Você está na página 1de 109

Econometria de SÈries Temporais:

Manual de SoluÁıes

Rodrigo De Losso da Silveira Bueno

Juliana Inhasz 2. a ediÁ„o

S„o Paulo, fevereiro de 2011.

1 INTRODU« O

ExercÌcio 1.1 Suponha o seguinte modelo linear: y = X + " , onde y e " s„o vetores

n 1; X < 1

È uma matriz n k e È um vetor k 1.

1. Qual(is) a(s) hipÛtese(s) necess·ria(s) para estimar esse modelo por MQO?

^

2. Qual(is) a(s) hipÛtese(s) necess·ria(s) para que o estimado, , exista e seja

˙nico?

^

3. Qual(is) a(s) hipÛtese(s) necess·ria(s) para que seja n„o viesado?

^

4. Qual(is) a(s) hipÛtese(s) necess·ria(s) para que seja eÖciente?

5. Qual(is) a(s) hipÛtese(s) necess·ria(s) para que se possa fazer inferÍncia es- tatÌstica?

SoluÁ„o 1.1 Este exercÌcio possui dois propÛsitos. Primeiro, induzir o estudante a entender onde exatamente se aplica cada hipÛtese do modelo de regress„o linear m˙ltipla, fazendo-o retornar a esses conceitos. Segundo, revisar os conceitos estatÌs- ticos de viÈs e eÖciÍncia, aplicados ‡ Econometria dos MÌnimos Quadrados ñ uma boa referÍncia, para o professor, seria WHITE, Halbert. Asymptotic Theory for Econometricians, 2nd. ed. Orlando: Academic Press, 2000. Note que nada È dito sobre o comportamento do termo aleatÛrio, justamente porque algumas perguntas referem-se a seu comportamento.

1. Estimar o modelo por MQO È apenas um mÈtodo matem·tico, nada mais. Por- tanto, apenas necessitamos de uma condiÁ„o matem·tica que È r (x ) = k , isto È, que o posto da matriz X seja pleno. Precisamos disso porque, do contr·rio, X 0 X n„o seria inversÌvel e, ent„o, n„o poderÌamos estimar o modelo por MQO.

^

2. Outra vez, apenas necessitamos que r (x ) = k , do contr·rio, n„o existiria . A

unicidade È dada justamente porque o posto È pleno. Se X fosse estoc·stico, precisarÌamos que plim X 0 X = Q 6= 0 1 .

n

3. Aqui precisamos de v·rias hipÛteses.

^

(a) 9

1 Este item apenas tem sentido em ser perguntado se, em aula, o professor apresentar os resultados da regress„o para X estoc·stico.

1

^

(b) È ˙nico;

(c)

Se X È n„o estoc·stico, como assumido neste capÌtulo, E ("X ) = 0 = E (" ), onde a segunda desigualdade resulta da Lei das Expectativas Iterativas. Se X È estoc·stico, precisamos que plim X 0 " = 0.

n

4. Aqui usamos a hipÛtese de homocedasticidade. Por isso, podemos concluir que, para ser n„o viesado, nada precisamos impor sobre a vari‚ncia dos resÌduos.

(a)

(b)

(c)

(d)

9

^

^

È ˙nico;

plim X 0 " = 0

n

Se " (0; ), onde = 2 I , basta estimar o modelo por MQO. Para com- plementar, mesmo que o professor ainda n„o tenha dado heterocedastici- dade, ele poderia dizer que precisamos estimar por um outro mÈtodo a ser aprendido, denominado mÌnimos quadrados generalizados. Isto È dizer, formalmente, que, se 6= 2 I , estimamos C 1 y = C 1 X + C 1 "; = CC 0 .

5. Para inferÍncia estatÌstica, admitimos que os erros tenham uma distribuiÁ„o Normal e sejam independentes entre si, de onde se seguem todos os resultados do capÌtulo. Se forem normais, mas n„o independentes, ter-se-ia que estimar os par‚metros por mÌnimos quadrados generalizados, pois, do contr·rio, as in- ferÍncias estatÌsticas n„o seriam v·lidas. Esta È a ˙nica hipÛtese necess·ria. Se n„o admitirmos que os erros tÍm distribuiÁ„o Normal, podemos assumir a hipÛtese mais fraca de que s„o identicamente e independentemente distribuÌdos, mas nesse caso os testes somente ser„o v·lidos assintoticamente. Em ambos os casos, pode-se argumentar que tais hipÛteses s„o muito fortes, a primeira mais forte do que a segunda.

ExercÌcio 1.2 Ad„o Ismiti queria veriÖcar se a produtividade do trabalho aumen- tava com a divis„o do trabalho. Para isso, fez a seguinte experiÍncia: regrediu a pro- dutividade (p ) de n trabalhadores de f·bricas de alÖnetes contra o n˙mero de funÁıes exercidas pelo trabalhador (F ), anos de escolaridade (E ), sal·rio (w ) e n˙mero de

Ölhos (N ). Formalmente a regress„o foi: p i = 1 + 2 F i + 3 E i + 4 w i + 5 N i + u i . Usando o teste t Student, Ismiti n„o rejeitou a hipÛtese nula de par‚metro igual

^

a zero para 3 . Retirou a vari·vel E da regress„o e estimou o modelo restrito, ob-

^

servando que 5 tornou-se, tambÈm, estatisticamente n„o signiÖcativo. Finalmente,

retirou N da regress„o e estimou o modelo de novo.

2

^

1. Por que n„o foi preciso fazer o teste de F em 3 , para retirar E do modelo?

Ou seja, por que apenas o teste de t Student pÙde ser feito?

