CAPTULO 1 EQUAES DIFERENCIAIS

Sries de tempo podem ser decompostas em 3 componentes:

1. Tendncia: = +

2. Sazonal: = ( );

3. Aleatrio: = + 1 +

Cada um destes 3 componentes so um tipo de equao diferencial. De forma objetiva, uma

equao diferencial expressa o valor de uma varivel num tempo (t), como funo do valor do
valor defasado da prpria varivel, do tempo, ou de outras variveis. Portanto, o objetivo da
econometria de series de tempo estimar equaes diferencias com componentes estocsticos.

Hiptese Random Walk: o modelo de passeio aleatrio sugere que as modificaes dirias nos
preos das aes devem ter um valor esperado zero;

Equao Estrutural: expressa o valor da varivel endgena como sendo dependente de outra
varivel endgena no mesmo perodo de tempo. Ex.: PIB:

= +
Equao na forma reduzida: expressa o valor da varivel endgena como funo de seu valor
defasado, o valor defasado de outras variveis endgenas, alm de outras variveis exgenas;

Modelo univariado: o valor da varivel endgena expresso apenas em funo do seu valor
defasado, e do termo distrbio.

Equaes em Diferenas:

Primeira diferena: = 1

+1 = +1
1 = 1 2

Segunda diferena: 2 = ( 1 ) (1 2 )
2 +1 = (+1 ) ( 1 )
2 1 = (1 2 ) (2 3 )

De forma geral uma srie de tempo pode ser escrita como:

= 0 + +
=1

Onde o termo pode ser uma funo do tempo, da varivel endgena defasada, ou distrbios.

Atravs de iterao possvel obter que a soluo para a equao diferencial acima dada por:
+

= 0 1 + 1 + 1++1 + 1
=1 =1
Estacionariedade em primeira ordem

Portanto, avaliando a resposta de uma equao diferencial, pode ser observado que a
estacionariedade da equao est diretamente relacionada ao termo , de forma que, no caso
de uma equao de primeira ordem,

| | < 1: processo estacionrio.

o Se 1 < < 0: processo ir oscilar at estabilizar;
o Se 0 < < 1: processo ir decair exponencialmente at estabilizar;
| | > 1: processo explosivo.
o Se > 1: processo ir explodir exponencialmente;
o Se < 1: processo ir explodir de forma oscilatria;

Estacionariedade em segunda ordem

No caso das equaes diferenciais de segunda ordem, devem ser avaliadas as razes da equao
caracterstica. Exemplificando, seja a equao diferencial 1 1 2 2 = 0. Uma
soluo homognea para essa equao : = , portanto:

1 1 2 2 = 0
Dividindo a equao por 2 , chegaremos a equao caracterstica 2 1 2 = 0. As
razes da equao caracterstica indicaro a estacionariedade da equao diferencial, de forma
que:

Se > 0: equao ter duas solues reais. Se uma das razes for maior que 1, a
equao no ser estacionria;
o Soluo homognea do problema ser dado por: = 1 (1 ) + 2 (2 )
Se = 0: equao ter apenas uma soluo real. Se | | < 2, a soluo ser
estacionria.

o Soluo homognea do problema ser dado por: = 1 ( 21 ) + 2 ( 21 )
Se < 0: equao ter duas solues imaginrias. Se |2 | = 1, a soluo ser
estacionria. A soluo ser estacionria se |2 | < 1, e ser explosiva se |2 | > 1.
o Soluo homognea do problema ser dado por: = 1 cos( + 2 ),
onde:
1 , 2 = constantes arbitrrias;
= 21/2
1
cos()= )1/2
[2(2 ]

Operador defasagem: definido como um operador linear tal que, para qualquer valor de :

CAPTULO 2: Modelos de Sries de Tempo Estacionrios

Uma das principais aplicaes das sries de tempo a possibilidade de prever o comportamento
de uma varivel temporal, com base nos valores passados desta mesma varivel. Ou seja,
atravs das sries temporais possvel calcular o valor esperado de uma varivel em t+1, t+2,
t+s, com base nos valores de em t, t-1, t-2, t-s.

Uma srie de tempo dita estacionria se ela segue as seguintes propriedades:

Valor mdio constante, finito e independente do tempo:

o [ ] = [ ] =

Varincia constante, finita e independente do tempo:

o [( )2 ] = [( )2 ] = 2
o ( ) = ( ) = 2
Covarincia entre os valores de e uma f(s) e no f(t)

o [( )( )] = [( )( )] =

Onde , 2 , so constantes.

A autocorrelao entre e dado por:

0


Lembrando sempre que: a autocorrelao entre e 1 pode ser diferente de e 2 ,
porm, deve ser igual a autocorrelao entre e 1.

Processo fortemente estacionrio: mdia e varincia no precisam ser finitas, e distribuio de

probabilidade invariante a qualquer corte que dependa apenas dos intervalos de tempo.
Processo fracamente estacionrio: mdia, varincia e covarincia so finitas e no variam em
funo do tempo. E se correl ( , + ) 0, , diz-se que o processo fracamente
dependente;

Os principais processos geradores de dados so:

Rudo branco

Um dos primeiros processos a ser analisado o rudo branco. O rudo branco um processo
descrito pela equao:

=
Cujo termo apresenta as seguintes propriedades:

tem distribuio normal, com mdia zero e varincia constante;

