Você está na página 1de 28

Como rodar VAR/VEV1

1- Primeiro puxa sua base para o Eviews


2- Faça uma análise das séries
a. Faça análise de correlação

Abrir as séries para fazer a correlação

1
Ressalta-se que esse material é apenas um roteiro prático e que de forma alguma dispensa o entendimento
teórico que sustenta tal modelagem econométrica. Julga-se extremamente importante que o aluno faça uma
leitura atenciosa sobre os modelos VAR e VEC para que possam entender estes procedimentos técnicos.
Recomenda-se como leitura obrigatória os seguintes autores:

BUENO, R.L.S. Econometria de Séries Temporais. 1. ed. São Paulo: Cengage. v. 1. 299 p. 2008
JOHNSTON, J. & DINARDO, J. Métodos Econométricos. 4th edition McGraw-Hill, Lisboa, 2001.
GUJARATI, D.N. Econométria Básica. Editora Campus. 4ª edição. 2006.
ENGLE, R.F.; GRANGER, C.W. Co-integration and error-correction: representation, estimation and
testing. Econometrica, v. 55, p. 251-276. 1987.
JOHANSEN, S. Statistical Analysis of Cointegration Vectors. Journal of Economic Dynamics and
Control 12, 231–254. 1988.
JOHANSEN, S., JUSELIUS, K. Maximum likelihood estimation and inference on cointegration – with
application to the demand for money. Oxford Bulletin on Economics and Statistics, v. 52, n. 1, p. 169-
210, 1990.
JOHNSTON, J.; DINARDO. Econometric Methods. 4th edition.McGraw-Hill, Lisboa, 1997.
Aparecerá uma janela contendo os nomes das série, basta clicar em ok
Depois pedirá para apagar os grupos clique em Yes

b. Faça gráficos
Na própria tela da correlçaão ir em: View  graph

Aparecerá a seguinte janela:


Aparecerá uma nova janela cm os gráficos de todas as suas séries

c. Testes de raiz unitária só pode usar VEC se todas as séries forem

Teste ADF

𝐻0 : 𝑝𝑟𝑒𝑠𝑒𝑛ç𝑎 𝑑𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡á𝑟𝑖𝑎 (𝑛ã𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛á𝑟𝑖𝑎)

𝐻𝑎 : 𝑎𝑢𝑠ê𝑛𝑐𝑖𝑎 𝑑𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡á𝑟𝑖𝑎 (𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛á𝑟𝑖𝑎)

Decisão Deve-se comparar a estatística de teste calculada com os valores críticos

|t cal | > |τtab | = RHo


|t cal | < |τtab | = NRHo

Dê um clique duplo sobre a série que vc irá testar a presença de raiz unitária

Na próxima janela ir em View unit root

Na próxima janela- tem as opções de vários teste de raiz unitária escolha o que quiser (ADF)
Primwiro testar a série em nível. Para tanto, Você deve testar os três tipos de modelo. Inicie
com o completo (trend and intercept), depois faça o teste com o modelo de intercept, Por fim,
vc deve testar o modelo nome (sem constante e sem intercepto). Se concluir que a série não
tem raiz unitária em nível, então ela é I(0) não pode usar VEC.

Depois caso tenha dado raiz unitária, teste a série em primeira diferença (1st difference)
para verificar se esta torna-se estacionária em 1ª diferença. Se constatar isso, logo a série é
I(1). Caso contrário, testa em segunda diferença (2nd difference). Se constatar que a série é
estacionária logo ela é I(2). Em séries econômicas, os casos mais comuns são i(0) ou I(1).
Todavia, podemos ter i(2). Series integradas de ordem superior a dois, não é comum.

Ao realizar o teste em nível com modelo completo (trend e entercepto), temos:

O primeiro valor denro do quadrado vermelho é o t calculado e os demais são os valores


críticos. Observe que este t não é o t de student, e sim a estatística tau. Por isso, os valores
críticos não seguem a distribuição t de student e sim as tabuladas por Mackinnon.

O valor circulado, refere-se o p-valor da estatística observe que p>0,10 (10%), logo NRH0
serie tem raiz unitária. Faz os testes para os dis modelos (só com intecet e sem intercepto e
tendência). Se concluir que a série tem raiz unitária, deve-se testar em primeira diferença.
Observe que em primeira diferença, o teste é feito com o modelo NONE. Pelo p-valor (0,0604)
menor do que 0,10 (10%), o valor é significativo, logo RHO, então a série é estacionária em
primeira diferença  I(1).

