Você está na página 1de 7

Notes

Análise Multivariada I
Graduação em Ciências Atuariais

Henrique Castro
hcastro@usp.br

Universidade de São Paulo

2017

1 of 28

Notes

Lecture 10
Análise de regressão com dados de séries
temporais: natureza dos dados, exemplos e
propriedades amostrais

2 of 28

Notes
Introdução: processo estocástico
Lecture 10: A natureza dos dados de séries temporais

• Principal diferença entre dados de séries temporais e cross-section:


ordenação temporal.
• Em nossas análises, usamos os passado para explicar o futuro
(nunca o contrário).
• Formalmente, uma sequência de variáveis aleatórias indexadas pelo
tempo é chamada de processo estocástico.

3 of 28

Notes
Realização amostral
Lecture 10: A natureza dos dados de séries temporais

• Quando coletamos um conjunto de dados de séries temporais,


obtemos uma realização do processo estocástico.
• Se determinadas condições tivessem sido diferentes, conseguiríamos
uma realização diferente para o processo estocástico.
• O conjunto de todas as possíveis realizações de um processo faz o
papel da população.
• A realização que observamos é a nossa amostra.
• O tamanho da amostra é o número de períodos de tempo nos
quais observamos as variáveis de interesse.

4 of 28
Notes
Exemplos de modelos
Lecture 10: Exemplos de modelos de regressão com séries temporais

• Veremos a seguir dois exemplos de modelos com dados de séries


temporais:
◦ Modelos estáticos: as variáveis dependente e independentes são
contemporâneas.
◦ Modelos de defasagem distribuída finita: há defasagens das variáveis
independentes.

5 of 28

Notes
Modelo estático
Lecture 10: Exemplos de modelos de regressão com séries temporais

• Um modelo estático que relaciona y a z é:

yt = β0 + β1 zt + ut , t = 1, 2, . . . , n. (L10.1)
• É chamado de modelo estático porque modelamos uma relação
contemporânea entre as variáveis.
• Um exemplo de modelo estático é a curva de Phillips estática,
dada por:
inft = β0 + β1 unemt + ut , (L10.2)
tal que inft é a taxa de inflação anual e unemt é a taxa de
desemprego.
• Essa curva por ser usada para estudar o tradeoff contemporâneo
entre desemprego e inflação (β1 < 0).
6 of 28

Notes
Modelo estático com várias v.i.
Lecture 10: Exemplos de modelos de regressão com séries temporais

• O modelo estático pode ter várias variáveis explicativas:

mrdrtet = β0 + β1 convrtet + β2 unemt + β3 yngmlet + ut ,


(L10.3)

tal que mrdrtet o número de homicídios por 10.000 habitantes em


determinada cidade durante o ano t, convrtet a taxa de
condenações em homicídios, unemt a taxa de desemprego local e
yngmlet a proporção masculina na faixa de 18 a 25 anos de idade.
• Esse modelo pode nos fornecer o efeito ceteris paribus de um
aumento na taxa de condenações sobre a a quantidade de
assassinatos.

7 of 28

Notes
Modelo de defasagem distribuída finita
Lecture 10: Exemplos de modelos de regressão com séries temporais

• Em um modelo de defasagem distribuída finita (DDF), defasagens


de uma ou mais v.i. podem afetar a v.d.:

gfrt = α0 + δ0 pet + δ1 pet−1 + δ2 pet−2 + ut , (L10.4)

tal que gfrt é a taxa geral de fertilidade (número de crianças


nascidas por 1.000 mulheres em idade fértil) e pet é o valor real
em dólares da dedução no imposto de renda por dependente.
• A ideia é ver se, em termos agregados, a decisão de ter filhos está
relacionada ao valor da dedução de impostos por ter uma criança.
• Nesse exemplo, o DDF tem ordem dois.

8 of 28
Notes
DDF: interpretação dos coeficientes
Lecture 10: Exemplos de modelos de regressão com séries temporais

• Um DDF de ordem 2 pode ser generalizado da seguinte forma:

yt = α0 + δ0 zt + δ1 zt−1 + δ2 zt−2 + ut . (L10.5)

• δ0 é chamado de propensão de impacto ou multiplicador do


impacto: é a variação imediata em y devido ao aumento de uma
unidade em z no tempo t.
• δ1 é a variação em y um período após um choque temporário em z
e δ2 é a variação em y dois períodos após um choque temporário
em z.
• No modelo (L10.5), variações temporárias em z não têm efeito
sobre y após três períodos.
9 of 28

Notes
DDF: propensão de longo prazo
Lecture 10: Exemplos de modelos de regressão com séries temporais

• Se z for modificado permanentemente em uma unidade a partir do


instante t, após um período y terá variado δ0 + δ1 .
• Após dois períodos terá variado δ0 + δ1 + δ2 .
• Pelo modelo (L10.5), não há mais variações em y após dois
períodos.
• A soma dos coeficientes contemporâneo e defasados de z,
δ0 + δ1 + δ2 , é a variação de longo prazo em y dado um aumento
permanente em z.
• Essa variação recebe o nome de propensão de longo prazo ou
multiplicador de longo prazo.