Mdia zero, e invariante no tempo:
o [ ] = [ ] = 0
Varincia finita e invariante no tempo:
o [( )2 ] = [( )2 ] = 2
o ( ) = ( ) = 2
Covarincia entre os valores de e so iguais a zero, para qualquer janela de
tempo:
o [ ] = [ ] = 0
Processo estacionariamente fraco;
Processo sem memria
Como so i.i.d, correlograma no aponta nenhuma correlao entre os resduos;

Mdia Mvel MA(q)

A mdia mvel uma variao particular do rudo branco, e o processo gerador dado por:

=
=0

O processo acima no ser um rudo branco se dois, ou mais valores, de forem diferentes de
zero. Pode ser visto que a mdia mvel ter as seguintes propriedades:
 Mdia zero e invariante no tempo:
o [ ] = [ ] = [1 1 ] = = [ ] = 0
o [ ] = [ ] = [1 1 ] = = [ ] = 0
Varincia finita e invariante no tempo:
o [( )2 ] = [(0 + 1 1 + + )(0 + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[( )2 ] = 2 [1 + (1 )2 + (2 )2 + ]
o [( )2 ] = [(0 + 1 1 + + )(0 + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[( )2 ] = 2 [1 + (1 )2 + (2 )2 + ]

Autocovarincias finitias e invariantes no tempo

o [ ] = [(0 + 1 1 + + )(0 + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[ ] = 2 [( + 1 +1 + 2 +2 + ]

Portanto, a condio para que um processo MA(q) seja estacionrio que os somatrios [1 +
(1 )2 + (2 )2 + ] e [( + 1 +1 + 2 +2 + ], sejam convergentes, o que ser sempre
verdade em processos de ordem infinita. Ou seja, um processo MA(q) ser estacionrio em
praticamente todos os casos.

Estacionariedade fraca;
Memria dura q perodos;
Valores da autocorrelao so zero para (t > q);

Autoregressivo AR(p)

O processo autoregressivo dado pelo seguinte processo gerador:

= 0 + +
=1

Onde das propriedades de equaes diferenciais sabido que, caso as razes da soluo
homognea estejam dentro do crculo unitrio, a soluo particular da equao acima ser
dada por:

0
= +
[1 =1 ] =0
 Mdia finita e invariante no tempo:
0
o [ ] = [ ] =
[1=1 ]
Varincia finita e invariante no tempo:
o [( )2 ] = [( + 1 1 + + )( + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[( )2 ] = 2 [1 + (1 )2 + (2 )2 + ]
o [( )2 ] = [( + 1 1 + + )( + 1 1 + + )]
Ao fazer a multiplicao dos termos acima, e aplicar a esperana, todos os
termos ( ) = 0 0, ento:
[( )2 ] = 2 [1 + (1 )2 + (2 )2 + ]
Estacionariedade fraca;
Memria dura infinitamente, porm, a correlao decai assintoticamente para zero;

Estimao dos coeficientes de um AR(1)

Estimador MQO consistente;
1
=
(1 )2

Estimao dos coeficientes de um ARMA (1,1)

Estimador MQO inconsistente
(1 1 + 1 1 )1
=
(1 )2
Neste caso, deve ser utilizado um MQO no linear, estimado MV ou o 2 como
uma varivel instrumental.

Processo integrado

O processo integrado um caso especfico do processo autoregressivo, onde um dos

coeficientes dos termos defasados igual a 1. Neste caso, o processo integrado ter as seguintes
propriedades:

Processo ser no estacionrio;

Memria infinita e no convergente;
Ex.: Randon walk.
Uma forma de induzir a estacionariedade em um processo integrado extrair a primeira
diferena, uma vez que a primeira diferena de um processo integrado de ordem 1 um rudo
branco, ou seja, um processo estacionrio.

= 1 +
1 =
=
Outros processos so a combinaes dos processos descritos acima:

ARMA (p,q)

Processo resultante de um AR(p) e MA(q). Exemplo ARMA (1,1):

= 1 + 0 + 1 1
Neste caso:

A estabilidade depender da parte autoregressiva;

Processo ter memria infinita, porm, se for estacionrio a autocorrelao cara
assintoticamente;

Funo de Autocorrelao e Autocorrelao Parcial

Autocorrelao total
Processo AR(1): = + +

Em um modelo AR(1) a covarincia calculada a partir das seguintes equaes:

2
0 = ( , ) =
[1 (1 )2 ]
2 (1 )
= ( , ) =
[1 (1 )2 ]

=
0
Portanto: 0 = 1, 1 = 11 , 2 = 1 2 , , = 1 .

o Se 0 < 1 < 1, o correlograma apresentar um decaimento exponencial;

o Se 1 < 1 < 0, o correlograma apresentar uma oscilao amortecida at convergir a
zero;

Processo AR (2): = + +
Aplicando o mtodo de Yule-Walker:

[ ] = 1 1 + 2 2 + [ ]
[ 1 ] = 1 1 1 + 2 2 1 + [ 1 ]
[ ] = 1 1 + 2 2 + [ ]
Por definio as autocovarincias de um processo estacionrio so tais que:

[ ]= [ ] = .
[ ] = 2 e [ ] = 0

Ento, para um modelo AR (2) as autocovarincias sero dadas por:

0 = [ ] = ( ) = 1 1 + 2 2 + 2
1 = [ 1 ] = (1 ) = 1 0 + 2 1
= ( ) = 1 1 + 2 2
Portanto:

0 = 1
1 = 1 0 + 2 1
2 = 1 1 + 2 0
= 1 1 + 2 2

Processo MA(1): = +

Aplicando o mtodo de Yule-Walker:

