Econometria II

Lecture 6: Quebra Estrutural

Prof.: Ricardo Masini

Graduação em Economia
2o Semestre de 2017
O que é uma quebra estrutural?

I Visualmente é um bico ou literalmente uma quebra na série

que pode ser vista apenas plotando a série contra o tempo
I Muitas vezes desconfiamos o que algo aconteceu ali, outras
vezes sabemos exatamente o que aconteceu...
I Entretanto, há casos onde a quebra é visualmente
imperceptível, principalmente quando a quebra não é no
modelo de tendência determinística
I Mesmo superficialmente, se não levarmos em conta a quebra,
a estimação pode:
I Fazer com que a FAC decaia linearmente apontando para um
caso não estacionário
I Os testes de raiz unitária podem apontar para uma não
estacionariedade
Do ponto de vista existencial...

I Mais profundamente, quebras estruturais estão ligadas à

instabilidade do modelo (o modelo em si é função do tempo)
I Em particular, em economia, quebras estruturais estão
intimamente relacionadas à crítica de Lucas "Os parâmetros
de um modelo econométrico dependem das regras do jogo"
I Dentro de um série é possível detectar possíveis quebras
I O que vai acontecer se as regras do jogo mudarem? A
Econometria não pode responder essa pergunta
Tópicos de Hoje

Introdução

Momento da Quebra Conhecido

Quebra nos parâmetros da Média Condicional
Quebra nos parâmetros da Variância Condicional

Momento da Quebra Desconhecido

Momento da Quebra Conhecido

Muitas vezes, na prática, sabemos onde está a possível quebra, o

ponto no qual "as regras do jogo"mudaram (T1 )
(
M1 (W t ) + u1t ; t = 1, . . . , T1
Yt =
M2 (W t ) + u2t ; t = T1 + 1, . . . , T

onde M1 (·) e M2 (·) são modelos quaisquer envolvendo os

regressores W t .
O vetor W t pode incluir uma contante, uma tendência, lags da
variável dependente, variáveis exógenas, etc...
Modelagem Paramétrica Linear

Postulamos então um modelo parâmetrico, no sentido de envolver

um número finito de parâmetros desconhecidos

M1 (W t ) = M (W t ; β 1 ); M2 (W t ) = M (W t ; β 2 )

Neste caso, testar a presença de quebra do modelo é equivalente a

testar a hipótese nula
H0 : β 1 = β 2
Por enquanto só consideraremos modelos lineares na forma
(
Z 0t β 0 + W 0t β 1 + u1t ; t = 1, . . . , T1
Yt =
Z 0t β 0 + W 0t β 2 + u2t ; t = T1 + 1, . . . , T
Modelo com Momento da Quebra Conhecido

Resumindo o modelo linear paramétrico de quebra estrutural com

data conhecida pode ser reescrito como

Yt = Z 0t β 0 + (W 0t β 1 + u1t )1{t ≤ T1 } + (W 0t β 2 + u2t )1{t > T1 }

onde
I β 1 e β 2 são (q × 1) parâmetros que vamos testar a quebra
antes e depois de T1 respectivamente (instáveis)
I β 0 (r × 1) são os parâmetros que não vamos testar uma quebra
pois consideramos estáveis a priori
I W t (q × 1) são regressores dos parâmetros instáveis
I Z t (r × 1) os regressores dos parâmetros estáveis
Estimando o Modelo

Podemos estimar o modelo anterior por MQO já que se trata de

uma regressão simples na forma

Yt = Z 0t β 0 + (W 0t β 1 + u1t )1{t ≤ T1 } + (W 0t β 2 + u2t )1{t > T1 }

≡ X 0t β + vt

onde
I 1{A} é a função indicadora do evento A
I X t = (Z t , W t 1{t ≤ T1 }, W t 1{t > T1 })
I β = (β 0 , β 1 , β 2 ) é um vetor (k × 1) onde k = r + 2q
I vt = u1t 1{t ≤ T1 } + u2t 1{t > T1 }
Estimadores de MQO para Quebra