2. JustiÖque se o procedimento adotado por Ismiti est· correto ou equivocado, para ter eliminado a vari·vel N do modelo.

SoluÁ„o 1.2 Este exercÌcio È muito ilustrativo e traz um pouco de problemas em- pÌricos ‡ tona. Quer-se testar se o estudante entendeu como usar os testes t e F corretamente, e evitar que ele cometa o erro de retirar vari·veis explicativas, estatis- ticamente iguais a zero, sequencialmente. O certo È apenas fazer um teste de hipÛtese conjunta e, se for o caso, concluir que tais vari·veis n„o explicam o modelo.

1. A raz„o para n„o usar o teste F È que, quando estamos testando apenas um par‚metro, o teste t e F se equivalem. Ou seja, pode-se usar um ou outro. Em geral, nos pacotes economÈtricos o teste t sai automaticamente, por isso podemos olhar para ele sem problemas. Vale lembrar que, para um par‚metro apenas, t 2 È equivalente a F (1; n ).

2. O procedimento de Ismiti est· absolutamente equivocado. O correto seria testar,

^

^

conjuntamente, por F , se 3 e 5 s„o, simultaneamente, iguais a zero. A raz„o

especÌÖca È que no segundo teste, mudou-se o n˙mero de graus de liberdade, por isso o equÌvoco. Ou, em outras palavras, no segundo teste, o modelo mudou em relaÁ„o ao primeiro.

^

ExercÌcio 1.3 Suponha um modelo de regress„o linear m˙ltiplo em que exista, seja n„o viesado e eÖciente, pois u È homoced·stico. Suponha que vocÍ imponha falsas restriÁıes sobre os par‚metros do modelo.

1. Mostre que as estimativas nesse caso s„o viesadas.

2. Mostre que a vari‚ncia das estimativas do modelo com restriÁıes È menor do que a vari‚ncia das estimativas do modelo sem restriÁıes.

3. Qual a implicaÁ„o desse resultado em termos de previs„o? Qual a intuiÁ„o desse resultado?

Sugest„o: Lembre o que È EQM, ou seja, o erro quadr·tico mÈdio.

SoluÁ„o 1.3 O exercÌcio procura ilustrar um caso que n„o È muito intuitivo, ‡ primeira vista, ou seja quando se impıem falsas restriÁıes no modelo a vari‚ncia reduz-se. Isto È importante para se ter uma primeira intuiÁ„o do erro quadr·tico

3

mÈdio, sua import‚ncia e suas consequÍncias para a previs„o. ¿s vezes, impondo falsas restriÁıes, pode-se melhorar a previs„o, pois reduz-se o erro de previs„o, n„o obstante o viÈs possa aumentar.

1. Primeiramente, note que

^

sr =

^ = (X 0 X ) 1 X 0 Y

cr = = + K r R

^

^

^

K = (X 0 X ) 1

R 0 h R (X 0 X ) 1 R 0 i 1

Daqui podem-se tirar as seguintes conclusıes:

Var = 2 (X 0 X ) 1

^

E ( ) = + K (r R )

Como r 6= R ) E ( ) 6= . Portanto, as estimativas s„o viesadas.

2. H· bastante ·lgebra neste exercÌcio, mas, com calma, obtÈm-se a resposta.

Var ( ) =

=

E h + Kr KR Kr KR i + Kr KR Kr KR i 0 =

^

^

h

^

^

|

{z

} |

{z

}

=

A

=

A

= E [ AA 0 ] =

=

E h KR i [A ] 0 = E (I KR ) 0 (I KR ) 0 =

^

^

^

^

=

(I KR ) B (I KR ) 0 2 = B BR 0 K 0 KRB + KRBR 0 K 0 ! 2

|

{z

}

=

D

B

Desenvolvendo D ; temos:

= (X 0 X ) 1

D

=(X 0 X ) 1 R 0 h R (X 0 X ) 1 R 0 i 1 R (X 0 X ) 1 R 0 K 0 = BR 0 K 0

|

{z

}

= K

|

{z }

= B

4

Dessa forma, conseguimos:

Var ( ) = (B KRB ) 2 = ( I KR ) B 2 = ( I KR ) ( X 0 X ) 1 2

Logo, se KR > 0 ) V ar ( ) < V ar . Para ver este ˙ltimo fato, observe

que

KR=(X 0 X ) 1 R 0 h R (X 0 X ) 1 R 0 i 1 R

^

|

{z }

|

{z

}

> 0

R 0 L 0 LR

| {z }

T 0 T

Agora, seja c = T v , onde c È um vetor nx1. Sendo assim, c 0 c = v 0T 0 T v > 0, como querÌamos demonstrar, pois c 0 c È um escalar.

3. Mesmo com falsas restriÁıes, as previsıes ser„o melhores se a diminuiÁ„o da vari‚ncia for maior do que o aumento do viÈs. Formalmente, se EQM < EQM . A intuiÁ„o do resultado È que impor falsos par‚metros signiÖca que haver· menos par‚metros variando, o que poderia reduzir o erro de previs„o.

ExercÌcio 1.4 Responda:

1. Cite pelo menos dois testes para a hipÛtese de homocedasticidade.

2. Cite pelo menos um teste para a hipÛtese de autocorrelaÁ„o dos resÌduos.

3. Em caso de rejeiÁ„o da hipÛtese nula em (1), por que mÈtodo vocÍ estimaria o modelo?

4. Em caso de rejeiÁ„o da hipÛtese nula em (2)., por que mÈtodo vocÍ estimaria o modelo?

SoluÁ„o 1.4 O exercÌcio pretende que o aluno volte ao livro-texto e veriÖque clara- mente que testes ele pode aplicar e de que maneiras ele deve estimar o modelo, em caso de rejeiÁ„o da hipÛtese nula. Com isso, sistematiza-se todo o capÌtulo. Sugeri- mos consultar, adicionalmente, Johnston e Dinardo (1998).