10 of 28

Notes
Exemplo: fertilidade e imposto
Lecture 10: Exemplos de modelos de regressão com séries temporais

• Seja a equação (L10.4) novamente:

gfrt = α0 + δ0 pet + δ1 pet−1 + δ2 pet−2 + ut .

• δ0 mede a variação imediata em fertilidade devido ao aumento de


um dólar em pe. Talvez o efeito imediato seja muito pequeno ou
inexistente.
• Mas os efeitos defasados medidos por δ1 e δ2 podem ser positivos.
• Se houver um aumento permanente de um dólar em pe, após dois
anos gfr variará δ0 + δ1 + δ2 .
• Se este modelo estiver correto, o efeito se dissipa após dois anos.

11 of 28

Notes
DDF de ordem q
Lecture 10: Exemplos de modelos de regressão com séries temporais

• Um modelo de defasagem distribuída finita de ordem q é


representado como:

yt = α0 + δ0 zt + δ1 zt−1 + · · · + δq zt−q + ut . (L10.6)

• Este modelo contém o modelo estático como caso especial, desde


que δ1 , δ2 , . . . , δq sejam iguais a 0.
• Às vezes, a principal finalidade ao estimar um modelo de DDF é
testar se z tem efeito defasado sobre y .
• É possível termos mais de uma v.i. com defasagens ou podemos
acrescentar v.i. contemporâneas a um DDF.

12 of 28
Notes
Propriedades amostrais
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Agora estudaremos as propriedades do MQO para amostras finitas.


• Alguns pressupostos são modificações dos pressupostos estudados
nos modelos com dados de cross-section.

13 of 28

Notes
Pressuposto 1: linear nos parâmetros
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• O primeiro pressuposto estabelece que o processo estocástico


{(xt1 , xt2 , . . . , xtk , yt ) : t = 1, 2, . . . , n} segue um modelo linear nos
parâmetros:

yt = β0 + β1 xt1 + · · · + βk xtk + ut , (L10.7)

tal que {ut : t = 1, 2, . . . , n} é a sequência de erros ou


perturbações; n é o tamanho total da série.
• Na notação xtj , t representa o instante de tempo e j é um
indicador de uma das k variáveis explicativas.

14 of 28

Notes
Pressuposto 2: sem colinearidade exata
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Na amostra, nenhuma v.i. é constante ou é uma combinação linear


perfeita das outras variáveis.
• As razões são as mesmas de quando estudamos dados de
cross-section.

15 of 28

Notes
Um pouco de notação
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Antes do próximo pressuposto, um pouco de notação.


• Usamos xt = (xt1 , xt2 , . . . , xtk ) para representar o conjunto de
todas as v.i. da equação no instante t.
• Usamos X para representar a coleção de todas as v.i. para todos os
instantes de tempo.
• Podemos pensar em X como uma matriz com n linhas e k colunas.
• A t-ésima linha de X é xt .

16 of 28
Notes
Pressuposto 3: média condicional zero
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Para cada t, o valor esperado do erro ut , dadas as variáveis


explicativas de todos os períodos de tempo, é igual a zero:

E(ut |X) = 0, t = 1, 2, . . . , n. (L10.8)

• Por esse pressuposto, o erro no tempo t, ut , é não correlacionado


com cada variável explicativa em todos os instantes de tempo.

17 of 28

Notes
Exogeneidade contemporânea
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• A equação (L10.8) implica que ut será não correlacionado com as


variáveis explicativas datadas no tempo t:

E(ut |xt1 , . . . , xtk ) = E(ut |xt ) = 0, t = 1, 2, . . . , n. (L10.9)

• Quando a equação (L10.9) é verdadeira, dizemos que os xtj são


contemporaneamente exógenos.
• O pressuposto em (L10.8) exige mais que exogeneidade
contemporânea: ut deve ser independente de xsj , mesmo quando
s 6= t.
• Quando o pressuposto 3 se mantém, dizemos que as variáveis
explicativas são estritamente exógenas.
18 of 28

Notes
Cross-section v. time series
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Quando estudamos cross-section, não nos preocupávamos com a


possível correlação entre o erro da pessoa i, ui , com variáveis
explicativas de outra pessoa da amostra.
• Isso porque assumíamos amostragem aleatória, que garantia que ui
era automaticamente independente das variáveis explicativas dos
demais elementos da amostra.
• No contexto de séries temporais, amostragem aleatória não faz
sentido, de forma que devemos assumir explicitamente que ut é
não correlacionado com variáveis explicativas em outros instantes
de tempo.
• Nota: o pressuposto 3 não trata da correlação entre variáveis
explicativas nem da correlação de ut ao longo do tempo.
19 of 28