Seja β
b o estimador de MQO de β dado por

b = (X 0 X)−1 (X 0 Y )
β

onde X(T × k) = (X 01 , . . . , X 0T ) e Y (T × 1) = (Y1 , . . . , YT ) e Vb

um estimator da sua respectiva variância V(β) b dado por

Vb = (X 0 X)−1 Ω(X
b 0
X)−1

onde Ω
b é um estimador consistente para

T
!
X
Ω=V X t vt
t=1
Estimando a Covariância via Newey-West

É melhor usar um estimador robusto a heterocedasticidade e

autocorrelação como Newey-West
m  
|j|
X
Ω
b = 1− m+1 Γj
j=−m

T
X t X 0t vbt vbt−j para j ≥ 0 e Γj = Γ0−j caso j < 0 e
P
onde Γj =
t=j+1

vbt = Yt − X 0t β
b

A escolha do lag máximo m é sugerido pelos autores ser da ordem

de T 1/4
Assintótica do MQO

Do Teorema Central do Limite temos que

−1/2 d
Vb b − β) −→
(β N (0, Ik )

onde Ik é uma matrix identidade de tamanho k. Note que para

testar que H0 : β 1 − β 2 = 0, usaremos a estatística β
c−β
1
c , pois
2
sob H0 temos
d
P T ≡ (Vb 1 + Vb 2 )−1/2 (β
b −β
1
b ) −→ N (0, Iq )
2

onde Vb 1 e Vb 2 são (q × q) submatrizes da partição da matriz

Vb (k × k) para as posições de β 1 e β 2 respectivamente.
Teste de Wald para Quebra Estrutural

A estatística de teste fica sendo WT = P 0T P T , ou seja

b −β
WT = (β b )0 (Vb 1 + Vb 2 )−1 (β
b −βb )
1 2 1 2

Note que, embora não explicito, WT ≡ WT (T1 ) uma vez que a

partição em dois regimes só é possível com o conhecimento prévio
de T1 . Portanto:
d
WT −→ χ2q
Assim rejeitamos H0 de que não house quebra estrutural caso
WT > cα onde P(χ2q > cα ) = α.
Quebra na variância

Como fazer quando a quebra é em algum parâmetro da variância

condicional? Suponha que o modelo seja do tipo

Yt = X 0t β + ut

onde novamente X t pode conter constantes, tendências

deterministicas, parâmetros autoregressivos. Vamos fazer um caso
simples onde ut é assumido não correlacionado serialmente mas
(
σ12 , t = 1, . . . , T1
V(ut ) =
σ22 , t = T1 + 1, . . . , T

e, portanto, gostaríamos de testar H0 : σ12 = σ22

Variância Amostral

Podemos estimar o modelo por MQO normalmente usando toda a

amostra (Por quê?) para obter os resíduos

bt = Yt − X 0t β,
u b t = 1, . . . , T

Assim, teremos dois estimadores padrões de σ12 e σ22 dado pelas

respectivas variâncias amostrais:
T1
1 X
s21 = b2t
u
T1 − k
t=1
T
1 X
s22 = b2t
u
T − T1 − k
t=T1 +1
Sob Normalidade fica fácil...
Se assumirmos que ut ∼ N (0, .) então temos de Econometria 1 que

s21
(T1 − k) ∼ χ2T1 −k
σ12
s2
(T − T1 − k) 22 ∼ χ2T −T1 −k
σ2
Portanto temos que

s21 /σ12 χ2T1 −k /(T1 − k)

∼ ≡ FT1 −k,T −T1 −k
s22 /σ22 χ2T −T1 −k /(T − T1 − k)

onde F (a, b) é uma distribuição F com a graus de liberdade no

numerador e b graus de liberdade no denominador. Assim
rejeitamos H0 ao nível de significância α caso

s21
W ≡ > cα , onde P(FT1 −k,T −T1 −k > c_α) = α
s22
E se a Normalidade for uma hipótese inadequada?

