Econometria II

Lecture 12: (Vector) Error Correction Model (V)ECM

Prof.: Ricardo Masini

Graduação em Economia
2o Semestre de 2017
Tópicos de Hoje

Introdução

Vector Error Correction Model (VECM)

Teste de Cointegração de Johansen

Como incluir a Cointegração nos Modelos

I A noção de cointegração diz que uma combinação das variáveis

satisfaz uma certa noção de "equilíbrio de longo prazo"
I Considere o cenário onde temos n variáveis I(1) com possíveis
r relações de cointegração
I Poderíamos então modelar as n variáveis conjuntamente...
I ... em nível em um VAR, entretanto a não-estacionariedade,
torna a estimação complicada!
I ... em primeira diferença em um VAR, onde tudo seria
estacionário e a estimação é simples mas perderíamos a relação
de cointegração!
I ...modelar em primeira diferença mas incluir a relação de
cointegração como variáveis no VAR, esta é a essência do
Modelo de Correção de Erros (ECM)
O que o Modelo de Correção de Erros traz de novo?

I As variáveis são I(1) em nível mas são modeladas em primeira

diferença logo estacionárias I(0)
I Existe um equilíbrio de longo prazo deve ser satisfeito (relação
de cointegração)
I As variáveis podem desviar deste equilíbrio no curto prazo
I A relação de cointegração "entra"no modelo como um
regressor estacionário
I O desvio da relação de cointegração em t − 1 nos ajuda a
prever as variáveis em t
I A velocidade com que o sistema volta ao equilíbrio é
proporcional a distância em que se encontra esse equilíbrio
Tópicos de Hoje

Introdução

Vector Error Correction Model (VECM)

Teste de Cointegração de Johansen

ECM Simples

O ECM começa com a especificação de um VAR padrão. No caso,

considere um VAR(1) contendo n = 2 variáveis apenas
Yt := (y1t , y2t )0 ambas I(1) de média zero com uma relação de
cointegração r = 1

Yt = ΦYt−1 + t , t ∼ RB(0, Σ)

Subtraia Yt−1 em ambos os lados da expressão acima para obter

∆Yt = (Φ − I2 )Yt−1 + t
:= ΛYt−1 + t

Note que Λ = −Φ(1) onde Φ(L) = (I2 − ΦL)

Um parênteses sobre Algebra Linear

I O posto de uma matriz é o maior número de linhas (ou

colunas) independentes de uma matriz. Assim, se M (m × n)
então 0 ≤ posto(M ) ≤ min(m, n)
I Se a matriz é quadrada A(n × n), então 0 ≤ posto(M ) ≤ n.
Além disso, posto(M ) = n ⇐⇒ |M | = 6 0 onde | · | é o
determinante; e posto(M ) = 0 ⇐⇒ M = 0 (vale para
matrizes retangulares também)
I RESULTADO: Seja M (n × n) tal que |M | = 0 e M 6= 0 então
0 < r := posto(M ) < n e existem matrizes A e B de
dimensão (n × r) tal que

M = AB 0
Voltando no ECM Simples

Como Φ(1) tem posto 1 já que temos uma relação de cointegração

(r = 1) podemos usar o resultado anterior para reescrever o VAR
como:
∆Yt = −AB 0 Yt−1 + t
Na forma "aberta":
       
∆Y1,t a1
Y1,t−1 
=− b1 b2 + 1,t
∆Y2,t a2 Y2,t−2 2,t

B(n × r) é chamada a matriz de cointegração contendo em suas

linhas os r vetores de cointegração e A(n × r) a matriz de
ajustamento uma vez que penaliza desvios da relação de longo
prazo
Voltando no ECM Simples

Lembrando que podemos normalizar um vetor de cointegração no

caso b1 = 1 e fazendo b2 = −β temos que o ECM se torna
     
∆Y1,t a1 
Y1,t−1 − βY2,t−2 + 1,t


=−
∆Y2,t a2 2,t

ou fazendo Zt := Y1,t − βY2,t e separando as equações, temos

∆Y1,t = −a1 Zt−1 + 1,t

∆Y2,t = −a2 Zt−1 + 2,t

assim fica claro porque os termos a1 e a2 são chamados de

"ajustamento"
VECM Geral

Começa com a especificação de um VAR(p) padrão com n variáveis

Yt := (y1t , . . . , ynt )0 todas I(1)

(In − Φ1 L − · · · − Φp Lp )Yt = c + t

Com um pouco de algebra você conclui que

In − Φ1 L − · · · − Φp Lp = (In − ΓL) − (Π1 L + · · · + Πp−1 Lp−1 )(1 − L)

p
P p
P
onde Γ := Φj e Πj := − Φk para j = 1, . . . , p − 1
j=1 k=j+1
VECM Geral
Portanto, temos que o VAR(p) pode ser reescrito como