0 = [ ] = [( + 1 )( + 1 )] = (1 + 2 ) 2

1 = [ 1 ] = [( + 1 )(1 + 2 )] = 2
= [ ] = [( + )( + 1 )] = 0
Como por definio as autocovarincias de um processo estacionrio so tais que:

[ ]= [ ] = .
[ ] = 2 e [ ] = 0

Portanto, num processo MA(1) haver apenas um valor no correlograma, e os demais sero
zero. No caso de um MA(2), haver dois valores no correlograma, e os demais sero zero.
Consequentemente, no caso de um MA(q), haver q valores no correlograma, e os demais
sero zero.
 Autocorrelao parcial

Enquanto o correlograma da autocorrelao total (ACF) apresenta todos os valores da

autocorrelao, o correlograma de uma autocorrelao parcial (PACF) apresentar apenas os
valores de autocorrelao das defasagens que de fato constam na srie temporal, e que tem
influncia direta sobre o valor presente. Exemplificando, o ACF de uma AR (1) apresenta os
valores de todas as autocorrelaes 1 , 2 , 3, , , enquanto o PACF de uma AR(1)
apresentar apenas os valores de 1 . Da mesma forma, o correlograma de uma autocorrelao
total de um processo MA(1) apresentar apenas o valor de 1 , o PACF de um MA(1) apresentar
todos os valores de 1 , 2 , 3 , , .

De maneira geral, as propriedades da ACF e PACF se resumem em:

Estimao do modelo

Para definir o modelo correto a ser utilizado (AR, MA, ARMA), algumas anlises devem ser feitas
nos dados:

Anlise Grfica: observar o grfico e avaliar qual modelo terico que melhor se
aproxima do grfico dos valores amostrais;
Anlise do Correlograma:

No caso da anlise atravs dos correlogramas, deve ser extrado os correlogramas de

autocorrelao total e parcial, e comparar com os correlogramas tericos. Vale lembrar que a
anlise do correlograma amostral deve ser feito com base em valores estatsticos, ou seja, deve
ser verificado se o valor do correlograma estatisticamente significativo.

Exemplificando, em teoria o correlograma parcial de um AR(1) deveria apresentar valor zero

para as correlaes acima da segunda defasagem. Entretanto, no correlograma parcial de uma
amostra os valores dessas correlaes estaro presentes, porm, devero ser estatisticamente
no significativas. Para isso, deve ser levando em considerao que a correlao apresenta as
seguintes propriedades estatsticas:

o Normalmente distribudo, com mdia zero;

o Varincia dada por:
( ) = 1 , = 1;

( ) = 1
(1 + 2 2 ) , > 1
=1
o Hiptese nula dada por: 0 : 1 = 0

Portanto, a anlise por correlograma deve seguir os seguintes passos:

o Comparar o correlograma amostral e verificar com qual modelo terico ele mais
se assemelha;
o Caso dois modelos se assemelhem, faz-se a regresso para obter as anlises
estatsticas dos dois modelos, e observar qual apresenta os melhores critrios
de seleo (e quais apresentam estatsticas t significativas para os regressores
calculados;
Akaike (AIC): critrio de seleo geralmente utilizado para srie com
pouca amostra, uma vez que, comparado ao modelo Schawrtz, penaliza
menos a incluso de mais dados;
= ln() + 2
Shawrtz (SBC): critrio de seleo geralmente utilizado para sries com
elevado nmero de amostras, haja visto que penaliza de forma mais
severa a incluso de mais dados, e por isso considerado um modelo
mais com mais parcimnia que o AIC.
= ln() + ln()
= ( + + );
=
Casos os modelos AIC e SBC selecionem modelos diferentes, devero ser
avaliadas as estatsticas de teste calculada para o modelo AIC, haja visto que
para um grande nmero de amostras o modelo AIC pode acabar selecionador
um excesso de parmetros.

o Uma forma adicional de validar se o melhor modelo foi selecionado, atravs

da anlise do correlograma dos resduos. Os resduos de qualquer regresso
temporal devem se comportar como um rudo branco, logo, se houver alguma
correlao estatisticamente significativa dos resduos aps regresso, o modelo
deve ser descartado. Uma forma de avaliar a autocorrelao conjunta dos
resduos atravs do teste Q de Box-Pierce ou Box-Ljung. O teste Q verificar se
os resduos se comportam como um rudo branco, ou seja, so variveis que de
fato no podem ser mensuradas). Se houver, o modelo no pode ser utilizado;

( ) = 2
=1

2
( ) = ( + 2)
( )
=1

2
~ 1

Modelo de seleo de Box-Jenkins

O modelo de seleo proposto por Box-Jenkins leva em considerao dois fatores principais:

1. Nem sempre o modelo com maior nmero de variveis explicativas ser o mais
adequado, haja visto que o aumento na quantidade dessas variveis pode representar
um custo computacional desnecessrio;
2. A ideia no obter exatamente o modelo gerador dos dados, mas sim um modelo
aproximado, que represente com um bom grau de aproximao, o processo gerador
dos dados;

Portanto, o modelo ir propor 4 anlises:

1. Parcimnia: escolher a quantidade de variveis explicativas que de fato so necessrias

para explicar o modelo, eliminando aquelas que so estatisticamente insignificantes, e
tambm eliminando variveis que so fortemente colineares;
Obs.: caso do problema de fator comum;

2. Estacionariedade e Inversibilidade: para ser possvel estimar um modelo, o processo

gerador deve ser estacionrio. Ou seja, para que o modelo seja estacionrio:
AR(1): valor de 1 < |1|;
AR(2): razes do polinmio (1 1 2 2 ) devem estar localizadas fora do
crculo unitrio;

E para que seja inversvel:

MA(1): valor de 1 < |1|;

Caso o modelo AR(p) esteja descrito como um MA(p), necessrio que as razes
do polinmio (1 + 1 + 2 2 + + ) estejam fora do crculo unitrio.