1. H· v·rios testes que podem ser usados: Breusch-Pagan, White, Goldfeld-Quandt, Glesjer.

2. Durbin-Watson, ACF, Ljung-Box.

5

3.

MÌnimos quadrados generalizados, mÌnimos quadrados generalizados factÌveis.

4. Pode-se usar o mÈtodo de Cochrane-Orcutt, Durbin ou Vari·veis instrumentais.

ExercÌcio 1.5 FaÁa os seguintes exercÌcios:

1

1. Suponha que P i=0 jx i j < 1 . Mostre que P

1 2

i=0 x i

< 1 ;

2. Prove (ou n„o) que lim n !1 P n x = 1 ;

3. Prove (ou n„o) que lim n !1 P n

4. Prove (ou n„o) que se P

1

x

=1

x =1 x

1 2 = 1 ;

1 2

i=0 x i

1

< 1 , ent„o P i=0 jx i j < 1 .

1

SoluÁ„o 1.5 1. Pelo enunciado, temos que P i=0 jx i j < 1 . Como a soma em mÛdulo converge para um valor menor que inÖnito, devemos ent„o notar que cada elemento que forma essa sÈrie contribui com valor menor que 1, de forma que a mesma converge para algum valor menor que inÖnito. Assim, j· podemos concluir que:

i!1 jx i j < 1

lim

Portanto, uma vez que todo elemento em mÛdulo dessa sÈrie È menor que 1, o quadrado de cada um desses elementos tambÈm vai ser menor que 1. Isso nos indica, seguramente, que a soma de tais elementos (ou seja, a sÈrie dos quadrados de jx i j) tambÈm È convergente. Outra maneira de provar tal resultado È notar que:

lim

lim

i!1

x

2

i

x

i

i!1 jx i j < 1

1

<

lim

i!1

x

2

i

jx

i j

<

1

Pelo teste da raz„o vemos que a sÈrie converge.

6

2. Pelo enunciado, queremos saber lim n !1 P n

x

=1

1

x .

Mas o que È

1

x

1

x

t

X

x=1

x 1 ? Primeiro observe que:

>

>

x +1

Z

1

s ds = ln s j x +1 = ln (x + 1) ln (x ) = ln 1 +

x

x

ln 1 +

x

1

x

1

Por polinÙmio de Taylor encontra-se uma funÁ„o que se aproxima a ln 1 +

Aplicando

t

X

x =1

ln 1 +

x = x 2! x 2 + 1

1

1

1

3!x 3

1

x ao que temos

t

X

x

=1

1

x >

t+1

Z

1

1

x

dx = ln (t + 1) :

1 x

3. A demonstraÁ„o pode ser feita atravÈs da generalizaÁ„o do item anterior.

4. A demonstraÁ„o desse item È, sen„o, apenas o raciocÌnio contr·rio ao efetuado no primeiro item desse exercÌcio. A prova conÖrma o resultado enunciado.

1.1 EXERCÕCIOS PARA PROVAS

ExercÌcio 1.6 Prove que uma regress„o estimada sem a constante n„o implica que os resÌduos somar„o, necessariamente, zero e que o R 2 , se calculado como 1 e^`^e

y ` y ny 2 ,

^

^

pode ser negativo, onde e^ = y X , em que È o vetor de par‚metros estimados.

SoluÁ„o 1.6 Este exercÌcio mostra que o R 2 pode ser negativo, quando a regress„o por mÌnimos quadrados ordin·rios È feita sem constante (note que, mesmo com constante, quando estimamos um modelo n„o linear por m·xima verossimilhanÁa, podemos ter um R 2 negativo, mas isso È um caso

7

raro). Seu objetivo È alertar o estudante que, quando o R2 È negativo, na regress„o por MQO, È porque ele deve acrescentar a constante ao modelo. O motivo È muito sutil e ser· explicitamente apresentado na resoluÁ„o. A primeira parte do exercÌcio procura esclarecer por que os resÌduos somam zero, quando h· constante. Dada a regress„o y = X + " temos que:

y i = X i1 1 + X i2 2 + ::: + X ik k + " i ; i = 1; 2; :::; n

@

n

X
"

i=1

2

i

@ j

=

n

X (y i X i1 1 X i2 2 ::: X ik k ) X ji = 0; j = 1; 2:::k

i=1

Isso n„o garante que o resÌduos somar„o zero, pois X ji pode ser diferente de 1, para todo i , mesmo quando j = 1. Claramente, se X 1 i = 1, para todo i , os resÌduos somar„o zero. Isto Önaliza a primeira parte da quest„o. Sigamos para a segunda parte. Lembremos que:

SQT =

n

X

i=1

(y i y ) 2 = ( y i y

) 0 (y i y ) = y 0 y ny 2

SQE = y 0 y n _ y^ 2

SQR = e^0 e^ n _ e^ 2

Note como nada garante que e^ seja zero, e, no c·lculo do R 2 , n„o incluÌmos esse termo (retorne ‡ fÛrmula dada no exercÌcio); È por isso que o R 2 pode ser negativo.