(In − ΓL) − (Π1 L + · · · + Πp−1 Lp−1 )(1 − L) Yt = c + t

 

ou equivalentemente como

(In − ΓL)Yt − (Π1 L + · · · + Πp−1 Lp−1 )∆Yt = c + t

ou ainda

Yt = c + (Π1 L + · · · + Πp−1 Lp−1 )∆Yt + ΓYt−1 + t

Subtraia Yt−1 em ambos os lados da expressão acima para obter

∆Yt = c + (Π1 L + · · · + Πp−1 Lp−1 )∆Yt + ΛYt−1 + t

p
P
onde Λ := Γ − In = −(In − Φj ) = −Φ(1)
j=1
VECM Geral

Novamente, usando o fato de que temos 0 < r < n relações de

cointegração, sabemos que Φ(1) tem posto r e pode ser
decomposto em Φ(1) = AB 0 e portanto

∆Yt = c + (Π1 L + · · · + Πp−1 Lp−1 )∆Yt − AB 0 Yt−1 + t

esta expressão é conhecida como a representação de correção de

erros do sistema cointegrado ou simplesmente VECM.
Estimação de um VECM

I Suponha que saibamos quantas relações de cointegrações

existem (conhecemos r) e, além disso, sabemos os vetores de
cointegração, ou seja, conhecemos a matriz B!
I Daí fica fácil pois sabemos Zt := B 0 Yt e podemos estimar via
MQO o seguinte modelo

∆Yt = c + Π1 ∆Yt−1 + · · · + Πp−1 ∆Yt−p+1 − AZt−1 + t

I Na prática, nunca conhecemos a matriz de cointegração (nem

sequer sabemos quantas relações de cointegração são).
Precisamos estimar primeiro!
Estimação das Relações de Cointegração

I Quando temos apenas uma relação de cointegração (o que na

prática também não sabemos, a menos que haja apenas duas
variáveis) podemos estimar por MQO
I O estimador será superconsistente e podemos substituir na
VAR e teremos (assintoticamente) o mesmo modelo que
teríamos se conhecêssemos a relação de cointegração com
certeza!
I Quando potencialmente temos mais de uma relação de
cointegração. O estimador de MQO ainda será consistente
para a combinação linear que minimiza a soma dos quadrados
dos resíduos, mas não seremos capazes de encontrar todas as
relações e não podemos simplesmente "plugar"o valor
estimado B b no VAR
Tópicos de Hoje

Introdução

Vector Error Correction Model (VECM)

Teste de Cointegração de Johansen

Teste de Cointegração de Johansen

I Hoje em dia é usado sempre na estimação de qualquer VECM.

O teste é útil porque estima simultaneamente todos os
parâmetros do VECM, incluindo os vetores de cointegração
I Na prática é um teste baseado na verossimilhança do modelo
que vimos anteriormente. Ou seja, o VAR reescrito como
VECM
p−1
X
∆Yt = ΛYt−1 + Πj ∆Yt−i + t , t ∼ iidN (0, Σ)
j=1

I A essência do teste e verificar a multicolinearidade (posto

incompleto) de
Xp
Λ := Φj − In
j=1
Identificação no Teste de cointegração de Johansen

I Se Λ(n × n) é multicolinear (posto r < n) então existe A e B

com dimensão (n × r) de posto r tal que Λ = AB 0
I Entretanto, é fácil ver que mesmo conhecendo Λ, A e B não
são identificados pois para qualquer C(r × r) não singular
temos Λ = ACC −1 B 0 = A eBe0
I Para identificar o sistema, Johansen propõe usar C como
sendo o inverso do menor principal B de tamanho r × r, em
outras palavras
B 0 = [Ir×r : Br×n−r
∗
]
I Em linhas gerais o teste de Johansen consiste em estimar o
VAR com a restrição acima via MLE e obtém uma estimativa
dos autovalores de Λ
Idéia por trás do teste de Johansen

