Manual de Solues Econometria Bsica Gujarati

CAPTULO 17
MODELOS ECONOMTRICOS DINMICOS: MODELOS AUTO-REGRESSIVOS E
COM DEFASAGENS DISTRIBUDAS

17.1 (a) Falsa. Modelos economtricos so dinmicos se descrevem a trajetria no

tempo da varivel dependente em relao a seus valores passados. Os que utilizam
dados em cortes transversais no so dinmicos, a menos que sejam usados modelos
de regresso em painel com valores do regressando defasados.

(b) Verdadeira. O modelo Koyck presume que todos os coeficientes de defasagem

distribuda tm o mesmo sinal.

(c) Falsa. Os estimadores so tendenciosos e tambm inconsistentes.

(d) Verdadeira. Para demonstrao, veja o texto de Johnston citado na nota de rodap
nmero 30 do livro-texto.

(e) Falsa. O mtodo gera estimativas consistentes, embora sejam tendenciosas

aquelas obtidas com pequenas amostras.

(f) Verdadeira. Em tais situaes, aplique a estatstica h de Durbin. Para calcul-la, no

entanto, pode-se usar a estatstica d de Durbin.

(g) Falsa. vlido para grandes amostras, estritamente falando.

(h) Verdadeira. O teste de Granger uma medida de precedncia e contedo da

informao, mas por si s no indica causalidade, no sentido trivial da palavra.

17.2 Use as Equaes (17.7.1), (17.6.2) e (17.5.2).

Yt* = 0 + 1 X t* + ut (1)
Yt Yt 1 = (Yt * Yt 1 ) (2)
X t* X t*1 = ( X t X t*1 ) (3)

Reescreva a Equao (2) assim: Yt = Yt + (1 )Yt 1 (4)

*

Reescreva a Equao (3) assim: X t =
*
Xt (5)
1 (1 ) L
em que L o operador de defasagem, tal que LX t = X t 1 .

Substitua a Equao (1) na Equao (4) para obter:

Yt = 0 + 1 X t* + ut + (1 )Yt 1 (6)

Substitua a Equao (5) na (6) para obter:

 Manual de Solues Econometria Bsica Gujarati

Yt = 0 + 1 X t + (1 )Yt 1 + ut (7)
1 (1 ) L
Simplificando a Equao (7), temos:

Yt = 1 + 2 X t + 3Yt 1 + 4Yt 2 (17.7.2), em que os so combinaes (no-

lineares) dos diversos parmetros da Equao (7).

{ [
17.3 cov Yt 1 , ( ut ut 1 ) = E Yt 1 E (Yt 1 ) ut ut 1 ]} , j que E (ut ) = 0 .
cov Yt 1 , ( ut ut 1 ) = E ( ut 1 )( ut ut 1 ) , j que Yt 1 E (Yt 1 ) = ut 1 .

cov Yt 1 , ( ut ut 1 ) = E ( ut 1 ) , j que no h correlao serial.

2

cov Yt 1 , ( ut ut 1 ) = , como queramos demonstrar.
2

17.4 Os valores para P* so, respectivamente, 100, 105, 115, 135 e 160.

17.5 (a) Os valores estimados de Y, que so funo linear da varivel no-estocstica

X, no so assintoticamente correlacionas com v, o termo de erro da populao.

(b) Pode diminuir a gravidade do problema da colinearidade.

17.6 (a) A defasagem mediana o tempo para se completar metade da frao de

ajustamento. No caso do modelo de Koyck, resolva a expresso a seguir para
encontr-la:

resposta no perodo t
=
(
0 1 t (1 ) 1 ) 1
= , que simplificada d t = . Portanto,
resposta de longo prazo 0 (1 ) 2 2
1 2 ln 2
t ln = ln = ln 2 . Logo, t = , que a resposta solicitada.
2 ln

(b)
Defasagem
ln ln2
mediana
-
0,2 0,6932 0,4307
1,6094
-
0,4 0,6932 0,7565
0,9163
-
0,6 0,6932 1,3569
0,5108
-
0,8 0,6932 3,1063
0,2231
 Manual de Solues Econometria Bsica Gujarati

17.7 (a) Como k = 0 k ; 0 < < 1; k = 0,1, 2... , a defasagem mediana :

k k
0 k k (1 2 )
0
= = = .
k
0 k
1 (1 ) 1

0
k

(b) Se for muito grande, a velocidade do ajustamento ser lenta.

