Você está na página 1de 24

Econometria II

Lecture 8: Modelo ARDL

Prof.: Ricardo Masini

Graduação em Economia
2o Semestre de 2017
Tópicos de Hoje

Motivação

Formalização

Modelagem e Estimação

ARDL para solucionar autocorrelação nos erros


Relações entre Séries Temporais...

I Até o momento nos concentramos em estudar a dinâmica de


uma série temporal por vez
I Entretanto grande parte do estudo de séries temporais envolve
justamente a relação entre elas assim como sua relação com
seu passado.
I Sejam {Yt } e {Xt } duas séries temporais quaisquer.
Poderíamos postular um modelo de regressão linear simples
como:
Yt = βXt + ut
I Isso faz sentido? Qual a interpretação de β? Como estimá-lo?
São algumas perguntas que vamos tentar responder na lecture
de hoje.
Modelo Estático

I Para ajudar a fixar os conceitos, imagine que você está


interessado a relação entre o preço da gasolina {Gt } e o preço
do petróleo {Pt } e você postula um modelo estático linear na
forma
Gt = α + βPt + ut
I Quem é β? Pode ser qualquer coisa... mas se for o parâmetro
da melhor projeção linear de Gt em Pt , então
β = C(Gt , Pt )/V(Pt ) e pode ser consistentemente estimado
por MQO.
I Um aumento no preço do petróleo causa um aumento no
preço médio da gasolina?
Modelo de Defasagens Distribuídas

I Pode ser preço da gasolina não é apenas contemporaneamente


influenciado pelo preço do petróleo.
I Pode ser que o preço do petróleo passados afetem o preço da
gasolina hoje. Neste caso podemos modelar como

Gt = α + β0 Pt + β1 Pt−1 + ut

I Neste caso temos um efeito dinâmico já que se


E(ut |P t, Pt−1 ) = 0, então E(Gt |pt , pt−1 ) = α + β0 pt + β1 pt−1

∂EGt ∂EGt+1
= β0 ; = β1
∂pt ∂pt
Modelo Autoregressivos de Defasagens Distribuídas

I Ainda podemos vislumbrar a possibilidade do próprio preço


passado da gasolina afetar o preço corrente
I Mesmo levando em consideração o impacto do preço
contemporâneo do petróleo e seus possíveis lags. Neste caso
podemos modelar como

Gt = α + φGt−1 + β0 Pt + β1 Pt−1 + ut

I Neste caso temos um efeito dinâmico tanto via Pt quanto via


Gt que em geral vai ser equivalente a um efeito de todo a série
passado dos preços do petróleo na gasolina já que
α
Yt = + (1 + φL + φ2 L2 + . . . )(β0 Pt + β1 Pt−1 + ut )
1−φ

se |φ| < 1.
Tópicos de Hoje

Motivação

Formalização

Modelagem e Estimação

ARDL para solucionar autocorrelação nos erros


Modelo de Defasagens Distribuidas (DL)

Um modelo DL(q) genérico é escrito na forma


q
X
Yt = α + θj Xt−j + t
j=0

ou usando o operador lag L, Θ(L) ≡ θ0 + θ1 L + . . . θq Lq

Yt = α + Θ(L)Xt + t

Isto implica que Yt apresenta correlação serial? E Xt ?


Modelo ARDL

Um modelo ARDL (p,q) é a combinação de um AR(p)+DL(q):


p
X q
X
Yt = α + φi Yt−i + θj Xt−j + t
i=1 j=0

ou usando o operador lag L, Φ(L) ≡ 1 − φ1 L + . . . φp Lp

Φ(L)Yt = α + Θ(L)Xt + t

CUIDADO:
I Estrutura parecida com o ARMA(p,q) mas a parte MA está
aplicada na variável Xt e não no termo de erro et
I Além disso, o erro t nem sempre é assumido ruído branco
como no caso do ARMA. Em geral é assumido estacionário.
Invertendo um ARDL(p,q)

