, no possvel
extrapolar para outros perodos de tempo.
O exemplo clssico o modelo de passeio aleatrio
Preos de aes, taxas de cmbio so ditos passeios
aleatrios, ou seja, no-estacionrios;
Podem ser de dois tipos:
Passeio aleatrio sem deslocamento
Passeio aleatrio com deslocamento

Passeio Aleatrio sem Deslocamento

ut um termo de erro de rudo branco (mdia e
varincias constantes)

Yt Yt 1 ut
O modelo acima um AR(1)
Hiptese do Mercado de Capitais Eficiente: argumenta
que o preo das aes so um passeio aleatrio. No
possvel prever o preo de amanh com base no preo
de hoje.

Passeio Aleatrio sem Deslocamento

Yt Y0 ut
E (Yt ) Y0
var(Yt ) t

A mdia igual ao valor de partida

A varincia aumenta com o tempo (no estacionria)
H persistncia dos choques aleatrios = o impacto
demora a desaparecer = memria infinita

Passeio Aleatrio sem Deslocamento

(Yt Yt 1 ) Yt ut
A primeira diferena estacionria!!!
ut rudo branco conforme definido anteriormente

Passeio Aleatrio com Deslocamento

ut um termo de erro de rudo branco (mdia e
varincias constantes)

Yt Yt 1 ut
conhecido com parmetro de deslocamento

Yt Yt 1 ut
Yt se desloca para cima ou para baixo dependendo de
Este tambm um modelo AR(1)

Passeio Aleatrio com Deslocamento

E (Yt ) Y0 t
var(Yt ) t

A mdia e a varincia aumentam com o tempo

Passeios aleatrios com ou sem deslocamento so
processos so processos estocsticos no estacionrios
Passeio Aleatrio = Processo de Raiz Unitria

Processo de Raiz Unitria

Yt Yt 1 ut

1 1

Se = 1 temos um Passeio Aleatrio sem

Deslocamento
uma situao de no-estacionariedade
no-estacionariedade = passeio aleatrio = raiz
unitria
Se | | 1 a srie estacionria

Processos estocsticos de tendncia estacionria

e estacionrios em diferenas
Considere o seguinte modelo de srie temporal:

Yt 1 2t 3Yt 1 ut
Passeio aleatrio puro: se 1=0, 2=0, 3=1

Yt Yt 1 ut
escrevendo:

Yt (Yt Yt 1 ) ut

torna-se estacionrio. Portanto, um modelo de passeio

aleatrio sem deslocamento um processo
estacionrio em diferenas

Processos estocsticos de tendncia estacionria

e estacionrios em diferenas
Considere o seguinte modelo de srie temporal:

Yt 1 2t 3Yt 1 ut
Passeio aleatrio com deslocamento: se 10, 2=0,
3=1

Yt 1 Yt 1 ut

escrevendo:

Yt (Yt Yt 1 ) 1 ut

um processo estacionrio em diferenas. A tendncia

1 pode ser positiva ou negativa.

Processos estocsticos de tendncia estacionria

e estacionrios em diferenas
Considere o seguinte modelo de srie temporal:

Yt 1 2t 3Yt 1 ut
Tendncia determinstica: se 10, 2 0, 3=0

Yt 1 2t ut

um processo estacionrio em tendncia

A varincia e a mdia no so constantes, entretanto, a
mdia pode ser prevista:

E (Yt ) 1 2t

da, a srie Yt E(Yt) ser estacionria ps-remoo

da tendncia.

Processos estocsticos de tendncia estacionria

e estacionrios em diferenas
Passeio aleatrio com deslocamento e com tendncia
determinstica: se 10, 2 0, 3=1

Yt 1 2t Yt 1 ut
A varincia e a mdia no so constantes, entretanto, a
mdia pode ser prevista:

Yt (Yt Yt 1 ) 1 2t ut
que significa que Yt no estacionrio.

Processos estocsticos de tendncia estacionria

e estacionrios em diferenas
Tendncia determinstica com componente autoregressivo AR(1) estacionrio: se 10, 2 0, 3<1

Yt 1 2t 3Yt 1 ut
estacionrio em torno de uma tendncia
determinstica.

Processos estocsticos integrados

Quando um modelo no-estacionrio mas sua
primeira diferena estacionria, diz-se que ele
integrado de ordem 1, ou, I(1)
Se para tornar a srie estacionria tem-se que fazer a
primeira diferena e depois a diferena da primeira
diferena, ou seja, diferenciar duas vezes, diz-se que
ela integrada de ordem 2, ou, I(2)
E assim sucessivamente, uma srie diferenciada d vezes
para se tornar estacionria, integrada de ordem d, ou,
I(d)
Se ela estacionria desde o incio, ela I(0)

Processos estocsticos integrados

Propriedades das sries integradas:
1. Se Xt ~ I(0) e Yt ~ I(1) => Zt = (Xt + Yt) = I(1)
2. Se Xt ~ I(d) => Zt = (a + bXt) = I(d)
3. Se Xt ~ I(d1) e Yt ~ I(d2) => Zt = (aXt + bYt) = I(d2), onde
d1 < d2
4. Se Xt ~ I(d) e Yt ~ I(d) => Zt = (aXt + bYt) = I(d*), onde d*
pode ser igual a d, mas em alguns casos d* < d

Portanto, cuidado ao combinar sries temporais que so

integradas de ordem diferente!!