Ao realizar os testes de raiz unitária para todas as séries e concluir que todas são I(1), a
aplicação do MQO é inviável e deve-se usar um modelo VAR/VEC

3- Procedimentos para estimar um var

Selecione todas as suas séries que fazem parte da equação que vc irá estimar. Se vc sabe pela
teoria qual é variável dependente e quais são as explicativas, então selecione primeiro a
dependente e depois selecione as explicativas. Se não sabe, selecione em qualquer ordem, neste
caso, o ordenamento correto será posteriormente indicado pelo teste de Granger.

Abra as variáveis com um grupo  e vai em as a VAR.


Inicie com
um VAR(2)

Aqui coloca termos


exógenos, como
tendência, constante ( c )
e dummy

Clique em Ok irá rodar o var

4- Teste de lag para verificar qual ordem deve-se rodar o var. Se VAR(2), VAR(3), etc.

Na janela do VAR estimado ir em: View  lag structure Lag length criteria

Abrirá uma janela onde vc deve definir quantas defasagens (lag) usar no teste. Geralmente
usamos 8; 12. Clique em ok
Estes são os teste para
definir qual a lag. Onde
tem asterisco é a
indicação do teste

Temos indicação de var(1) e var(8)

5- Teste de autocorrelação sobre o var indicado anteriormente.


Começa como o vAR (1)

Volta na tela de estimação


Apaga o 2 e
coloca o 1

Irá aparecer uma nova tela onde pedirá o número de lag basta colocar 12 que é o
comum
A H0= ausência de auto. Deve-se ter ausência de auto em todas as 12 lags.. Observe
que nas lags: 1, 2, 3, 5, 7, 9, 10, 11, 12.. a 5% de significância (pois os valores prob
foram siginificativos a 5%.
Nesta situação, para corrigir a lag, vc deve regredi um var de ordem superior a 1 e
testar novamente a auto.

Var(2)
Para voltar e reestimar o var(2), é só clicar em estimate
Observe que a lag 1, e 9 a 1% não te auto. Não resolvido o problema

Var(3)
Var(4)

Ainda não resolvido. Fazer um VAR(5)

A 1%, o VAR(5) está livre de auto.


6- Teste de estabilidade serve para saber se o var pode ser usado para inferência.

Volta na tela do VAR

Observe que todas as raízes unitárias (os pontos em azul) estão dentro do circulo
unitário- logo o VAR(5) é estável e pode ser usado para fazer inferência

7- Teste de causalidade de Granger


Como são muitas varáveis o resultado ficou muito grande. Por isso, vou copiar e colar
a tabela para facilitar a interpretação:
VAR Granger Causality/Block Exogeneity Wald Tests
Date: 12/19/13 Time: 11:49
Sample: 2004M03 2013M06
Included observations: 107

Dependent variable: LOGR

Excluded Chi-sq df Prob.

LOGB 2.200470 5 0.8208 Commented [W71]: Log de B não causa logde R, como ocorre
LOGCONT 6.280921 5 0.2798 com logcont logdes, etc..
LOGDES 4.276145 5 0.5104
LOGGI 7.817342 5 0.1666
LOGID 7.584608 5 0.1807
LOGJ 6.749822 5 0.2399
LOGPIB2DIF 3.294917 5 0.6546
LOGRM 2.941395 5 0.7090
LOGTOF 4.880501 5 0.4306
LOGTOM 6.708415 5 0.2432

All 109.3425 50 0.0000 Commented [W72]: Esta é a estatística de qui-quadrado

Dependent variable: LOGB Commented [W73]: Em conjunto todas as variáveis causam


logr no sentido de granger

Excluded Chi-sq df Prob.

LOGR 9.541515 5 0.0893


LOGCONT 7.335398 5 0.1969
LOGDES 8.648635 5 0.1239
LOGGI 16.50578 5 0.0055 Commented [W74]: Loggi causa logb
LOGID 6.081954 5 0.2983
LOGJ 7.477439 5 0.1875
LOGPIB2DIF 19.80510 5 0.0014
LOGRM 28.70962 5 0.0000
LOGTOF 9.656252 5 0.0856
LOGTOM 11.65862 5 0.0398

All 236.0194 50 0.0000

Dependent variable: LOGCONT

Excluded Chi-sq df Prob.