I Podemos, sem perda de generalidade, ordenar os autovalores

da matriz Λ de forma decrescente λ1 ≥ λ2 ≥ · · · ≥ λn . Cada
um deles está associado a um autovetor na matriz B que será
nosso vetor de cointegração.
I Assumindo que o posto de Λ é 0 < r < n sabemos que Λ terá
r autovalores diferentes de zero e n − r autovalores iguais a
zero. Além disso,
I Se r = n então todas as variáveis são estacionárias em nível
I Se r = 0 não há cointegração e sabemos que Λ = 0 neste caso
é portanto Γ = In o que é análogo ao caso de raiz unitária
univariada
I Se 0 < r < n temos r relações de cointegração
(independentes)
I O teste de Johansen, portanto, consiste em testar via LM
quantos autovalores são diferentes de zero!
Teste do Traço
I Podemos, sem perda de generalidade, ordenar os autovalores
estimados do maior para o menor como λ b1 > λb2 > · · · > λ
bn .
Cada um deles está associado a um autovetor na matriz B que
b
será nosso vetor de cointegração
I Com estas estimativas de autovalores podemos executar dois
testes
I TESTE DO TRAÇO. Existem r∗ relações de cointegração
versus mais de r∗ relações de cointegração, ou seja

H0 : r = r∗ vs. H1 : r > r∗ , r∗ = 0, 1, . . .
I A estatística de teste é dada por
n
X
Wtr (r∗ ) := −T log(1 − λ
bi )
i=r∗ +1

e começamos com r∗ = 0, depois r∗ = 1 até que não se rejeite

mais H0
Teste do Traço

I O teste do traço (embora de derivação complicada) é intuitivo.

Se não há relação de cointegração (r = 0) então todos
p
autovalores são zero e, portanto, log(1 − λ bi ) −→ 0e
p
Wtr (0) −→ 0 e não rejeitamos a nula de que r = 0
I Se por outro lado λbi é significativamente diferente de zero
(menor que um) então log(1 − λ bi ) < 0 e Wtr (0) > 0
favorecendo H1
I A distribuição assintótica de Wtr (r∗ ) não é convencional
(processo de difusão) mas foi tabulada e incorporada na
maioria dos pacotes de econometria
Teste do Autovalor

I O segundo é o TESTE DO AUTOVALOR que testa se existem

r∗ ≥ 0 relações de cointegração versus r∗ + 1 relações de
cointegração. Formalmente

H0 : r = r∗ vs. H1 : r = r∗ + 1, r∗ = 0, 1, . . .

I A estatística de teste é dada por

Wav (r∗ ) := −T ln(1 − λ

br∗ +1 )

I Também é um teste crescente, ou seja, começamos com

r∗ = 0, depois r∗ = 1 se rejeitarmos H0 ... até que não se
rejeite mais H0
Teste do Autovalor

I O teste do autovalor (embora de derivação também

complicada) é intuitivo. No fundo o teste está procurando o
maior autovalor significativo que gere um vetor de cointegração
I A distribuição assintótica de Wav também não é convencional
mas foi tabulada e incorporada na maioria dos pacotes de
econometria
I Os testes são assintoticamente equivalentes mas podem dar
resultados diferentes em amostra finita. Tanto no número de
relações quanto no vetor de cointegração!
Teste de Johansen na prática

I Distribuição do teste é esquisita mas tabulada. A parte mais

chata de aplicar o teste de Johansen (seja o do traço seja do
autovalor) é a correta especificação do modelo
I Primeiro é preciso especificar o lag p de maneira habitual. Isso
geralmente não é o problema
I O problema é que, assim como os testes de raiz unitária, a
distribuição limite das estatísticas de teste não é pivotal, ou
seja, depende se há constante, tendência, forma funcional
I Além disso, o teste ainda permite usar variáveis exógenas
também. Quando for usar variável exógena use as variáveis
centradas (média zero) e livres de tendência. Mesmo no caso
de dummies sazonais, tire a média primeiro!
Teste de Johansen na prática

I Em teoria você precisaria simular via Monte Carlo sua

distribuição limite. Vamos considerar alguns casos típicos
incluindo só constantes e tendências lineares
p+1
X
∆Yt = δ0 + δ1 t + A(B 0 (Yt−1 + µ0 + µ1 (t − 1)) + Πj ∆Yt−j + t
j=1

onde δ0 e δ1 são (n × 1); e µ0 e µ1 são (r × 1)

1. Caso padrão δ0 = δ1 = µ0 = µ1 = 0
2. Constante no vetor de cointegração µ0 6= 0 e δ0 = δ1 = µ1 = 0
3. Constante no vetor de cointegração µ0 6= 0 e no VAR δ0 6= 0; e
δ1 = µ1 = 0
4. Constante no vetor de cointegração µ0 6= 0 e no VAR δ0 6= 0;
tendência linear no vetor de cointegração µ1 6= 0; e δ1 = 0
5. Constante no vetor de cointegração µ0 6= 0 e no VAR δ0 6= 0;
tendência linear no vetor de cointegração µ1 6= 0 e no VAR
δ1 = 0