Notes
Violações do pressuposto 3
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Qualquer coisa que faça com que o erro não observado em t seja
correlacionado com quaisquer das v.i. em qualquer instante de
tempo viola o pressuposto 3.
• Os problemas mais comuns são: variáveis omitidas, erro de medida
nas v.i. ou efeito feedback (quando o termo de erro hoje causa
variações na v.i. futura).
• Ex.: modelo estático simples para explicar a taxa de homicídios de
uma cidade em termos do número de policiais per capita:
mrdrtet = β0 + β1 polpct + ut .
• Suponha que a cidade ajuste sua força policial com base em valores
passados da taxa de homicídios. Isso significa que polpct+1 estaria
correlacionada com ut (já que ut maior implica em mrdrtet maior).
20 of 28
Notes
Teorema: ausência de viés do MQO
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Sob os pressupostos 1 a 3, os estimadores MQO são não


enviesados: E(β̂j ) = βj , j = 0, 1, . . . , k.
• A prova desse teorema é igual à prova já apresentada para os
dados em cross-section.

21 of 28

Notes
Pressuposto 4: homoscedasticidade
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Condicional em X, a variância de ut é a mesma para todo t:


V(ut |X) = V(ut ) = σ 2 , t = 1, 2, . . . , n.
• Esta hipótese significa que V(ut |X) não pode depender de X e que
V(ut ) é constante ao longo do tempo.
• Quando esta hipótese não se mantém, dizemos que os erros são
heteroscedásticos.

22 of 28

Notes
Pressuposto 5: sem autocorrelação
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Condicional em X, os erros em dois períodos de tempo diferentes


são não correlacionados: C(ut , us |X) = 0 para todo t 6= s.
• Quando esta hipótese for falsa, dizemos que os erros sofrem de
autocorrelação, porque são correlacionados ao longo do tempo.
• Esse pressuposto é exclusivo para a autocorrelação dos erros. Não
diz nada a respeito da autocorrelação das v.i., que podem ser
autocorrelacionadas.

23 of 28

Notes
Cross-section v. time series
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Por que só consideramos o problema da autocorrelação importante


com dados em séries temporais?
• A resposta é porque com dados em cross-section assumíamos
amostragem aleatória.
• Isso implicava que ui seria independente de uh para as observações
distintas i e h.

24 of 28
Notes
Pressupostos de Gauss-Markov
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Os pressupostos de 1 a 5 formam o conjunto de pressupostos de


Gauss-Markov para séries temporais.
• Sob esses pressupostos, a variância de β̂j , condicional em X, é:

σ2
V(β̂j |X) = , j = 1, . . . , k, (L10.10)
SSTj (1 − Rj2 )

tal que SSTj é a soma de quadrados total de xtj e Rj2 é o R


quadrado da regressão de xj sobre as demais variáveis
independentes.
• A prova desse teorema é também igual ao do caso cross-section.
• As discussões sobre multicolinearidade também se aplicam às séries
temporais.
25 of 28

Notes
Pressuposto 6: normalidade
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Os erros ut são independentes de X e são independentes e


identicamente distribuídos como uma Normal(0, σ 2 ).
• Esse pressuposto implica a validade dos pressupostos 3, 4 e 5, mas
é mais forte em razão dos pressupostos de independência e
normalidade.
• Sob os pressupostos 1 a 6, chamados de pressupostos do modelo
linear clássico para séries temporais, os estimadores MQO são
normalmente distribuídos, condicionais em X.
• Isso quer dizer que as estatísticas t calculadas terão distribuição t
de Student e as estatísticas F terão distribuição F .

26 of 28

Notes
Exemplo 1: curva de Phillips estática
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Determine se há efeito tradeoff, em média, entre a taxa de


desemprego e de inflação e teste H0 : β1 = 0 contra H1 : β1 < 0
usando os dados do arquivo PHILLIPS até o ano de 1996.
c = 1.42 + 0.468 unem
inf
(1.72) (0.289)

T = 49 R 2 = 0.053

• Os resultados sugerem evidência a favor da hipótese de tradeoff?

27 of 28

Notes
Exemplo 2: inflação, deficit e juros
Lecture 10: Propriedades amostrais do MQO sob os pressupostos clássicos

• Os dados em INTDEF são para os anos de 1948 a 2003.


• A variável i3 é a taxa de juros do T-bill de três meses, inf é a taxa
de inflação anual (CPI), e def é o deficit do orçamento federal
como um percentual do PIB americano.
• A equação estimada é:

b = 1.73 + 0.606 inf + 0.513 def


i3
(0.43) (0.082) (0.118)

T = 56 R 2 = 0.602

• Qual o efeito das v.i. sobre a taxa de juros de curto prazo?


• Seus sinais são esperados?

28 of 28