3. Qualidade de Ajuste: uma vez definido o modelo, e estimado os parmetros, deve-se

avaliar se o modelo proposto representa corretamente os dados. Para isso, devem ser
avaliados os critrios de avaliao de Akaik ou Schawrtz. No caso dos modelos ARMA
(p,q), como estes modelos so obtidos a partir de mtodos computacionais, uma
demora no processamento dos dados tambm pode significar um problema, e a incluso
de uma ou mais variveis pode auxiliar.

4. Avaliao ps-estimao: ao final da estimao, uma forma de garantir que o modelo

de fato est bem definido analisar a correlao dos resduos do modelo proposto. Esta
anlise pode ser feita de trs formas:
I. Plotar a distribuio dos resduos normalizados, e observar se existe algum
outlier, ou uma concentrao que no seja normal. Neste caso o teste de
Jarque-Bera pode ser aplicado;
II. Se for observado um aumento na varincia dos resduos, aplicar o logaritmo
no modelo pode reduzir a varincia;
 III. Avaliar o ACF e PACF dos resduos, e verificar se existe alguma correlao;

Modelos de Previso

Uma das principais aplicaes de um modelo ARMA (p,q) a possibilidade de fazer previses
com relao varivel explicada. Tomando como exemplo um modelo AR(1): = 0 +
1 1 + , se atualizarmos o valor em um perodo (considerando que os valores de 0 e 1
sejam conhecidos, teremos que:

+1 = 0 + 1 + +1
De forma que o valor esperado de +1 ser:

[+1 ] = 0 + 1
Atualizando mais um perodo, teremos que:

[+2 ] = 0 + 1 [+1 ]
[+2 ] = 0 + 1 (0 + 1 )

[+2 ] = 0 + 1 0 + 1 2
Portanto, fazendo um processo interativo a frente, teremos que num perodo j:
1
[+ ] = 0 (1 + 1 + 1 2 + + 1 ) + 1

A qual a funo de previso, que claramente perde qualidade quanto maior for o valor de j. E
pode ser observado que, quando , o valor de [+ ] tender a uma mdia incondicional.

Apesar do valor esperado do erro no modelo de previso ser zero, a sua varincia ser diferente
de zero, e por esse motivo importante levar em considerao o valor previsto do erro a fim de
construir um intervalor de confiana + . Tomando como exemplo um modelo AR(1), o valor
de (1) = +1 +1. Da mesma forma, no caso de um AR(2), o valor de e(2) ser:

(2) = +2 +2
(2) = 0 + 1 +1 + +2 0 1 [+1 ]
(2) = 1 (+1 [+1 ]) + +2 = 1 +1 + +2
De forma geral, o valor previsto do erro em j ser dado por:

() = + + 1 ++1 + 1 2 ++2 + + 1 1 +1

Portanto, a resposta de um modelo de previso AR(p), considerando o intervalo de confiana

para o erro previsto, pode ser obtido como sendo:

(1): 0 + 1 1.96

(2): 0 (1 + 1 ) + 1 2 1.96(1 + 1 2 )1/2

Avaliao do modelo de previso

Basicamente os modelos de previso sero avaliados com base no MPSE: Mean Square Prevision
Erro, o qual como a prxima nomenclatura descreve, ser a mdia do erro quadrado da previso:

1
= 2

=1

O clculo do MPSE efetuado assumindo que as trs premissas abaixo so vlidas:

I. Os erros tm mdia zero e so normalmente distribudos;

II. Os erros no apresentam correlao serial;
III. Os erros no so correlacionados contemporaneamente entre s;

Pode ser calculado uma estatstica F para avaliar se dois modelos de previso so iguais:
1 2
=1 1
=
1 2

=1 2
Se F = 1, os modelos de previso so bem parecidos, se F >> 1, o MPSE do modelo 1 maior que
do modelo 2, logo, o modelo 2 preferencial ao modelo 1.

Testes para Modelos de Previso

Granger-Newbold Test: o modelo de Granger uma forma de eliminar o problema
de contemporaneidade dos erros. A ideia do teste de GN avaliar o comportamento
de duas equaes:
= 1 + 2 e = 1 2

A autocorrelao entre e ser dado por:

2 2
= = (1 2 )
2 2
Se os dois modelos so iguais, ento (1 ) = (2 )

GN tambm mostraram que a equao abaixo segue uma estatstica t:

2
(1 )
(1 )

Se o resultado for estatisticamente significativo, e o valor for:

o Positivo: modelo 1 possui maior MPSE;

o Negativo: modelo 2 possui maior MPSE;

Diebold-Mariano: o teste DM uma forma de relaxar as 3 premissas com relao

aos resduos, e avaliar os resduos de forma linear, ao invs de avaliar a forma
quadrtica (MPSE).

1
= [(1 ) (2 )]

=1
Cuja estatstica de teste ser dada por:

=
( + 21 + 22 + + 2 )
0
( 1)
 De forma prtica, basta fazer a regresso de d por uma constante, e avaliar se o seu
valor estatisticamente significativo.