17.8 Aplique a frmula

k k
que, com os dados da Tabela 17.1 torna-se
k

11,316
= 10,986 10,959 .
1, 03

17.9 (a) Seguindo o procedimento adotado no Exerccio 17.2, podemos escrever a

1 (1 1 ) (1 2 )
equao para M t como segue: M t = + Yt + 2 Rt + ut , que pode ser
1 1L 1 2L
reescrita assim:

M t = 0 + 1 (1 1 ) Yt 12 (1 1 ) Yt 1 + 2 (1 2 ) Rt
M t = 2 1 (1 2 ) Rt 1 + ( 1 + 2 ) M t 1 ( 1 2 ) M t 2 + ut ( 1 + 2 ) ut 1 + ( 1 2 ) ut 2 , em
que 0 uma combinao de , 1 e 2. Observe que se 1 = 2 = , o modelo pode
ser ainda mais simplificado.

(b) O modelo que acabamos de desenvolver muito no-linear nos parmetros e tem
de ser estimado com o emprego de alguma das tcnicas iterativas no-lineares
examinadas no Captulo 14.

17.10 A Equao (17.7.2) apresenta o mesmo problema de estimao que o modelo

de Koyck e o das expectativas adaptativas, pois so auto-regressivos com estruturas
de erro similares. Trata-se de um modelo de regresso intrinsecamente no-linear,
exigindo, portanto, tcnicas no-lineares de estimao.

17.11 Conforme explanado por Griliches, como o modelo de correlao serial inclui
valores defasados dos regressores, o que no acontece nos de Koyck e de ajustamento
parcial, possvel que ele seja apropriado mesmo que se assemelhe a estes ltimos
em situaes em que estejamos transformando um modelo para nos vermos livres
da correlao serial de primeira ordem.
 Manual de Solues Econometria Bsica Gujarati

17.12 (a) Sim, o modelo de Koyck pode, nesse caso, ser estimado com os MQO.

(b) Haver um vis de amostra finita devido ao regressando defasado, mas as

estimativas sero consistentes. Pode-se achar a demonstrao disso nas pginas 408 a
411 do livro Principles of Econometrics, de Henry Thiel, publicado por John Wiley &
Sons, New York, 1971.

(c) A pressuposio de que e sejam iguais plausvel, pois os valores de ambos

situam-se, por premissa, entre 0 e 1.

17.13 De forma anloga aos modelos de Koyck, Alt, Tinbergen e outros, essa uma
abordagem ad hoc e tem pouca sustentao terica. O modelo pressupe que a
importncia dos valores passados declina continuamente desde o incio, o que pode ser
uma pressuposio razovel em alguns casos. Pela utilizao da mdia ponderada das
variveis explanatrias atuais e passadas, esse modelo triangular anula os problemas
de multicolinearidade que possam existir em outros.

17.14 (a) Em mdia, ao longo do perodo estudado, a variao do nvel de emprego

est positivamente relacionada produo e negativamente ao nvel de emprego no
perodo anterior e ao tempo. Os sinais negativos no coeficiente da varivel tempo e na
varivel tempo ao quadrado indicam que a variao no nvel de emprego vem
declinando ao longo do perodo, mas mais rapidamente. Repare que o coeficiente de
tempo no significativo no nvel de 5%, mas o de tempo ao quadrado o .

(b) 0,297.

(c) Para obter a curva de demanda de longo prazo, divida a de curto prazo por e
exclua o termo defasado do nvel de emprego, o que resultar na funo 47,879 +
0,579Qt + 0,094t + 0,002t.

(d) O teste estatstico apropriado o h de Durbin. Dado que n = 44 e d = 1,37,

obtemos:

d n 1 44
h = 1 = 1 d = 2, 414 .
2 1 n var(coef de Et -1 ) 2 1 44(0, 001089)

J que o h segue assintoticamente a distribuio normal, seu valor crtico a 5% 1,96.

Pressupondo que a amostra de 44 observaes seja razoavelmente grande, podemos
concluir que h nos dados evidncia de autocorrelao positiva de primeira ordem.

17.15 (a) (1 - 0,0864) = 0,136.

(b) A elasticidade preo de curto prazo 0,218, e a de longo prazo (0,218/0,136)

= 1,602.

(c) A elasticidade juro de curto prazo 0,855, e a de longo prazo (0,855/0,136) =

6,287.
 Manual de Solues Econometria Bsica Gujarati

(d) A taxa de ajustamento de 0,136 relativamente baixa, e isso pode ser por causa
do tipo de tecnologia desse mercado. Lembre-se de que tratores so bens durveis
com vida til razoavelmente longa.