O fenmeno da regresso espria

A partir de dois modelos de passeios aleatrios:
Yt Yt 1 ut
X t X t 1 vt

Uma regresso de Yt contra Xt onde no se esperaria

mostrar relao significativa, pode apresentar R2 alto e
coeficientes altamente significativos => o fenmeno
da regresso espria
Um sintoma R2 > que a estatstica d de DurbinWatson (que um teste de autocorrelao)
Portanto, cuidado ao interpretar resultados de
regresses com variveis que so I(1)

Testes de Estacionariedade
Anlise Grfica
Observar se h tendncias de aumento ou diminuio na srie
temporal;

Funo de Autocorrelao e Correlograma

A funo de autocorrelao amostral mede para vrias
defasagens k:
k
k
0

Y Y Y

t k

Y Y

Testes de Estacionariedade
Funo de Autocorrelao e Correlograma
Assim, observa-se os valores de autocorrelao verificando
at que defasagem ele relevante.
Observar figuras 21.6 e 21.7
Como decidir se o coeficiente de correlao em determinada
defasagem significativo?
Verificando se os intervalos de confiana para k incluem o valor 0,
sabendo-se que, segundo Bartlett, k ~ N (0; 1/n) => complicado!
Olhando a estatstica Q de Box e Pierce e a estatstica LB de Ljung e
Box
A hiptese nula de que todos os k so at aquela defasagem iguais a
zero
Ao rejeitar a hiptese nula, significa que algum coeficiente de
correlao diferente de zero e, portanto, a srie no-estacionria

Teste da Raiz Unitria

Para verificar a estacionariedade.
Partindo de:

Yt Yt 1 ut

1 1

onde ut um termo de erro de rudo branco

estimamos

Yt Yt 1 Yt 1 Yt 1 ut
( 1)Yt 1 ut
Yt Yt 1 ut

onde ( 1)

Teste da Raiz Unitria

e verificamos se igual a zero ou no. Se for zero,
conclumos que Yt no-estacionrio, mas se for
negativo, conclumos que Yt estacionrio.
O valor t segue a estatstica (tau)
Este o teste de Dickey-Fuller (DF)
Dickey e Fuller desenvolveram valores crticos para
trs diferentes naturezas de processos de raiz unitria
Yt um passeio aleatrio:

Yt Yt 1 ut

Yt um passeio aleatrio com

deslocamento:

Yt 1 Yt 1 ut

Yt um passeio aleatrio com

deslocamento em torno de uma
tendncia estocstica:

Yt 1 2t Yt 1 ut

Teste da Raiz Unitria

O procedimento correto estimar os trs modelos
anteriores;
Obter o coeficiente de Yt-1 e dividi-lo pelo desviopadro para calcular a estatstica tau;
Consultar as tabelas de Dickey-Fuller;
Se o valor absoluto exceder o valor crtico, rejeitamos a
hiptese de que = 0 e, nesse caso, a srie temporal
(i) estacionria com mdia zero no caso da primeira
equao; (ii) estacionria com mdia diferente de zero
no caso da segunda e (iii) estacionria em torno de uma
tendncia determinstica no caso da terceira equao.

O teste de Dickey-Fuller aumentado

Para levar em considerao a possibilidade de ut ser
correlacionado;
As 3 equaes anteriores so acrescidas de valores
defasados da varivel dependente Yt.
m

Yt 1 2t Yt 1 i Yt i t
i 1

onde t um termo de rudo branco e Yt-1=(Yt-1 - Yt-2),

Yt-2=(Yt-2 - Yt-3)

Transformao de Sries Temporais NoEstacionrias

Processos estacionrios em diferenas
Se uma srie tem raiz unitria, as primeiras diferenas dessa
srie temporal so estacionrias

Processo estacionrio em tendncia

Se Yt 1 2t ut

ut (Yt 1 2t ) ser estacionria

e denominada srie temporal sem tendncia

Modelos de Previso
Para modelos de previso ver Levine, Cap. 16:
Para ajuste exponencial seo 16.3
Modelo de tendncia linear, modelo de tendncia
quadrtica e modelo de tendncia exponencial seo
16.4
Previso de sries temporais para dados sazonais
seo 16.7

Modelagem de sries temporais segundo os

mtodos auto-regressivo, das mdias
mveis e ARIMA

Um processo auto-regressivo (AR)