Sazonalidade

A sazonalidade tem um impacto significativo na varincia de um modelo, sendo assim, ,odelos

de previso que ignoram a sazonalidade apresentam uma varincia elevada. Na forma mais pura
um modelo sazonal pode ser especificado como sendo:

(4): = 4 4 +
(4): = + 4 4
Duas formas podem ser utilizadas para capturar o efeito sazonal:

o Aditiva: adiciona-se o componente sazonal aos modelos AR ou MA

: = 1 1 + 4 4 + 1 1 +

: = 1 + + 1 1 + 4 4

o Multiplicativa: faz-se uma interao com a componente sazonal e os valores

defasados:
: = 1 1 + 4 4 + 1 4 5 + 1 1 +

: = 1 1 + + 1 1 + 4 4 + 1 4 5
importante observar tambm a notao correta a ser utilizada nos casos de extrair diferenas
sazonais.

o Para extrair uma diferena de ordem d-sima de uma srie, deve ser utilizada a
notao: . Ex.: 2 = ( 1 ) = ( 1 ) (1 2 );
o Porm, para indicar que deve ser extrada a s-sima sazonalidade de uma srie, deve
ser utilizada a notao . Ex.: 12 = ( 12 );
o Caso queira extrair a segunda diferena sazonal de uma srie mensal:
= ( 12 ) = ( 12 ) (12 24 );

Da mesma forma que h necessidade de se tirar a primeira diferena de sries no estacionrias,

caso seja observado que o ACF de uma srie no apresenta decaimento, pode ser que haja
necessidade de remover essa sazonalidade persistente tirando a diferena sazonal. Portanto,
em alguns casos deve ser retirado tanto a diferena sazonal, quanto as n-simas diferenas.

Em resumo, as anlises de dados sazonais devem seguir dois passos:

I. Eliminar a sazonalidade dos dados incluindo a varivel sazonal. Caso o ACF ainda
apresente um padro no estacionrio, deve-se retirar a primeira diferena dos dados.
II. Testar alguns modelos, aplicando a sazonalidade multiplicativa e aditiva, e observar o
que apresenta os melhores critrios de seleo;

Anlise de mudana estrutural

Mudanas estruturais podem ocorrer em sries temporais por dois motivos:

I. Choques aleatrios devido crises pontuais: bolhas, guerras, recesses;

 II. Choques naturais que vo aumentando sua influncia ao passar do tempo: aquecimento
global, secas permanentes, etc;

Portanto, a ideia de analisar se houver alguma mudana estrutural na srie para avaliar se os
estimadores calculados podem ser mantidos durante toda o perodo analisado.

Teste Chow

O teste de Chow aplicado quando deseja-se avaliar se houve alguma mudana estrutural em
um ponto j determinado.

I. Divide-se a srie neste determinado ponto;

II. Faz-se a regresso das duas sries separadas;
III. Calcula o SSR de cada srie;
IV. Aplica-se um teste F:
( 1 2 )
=
(1 + 2 )
( 2)
o Se os valores de F se aproximam de zero, ento no houve mudana estrutural, haja
visto que a soma dos SSR antes e depois igual ao total;
o Se os valores de F so altos, ento provavelmente houve uma mudana estrutural;

Clculo Recursivo

O problema do teste Chow a necessidade de saber quando ocorreu exatamente a provvel

mudana estrutural, e tal informao nem sempre existe com tanta exatido. Uma forma de
eliminar este problema fazer o clculo recursivo dos parmetros estimados. Neste caso, utiliza-
se as primeiras amostras para fazer a estimao inicial, e a partir da estimao inicial vo sendo
recalculados os estimadores com a incluso de mais dados. Caso seja observado uma alterao
consistente no valor do estimador, provavelmente a explicao ser uma quebra estrutural. A
ideia ento plotar os coeficientes calculados, juntamente com uma banda de dois desvios
padro, de forma a verificar o intervalo de confiana do estimado.

O teste CUMSUM, ou seja, a soma acumulada dos erros ser um indicativo se houve uma
mudana estrutural.

Combinao de Modelos de Previso

LIVRO KOOPMAN MODELO ESPAO ESTADOS

O modelo de espao de estados uma forma de avaliar os componentes que formam o processo
gerador, a partir dos seus valores observados da srie. Deforma geral, as sries temporais so
formadas por:

Tendncia ( ): refere-se direo geral segundo o qual o grfico da srie se

desenvolve ao longo de um determinado perodo de tempo;
Componente cclico ( ): se refere s oscilaes de longo prazo em torno da sua
linha de tendncia;
Componente sazonal ( ): so padres de comportamento que a srie aparenta
obedecer durante sucessivos intervalos de tempo, resultantes de oscilaes
peridicas que ocorrem repetidamente;
Choques aleatrios ou erros ( ): so os deslocamentos espordicos das sries
temporais, provocadas por eventos casuais;

A vantagem deste procedimento que os componentes tm uma interpretao direta, devido

maneira que modelo construdo. Alm disto, a flexibilidade dessa modelagem, incluindo a
capacidade de lidar com dados multivariados, e processos no estacionrios, confere-lhes uma
significativa vantagem frente s demais metodologias de anlise de sries temporais, com a
metodologia de Box-Jenkins.

Os modelos estruturais so geralmente escritos na forma de espao de estados para facilitar a

aplicao dos filtros de Kalman, que a ferramenta bsica de estimao e previso. Alguns
modelos especficos de Espao Estado so: Modelo de Nvel Local (MNL), Modelo de Tendncia
Linear Local (MTL), Modelo de Tendncia Polinomial (MTP), e Modelo Estrutural Bsico (MEB).