Se todas as raízes da parte AR (zeros de Φ(L) = 0) estiverem fora


do círculo unitário, podemos inverter a parte AR do processo e
obter
Yt = Φ−1 (L)α + Φ−1 (L) (Θ(L)Xt + t )
se definirmos Ψ(L) ≡ Φ−1 (L)Θ(L) = ψ0 + ψ1 L + ψ2 L2 + . . . e
lembrado que Φ−1 (L)α = Φ−1 (1)α temos

Yt = Φ−1 (1)α + Ψ(L)Xt + Φ−1 (L)t


Multiplicadores de um ARDL

Se E(t |Xs ) = 0 para todo s, t (exogeneidade estrita) então

E(Yt |Xt , Xt−1 , . . . ) = Φ−1 (1)α + Ψ(L)Xt

Assim fica fácil definir o multiplicador de impacto no instante t + s:

∂E(Yt+s |Xt+s , Xt+s−1 , . . . )


= ψs ; s = 0, 1, 2, . . .
∂Xt
Ou ainda o impacto de longo prazo
∞ ∞
X ∂E(Yt+s |Xt+s , Xt+s−1 , . . . ) X
= ψs ;
∂Xt
s=0 s=0
P∞
Note que s=0 ψs = Ψ(1) ≡ Φ−1 (1)Θ(1)
Modelo ARDL com mais de uma variável explicativa
Podemos generalizar a classe de modelos ARDL para K ≥ 1
variáveis explicativas na forma
K
X
Φ(L)Yt = α + Θk (L)Xk,t + t
k=1

assim Ψk (L) ≡ Φ−1 (L)Θk (L) = ψk,0 + ψk,1 L + ψk,2 L2 + . . . para


k = 1, . . . , K.

∂E(Yt+s |Xt+s , Xt+s−1 , . . . )


= ψk,s ; s = 0, 1, . . .
∂Xk,t

e o impacto de longo prazo de Xk,t dado por


∞ ∞
X ∂E(Yt+s |Xt+s , Xt+s−1 , . . . ) X
= ψk,s ;
∂Xk,t
s=0 s=0
Relação de Equilíbrio

Se Yt e Xt são estacionários podemos passar o operador de ambos


ao lados de
Φ(L)Yt = α + Θ(L)Xt + t
e concluir que Φ(1)E(Yt ) = α + Θ(1)E(Xt ), ou

E(Yt ) = Φ−1 (1)α + Φ−1 (1)Θ−1 (1)E(Xt )

o que representa uma relação de longo prazo entre Yt e Xt que


pode ser reescrita usando a lei das expectativas iteradas como

E(Yt |Xt ) = c + γXt

onde c ≡ Φ−1 (1)α e γ ≡ Φ−1 (1)Θ−1 (1) é o multiplicador de longo


prazo. Ou ainda Yt = c + γXt + ut onde ut ≡ Yt − E(Yt |Xt )
Modelo ARDL como elasticidade dinâmica

Suponha que Xt = log(X et ) e Yt = log(Yet ) e que a teoria


econômica prevâ a elasticidada de Yt e Xt tenham elasticidade
constante, ou seja

Yet = C X
t

Em log temos
Yt = c + γXt
onde c = log(C)
Tópicos de Hoje

Motivação

Formalização

Modelagem e Estimação

ARDL para solucionar autocorrelação nos erros


Estimação
Suponha que Φ(L)Yt = α + Θ(L)Xt + t seja o DGP (modelo
verdadeiro). O que estimamos por MQO no modelo

Yt = β0 + βXt + ut

Se Φ(L) for inversível temos que o DGP se torna

Yt = Φ−1 (1)α + Φ−1 (L)Θ(L)Xt + Φ−1 (L)t


p q
onde β0 = Φ−1 (1)α, β = θ0 e ut = t +
P P
φi Yt−i + θj Xt−j .
i=1 j=1
Se Xt e Yt são estacionários e...
I Xt apresenta correlação serial, temos inconsistência (viés de
variável omitida)
I ut apresenta correlação serial via t então temos que corrigir o
erro padrão das estimativas
Estimação do Modelo Verdadeiro