LOGR 5.851349 5 0.3210


LOGB 11.92342 5 0.0359
LOGDES 4.565846 5 0.4711
LOGGI 1.450018 5 0.9188
LOGID 5.136362 5 0.3995
LOGJ 8.268744 5 0.1420
LOGPIB2DIF 3.851583 5 0.5710
LOGRM 6.089435 5 0.2976
LOGTOF 5.303353 5 0.3800
LOGTOM 7.994940 5 0.1565

All 50.27831 50 0.4624


Dependent variable: LOGDES

Excluded Chi-sq df Prob.

LOGR 2.601939 5 0.7611


LOGB 14.37704 5 0.0134
LOGCONT 21.87556 5 0.0006
LOGGI 8.637280 5 0.1244
LOGID 7.445910 5 0.1895
LOGJ 5.159674 5 0.3967
LOGPIB2DIF 9.106560 5 0.1049
LOGRM 41.68673 5 0.0000
LOGTOF 10.64130 5 0.0590
LOGTOM 9.727677 5 0.0833

All 274.6993 50 0.0000

Dependent variable: LOGGI

Excluded Chi-sq df Prob.

LOGR 7.130295 5 0.2111


LOGB 2.969409 5 0.7047
LOGCONT 4.212961 5 0.5192
LOGDES 1.342547 5 0.9305
LOGID 4.882600 5 0.4304
LOGJ 11.82473 5 0.0373
LOGPIB2DIF 5.593756 5 0.3478
LOGRM 1.846722 5 0.8699
LOGTOF 4.587873 5 0.4682
LOGTOM 3.626335 5 0.6044

All 43.34830 50 0.7356

Dependent variable: LOGID

Excluded Chi-sq df Prob.

LOGR 2.610418 5 0.7598


LOGB 3.742184 5 0.5871
LOGCONT 11.03388 5 0.0507
LOGDES 7.649946 5 0.1766
LOGGI 1.592019 5 0.9022
LOGJ 2.370442 5 0.7959
LOGPIB2DIF 8.898180 5 0.1132
LOGRM 1.953767 5 0.8555
LOGTOF 2.074244 5 0.8388
LOGTOM 6.245398 5 0.2831

All 140.7351 50 0.0000


Dependent variable: LOGJ

Excluded Chi-sq df Prob.

LOGR 1.389307 5 0.9255


LOGB 8.333295 5 0.1388
LOGCONT 15.79909 5 0.0074
LOGDES 4.601974 5 0.4664
LOGGI 5.095063 5 0.4044
LOGID 10.18364 5 0.0702
LOGPIB2DIF 2.882829 5 0.7180
LOGRM 4.294760 5 0.5078
LOGTOF 3.486824 5 0.6254
LOGTOM 6.611001 5 0.2512

All 163.3657 50 0.0000

Dependent variable: LOGPIB2DIF

Excluded Chi-sq df Prob.

LOGR 5.937590 5 0.3123


LOGB 9.234546 5 0.1001
LOGCONT 2.509286 5 0.7751
LOGDES 4.740417 5 0.4484
LOGGI 0.604874 5 0.9878
LOGID 1.391329 5 0.9253
LOGJ 10.26215 5 0.0681
LOGRM 13.05394 5 0.0229
LOGTOF 2.322862 5 0.8029
LOGTOM 1.621790 5 0.8986

All 159.4358 50 0.0000

Dependent variable: LOGRM

Excluded Chi-sq df Prob.

LOGR 1.597702 5 0.9015


LOGB 15.85398 5 0.0073
LOGCONT 14.72723 5 0.0116
LOGDES 1.882695 5 0.8651
LOGGI 9.718959 5 0.0836
LOGID 0.701441 5 0.9829
LOGJ 25.00610 5 0.0001
LOGPIB2DIF 9.137020 5 0.1037
LOGTOF 15.03150 5 0.0102
LOGTOM 5.912876 5 0.3148

All 280.3594 50 0.0000


Dependent variable: LOGTOF

Excluded Chi-sq df Prob.

LOGR 8.108529 5 0.1504


LOGB 13.38430 5 0.0200
LOGCONT 6.226462 5 0.2848
LOGDES 3.734665 5 0.5882
LOGGI 1.545162 5 0.9078
LOGID 6.612026 5 0.2511
LOGJ 9.904321 5 0.0780
LOGPIB2DIF 9.936703 5 0.0770
LOGRM 17.94568 5 0.0030
LOGTOM 3.657501 5 0.5997

All 136.7113 50 0.0000

Dependent variable: LOGTOM

Excluded Chi-sq df Prob.