Note, tambÈm, que: y i = y^ i + e^ ) X y i = X y^ i + X e^ ) y

X e^ = 0, o que somente ocorre se o modelo È estimado com constante, como demonstrado na primeira parte do exercÌcio. Sabemos, ainda, que y 0y = y^0 y^ + e^0e^. Com essas informaÁıes, temos:

= y^, apenas quando

_

_

1

e^0 e^ ny 2 = 1 y 0 y y^0 y^ 2 = y 0 y ny 2 y 0 y + y^0 y^ = ny 2 + y^0 y^

y 0 y ny

y 0y ny 2

y 0y ny 2

y 0y

Conseq¸entemente, se ny 2 >y^0 y^ ) R 2 < 0.

_

Para ver por que o R 2 È positivo quando existe constante, note que se y = y^ (caso

com constante), temos que -nØy 2 +àyíày=

n

X (^y i y ) 2 0 2 .

i=1

2 Veja a semelhanÁa com a fÛrmula do SQT.

8

ExercÌcio 1.7 Considere o modelo heteroced·stico: y ij = + X i + u ij , onde,

X i < 1 È uma matriz n i k e È um vetor k 1; u i N (0; ) , E (u i u j ) = 0, j 6= i

, i = 1 ; 2; :::; m (m > 1), j = 1 ; 2; :::; n i (n i > 2).

s = P

Um estimador amostral de È:

2

i

2

i

j

=1 ( y ij y

n i 1

n

i

) 2

i = P

n

j =1 y ij

i

2

i

, onde y

2

. Determine E (s ).

i

n

i

SoluÁ„o 1.7 O problema È interessante para que o estudante possa comeÁar a ver onde a heterocedasticidade se encaixa com relaÁ„o ao modelo lin- ear geral. AlÈm disso, o problema n„o apresenta maiores diÖculdades. O propÛsito do exercÌcio È mostrar uma metodologia para calcular a correÁ„o da vari‚ncia, quando h· heterocedasticidade.

SoluÁ„o 1.8 ExercÌcio 1.8 SoluÁ„o 1.9 Comecemos com os c·lculos b·sicos. Se

u i ~N (0; 2 I ), ent„o E (u ij ) = 0, 8i; j e E u

ij 2 =

2 i . Assim, deÖna

Assim

e

Logo,

2

E s =

i

1

n i 1

E "

s

2

i =

1

n i

1

n

i

X

j

=1

n i

X

j =1

u i =

n i

X

j =1

u ij

y i = + X i + u

i

(u ij u

i ) 2 =

1

n i 1

u ij # n i E u

2

2

! =

i

n

i

X

j

=1

2

u ij n i u

2

i

!

n

i

1

1 n i

i 2 n i

2

i

n i

=

2

i

ExercÌcio 1.9 Suponha o modelo y = X + " , onde y e " s„o vetores n 1, X < 1 È uma matriz n k , e È um vetor k 1, estimado por MQO com constante. Responda F(also) ou V(erdadeiro) para cada alternativa e justiÖque sucintamente:

1. Heterocedasticidade nas perturbaÁıes produz estimativas consistentes de ;

2. Heterocedasticidade nas perturbaÁıes geram estimativas ineÖcientes;

3. Heterocedasticidade nas perturbaÁıes resulta numa matriz de covari‚ncia das estimativas inconsistente;

9

4.

Testes de hipÛteses sobre os coeÖcientes deixam de ser v·lidos se h· hetero- cedasticidade.

SoluÁ„o 1.10 Este È um exercÌcio que tenta dirimir d˙vidas, dando ao estudante a oportunidade de voltar aos conceitos b·sicos e entendÍ-los melhor. A resposta do exercÌcio exige que se faÁam algumas hipÛteses n„o explicitadas no enunciado. Elas s„o as seguintes:

" i:i:d:(0; );

X È n„o estoc·stico.

Com essas hipÛteses, podemos responder a quest„o.

1. Verdadeiro, pois prova-se que E = ;

^

2. Verdadeiro, pois V ar MQG = ( X 0 1 X ) < V ar MQO = ( X 0 X ) 1 X 0 X (X 0 X ) 1 ;

3. Verdadeiro, decorrente de b.;

4. Verdadeiro, decorrente de b. Aqui, uma consideraÁ„o. O teste de hipÛtese usando o lado direito da igualdade em b. È v·lido. O problema È que muitos pacotes economÈtricos simplesmente calculam como matriz de co- vari‚ncia como (X 0 X ) 1 e n„o a matriz de covari‚ncia correta. (Maiores detalhes a respeito deste exercÌcio s„o encontrados em WHITE, H. A Heteroskedasticity-Consistent Covariance Matrix and a Direct Test for Heteroskedasticity.Econometrica, vol. 48, n. o 4,

^

^

1980.)

^

ExercÌcio 1.10 Suponha um modelo de regress„o linear m˙ltiplo em que exista, seja n„o viesado e eÖciente, pois u È homoced·stico. Suponha que vocÍ imponha falsas restriÁıes sobre os par‚metros do modelo.

1. Mostre que as estimativas nesse caso s„o viesadas.

2. Mostre que a vari‚ncia das estimativas do modelo com restriÁıes È menor do que a vari‚ncia das estimativas do modelo sem restriÁ„o.

3. Qual a implicaÁ„o desse resultado em termos de previs„o? Qual a intuiÁ„o desse resultado? Sugest„o: Lembre o que È EQM, ou seja, o erro quadr·tico mÈdio.

10

SoluÁ„o 1.11 O exercÌcio procura ilustrar um caso que n„o È muito in- tuitivo, ‡ primeira vista, ou seja quando se impıem falsas restriÁıes no modelo a vari‚ncia reduz-se. Isto È importante para se ter uma primeira intuiÁ„o do erro quadr·tico mÈdio, sua import‚ncia e suas conseq¸Íncias para a previs„o. ¿s vezes, impondo falsas restriÁıes, pode-se melhorar a previs„o, pois reduz-se o erro de previs„o, n„o obstante o viÈs possa aumentar.