Precisaremos de um argumento assintótico para testar. Em

particular temos do TCL (O que precisamos aqui?)

s21 − σ12 d
−→ N (0, 1)
κ1
s22 − σ22 d
−→ N (0, 1)
κ2

onde κ21 = V(s21 ) e κ22 = V(s22 ) , ou equivalentemente

s21 − s22 − σ12 + σ22 d

p −→ N (0, 1)
κ21 + κ22
Estimando a Variância da Variância Amostral
Precisaremos de um estimador para κ21 ≡ V(s21 ). Novamente
usaremos Newey-West (Por quê se assuimos não correlação serial?)
m  
|j|
X
b21 =
κ 1
T1 1− m+1 aj ,
j=−m

T1
1
u2t − s21 )(b
u2t−j − s21 ).
P
onde aj = T1 (b
t=j+1
Analogamente para κ22 ≡ V(s22 ), temos com estimador
m  
|j|
X
b22 =
κ 1
T −T1 1− m+1 bj ,
j=−m

T
1
u2t − s22 )(b
u2t−j − s22 )
P
onde bj = T −T1 (b
t=j+T1 +1
Estatística de Teste para Quebra na Variância

Finalmente temos nossa estatística de teste para quebra na

variância, pois sob H0 : σ12 − σ22 = 0 :

s2 − s2 d
WT ≡ p 1 2 2 2 −→ N (0, 1)
κ
b1 + κ
b2

Aqui podemos consider testes bi-caudais ou mono-caudal. Ou seja,

a um nível de significancia α rejeitamos H0 ...
I ...em favor de H1 : σ12 6= σ22 se |WT | > cα/2
I ...em favor de H1 : σ12 > σ22 se WT < −cα
I ...em favor de H1 : σ12 < σ22 se WT > cα
onde P(Z > cα ) = α e Z ∼ N (0, 1).
Introdução

Momento da Quebra Conhecido

Quebra nos parâmetros da Média Condicional
Quebra nos parâmetros da Variância Condicional

Momento da Quebra Desconhecido

Quando o momento da quebra é desconhecido...

O grande limitação do teste anterior é sua dependência do

momento exato da quebra...
Imagine o cenário onde não sabemos onde exatamente esta a
quebra mas que esta longe do final ou do começo da amostra (por
exemplo em 20% e 80% da amostra), ou seja,

T1 ∈ T = {t1 , . . . , t2 }, 1 < t1 < t2 < T

Neste caso poderíamos calcular o valor da estatística de Wald para

cada t ∈ T e pegar o maior deles como nossa estatística de teste

WT∗ ≡ max WT (t)

t∈T
Exemplo de uma Simples Quebra de média

Unknown intervention Time Estimator

1.9
T=50
T=100
1.8 T=200
T=500
T=1000
1.7 Theoretical
Synthetic Control Estimator ∆(λ)

1.6

1.5

1.4

1.3

1.2

1.1

1
0.2 0.3 0.4 0.5 0.6 0.7 0.8
Time Fraction λ≡ t/T
Teste do Supremo
Este é conhecido como "teste do supremo"por razões óbvias e tem
distribuição limite não converncional(Andrews, 1993). Sob H0 :
d
WT∗ −→ W

Entretanto, os valores críticos de W foram tabulados e portanto

pode ser usada na prática. Em particular estes valores criticos
c = c(α, k, π1 , π2 ) dependem de:
I α: o nivel de significancia (0.1, 0.005, 0.001)
I k: número de parametros a serem testado
I π1 = t1 /T e π2 = t2 /T somente através do valor de
λ = ππ12 (1−π
(1−π1 )
2)
Assim rejeitamos H0 caso

WT∗ > c(α, k, π1 , π2 )