Econometria II

Lecture 3: Decomposição de Séries Temporais

Prof.: Ricardo Masini

Graduação em Economia
2o Semestre de 2017
Tópicos de Hoje

Introdução

De-trending

Sazonalidade

Decomposição Não-paramétrica
Quem é quem?

Ao longo do curso vamos tentar classificar as séries temporais com

relação aos seguintes aspectos:
I A série ”gravita”em torno de uma média?
I Apresenta algum tipo de tendência?
I Apresenta algum tipo de sazonalidade?
I A série tem algum tipo de ”quebra”?
I Quanto de ”memória”tem a série?
I A série tem variância constante?
Decompondo a série de tempo

Componente Estocástico
z}|{
Xt ≡ ft + Yt
|{z}
Componente Determinı́stico

I PASSO 1: Separar o componente determinı́stico (pode ser

previsto com exatidão) do componente estocástico
I PASSO 2: Modelar as propriedades estatı́sticas do
componente não determinı́stico (Yt )
Em geral, vamos tentar reduzir a série temporal a um processo
estacionário e ergódico para poder ”aplicar estatı́stica”
Tendência e Sazonalidade

Em geral o componente determinı́stico de uma série temporal pode

ser subdividido em
I Tendência Determinista (ft ): em geral, uma função do
tempo. Ex.: t, t 2 , log t, exp t
I Sazonalidade (st ): em geral, uma função periódica do tempo

Sazonalidade
z}|{
Xt ≡ ft + st + Yt
|{z} |{z}
Tendência Estocástico
Aditivo ou Multiplicativo (ou qualquer outra coisa) ?

O modelo com tendência e sazonalidade aditivo é o mais comum

na prática
Xt = ft + st + Yt
Mas em alguns caso faz sentido um modelo multiplicativo (por
quê?)
Xt = ft st Yt
Ou misto
Xt = ft + st Yt
Note que, se o modelo é multiplicativo em nı́vel, ele é aditivo em
log
 random seasonal trend observed
0.90 1.00 1.10 0.96 1.00 1.04
1500 3000 4500 2000 4000 6000

1992
1993
1994
1995

Time
1996
1997
Decomposition of multiplicative time series

1998
Tendência Determinı́stica Paramétrica

A maneira mais direta de modelar uma tendência determinı́stica é

via uma especificação paramétrica. Ou seja, uma função do tempo
conhecida a menos de um número finito de parâmetros

ft = f (t, γ), γ ∈ Rk

Alguns exemplos muito utilizados

γ, γt, γ0 + γt, γ0 exp(γt)

Quando tiramos a primeira diferença, ou a primeira diferença em

log, estamos nos livrando de tendências estocásticas (mais adiante)
De-Trending

I ft pode ser um polinômio (reta, parábola, etc) ou outra função

mais complexa conhecida com parâmetros desconhecidos
I Regredimos Xt na função ft e uma constante (ou não) e
encontramos o estimador γ̂, que usamos para achar o resı́duo

Ŷt = Xt − γ̂ft

I Se Yt não for correlacionado com ft , tudo ”bem”, pois teremos

um estimador consistente para o componente estocástico, ou
seja:
p p
Ŷt −
→ Yt , já que γ̂ −
→γ
Sazonalidade

I Movimentos periódicos regulares em séries temporais são

chamados de movimentos sazonais ou simplesmente
sazonalidade
I Séries econômicas podem ser sazonais devido ao clima, datas
especiais como Natal, feriados ou final-de-semana
I Ex.: vendas do varejo em alta no final de ano, Inflação baixa
no meio do ano, volatilidade maior do mercado financeiro no
começo da semana, Alta das passagens aéreas durante
carnaval,...
Revisão Regressão com Dummy

I Lembre-se que a dummy para um evento A qualquer é criada

sempre na forma
(
1 , se o evento A ocorreu no perı́odo t
dA,t =
0 , caso contrário

I Neste caso, o modelo de regressão ficaria sendo

Xt = c + δdAt + ut

I O coeficiente da dummy δ representa quanto em média Xt foi

maior (ou menor) durante os perı́odos onde o evento A
ocorreu, relativo a média considerando todo os perı́odo.
Sazonalidade via Dummy

I A maneira tradicional de se lidar com sazonalidade é

modelando-a de maneira paramétrica via inclusão de dummies
I Cria-se dummies para representar todos os eventos em que se
suspeita a presença de sazonalidade. Ex.: dummy mensal,
trimestral, dummy de feriado, ...
I Estima-se então a seguinte regressão para o caso de K eventos
K
X
Xt = c + δi di,t + ut
i=1

I Por fim, analisa-se as estimativas {δb1 , . . . , δbK }

Decomposição Não-paramétrica

Existem diversas maneiras não paramétricas de ser fazer o

de-trending e/ou a dessazonalizarão, ou seja, que não envolva
ajustar um modelo com parâmetros.