1. Primeiramente, note que

^

sr =

^ = ( X 0 X ) 1 X 0 Y

cr = = + K r R

^

^

^

K = ( X 0 X ) 1 R 0 h R (X 0 X ) 1 R 0 i 1

Daqui podem-se tirar as seguintes conclusıes:

V

ar = 2 (X 0 X ) 1

^

E ( ) = + K (r R )

Como r 6= R ) E ( ) 6= . Portanto, as estimativas s„o viesadas.

2. H· bastante ·lgebra neste exercÌcio, mas, com calma, obtÈm-se a resposta.

V ar ( ) = E h + Kr KR Kr KR i + Kr KR Kr KR i

|

^

^

h

^

} |

^

0

}

{z

=

A

{z

=

A

= E [AA 0 ] =

= E h KR i [ A ] 0 =

^

^

E (I KR ) 0 (I KR ) 0 =

^

^

= (I KR ) B (I KR ) 0 2 = B BR 0 K 0 KRB + KRBR 0 K 0 ! 2

|

{z

}

=

D

B = (X 0 X ) 1

11

Desenvolvendo D temos:

D =

( X 0 X ) 1 R 0 h R (X 0 X ) 1 R 0 i 1 R (X 0 X ) 1 R 0 K 0 = BR 0 K 0

|

{z

}

= K

| {z

}

= B

Dessa forma, conseguimos:

V ar ( ) = (B KRB ) 2 = ( I KR ) B 2

= ( I KR ) ( X 0 X ) 1 2

Logo, se KR > 0 ) V ar ( ) < V ar . Para ver este ˙ltimo fato, observe

que

^

KR = ( X 0 X ) 1 R 0 h R (X 0 X
KR = ( X 0 X ) 1 R 0 h R (X 0 X ) 1 R 0 i 1 R
| {z
} |
{z
}
> 0
R 0 L 0 LR
| {z }

T 0 T

Agora, seja c = T v , onde c È um vetor nx1. Sendo assim, c 0 c = v 0T 0 T v > 0, como querÌamos demonstrar, pois c 0 c È um escalar.

3. Mesmo com falsas restriÁıes, as previsıes ser„o melhores se a diminuiÁ„o da vari‚ncia for maior do que o aumento do viÈs. Formalmente, se EQM < EQM . A intuiÁ„o do resultado È que impor falsos par‚metros signiÖca que haver· menos par‚metros variando, o que poderia reduzir o erro de previs„o.

ExercÌcio 1.11 Responda:

1. Cite pelo menos dois testes para a hipÛtese de homocedasticidade.

2. Cite pelo menos um teste para a hipÛtese de autocorrelaÁ„o dos resÌduos.

3. Em caso de rejeiÁ„o da hipÛtese nula em a., por que mÈtodo vocÍ estimaria o modelo?

4. Em caso de rejeiÁ„o da hipÛtese nula em b., por que mÈtodo vocÍ estimaria o modelo?

SoluÁ„o 1.12 O exercÌcio pretende que o aluno volte ao livro-texto e ver- iÖque claramente que testes ele pode aplicar e de que maneiras ele deve estimar o modelo, em caso de rejeiÁ„o da hipÛtese nula. Com isso, sistematiza-se todo o capÌtulo. Sugerimos consultar, adicionalmente, John- ston e Dinardo (1998).

12

1. H· v·rios testes que podem ser usados: Breusch-Pagan, White, Goldfeld-Quandt, Glesjer;

2. Durbin-Watson, ACF, Ljung-Box;

3. MÌnimos quadrados generalizados, mÌnimos quadrados generalizados factÌveis;

4. Pode-se usar o mÈtodo de Cochrane-Orcutt, Durbin ou Vari·veis instrumentais.

2 FUNDAMENTOS ESTATÕSTICOS

ExercÌcio 2.1 Considere verdadeira a seguinte aÖrmaÁ„o: Seja f Z t g uma sequÍncia de vari·veis aleatÛrias i.i.d N (0; 1), ent„o f Z t g È (estritamente) estacion·ria.

1. Qual a hipÛtese b·sica do resultado acima? Por quÍ?

2. Pode-se aÖrmar que estacionaridade È um reforÁo ‡ hipÛtese de distribuiÁ„o idÍntica?

3. Pode-se aÖrmar que a hipÛtese de estacionaridade sobre uma sÈrie qualquer È mais fraca do que a hipÛtese i.i.d.? Por quÍ?

SoluÁ„o 2.1 Este È um exercÌcio para veriÖcar se o aluno entendeu o uso e a ne- cessidade do conceito de estacionaridade, fundamental no tratamento de sÈries tem- porais.

1. A hipÛtese de independÍncia È crucial. Se fZ t g È simplesmente identicamente distribuÌda como normal-padr„o, a sequÍncia n„o È, necessariamente, esta- cion·ria, pois È possÌvel construir diferentes distribuiÁıes conjuntas com dis- tribuiÁıes marginais normal. Se a distribuiÁ„o conjunta muda com o tempo, poderÌamos violar a condiÁ„o de estacionaridade, preservando a normalidade marginal.

2. Assim, estacionaridade È uma hipÛtese mais forte ‡ distribuiÁ„o idÍntica, j· que ela se aplica a distribuiÁıes conjuntas e marginais simultaneamente.

3. Por outro lado, estacionaridade È uma hipÛtese mais fraca do que a hipÛtese i.i.d., j· que sequÍncias i.i.d. s„o estacion·rias, mas sequÍncias estacion·rias n„o precisam ser independentes necessariamente.