(Yt ) 1 (Yt 1 ) ut
onde a mdia de Y
ut um rudo branco
Y no perodo t uma proporo (=1) do seu valor no
perodo (t-1) mais um choque ou distrbio aleatrio no
perodo t
Os valores de Y so expressos em torno de sua mdia
Este um processo auto-regressivo estocstico de
primeira ordem, ou AR(1)

Um processo auto-regressivo (AR)

(Yt ) 1 (Yt 1 ) 2 (Yt 2 ) ... p (Yt p ) ut
um processo auto-regressivo estocstico de ordem p,
ou AR(p)
Neste tipo de modelo consideram-se apenas os valores
atual e anteriores de Y;
os dados falam por si mesmos

Um processo de mdia mvel (MA)

Yt 0ut 1ut 1
onde uma constante
u o termo de erro estocstico de rudo branco
Y no perodo t igual a uma constante mais uma mdia
mvel dos termos de erro presentes e passados
Y segue um processo de mdia mvel de primeira
ordem ou MA(1)
De forma mais geral, um processo MA(q)

Yt 0ut 1ut 1 2ut 2 ... qut q

Um processo auto-regressivo e de mdias

mveis (ARMA)
ARMA(1,1)

Yt 1Yt 1 0ut 1ut 1

Em um processo ARMA(p,q) haver p termos autoregressivos e q termos de mdia mvel

Um processo auto-regressivo integrado e de

mdias mveis (ARIMA)
Lembrando que se uma srie temporal for integrada de
ordem 1, isto , se for I(1), suas primeiras diferenas
sero I(0), ou seja, estacionrias. Se for I(2) sua
segunda diferena I(0).
Se uma srie temporal I(d), depois de diferenci-la d
vezes obteremos uma srie I(0)
Se aps diferenciar uma srie d vezes, aplicarmos um
modelo ARMA(p,q), dizemos que a srie temporal
ARIMA(p, d, q), uma srie temporal auto-regressiva
integrada e de mdias mveis

Um processo auto-regressivo integrado e de

mdias mveis (ARIMA)
Uma srie temporal ARIMA(2,1,2) precisa ser
diferenciada uma vez (d=1) antes de tornar-se
estacionria, e assim a srie estacionria obtida pode
ser modelada num processo ARMA(2,2).

Mtodo Box-Jenkins
Ajuda a identificar se um processo AR puro, MA
puro, ARMA ou ARIMA
Consiste em 4 etapas:
1. Identificao: encontra os valores adequados de p, d e q
2. Estimao: por MQO ou outros mtodos no-lineares
3. Verificao de diagnstico: para verificar a qualidade do
ajuste
4. Previso: bom para previses, especialmente de curto prazo

Mtodo Box-Jenkins - Identificao

Ferramentas: funo de autocorrelao, funo parcial
de autocorrelao e os resultantes correlogramas
Autocorrelao parcial, kk, a correlao entre Yt e
Yt-k, depois de removido o efeito dos Y intermedirios
O correlograma mostra em que defasagem a correlao
e a correlao parcial deixam de ser diferentes de zero
Ver figuras 22.2 e 22.3
Como definir qual o melhor modelo?
Verificando quais defasagens apresentam autocorrelao
parcial diferente de zero. No exemplo do PIB diferenciado, os
lags 1, 8 e 12 sugerem um AR: Yt* 1Yt*1 8Yt*8 12Yt*12
onde Yt* so as primeiras diferenas

Mtodo Box-Jenkins - Identificao

Tambm podem ser observados os padres tericos das
funes de autocorrelao e autocorrelao parcial
Tipo do
modelo

Padro tpico da funo de

autocorrelao

Padro tpico da funo parcial

de autocorrelao

AR(p)

Delicna exponencialmente ou com

um padro de onde senide
amortecida, ou ambos

Apresenta picos significativos at p

defasagens

MA(q)

Apresenta picos significativos at q

defasagens

Declina exponencialmente

ARMA(p,q)

Diminui exponencialmente

Diminui exponencialmente

Mtodo Box-Jenkins - Estimao

No exemplo do PIB, com dados em primeira diferena,
estima-se:

Yt Y Y
*

*
1 t 1

*
8 t 8

*
12 t 12

avaliando normalmente a significncia estatstica dos

coeficientes

Mtodo Box-Jenkins - Diagnstico

Aps a estimao, procede-se anlise dos resduos:
Funo de autocorrelao e autocorrelao parcial: o ideal
que no apresentem valores significativamente diferentes de
zero
Observa-se a estatstica Q de Box-Pierce
Observa-se a estatstica de Ljung-Box

Se a partir dessas anlises concluir-se que os resduos

so puramente aleatrios, o modelo estimado apresenta
bom ajuste

Mtodo Box-Jenkins - Previso

Um modelo que foi estimado com dados em primeira
diferena ir fornecer na previso as variaes de Y
Para obter a previso de Y, preciso desmanchar a
transformao das primeiras diferenas (se
diferenciamos para obter a srie em diferenas, agora
integramos para retornar aos valores de Y)