O modelo na forma de espao de estados descrito por duas equaes:

o Equao das observaes: = + +

o Equao do estado: = + +
= vetor de rudos serialmente no correlacionados;
= vetor de estados;
, , = so as matrizes do sistema

Exemplos:

a tendncia do PIB, e a variao observada do PIB;

a volatilidade do ativo, a volatilidade realizada;

Neste caso, as quantidades desconhecidas so agrupadas em dois grupos diferentes:

o Parmetros estticos, tambm conhecidos como hiperparmetros;

o Parmetros de estado ( ), os quais podem variar no tempo.
Modelo de Nvel Local (MNL):
 o modelo mais simples, uma vez que descreve a srie como sendo resultado apenas de uma
variao do seu nvel local, adicionado de um erro aleatrio. Ou seja, o MNL se assemelha um
passeio aleatrio, ou seja, sem uma trajetria fixa (com exceo do caso especfico quando 2 =
0), e tambm sem tendncia.

A primeira equao = + conhecida como equao observada (ou mensurada),

enquanto a segunda equao = 1 + conhecida como equao de estado da srie.
Quando = 0, o modelo basicamente se resume a um processo determinstico, sendo
dependente apenas da primeira observao de 1 , de forma que o nvel no vai variar com o
tempo.

A vantagem do modelo de nvel local permitir que o componente do nvel varie ao longo do
tempo, diferente dos modelos determinsticos que fixam o valor inicial para toda a srie.
Entretanto, diferente do modelo determinstico onde possvel calcular o valor inicial para o
nvel de forma analtica, no caso dos modelos de espao de estado necessrio utilizar mtodos
computacionais, que calcularo o valor dessa varivel de modo iterativo.

A forma de espao de estados do modelo MNL tal que:

E o vetor de estados = .

Modelo de Tendncia Linear Local (MTL):

O modelo MTL, tambm conhecido como Modelo Linear Dinmico (MDL) de segunda ordem,
semelhante ao MNL, porm, permite tambm que o nvel apresente um crescimento (ou
decrescimento) de forma gradual e permanente ao longo do tempo, ou seja, permite que a srie
apresente uma tendncia.

o Modelo Determinstico:
= 1 + 1 +

Neste caso, os valores de 1 1 so os valores iniciais determinsticos para o

nvel e para a inclinao (tendncia).

o Modelo Aleatrio:

= +
= 1 + 1 + 1
= 1 +
 Neste caso os valores do nvel e de tendncia variam com o tempo. Quando a
inclinao da curva de nvel varia com o tempo, o termo passa a ser denominado
drift.

Nos modelos de espao de estado, se a varincia do distrbio for prxima zero, isso
um indicativo de que tal varivel pode ser considerada como determinstica, ao
invs de estocstica, permitindo que o modelo seja estimado com mais parcimnia.

A forma de espao de estados do modelo MNL tal que:

Modelo de Nvel Local com Sazonalidade

Uma outra componente que pode ser adicionada ao modelo de nvel a sazonalidade. Como j
fora apresentado anteriormente, a sazonalidade um padro de comportamento que a srie
aparenta obedecer durante sucessivos intervalos de tempo, resultantes de oscilaes
peridicas. Portanto, o modelo aleatrio considerando sazonalidade pode ser descrito como
sendo:

= +
= 1 + 1 + 1
= 1 + 1
= 1 2 3 +
2, = 1,1

3, = 2,1

Cuja forma no espao de estados dada por:

Modelo Estrutural Bsico (MEB)

Em resumo, o modelo estrutural bsico das sries de tempo pode ser descrito como sendo a
soma das componentes de nvel, tendncia e sazonalidade.

= + +
Onde:

= 1 + 1 +
= 1 +
= 1 2 3 +

Filtros de Kalman

Os filtros de Kalman so aplicados sobre os modelos de Espao de Estados com os seguintes

objetivos:

Filtragem: utilizado para estimar o vetor de espao de estados ( ), utilizando toda

informao at o instante t-1. A ideia de utilizar os dados filtrados avaliar o que seria
possvel fazer com base na informao disponvel a cada instante;
Suavizao: utilizado para estimar o vetor de espao de estados ( ), porm, utilizando
toda informao at o instante t. Permite avaliar qual era o estado do componente em
cada instante de tempo com maior preciso;
Previso: utilizado para prever o vetor de espao de estados (+ ), utilizando a
informao no instante t;

Modelo Espao Estado x Box-Jenkins

Os modelos vistos para anlises utilizando os mtodos de Box-Jenkins tambm podem ser
escritos em forma de espao de estados. Apesar de ambos mtodos serem amplamente
utilizados em sries de tempo, suas caractersticas e aplicaes so um pouco diferentes.

O mtodo de Box-Jenkins necessita que os dados sejam estacionrios, e por esse motivo, muitas
vezes os dados devem ser previamente trabalhados a fim de gerar a estacionariedade. Por esse
motivo o modelo de Box-Jenkins mais voltado anlise da dinmica de curto-prazo, e por
consequncia, mais aplicado modelos de previso.

J o modelo de Espao de Estados consegue tratar dos dados sem que haja necessidade da srie
ser estacionria, alm de permitir uma anlise simultnea e separada dos componentes de uma
srie de tempo (ciclos, sazonalidades, tendncia, choques). Uma das vantagens de ser possvel
avaliar separadamente os componentes da srie temporal, a possibilidade de avaliar quebras
estruturais e instabilidade dos processos geradores de dados.

De qualquer forma, modelos ARIMA podem ser escritos como modelos de Espao de Estados,
conforme os exemplos a seguir:
 Modelo em Nvel Local e ARIMA (0,1,1)

O modelo em nvel local escrito como sendo:

= +
= 1 +
Se extrairmos a primeira diferena da equao observada:

= ( 1 ) = ( + ) (1 + 1 )
= ( 1 ) = ( 1 ) + ( 1 )
= ( 1 ) = + 1
= 1 + + 1
Portanto, o modelo em nvel equivalente ao modelo ARIMA (0,1,1).