I HP filter (Todo economista tem que ler Hodrick e Prescott

1997!)
I Holt-Winters
I Baxter-King (NBER)
I Christiano and Fitzgerald (HP moderno)
I Butterworth (permite filtro em séries com quebras)
I Moving averages (comum em análise técnica)
I Exponential Smoothing
Filtro Hodrick Prescott (HP)

I A ideia por trás do filtro HP é encontrar uma tendência que

melhor se ajuste a série observada ponderando desvios de uma
tendência puramente linear na forma.
I Ou seja, encontrar f1 , . . . fT que resolva
−1
(T T
)
X X 2
2
min (Xt − ft ) + λ [(ft+1 − ft ) − (ft − ft−1 )]
t=1 t=2

para algum λ ≥ 0
I Se λ = 0 temos ft = Xt , ∀t
I Se λ = ∞, temos que ft é uma linha reta
I Casos de interesse λ ∈ (0, ∞) . Para dados trimestrais, os
autores sugerem λ = 1600
 Hodrick−Prescott Filter of log(PIB)

log(PIB) trend

5.0
4.8
4.6

2000 2005 2010 2015

Time
Cyclical component (deviations from trend)
1.0
0.5
0.0
−1.0

2000 2005 2010 2015

 Hodrick−Prescott Filter of log(PIB)

5.2
log(PIB) trend

5.0
4.8
4.6

2000 2005 2010 2015

Time
Cyclical component (deviations from trend)
0.00 0.05
−0.10

2000 2005 2010 2015

 Hodrick−Prescott Filter of log(PIB)

log(PIB) trend

5.0
4.8
4.6

2000 2005 2010 2015

Time
Cyclical component (deviations from trend)
0.00 0.02
−0.04

2000 2005 2010 2015

A outra Média Móvel

I Um dos primeiros métodos de decomposição de séries

temporais. Ainda usado em alguns casos
I Uma suavização por uma média móvel (simples simétrica) de
ordem m é dada por
k
1 X
ft = Yt+i
m
i=−k

onde m = 2k + 1
I A tendência é portanto apenas a média dos m perı́odos
centrados em Yt , daı́ o nome MÉDIA MÓVEL
Tendência por Média Móvel

Observada
m=3
m=5
m=7
m=9
160
PIB Brasil

140
120
100

0 20 40 60 80
Média Móvel caso Geral

I A média móvel não precisa, necessariamente, dar peso

uniforme a todas observações. Caso este não seja o caso
chamamos de média móvel ponderada
k
1 X
ft = Pk ωi Yt+i
i=−k ωi i=−k

onde m = 2k + 1
I Nem mesmo ser simétrica em relação perı́odo t, ou seja, pode
ser algo não-centrado como
b
1 X
ft = Pb ωi Yt+i
i=a ωi i=a

onde a ≤ b são dois inteiros quaisquer

Paramétrico vs. Não-paramétrico

I As estimações não paramétricas e as funções determinı́sticas

que dependem de outras variáveis zt não permitem
extrapolação tão facilmente:
I Qual o valor de fT +h pra h no futuro?
I Para previsão simples, o comum é usar uma função
determinı́stica paramétrica (polinômio, log, etc) que permite
extrapolação
I Para estimar sensibilidade a choques (i.e., macro), os
estimadores não-paramétricos são muito comuns. Ex.:
Encontrar a PIB potencial, a taxa natural de desemprego,...
Protocolo I

Para analisar uma série temporal vamos proceder em 3 passos:

1. Separar o componente determinı́stico do estocástico (mais

arte que ciência)
I Limpar a série de ”NA”, de tendência no tempo (aqui faz
diferença se você está preocupado com previsão/extrapolação
ou não), e sazonalidade
2. Procurar quebras nas séries (vamos ver como identificar
quebras depois)
I Quando houver quebras, vamos separar as séries em duas e
estimar (conjuntamente) dois modelos diferentes
Finalmente...
Protocolo II

3. ...depois de limpar a série devemos ver se o componente

estocástico é estacionário ou não, observando a FAC e a
FACP. O que elas nos dizem?
I Se a FAC decrescer rapidamente e a FACP tiver um número
pequeno de valores diferentes de zero, o componente
estocástico é provavelmente estacionário e ergódico e podemos
estimá-lo
I Se a FAC decrescer lentamente e a FACP tiver um valor
diferente de zero e o resto zero, o componente estocástico é
provavelmente I(1). Para ter certeza, vamos olhar pra FAC e
FACP de ∆yt e ver se ela mostra um processo estacionário ”em
diferenças. Se sim, ainda podemos estimar!