17.16 O termo defasado representa as influncias combinadas de todos os valores

defasados do(s) regressor(es) do modelo, como vimos ao explorar a abordagem de
Koyck.

17.17 O grau do polinmio deve ser pelo menos um a mais do que os pontos de
inflexo da srie temporal observada representada graficamente ao longo do tempo.
Assim, use um polinmio de 4 grau para o primeiro grfico no canto superior
esquerdo, um de 2 grau para o do canto superior direito, um de 6 grau para o do
canto inferior esquerdo e outro de 2 grau para o do canto inferior direito.

2 p
17.18 (a) var( i ) = i 2 j var( j ) + 2 i j + p cov( j , p ) .
j =0 j< p
Segue uma expresso anloga, a no ser por um termo adicional.

(b) No necessariamente assim, porque, como visto em (a), as varincias das

estimativas de i envolvem tanto as varincias como as covarincias dos coeficientes
estimados , e estas ltimas podem ser negativas.

17.19 Dado que i = 0 + 1i + 2 i , se 0 = 0 0 = 0 e

quando 4 = 0 0 + 41 + 16 2 = 0 1 = 4 2 .

Portanto, o modelo transformado :

( )
4
Yt = + ( i X i ) + ut = + 0 + 1i + 2i 2 X t i + ut = + 2 4 iX t i + i 2 X t i + ut .
i =0

k k/2
17.20 Yt = + X
i =0
i t i + ut = + i X t i +
i =0
k
( k i ) X t i + ut
i = +1
2

Yt = + iX t i + ( k i ) X t i + ut = + Z t + ut .

17.21 No caso, n = 19 e d = 2,54. Embora a amostra no seja muito grande, vamos

fazer o teste h a ttulo de ilustrao:
 Manual de Solues Econometria Bsica Gujarati

d n 2, 54 19
h = 1 = 1 = 1, 3773 , valor que
2 1 ( n) var(coeficiente de PFt -1 ) 2 1 19(0, 0142)
no significativo no nvel de 5%. No h, portanto, evidncia de correlao serial
positiva de primeira ordem, no esquecendo que nossa amostra pode no ser
suficientemente grande para aceitarmos esse resultado.

Problemas

17.22 Empregando o modelo de ajustamento de estoques ou de ajustamento parcial

(MAP), a funo de gastos no curto prazo pode ser escrita da seguinte forma, em que
Y so os gastos em novas instalaes e equipamentos e X as vendas (veja Equao
17.6.5) :

Yt = 0 + 1 X t + (1 ) X t 1 + ut (1).

De acordo com os dados, seguem os resultados da regresso:

Yt = 15,104 + 0,629Xt + 0,272Yt-1 (2)

t = (3,194) (6,433) (2,365)

R = 0,987; F = 690,056; d = 1,519.

Pelo coeficiente do valor de Y defasado, encontramos que = 0,728.

A funo de gastos no longo prazo Yt* = 20,738 + 0,864 Xt , obtida dividindo (2) por
0,728 e excluindo o termo Y defasado.

Temos de empregar a estatstica h para ver se h correlao no problema. Aplicando a

devida frmula, pode-se constatar que h = 1,364, valor que, assintoticamente, no
significativo no nvel de 5%. Ento, tambm assintoticamente, no h correlao serial
nos dados.

17.23 Aplicando a mesma notao usada no Exerccio 17.22, a funo de gastos no

curto prazo :

ln Yt = ln 0 + 1 ln X t + (1 )Yt 1 + ut (1)

Os resultados da regresso so:

ln Yt = 1,078 + 0,905 lnXt + 0,260 lnYt-1 (2)

t = (5,854) (8,131) (2,962)

R = 0,994; F = 1425,219; d = 1,479.

Da, achamos = 0,740.

 Manual de Solues Econometria Bsica Gujarati

A funo de gastos no longo prazo ln Yt

*
= 0,376 + 1,222 ln Xt

A estatstica h para este problema 1,34. Assintoticamente, portanto, rejeitamos a

hiptese de que existe correlao positiva de primeira ordem no termo de erro.

Ambos os modelos do resultados anlogos, sendo a vantagem do logartmico que os

seus coeficientes angulares estimados fornecem estimativas diretas dos coeficientes de
elasticidade, ao passo que os do linear apenas medem a taxa de variao.