Modelo em Nvel Local com Tendncia e ARIMA (0,2,2)

O modelo em nvel local com tendncia descrito como sendo:

= +
= 1 + 1 +
= 1 +
Se extrairmos a segunda diferena da equao observada:
2 = ( 1 ) (1 2 ) = ( + ) (1 + 1 ) (1 + 1 ) + (2 + 2 )

2 = ( 1 ) + ( 21 2 ) (1 2 )

2 = (1 + 1 ) + ( 21 2 ) (2 + 2 )

2 = (1 2 ) + ( 21 2 ) + 1 2 )

2 = 2 + ( 21 2 ) + (1 2 )

Portanto, o modelo em nvel local com tendncia equivalente ao modelo ARIMA (0,2,2).

CAPTULO 4: MODELOS COM TENDNCIA

Uma equao linear estocstica pode ser escrita como sendo formada por trs componentes:

= + +
Com relao tendncia, os processos podem ser do tipo Trend Stationary ou Difference
Stationary:

Trend Stationary (TS): = , possui soluo = +

um processo que TS possui um uma tendncia determinstica ( ), e pelo fato dessa
tendncia ser determinstica (0 ), apesar da mdia variar no tempo (ou seja, ser um
processo no estacionrio), possui uma varincia fixa, e pelo fato da sua varincia ser
fixa, os processos TS oscilam muito prximos media.
 Difference Stationary (DS): = , possui soluo = + =
assim como o processo TS, os processos DS tambm possuem um mdia que varia ao
longo do tempo, porm, ao contrrio dos processos TS, a varincia do processo DS
tambm varia com o tempo. Por esse motivo, os processos DS geralmente caminham
longe da sua linha de tendncia.

Basicamente existem 3 modelos no estacionrios que so os building blocks de processos com

tendncia: Random Walk, Random Walk + Drift e Randow Walk + Noise.

Random Walk: = + : O processo Random Walk no estacionrio, haja visto

que a mdia varia com o tempo, e sua varincia tambm varia com o tempo. Alm do
mais, o resultado dessa equao mostra que os choques so permanentes, e ter
impacto em todos os valores futuros de .

No caso da previso, os modelos Randon Walk apresentam um valor fixo, tal que:
+ = .

Randow Walk + Drift: = + , cujo resultado = + + = :

portanto o modelo RWD possui uma tendncia determinstica ( ), e tambm uma
tendncia estocstica = . Ou seja, este modelo puramente composto por fatores
de tendncia (ou seja, no apresenta nenhum processo aleatrio puro), e a tendncia
determinstica quem domina o processo. Entretanto, tambm pode ser observado que
neste caso a primeira diferena estacionria.
 Randon Walk + Noise: = + , processo que bastante semelhante ao Randon
walk puro, e possui as mesmas caractersticas. A nica diferena que a incluso do
rudo aumenta a varincia de ao longo do tempo, porm, o efeito de no
permanente como .

Randon Walk + Noise + Drift: = + + , este seria o processo mais geral,

onde so agrupados todos os trs modelos bsicos, de forma que as caractersticas de
cada um dos modelos anteriores so somadas a este modelo: tendncia determinstica,
tendncia estocstica, e aumento da varincia devido rudo branco;

Eliminar a Tendncia

Existem duas formas da tendncia de uma srie de tempo ser eliminada, e o processo aplicado
depende se a srie do tipo TS ou DS.

Detrending: se a srie for do tipo TS, ou seja, apresentar uma tendncia determinstica,
o processo para eliminar a tendncia consiste em:
I. Fazer a regresso da srie: = + +
II. E com os resduos da srie fazer novamente a regresso dos valores de
com um polinmio de tendncia: = + + + + + .
A quantidade de termos do polinmio deve ser avaliado com base em testes
t, F e critrios de seleo;
Differencing: caso a srie seja do tipo DS, e possua um ou mais razes unitrias, o
processo de eliminao da tendncia consiste em fazer a diferenciao da srie n vezes,
onde n a quantidade de razes unitrias dessa srie.

Obs.: importante observar que os mtodos no so intercambiveis, ou seja, devem ser

aplicados exclusivamente em seus devidos processos. Diferenciar um processo TS tem como
consequncia a introduo de um processo MA com raz unitria, ou seja, no inversvel. Por
outro lado, eliminar a tendncia determinstica de cada termo de um processo de raz unitria
tambm no suficiente para eliminar sua tendncia.

Regresso em processos de raz unitria

Um dos principais problemas em fazer a regresso em processos no-estacionrios (ou seja,

apresentam raza unitria), o fato da regresso ser espria, ou seja, a regresso apresentar
valores estatisticamente significativos, indicando uma correlao entre a varivel explicada e
explicativa, um valor elevado para R2, porm, no ter nenhum significado econmico racional.

Portanto, todos os testes e inferncias estatsticas no se aplicam em processos no

estacionrios, da a importncia de eliminar a tendncia, ou transform-los em processos
estacionrios.