13

ExercÌcio 2.2 DeÖna Processo Estoc·stico e ilustre graÖcamente. Explique o que È a realizaÁ„o de um processo estoc·stico e por que as sÈries econÙmicas podem ser entendidas como sendo geradas por processos estoc·sticos.

SoluÁ„o 2.2 Este È um exercÌcio para reforÁar os conceitos introdutÛrios apresen- tados em aula. Aqui, somos mais formais e detalhistas que o texto, pois esperamos que o estudante tenha curiosidade suÖciente para consultar outras fontes sobre este assunto. Seja uma sequÍncia temporal de valores que n„o podem ser previstos, mas com probabilidades que podem ser associadas a cada um dos diferentes valores a qualquer tempo particular, temos ent„o um processo estoc·stico. Formalmente: suponha-se um determinado espaÁo amostral de um dado exper- imento. Considere-se, tambÈm, os possÌveis subconjuntos desse espaÁo amostral. AlÈm disso, associe-se a cada um desses eventos uma probabilidade. DeÖnindo-se a funÁ„o X ( ; ) : S T ! < , onde S representa o espaÁo amostral e T , o tempo, ter-se-· um processo estoc·stico. Para cada t 2 T , X ( ; t), tem-se uma vari·vel aleatÛria no espaÁo amostral, isto È, no tempo deÖnido, existe uma distribuiÁ„o de probabilidade para aquela vari·vel. Para cada s 2 S , X (s; ), tem-se uma funÁ„o de t que se chama realizaÁ„o de um processo X (s; t), para dado s e t, È apenas um n˙mero real. O problema pr·tico que nos defrontamos È termos apenas a realizaÁ„o de um processo estoc·stico para cada perÌodo de tempo, dos quais terÌamos que deduzir os valores da mÈdia e vari‚ncia em cada instante de tempo, bem como das covari‚ncias. Mas, obviamente, dado que temos menos observaÁıes do que o n˙mero de informaÁ„o que gostarÌamos de obter, temos que impor restriÁıes razo·veis que nos permitam trabalhar com a sÈrie disponÌvel. As sÈries de tempo podem ser decompostas em quatro elementos: tendÍncia, ci- clo, sazonalidade e componentes irregulares. TendÍncia, ciclo e sazonalidade n„o ser„o simples funÁıes determinadas do tempo. Ao contr·rio, È tÌpico encontrar-se elementos estoc·sticos nesses componentes. Por isso, sÈries econÙmicas podem ser entendidas como sendo geradas por processos estoc·sticos. … por isso, tambÈm, que se pode dizer que uma sÈrie de tempo È uma coleÁ„o de observaÁıes geradas sequen- cialmente no tempo.

ExercÌcio 2.3 Por que se impıem restriÁıes sobre a heterogeneidade temporal e sobre a memÛria de um processo estoc·stico?

SoluÁ„o 2.3 Este exercÌcio veriÖca se o aluno compreendeu o problema que existe em estimar sÈries temporais, indo aos pontos fundamentais da quest„o. Um processo

14

estoc·stico È temporalmente heterogÍneo, o que signiÖca que possui momentos distin- tos a cada instante de tempo (pois o processo gerador daquele evento pode ser diferente a cada instante de tempo, como j· se viu). Disso, surge uma grande diÖculdade para modelar fenÙmenos reais porque, usualmente, temos apenas uma observaÁ„o para cada t. Em outras palavras, temos que estimar um n˙mero de par‚metros maior que o n˙mero de observaÁıes, o que È impossÌvel. Por isso, temos que impor certas restriÁıes para reduzir o n˙mero de par‚metros a serem estimados. Essas recaem sobre a heterogeneidade temporal e sobre a memÛria do processo.

i. RestriÁıes sobre a heterogeneidade temporal ñ reduz o n˙mero de par‚metros a serem estimados. Implica estacionaridade fraca ou restrita. Por exemplo, estabiliza num mesmo nÌvel a mÈdia e a vari‚ncia, assumindo que todas as observaÁıes tÍm mesma mÈdia e mesma vari‚ncia;

ii. RestriÁıes sobre a memÛria ñespera-se que a dependÍncia entre x (t 1 ) e x (t 2 ) enfraqueÁa conforme a dist‚ncia t 2 t 1 cresÁa. Para isso, usamos a seguinte deÖniÁ„o:

Um processo estoc·stico fu (t) ; t 2 T g È dito assintoticamente n„o correlacionado se existe uma sequÍncia de constante f ( ) ; 1g , deÖnidas por

Cov [u ( ) ; u ( + t)]

p V ar [ u ( )] V ar [u ( + t)]

( ) ; 8t 2 T

tal que

i. 0 ( ) 1

ii.

1

X

=1

( ) < 1 ) lim

!1 ( ) = 0

Com isso, podemos fazer inferÍncias estatÌsticas, a partir de nossas estimativas.

ExercÌcio 2.4 Qual a diferenÁa entre estacionaridade forte (ou estrita) e estacionar- idade (fraca)? Construa exemplos mostrando quando uma implica a outra, e quando uma n„o implica a outra.