17.24 Os resultados estatsticos so os mesmos do Problema 17.22. No entanto, como

este um modelo de expectativas adaptativas, a interpretao diferente. O
estimado agora interpretado como a frao com que as expectativas de
investimentos em instalaes e equipamentos so revistas a cada perodo. A estrutura
de erro da populao tambm diferente, conforme observado no texto.

17.25 Neste caso, empregamos uma combinao dos modelos de expectativas

adaptativas e MAP. Segue a equao, em que vt = ut + (1 ) ut 1 :

Yt = 0 + 1 X t + (1 ) + (1 ) Yt 1 + (1 ) + (1 ) Yt 2 + vt , que, por
convenincia, escrevemos Yt = 0 + 1 X t + 2Yt 1 + 3Yt 2 + vt . Com base nos dados,
seguem os resultados da regresso:

Yt = 19,7701 + 0,715Xt + 0,565Yt-1 0,409Yt-2

t = (4,467) (8,323) (4,250) (3,460)

R = 0,992; F = 5653,234; d = 1,367.

Os coeficientes estimados so todos estatisticamente significativos, mas como so

combinaes no-lineares dos originais, fica difcil obter suas estimativas diretas.
Teoricamente, devemos estimar esse modelo empregando os mtodos no-lineares
apresentados no Captulo 14, os quais daro estimativas diretas dos diversos
parmetros que sero ento comparados queles obtidos nos Problemas 17.22, 17.23
e 17.24.

17.26 Hiptese nula H0: as vendas no causam, no sentido de Granger, os

investimentos em instalaes e equipamentos. Seguem os resultados do teste de
Granger:

N de Estatstica
Valor p Concluso
defasagens F
2 17,394 0,0001 rejeitar H0
3 5,687 0,0117 rejeitar H0
no rejeitar
4 3,309 0,0628
H0
no rejeitar
5 2,379 0,1606
H0
no rejeitar
6 1,307 0,4463
H0
 Manual de Solues Econometria Bsica Gujarati

Hiptese nula H0: os investimentos em instalaes e equipamentos no causam, no

sentido de Granger, as vendas. Seguem os resultados do teste de Granger:

N de Estatstica
Valor p Concluso
defasagens F
2 22,865 0,0001 rejeitar H0
3 13,009 0,0004 rejeitar H0
4 7,346 0,0065 rejeitar H0
5 5,867 0,0262 rejeitar H0
no rejeitar
6 3,053 0,1939
H0

Como se v por esses resultados, o teste de causalidade de Granger sensvel ao

nmero de termos defasados includos no modelo. At trs defasagens, a causalidade
bilateral, at cinco, de investimento para vendas, e at 6, nenhuma das duas
variveis causa a outra.

17.27 Um modelo elucidativo que se ajustou neste caso foi um polinomial de segundo
grau com quatro defasagens. Empregando o formato da Equao (17.13.15) e fazendo
Y representar os investimentos e X as vendas, os resultados da regresso so:

Yt = 35,4923 + 0,8910Xt + 0,3255Xt-1 0,0312Xt-2 0,1792Xt-3 0,1183 Xt-4

t = (4,3321) (5,1042) (3,6176) (0,2530) (2,1109) (0,6562).

Exortamos o leitor a experimentar outras combinaes de defasagens e polinmios de

outros graus. Pode-se aplicar o critrio de informao de Akaike para fazer a escolha
entre os modelos concorrentes.

17.28 Obtivemos os seguintes resultados com o software Eviews 4.

COEFICIENTE NER FER BER

-
Intercepto -36,0936 -5,9303
23,3844
(-
(-4,6740) (-0,8799)
2,3578)
Xt 0,3188 0,8712 0,1215
(3,5791) (5,5205) (19,9423)
Xt-1 0,4414 0,3515 0,1945
(3,9542) (10,4464) (19,9423)
Xt-2 0,3677 0,0045 0,2188
(5,4213) (0,0993) (19,9423)
Xt-3 0,0976 -0,1697 0,1945
(2,1948) (-2,2065) (19,9423)
Xt-4 -0,3686 -0,1712 0,1215
(-
(-2,7730) (19,9423)
1,6678)
 Manual de Solues Econometria Bsica Gujarati

Nota: NER, FER e BER denotam restrio near-end, far-end e nos dois extremos,
respectivamente. Os nmeros entre parnteses so as razes t.

