Bernardo Lucena e Bruna Dutra

1- Importe para o R os dados do arquivo dados_import_01.csv e

converta as variveis acima para sries de tempo usando o comando
ts.
dados<-read.csv('dados_import_01.csv', sep=";",dec=",",header=T)
yig=ts(dados[,2],start = c(2002,1), frequency = 12)
mt=ts(dados[,3],start = c(2002,1), frequency = 12)
tcer=ts(dados[,4],start = c(2002,1), frequency = 12)

2- Crie as primeiras diferenas logartmicas das variveis (dly, dlm, dltc).

lyig=log(yig)
lmt=log(mt)
ltcer=log(tcer)

dlyig=diff(lyig)
dlmt=diff(mt)
dltcer=diff(ltcer)

3- Selecione a ordem de defasagens tima de um modelo VAR para dly,

dlm e dltc, com base nos Critrios de Informao de Akaike, Schwarz
e Hannan-Quinn, bem como no teste de Razo de Verossimilhana
(RV), considerando um mximo possvel de 12 defasagens.
z=cbind(dlyig,dlmt,dltcer)
install.packages("vars")
library("vars")
var1=VAR(z,p=2)
summary(var1)
VARselect(z, lag.max=12)
install.packages("MTS")
library("MTS")
VARorder(z, maxp=12)
detach("package:MTS")
Resultado- 2 Defasgens o melhor modelo pelos 2 critrios de
informaes(menor AIC possvel e menor HQ, e dentro da
significncia de 5%).

$criteria

1
2
3
4
5
6
7
8
AIC(n) -1.017328e+01 -1.051292e+01 -1.047687e+01 -1.047602e+01
-1.040822e+01 -1.037981e+01 -1.032299e+01 -1.036187e+01
HQ(n) -1.008003e+01 -1.034972e+01 -1.024374e+01 -1.017294e+01
-1.003519e+01 -9.936849e+00 -9.810084e+00 -9.779028e+00
SC(n) -9.943613e+00 -1.011100e+01 -9.902700e+00 -9.729592e+00
-9.489536e+00 -9.288880e+00 -9.059804e+00 -8.926437e+00
FPE(n) 3.817797e-05 2.718750e-05 2.819420e-05 2.823462e-05 3.024316e-05
3.115620e-05 3.303881e-05 3.185630e-05
9
10
11
12
AIC(n) -1.037909e+01 -1.035855e+01 -1.041437e+01 -1.032496e+01
HQ(n) -9.726304e+00 -9.635826e+00 -9.621699e+00 -9.462353e+00
SC(n) -8.771402e+00 -8.578613e+00 -8.462175e+00 -8.200518e+00
FPE(n) 3.141027e-05 3.218689e-05 3.058464e-05 3.363678e-05

p
AIC
BIC
HQ M(p) p-value
[1,] 0 -9.9519 -9.9519 -9.9519 0.0000 0.0000
[2,] 1 -10.2183 -10.0543 -10.1518 57.9778 0.0000
[3,] 2 -10.5657 -10.2376 -10.4326 69.2955 0.0000
[9,] 8 -10.4612 -9.1488 -9.9288 20.4180 0.0155
[12,] 11 -10.5369 -8.7325 -9.8049 21.2034 0.0118

4- Verifique a presena de autocorrelao residual com base nos testes

Portmanteau (6 e 12 defasagens) e LM de Breusch-Godfrey (at 4
defasagens).
LM de Breusch-Godfrey
serial.test(var1,lags.bg=1,
serial.test(var1,lags.bg=2,
serial.test(var1,lags.bg=3,
serial.test(var1,lags.bg=4,

type="BG")
type="BG")
type="BG")
type="BG"

Resultado
> serial.test(var1,lags.bg=1, type="BG")
Breusch-Godfrey LM test
data: Residuals of VAR object var1
Chi-squared = 13.425, df = 9, p-value = 0.1443
> serial.test(var1,lags.bg=2, type="BG")
Breusch-Godfrey LM test

data: Residuals of VAR object var1

Chi-squared = 25.581, df = 18, p-value = 0.1097
> serial.test(var1,lags.bg=3, type="BG")
Breusch-Godfrey LM test
data: Residuals of VAR object var1
Chi-squared = 36.336, df = 27, p-value = 0.1081
> serial.test(var1,lags.bg=4, type="BG")
Breusch-Godfrey LM test
data: Residuals of VAR object var1
Chi-squared = 47.12, df = 36, p-value = 0.1016

Portmanteau
> serial.test(var1,lags.pt = 12, type="PT.asymptotic")
Portmanteau Test (asymptotic)
data: Residuals of VAR object var1
Chi-squared = 105.87, df = 90, p-value = 0.1213
> serial.test(var1,lags.pt = 6, type="PT.asymptotic")
Portmanteau Test (asymptotic)
data: Residuals of VAR object var1
Chi-squared = 44.75, df = 36, p-value = 0.1503

serial.test(var1,lags.pt = 6, type="PT.adjusted")
Portmanteau Test (adjusted)
data: Residuals of VAR object var1
Chi-squared = 45.949, df = 36, p-value = 0.1238
> serial.test(var1,lags.pt = 12, type="PT.adjusted")
Portmanteau Test (adjusted)
data: Residuals of VAR object var1
Chi-squared = 110.72, df = 90, p-value = 0.06834

5- Escolha o Melhor modelo

Comentrio: Nesse teste, trabalhamos com a hiptese nula de que os
resduos so homossedasticos(teste BG). Nos resultados acima, aceitamos a
hiptese nula em todas as defasagens. Nesse contexto, e com os resultados
da questo 3 acredito que a melhor alternativa melhor seria usar 2
defasagens.

Exerccio 2Questes Bernardo

O objetivo identificar, por meio da metodologia Box-Jenkins, um modelo
ARIMA para cada uma das 4 variveis indicadas.
V73- Baseado nas estruturas de AC e ACP o modelo seria um
Arma(MA 6, AR 5)

V74- Baseado nas estruturas de AC e ACP o modelo seria um

Arma(MA 4, AR 3)

V75- Baseado nas estruturas de AC e ACP o modelo seria um Arma(ma

10,AR 3)

V76- Baseado nas estruturas de AC e ACP o modelo seria um

Arma(MA 7,AR 2)

Questes Bruna
V45- Baseado nas estruturas de AC e ACP o modelo seria um
Arma(MA 3, AR 1)

V46- Baseado nas estruturas de AC e ACP o modelo seria um

Arma(MA 4, AR 1)

V47- Baseado nas estruturas de AC e ACP o modelo seria um

Arma(MA 2, AR 2).

V48- Baseado nas estruturas de AC e ACP o modelo seria um

Arma(MA 1, AR 1).