LOGR 15.70297 5 0.0077


LOGB 13.92160 5 0.0161
LOGCONT 14.99281 5 0.0104
LOGDES 4.830933 5 0.4369
LOGGI 5.010650 5 0.4146
LOGID 5.378635 5 0.3714
LOGJ 6.482244 5 0.2621
LOGPIB2DIF 6.610962 5 0.2512
LOGRM 18.22283 5 0.0027
LOGTOF 6.489207 5 0.2615

All 122.9157 50 0.0000

a Ho= a variável X (ou qualquer outra, no caso logb) não causa no sentido de Granger a variável
Y (outra variável, exemplo logr)

regra de decisão---p-valor menor do que 10% RHO logo X causa Y.

o teste de Granger além de indicar a relação de causalidade entre as variáveis, Também indica
o ordenamento das variáveis para a regressão do modelo VAR. A regra é sempre ordenar do
menor valor de qui-quadrado para o maior.

Todavia, se vc já sabe qual é a sua variável dependente ela virá primeiro e vc ordena somente
as demais. No exemplo, supondo que logR é a variável dependente, então o ordenamento só
leva em conta as outras variáveis. Neste caso temos:
logr loggi logcont logtom logtof logid logpib2dif logj logb logdes logrm

8- De posse do ordenamento sugerido, reestimar o VAR (lembre-se que vc está estimando um


var(5)).
9- Teste de cointegração de Johansen

Após reestimar o var (5) fazer o teste de cointegração

Na tela do var estimado ir em: View-- cointegration test

Esses são os 5
O teste é
modelos
realizado com
disponíveis
uma lag a menos
para rodar o
do que o VAR
teste.
Esta opção permite
ter um resumo dos
resultados dos
testes de
cointegração para
0s 5 modelos.

Chama-se atenção para o fato de que nem sempre é possível utilizar a opção 6 (summarize all
5 sets ....). As vezes, por alguma característica dos dados ou tamanho de amostra, o teste não
se realiza (near matrix) para esta opção. Neste caso, basta testar todos os 5 modelos
separadamente.

Ao marcar a opção 6, foi possível ter o resumo dos testes

Teste do
traço e do
máximo
valor

Observe que os testes de traço e máximo autovalor indicaram que existem entre 5 a 6 relações
de cointegração. Portanto, qualquer um dos 5 modelos podem ser usados para estimar o VEC.
Para estimar o VEC, deve existir pelo menos uma relação de cointegração entre as variáveis.

Realizando o teste de cointegração para o modelo 3 (linear, intercep no trend)

Date: 12/19/13 Time: 15:03


Sample (adjusted): 2004M08 2013M06
Included observations: 107 after adjustments
Trend assumption: Linear deterministic trend
Series: LOGR LOGGI LOGCONT LOGTOM LOGTOF LOGID LOGPIB2DIF LOGJ LOGB LOGDES
LOGRM
Lags interval (in first differences): 1 to 4 Commented [W75]: Rodei um var(5) e fiz o teste de
cointegração com um var 4
Unrestricted Cointegration Rank Test (Trace)
Commented [W76]: Teste do traço

Hypothesized Trace 0.05


No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.768363 514.0228 285.1425 0.0000


At most 1 * 0.561939 357.5266 239.2354 0.0000
At most 2 * 0.491611 269.2090 197.3709 0.0000
At most 3 * 0.390939 196.8225 159.5297 0.0001 Commented [W77]: Resultado do teste de traço-
At most 4 * 0.369536 143.7680 125.6154 0.0024
At most 5 0.288316 94.40904 95.75366 0.0617 Implica que as hipoteses de até 1, 2, 3,, 4 relações de cointegração
At most 6 0.213470 58.01613 69.81889 0.3013 foram rejeitadas, logo, existe 5 relacões de cointegração, a 5% de
significância
At most 7 0.145241 32.32281 47.85613 0.5943
At most 8 0.086416 15.53069 29.79707 0.7448
At most 9 0.051223 5.859983 15.49471 0.7120
At most 10 0.002182 0.233759 3.841466 0.6287

Trace test indicates 5 cointegrating eqn(s) at the 0.05 level Commented [W78]: 5 relações de cointegração
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Commented [W79]: Teste do máximo

Hypothesized Max-Eigen 0.05


No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.768363 156.4962 70.53513 0.0000