Nota-se que a aplicao de restries aos coeficientes dos modelos leva a resultados
muito diferentes. Repare na interessante descoberta de que a imposio de restries
nos dois extremos gerou erros-padro e razes t idnticas. melhor no impor
restrio nenhuma, a menos que haja a priori uma expectativa consistente.
Naturalmente, o que ainda preciso saber em cada caso o nmero de termos
defasados e o grau do polinmio.

17.29 (a)
Direo da Nmero de
F Probabilidade
causalidade defasagens
YX2 2 0,0695 0,9329
X2Y 2 2,8771 0,0705 *

YX2 3 0,1338 0,9392

X2Y 3 2,4892 0,0793 *

YX2 4 0,1407 0,9655

X2Y 4 1,8239 0,1533
* Significativo no nvel de 10%

A seta indica a direo da causalidade, e a hiptese nula em cada caso de que a

varivel esquerda da seta causa a varivel direita. Parece que nessas situaes o
investimento em equipamento de processamento de informaes no causa vendas, no
sentido de Granger. Mas h evidncia inconcludente de que as vendas causem o
investimento. Experimente outras defasagens e verifique se essa concluso se altera.

(b) Os resultados da causalidade entre investimento e taxa de juros so interessantes

porque no h relao causal entre as duas at cinco defasagens; na sexta, a taxa de
juros causa investimento, mas no vice-versa; e na stima e oitava defasagens no h
correlao causal entre as duas. difcil justificar intuitivamente esses resultados.

(c) Na forma linear no havia efeito de defasagem distribuda discernvel de vendas

sobre o investimento. No modelo log-linear com 4 defasagens, polinmio do segundo
grau e impondo restrio near-end temos os seguintes resultados:

ln Yt = 15,1508 + 0,2008lnX2t + 0,3288lnX2(t-1) + 0,3841lnX2(t-2) + 0,3665lnX2(t-3) +

0,2762ln X2(t-4)
t = (73,2185) (3,8962) (5,0794) (9,6896) (15,0782)
(2,1921).

Se representarmos graficamente os coeficientes dos diversos termos lnX2, veremos

que eles aumentam at a segunda defasagem e depois declinam, apresentando uma
curva em forma de U invertido.

17.30 (a) & (b) Pode-se mostrar, mediante a aplicao do teste de causalidade de
Granger, que h causalidade bilateral entre as duas variveis at quatro defasagens,
 Manual de Solues Econometria Bsica Gujarati

mas, alm da, no h causalidade unilateral ou bilateral. Por exemplo, na defasagem

3 achamos:

produtividade remunerao, F = 3,84, (valor p = 0,0314)

remunerao produtividade, F = 3,97, (valor p = 0,0284),

e na defasagem 4:

produtividade remunerao, F = 2,27, (valor p = 0,0888)

remunerao produtividade, F = 3,26, (valor p = 0,0265).

(c) Poderamos, por exemplo, regressar a remunerao contra a produtividade e a taxa

de desemprego para ver o efeito (parcial) desta ltima, deduzido o efeito da segunda.
Seguem os resultados da regresso, em que Y a remunerao, a produtividade X2,
e a taxa de desemprego X3:

Yt = 26,7834 + 0,6907X2t + 0,6680X3t

t = (12,8468) (33,2341) (2,7053)

R = 0,9694; d = 0,2427.

Todos os coeficientes estimados parecem estatisticamente significativos. possvel

que o sinal positivo da varivel taxa de desemprego contrarie a intuio, a no ser que
se possa alegar que altas taxas de desemprego incrementem a produtividade, a qual,
por sua vez, levaria a maior remunerao. Como a estatstica d muito baixa no caso
em tela, possvel que haja neste modelo autocorrelao ou vis de especificao, ou
ambos.

17.31 S para dar uma amostra do teste de Sims, regressamos Y (investimento em

novas instalaes e equipamentos) contra X (vendas) com duas defasagens e dois lead
terms X, obtendo os seguintes resultados:

Yt = 2,6549 + 1,4421Xt-1 0,4043Xt-2 + 0,3290Xt+1 0,5576Xt+2

t = (0,4039) (7,1142) (2,0425) (1,6786) (3,0060).

R = 0,9912; d = 3,0561.

Os resultados lanam dvidas de que as vendas causem investimentos, pois parece

que o lead term Xt+2 estatisticamente significativo. O leitor deve experimentar outras
estruturas com termos defasados e lead terms para ver se essa concluso se mantm.