15

SoluÁ„o 2.4 Neste exercÌcio, o resultado mais importante È mostrar que estacionar- idade forte n„o implica estacionaridade fraca, como o nome poderia sugerir. Esta- cionaridade forte (ou estrita) implica que a funÁ„o de probabilidade acumulada con- junta da sÈrie È igual para qualquer instante de tempo. Formalmente isso signiÖca:

F X ( t 1 ) ;X ( t 2 ) ;:::;X ( t n ) (x 1 ;x 2 ; :::; x n ) = F X ( t 1 + k ) ;X ( t 2 + k ) ;:::;X ( t n + k ) (x 1 ;x 2 ; :::; x n )

onde F ( ) È a funÁ„o densidade de probabilidade acumulada, X ( ) È uma vari·vel aleatÛria, x ( ) È a realizaÁ„o dessa vari·vel. Estacionaridade fraca implica que os momentos da sÈrie atÈ ordem m s„o coin- cidentes a cada instante, isto È:

E [f X (t 1 )g m 1 ; fX (t 2 )g m 2 ; :::; f X (t n )g m n ]

= E [f X (t 1 + k )g m 1 ; f X (t 2 + k )g m 2 ; :::; f X (t n + k )g m n ]

Se, por exemplo, x (t i ) tem uma distribuiÁ„o de Cauchy, n„o ter· momentos Önitos, porque logo o primeiro momento, m 1 n„o existe. Mas a funÁ„o densidade de probabilidade conjunta È invariante com relaÁ„o ao tempo. Neste caso, ent„o, estacionaridade forte (ou estrita) n„o implica estacionaridade fraca.

d

d

Por outro lado, se x (t i ) 6= x (t s ), s 6= i onde 6= signiÖca distribuiÁ„o diferente, os momentos de x (t i ) s„o iguais aos de x (t s ), ent„o existe estacionaridade, mas n„o haver· estacionaridade forte se a distribuiÁ„o conjunta n„o for invariante com relaÁ„o a t. Se os momentos de x t existem atÈ ordem 1, estacionaridade estrita implica esta- cionaridade fraca atÈ ordem 1. Para ver isso, note que:

E [ f X (t 1 )g ; fX (t 2 )g ; :::; f X (t n )g]

= E [ f X (t 1 + k )g ; f X (t 2 + k )g ; :::; f X (t n + k )g ]

logo para n = 1 e k = 1, temos

E [X (t 1 )] = E [X (t 2 )] ) E [ X (t 2 )] = E [ X (t 3 )]

Assim, por induÁ„o:

E [X (t 1 )] = E [X (t 2 )] = = E [ X (t n )]

Para n = 2 e k = 1, temos

E [ X (t 1 ) ;X (t 2 )] = E [X (t 2 ) ;X (t 3 )]

16

e por induÁ„o, concluÌmos que pela estacionaridade fraca. Para n = 2 e k = 2, temos

E [ X (t 1 ) ;X (t 2 )] = E [X (t 3 ) ;X (t 4 )] = E [ X (t 2 ) ;X (t 3 )]

e por induÁ„o, concluÌmos pela estacionaridade fraca.

Repetindo sucessivamente esse procedimento, provamos a aÖrmaÁ„o. Se f x t g È um processo gaussiano (= normal), ent„o essa sequÍncia È estritamente estacion·ria, pois È completamente caracterizada pelos dois primeiros momentos.

ExercÌcio 2.5 Responda:

a. Mostre algebricamente como um processo AR (2) , com raÌzes fora do cÌrculo unit·rio, È expresso como um MA(1 ).

b. Escreva um MA (1) sob a forma de um AR (1 )

c. Por que as raÌzes do processo MA devem estar fora do cÌrculo unit·rio?

SoluÁ„o 2.5 O exercÌcio treina, algebricamente os conceitos estudados. Trata-se de entender que toda sÈrie de tempo, se inversÌvel ou estacion·ria, pode ser reduzida a um processo com coeÖcientes Önitos, mesmo que o n˙mero de termos seja, inicial- mente e aparentemente, inÖnito.

a. Seja y t = 1 y t 1 + 2 y t 2 + " t , ent„o temos:

y t 1 1 L 2 L 2 =

" t ) y t =

1 = b 1 + b 2

2 = b 1 b 2

" t

(1 b 1 L ) (1 b 2 L ) ; em que

Notando que

(1 b i L ) 1 = 1 + b i L + b i L 2 + :::

por se tratar de uma progress„o geomÈtrica inÖnita de raz„o, em mÛdulo, menor do que um,

temos:

Logo y t È um MA (1 ).

y t =

1

X

j =1

b j

1 " t j

(1 b 2 L )

17

b. Seja y t = " t 1 + " t

y t

1 L =

" t ) y t = 1 + L + 2 L 2 + ::: " t )

y t

=

1

X i L i + " t ) y t = AR (1 )

i=1

c. As raÌzes do processo de mÈdias mÛveis devem estar fora do cÌrculo unit·rio para que o processo y t seja unicamente identiÖcado e inversÌvel.

ExercÌcio 2.6 Considere o modelo MA(1)

y t = + " t + " t 1 ; j j > 1.

Inverta-o e mostre ser um AR ( 1) do tipo:

Interprete.

y t =

1

X

j =1

( ) j (y t+ j ) + " t 1 :

SoluÁ„o 2.6 Seja y t = " t 1 + " t . Ent„o,

y t

1 L =

" t ) y t = 1 + L + 2 L 2 + ::: " t )

y t

=

1

X i L i + " t ) y t = AR (1 )

i=1

ExercÌcio 2.7 Considere o seguinte modelo ARMA (1; 1):

y t =

" t i:i:d: 0; 2 :

y t 1 + " t " t 1 ;

Determine as condiÁıes de estacionaridade e invertibilidade. DeÖna as condiÁıes para obter um ruÌdo branco temporalmente dependente.

SoluÁ„o 2.7 Estacionaridade: j j < 1. Invertibilidade j j < 1. RuÌdo branco tem- poralmente dependente: = e j j < 1 (se j j > 1, ent„o o modelo n„o poder· ser estacion·rio).