At most 1 * 0.561939 88.31756 64.50472 0.0001
At most 2 * 0.491611 72.38649 58.43354 0.0013
At most 3 * 0.390939 53.05453 52.36261 0.0424
At most 4 * 0.369536 49.35896 46.23142 0.0224 Commented [W710]: A 5% rejeitou as hipóteses de até 1, 2, 3,
At most 5 0.288316 36.39291 40.07757 0.1228 4 relações de cointegração- logo tem 5 relações de cointegração
At most 6 0.213470 25.69333 33.87687 0.3397
At most 7 0.145241 16.79212 27.58434 0.5979
At most 8 0.086416 9.670708 21.13162 0.7749
At most 9 0.051223 5.626224 14.26460 0.6615
At most 10 0.002182 0.233759 3.841466 0.6287

Max-eigenvalue test indicates 5 cointegrating eqn(s) at the 0.05 level Commented [W711]: 5 relações de cointegração
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

se existe relação de cointegração entre as variáveis, podemos estimar um VEC(4) Commented [W712]: Vou estimar um VEC (4) por tinha um
VAR (5)

10- Resultados do VEC


Rodei um vec (5) com o modelo 3. Vc deve estimar para os 5 modelos e comparar os
resultados.

Após marcar VEC e


especificar que a lag é 4.
Clicar na aba cointegration
Na próxima tela, vc diz qual o modelo irá usar (no caso o 3) e quantas relações de
cointegração vc pretende estimar (vc poderia estimar até 5, mas basta uma)

Nº de relações
de cointegração
que deseja
estimar

Esultado do VEC(4) modelo 3

Vector Error Correction Estimates


Date: 12/19/13 Time: 15:14
Sample (adjusted): 2004M08 2013M06
Included observations: 107 after adjustments
Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq: CointEq1

LOGR(-1) 1.000000 Commented [W713]: Variável dependente

LOGGI(-1) -0.088787 Commented [W714]: Coeficiente estimado


(3.70052)
Commented [W715]: Erro padrão
[-0.02399]
Commented [W716]: Estatística t de student
LOGCONT(-1) 3.172287
(3.69147)
[ 0.85936]

LOGTOM(-1) -8.685231
(8.50101)
[-1.02167]

LOGTOF(-1) -2.362707
(4.50305)
[-0.52469]

LOGID(-1) 0.255370
(0.36922)
[ 0.69165]

LOGPIB2DIF(-1) -53.35041
(4.02045)
[-13.2698]

LOGJ(-1) 0.038325
(0.25323)
[ 0.15134]

LOGB(-1) -1.141081
(0.59003)
[-1.93394]

LOGDES(-1) -0.221325
(0.80023)
[-0.27658]

LOGRM(-1) 1.478514
(1.47111)
[ 1.00503]

C -5.694728 Commented [W717]: constante

Analise sinal, significância, etc.

11- Pos-estimação do VAR/ VEC

Tanto no VAR quanto no VEC é possível fazer a análise de impulso resposta e a análise
de decomposição da variância do erro.

Impulso resposta

Na janela de estimação do VEC, ir em View  impulse response


Aqui vc define o tipo da função de
impulso. Geralmente usa-se a de
Cholesky, conforme a próxima figura

Aqui vc coloca as
variáveis explicativas
que sofreram o
“choque”

Aqui vc coloca a variável


dependente, que será impactada
Aqui são as opções de pelo choque nas variáveis
apresentação: em tabela, explicativas.
múltiplos gráficos ou
combinação dos dois Aqui vc define quantos períodos para
frente vc quer ver os efeitos do
choque sobre a variável dependente
12- Decomposição da variância

Na janela dos gráficos (ou na janela do VEC estimado) clicar em view  Variance
Decomposition
Aqui vc coloca a variável dependente.
Pode até colocar todas, mas ai vc
verá a decomposição de todas (esta é
uma situação que ocorre em estudos
de transmissão de preços ou análise
de cointegração)

Aqui vc coloca todas as variáveis,


inclusive a dependente

Na primeira coluna temos o período e na segunda os erros padrão.

Observe que na terceira coluna começa os resultados da decomposição da variância. O logR é


fortemente explicado por choques em si próprio. Isto pode ser visto pelo fato de que no
décimo período 73, 43% (já que esta em log vc pode falar em termos de porcentagem) das
variações ocorridas em LOGr serem explicadas por ela própria.

Agora é só analisar os demais....Leia o livro!!!