Testes de Dickey-Fuller (DF e ADF)

Como j fora discutido anteriormente, a importncia de saber se um processo estacionrio ou

no, deve-se ao fato de que todos os testes e inferncias estatsticas so vlidos apenas se o
processo for estacionrio. Portanto, antes de ser efetuada qualquer tipo de anlise, necessrio
verificar se o processo ou no estacionrio, e para isto, o teste mais comum a ser aplicado o
teste de Dickey-Fuller. O teste de Dickey-Fuller consiste nos seguintes passos:

I. Tira-se a primeira diferena da equao diferencial, somando o termo 1 nos dois

lados da equao:
1 = 1 1 +

= ( 1)1 +
(
Fazendo 1) = , temos que: = 1 + . A ideia do teste de DF verificar
se = 0, haja visto que, se = 0 => = 1, e consequentemente, o sistema no ser
estacionrio.
Obs.: necessrio tirar a primeira diferena pois no sabido previamente se o
processo ou no estacionrio, de forma que tirar a primeira diferena permite que os
testes e inferncias possam ser realizados.
II. Uma vez extrado a primeira diferena, calcula-se o valor de , e compara o valor
calculado com a tabela elaborada por DF. Lembrando que as hipteses do teste de DF
so:
0 : = 0
1 : < 0
Obs.: os testes de DF tambm so vlidos para processos com drift ou tendncia determinsticas:

= 1 +
= 0 + 1 +
= 0 + 2 + 1 +
Porm, como o valor das estatsticas de teste so diferentes para cada caso, necessrio avaliar
a tabela de DF, onde estaro descritos os t crticos para cada situao:

o = estatstica de teste para avaliar o modelo bsico;

o = estatstica de teste para avaliar o modelo com drift;
o = estatstica de teste para avaliar o modelo com tendncia determinstica;

Augmented Dickey-Fuller Test (ADF Test)

O teste expandido utilizando quando so includos regressores de n-sima diferenas no

modelo, a fim de eliminar qualquer problema de autocorrelao dos resduos.

= 1 + 1 +
=2

= 0 + 1 + 1 +
=2

= 0 + 2 + 1 + 1 +
=2

Neste caso, alm dos valores de , , tambm sero calculadas as seguintes estatsticas de
teste F para avaliar a significncia conjunta dos regressores:

o 1 = estatstica de teste F para avaliar se = 0 = 0 ;

o 2 = estatstica de teste F para avaliar se = 0 = 2 = 0;
o 3 = estatstica de teste F para avaliar se = 2 = 0;

E os valores de so calculados como sendo:

( )[ ]
=
[ ]
Portanto:

o se o for prximo ao valor do , ento 0, logo aceita-se

a hiptese nula de que os dados so gerados pelo modelo restrito.
o se o for maior que o valor do , ento , logo rejeita-
se a hiptese nula de que os dados so gerados pelo modelo restrito.

Portanto, as hipteses nula e alternativa do teste so:

0 :
1 :

Problemas com o teste ADF:

o Geralmente o teste ADF falha quando o valor de prximo 1. Neste caso
pode acontecer do teste rejeitar a hiptese nula de que = 1, porm, quando
feito a regresso, o valor de consta como sendo estatisticamente
significativo e com valor < 1;
Neste caso deve ser utilizado o teste KPSS (Kwiatowski, Philips, Schmidt,
Shin);
o S possvel efetuar o teste de Dickey-Fuller quando conhecido o nmero de
variveis defasadas da varivel explicativa. A incluso de muitas variveis reduz
o poder do teste, haja visto que reduz os graus de liberdade. A incluso de
poucas variveis aumenta a correlao dos resduos, levando resultados
incorretos para o teste.
Neste caso deve ser aplicada a metodologia Geral para Especfico, ou
seja, comea a regresso com um nmero considervel de variveis
defasadas, e vai fazendo o teste t dos regressores, teste F de
significncia conjuta, e anlise dos resduos. Enquanto houver
regressores estatisticamente no significativos, deve continuar
eliminando tais regressores e continuar fazendo as anlises.
Obs.: o processo contrrio (ir aumentando o nmero de variveis
defasadas leva a um resultado incorreto);
o O PGD pode conter tanto componentes AR quanto MA, portanto, fundamental
saber se de fato existe um MA, haja visto que o teste deve ser feito de forma
diferente;
No caso da existncia de um MA, uma possibilidade transformar o MA
em um AR. Porm, a presena de um componente MA fortemente
negativo acarretar em correlaes pequenas, e consequentemente o
ACF apontar a existncia de um processo estacionrio;
o O teste ADF, a princpio considera a presena de apenas uma raiz unitria,
porm, comum a existncia de mais de uma raiz unitria;
Neste caso deve-se fazer a diferenciao n vezes, sendo n o nmero de
supostas razes unitria;
o Existem processos onde necessrio extrair no apenas a raiz unitria, mas
tambm o componente sazonal;
Se a sazonalidade for determinstica, devem ser includas dummies
sazonais para cada perodo;
Se for suposta a presena de uma raz unitria sazonal, deve ser
aplicado o teste HEGY;
o Pode ser que exista uma quebra estrutural nos dados, e a existncia de quebra
estrutural viesa o teste de Dickey-Fuller, o problema que a quebra estrutura
pode levar a uma falsa impresso de estacionariedade, quando na verdade o
que ocorreu foi uma quebra estrutural;
Na presena de quebra estrutural, o teste de Perron deve ser utilizado
ao invs do teste de Dickey-Fuller;
0 : = 0 + 1 1 + 1 +
1 : = 0 + 2 + 2 +
=
=
Para realizar o teste, bastar combinar as hipteses nula e alternativa,
estimar os regressores sob hiptese nula de raz estacionria; checar os
resduos (se no estiverem bem comportados, incluir os valores
defasados).
Obs.: o teste t para 1 deve seguir a tabela construda por Perron.