18

ExercÌcio 2.8 Considere o seguinte modelo ARMA (1; 1):

y t =

" t i:i:d: 0; 2 :

y t 1 + " t " t 1 ;

Se = e j j > 1, ent„o y t È inst·vel ou n„o estacion·rio. Explique. (Dica:

desenvolva o modelo recursivamente).

SoluÁ„o 2.8

y t =

y t 1 + " t " t 1 =

= ( y t 2 + " t 1 " t 2 ) + " t " t 1 =

= 2 y t 2 + " t + ( ) " t 1 " t 2 =

=

=

= t+ j y j + ( )

t+ j

X s 1 " t s + " t :

s =1

Se j ! 1; o termo ( ) P t+ =1 j s 1 " t s ! 0. PorÈm, qualquer pequena pertur- baÁ„o em y j +1 faz a sÈrie explodir. Isso necessariamente ocorre, porque o termo " t Öca solto. Assim, suponha o momento em que t = j + 1, com y j = 0, nesse caso temos:

y j +1 = 1 y j + " j +1 = " j +1 :

s

Portanto, se " j +1 6= 0, e como

y t = t+ j 1 y j +1 + ( )

t+ j 1

X s 1 " t s + " t ;

s =1

a sÈrie ser· explosiva. Claro È que se j j < 1, ent„o o modelo converge para um ruÌdo branco, pois, nesse caso, t+ j 1 y j +1 ! 0.

ExercÌcio 2.9 VeriÖque se os modelos abaixo s„o estacion·rios e/ou inversÌveis, em que L È o operador defasagem.

a.

b.

c. (1 0; 7L + 0; 4L 2 ) = (1 0; 5L ) " t

(1 L ) y t = (1 0; 5) " t

(1 +

0; 8L ) y t = (1 1; 2L ) " t

19

d.

(1 0; 7L 0; 4L 2 ) = (1 1; 6L + 0; 7L 2 ) " t

e.

(1 +

0; 9L ) y t = (1 + 0; 5L + 0; 4L 2 + 0; 3L 3 ) " t

SoluÁ„o 2.9 Este È um exercÌcio numÈrico para veriÖcar se o aluno compreendeu os conceitos de estacionaridade e invers„o. O principal È entender as expressıes fora e dentro do cÌrculo unit·rio, pois devem ser cuidadosamente entendidas. ¿s vezes fora e dentro do cÌrculo unit·rio representam a mesma coisa, conforme esteja deÖnida a polinomial, pela qual se calculam as raÌzes da equaÁ„o a diferenÁas.

a. Primeiro È preciso entender que L È um operador, logo n„o se podem fazer contas usando L . Nesse caso, o truque È simples: troque L por uma vari·vel qualquer, digamos, z . Assim temos,

1 z = 0 ) z = 1, logo n„o È estacion·rio.

1 0; 5z = 0 ) z = 2, logo como z est· fora do circulo unit·rio, o processo È inversÌvel.

b. + 0; 8z = 0 ) z = 1; 25, outra vez, por ser, em mÛdulo, maior que 1, o processo È estacion·rio.

1

1

1; 2z = 0 ) z = 5 6 < 1, logo

c. 0; 7z

1

+

0 ; 4z 2 = 0:

Fazendo

d· as seguintes raÌzes:

n„o inversÌvel

1

z = x , temos x 2 0; 7x + 0 ; 5 = 0 o que nos

. O mÛdulo de um n˙mero complexo

a + bi È dado por p a 2 + b 2 . Ambas as raÌzes ter„o o mesmo mÛdulo, dado por:

x 1 = 0 ; 7+1; 05 i

2

x 2 = 0 ; 7 1 : 05 i

2

p 0; 7 2 + 1; 05 2 = 1; 262 > 1. Assim, estando o mÛdulo fora do cÌrculo unit·rio

(como invertemos as vari·veis, temos que inverter o raciocÌnio), o processo È estacion·rio.

1

0; 5z = 0 ) z = 2 > 1, ent„o o processo È inversÌvel.

d. 0; 7z 0; 4z 2 = 0. Adotando o mesmo procedimento do item anterior,

1

encontramos

x 1 = 1; 0728

x 2 = 0;

3728 : Ora, a segunda raiz est· dentro do cÌrculo

unit·rio, logo o processo È n„o estacion·rio.

1

por p 1; 6 2 + 1; 05 2 = 1; 914 > 1, ou seja, o processo È inversÌvel.

1; 6z + 0; 7z 2 = 0. A inversa das raÌzes È x = 1 ; 6 1 ; 05 i ; cujo mÛdulo È dado

2

20

e. 1 + 0; 9z = 0 ) z = 10 > 1 ) estacionaridade

9

1 + 0; 5z + 0; 4z 2 + 0; 3z 3 = 0: As raÌzes perfazem (

0; 132 1; 438i ) :

Essas raÌzes est„o obviamente fora do cÌrculo unit·rio, logo a condiÁ„o de in-

versibilidade est· satisfeita 3 .

z 1 = 1; 597

=

z 2 = 0; 132 + 1; 438i

z 3

ExercÌcio 2.10 Calcule as autocorrelaÁıes dos modelos MA(2) , AR (2) e ARMA (1; 1).

SoluÁ„o 2.10 Seja um processo MA(2 ) dado por y t = 1 " t 1 + 2 " t 2 + " t

j =

8

>

>

>

>

>

>

>

>

>

<

>

>

>

>

>

>

>

>

>

:

E [( 1 " t 1 + 2 " t 2 + " t ) (