Suponha que estimemos por MQO o modelo verdadeiro, ou seja


p
X q
X
Yt = α + φi Yt−p + θj Xt−j + t
i=1 j=0

Mesmo com a especificação correta, e assumindo t um ruído


branco precisamos de algo que nos garanta que E(Xt s ) = 0 para
todo s, t. (Por quê?)
Escolha da ordem p e q do ARDL

Os procedimentos para a ordem de p e q nos modelos ARDL é


muito similar a escolha da ordem de um ARMA. Temos 3
procedimentos complementares
I Utilizando um critério de Informação (AIC, BIC, HQ)
I Teste de não correlação dos resíduos (LM, Box Pierce,..)
I Começa com um lag grande para p e q e vai reduzindo e
testando a exclusão no maior lag um por vez
Como vocês já viram nem sempre esses critérios dizem a mesma
coisa. De novo eu diria Um ARDL bem especificado é o menor
(p,q) que você não rejeita a hipótese nula de que não há
autocorrelação nos resíduos
Tópicos de Hoje

Motivação

Formalização

Modelagem e Estimação

ARDL para solucionar autocorrelação nos erros


ARDL(1,1) como correção de autocorrelação AR(1)

A visão mais ortodoxa sobre autocorrelação nos resíduos e má


especificação. De fato, considere o seguinte modelo

Yt = βXt + ut , ut = φut−1 + t , t ∼ W N (0, σ 2 )

Substituindo AR(1) no modelo linear estático temos

(Yt − βXt ) = φ(Yt−1 − βXt−1 ) + t

Rearranjando ficamos um modelo ARDL(1,1)

Yt = φYt−1 + βXt − φβXt−1 + t

com a restrição (não linear) de que β1 = −φβ.


Restrição é Testável

O interresante é que a restrição é testável (Como?). Ou seja há


pouca razão de se utilizar o modelo restrito sem testar a restrição
primeiro.
ARDL(r,r) como correção de autocorrelação AR(r)

Este mesmo argumento pode ser usada caso o erro seja um AR(r)
para r ≥ 1

Yt = βXt + ut , Ψr (L)ut = t , t ∼ W N (0, σ 2 )

Multiplicando pelo polinômio Ψr (L) = 1 + ψ1 L + · · · + ψr Lr

Ψr (L)Yt = βΨr (L)Xt + t

O que nada mais é que um modelo ARDL(r,r)


ARDL(p+r,q+r) como correção de autocorrelação AR(s)

Mesmo um modelo ARDL(p,q) com os resíduos AR(r) na forma

Φp (L)Yt = Θq (L)Xt + ut , Ψr (L)ut = t , t ∼ W N (0, σ 2 )

onde Φp (L) = 1 − φ1 L − · · · − φp Lp e
Θq (L) = θ0 + θ1 L + · · · + θq Lq . Multiplicando por Ψr (L) temos

Λp+r (L)Yt = Ωq+r (L)Xt + t

onde Λp+r (L) ≡ Ψr (L)Φp (L) e Ωq+r (L) ≡ Ψr (L)Θq (L), o que nada
mais é que um modelo ARDL(p+r,q+r)
ARDL(∞,∞) como correção de autocorrelação ARMA(r,s)

Se o a estrutura de correlação do erro, além da parte AR, tem


também um componente MA, ou seja, o termo de erro é
ARMA(r,s)

Φp (L)Yt = Φq (L)Xt + ut , Ψr (L)ut = Σs (L)t , t ∼ W N (0, σ 2 )

se Σs (L) for inversível, podemos escrever Π∞ (L)ut = t onde


Π∞ (L) ≡ Σ−1 s (L)Ψr (L). Multiplicando por Π∞ (L) temos

Λ∞ (L)Yt = Ω∞ (L)Xt + t

onde Λ∞ (L) ≡ Π∞ (L)Φp (L) e Ω∞ (L) ≡ Π∞ (L)Θq (L), o que nada


mais é que um modelo ARDL(∞,∞)