Econometria III

ANE059

APOSTILA

MODELOS VETORIAIS AUTORREGRESSIVOS

E DE CORREÇÃO DE ERROS

Prof. Rogério Silva de Mattos

Departamento de Economia
Faculdade de Economia
Universidade Federal de Juiz de Fora
Rogério.mattos@ufjf.edu.br
http://www.ufjf.edu.br/rogerio_mattos
1. Introdução

• Cowles Comission (décadas de 1930 e 1940) – Modelos econométricos estruturais

(equações simultâneas)

• Crítica de Sims (1980)

o “Restrições de identificação inacreditáveis”

o Variáveis devem ser tratadas simetricamente no âmbito de um modelo VAR

2. VAR(1)

• Sejam dois processsos estocásticos yt e zt representados como:

yt = a10 + a11 yt −1 + a12 zt −1 + ε 1t

zt = a20 + a21 yt −1 + a22 zt −1 + ε 2t

• Onde ε1t, ~ I(0), ε2t ~ I(0) e Cov(ε1t,ε2t) = 0. Diz-se que yt e zt seguem um processo
VAR(1)

• Representação matricial:

⎡ yt ⎤ ⎡ a10 ⎤ ⎡ a11 a12 ⎤ ⎡ yt −1 ⎤ ⎡ ε 1t ⎤

⎢ z ⎥ = ⎢a ⎥ + ⎢a +
a 22 ⎥⎦ ⎢⎣ zt −1 ⎥⎦ ⎢⎣ε 2t ⎥⎦
⎣ t ⎦ ⎣ 20 ⎦ ⎣ 21

• Ou:

xt = A0 + A1 xt −1 + ε t

⎡ yt ⎤ ⎡ a10 ⎤ ⎡a a12 ⎤ ⎡ε ⎤
• Onde: xt = ⎢ ⎥ A0 = ⎢ ⎥ A1 = ⎢ 11 ⎥ ε t = ⎢ 1t ⎥
⎣ zt ⎦ ⎣a20 ⎦ ⎣a21 a 22 ⎦ ⎣ε 2t ⎦

3. VAR(p) com 2 variáveis

yt = a10 + a1,11 yt −1 + a1,12 zt −1 + a2,11 yt −2 + a2,12 zt −2 + ... + a p ,11 yt − p + a p ,12 zt − p + ε 1t

zt = a20 + a1, 21 yt −1 + a1, 22 zt −1 + a2, 21 yt −2 + a2, 22 zt −2 + ... + a p , 21 yt − p + a p , 22 zt − p + ε 2t

• Onde ε1t, ~ I(0), ε2t ~ I(0) e Cov(ε1t,ε2t) = 0

• Representação matricial

⎡ yt ⎤ ⎡ a10 ⎤ ⎡ a1,11 a1,12 ⎤ ⎡ yt −1 ⎤ ⎡ a2,11 a2,12 ⎤ ⎡ yt −2 ⎤ ⎡ a p ,11 a p ,12 ⎤ ⎡ yt − p ⎤ ⎡ ε 1t ⎤

⎢ z ⎥ = ⎢a ⎥ + ⎢a +
a1, 22 ⎥⎦ ⎢⎣ zt −1 ⎥⎦ ⎢⎣a2, 21 ⎥ ⎢ ⎥ + ... + ⎢ +
a p , 22 ⎥⎦ ⎢⎣ zt − p ⎥⎦ ⎢⎣ε 2t ⎥⎦
⎣ t ⎦ ⎣ 20 ⎦ ⎣ 1, 21 a2, 22 ⎦ ⎣ zt −2 ⎦ ⎣a p , 21

  2
 • Ou:

xt = A0 + A1 xt −1 + A2 xt −2 + L + Ap xt − p + ε t

⎡ yt ⎤ ⎡ a10 ⎤ ⎡ ai ,11 ai ,12 ⎤ ⎡ε ⎤

• Onde: xt = ⎢ ⎥ A0 = ⎢ Ai = ⎢ ε t = ⎢ 1t ⎥
⎥ ai , 22 ⎥⎦
i = 1,...,p
⎣ zt ⎦ ⎣a20 ⎦ ⎣ai , 21 ⎣ε 2t ⎦

• Observações:

o Parâmetros de cada equação podem ser estimados por MQO se yt ~ I(0) e zt ~

I(0)

o Se yt ~ I(1) e zt ~ I(1) e não são co-integradas, deve-se estimar a relação entre

elas como um VAR em primeiras diferenças:

⎡∆yt ⎤ ⎡π 10 ⎤ ⎡π 11 π 12 ⎤ ⎡∆yt −1 ⎤ ⎡ e1t ⎤

o ⎢ ∆z ⎥ = ⎢π ⎥ + ⎢π ⎥⎢ ⎥+⎢ ⎥
⎣ t ⎦ ⎣ 20 ⎦ ⎣ 21 π 22 ⎦ ⎣ ∆zt −1 ⎦ ⎣e2t ⎦

o ∆xt = Π 0 + Π1∆xt −1 + et

o Em geral, variáveis não estacionárias e não cointegradas diferencia-se ambas

até atingir a estacionriedade e assume-se que seguem um VAR:

o VARs podem ser vistos como casos especiais de Vetores Autorregressivos com
mecanismos de correção de erros (VCEs)

4. Modelo VAR Geral (n variáveis)

• Sejam n processos estocásticos x1t , x2t, . . . xnt

• Representação:

xt = A0 + A1 xt −1 + A2 xt −2 + ... + Ap xt − p + ε t

⎡ x1t ⎤ ⎡ a10 ⎤ ⎡ ai ,11 L ai ,1n ⎤ ⎡ε 1t ⎤

⎢ ⎥ ⎢ ⎥ ⎢ ⎥
• Onde: xt = : A0 = :
⎢ ⎥ ⎢ ⎥ Ai = ⎢ M O M ⎥ i = 1,...,p ε t = ⎢⎢ M ⎥⎥
⎢⎣ xnt ⎥⎦ ⎢⎣a n 0 ⎥⎦ ⎢⎣ai ,n1 L ai ,nn ⎥⎦ ⎢⎣ε nt ⎥⎦

• E também εit, ~ I(0) e Cov(εit,εst) = 0. Diz-se que xt segue um Var(p)

• Se as séries forem I(1) mas não co-integradas deve-se diferenciá-las e estimar o modelo
com um VAR em primeiras diferenças, isto é:

∆xt = Π 0 + Π 1∆xt −1 + Π 2 ∆xt −2 + ... + Π p ∆xt − p + et

  3
 • Se só m séries forem I(0) e n-m forem I(1), mas estas não co-integradas, deve-se
diferenciar as últimas e só então estimar-se por MQO um VAR (com m séries em nível
e n-m séries em primeiras diferenças)

5. Modelo VCE Geral (n variáveis)

• Sejam x1t ~ I(1), x2t ~ I(1), ..., xnt ~ I(1) e cointegradas.

• Representação

∆xt = Π 0 + Πxt −1 + Π 1∆xt −1 + Π 2 ∆xt −2 + ... + Π p ∆xt − p + et

⎡ x1t ⎤ ⎡π 10 ⎤ ⎡π i ,11 L π i ,1n ⎤ ⎡ e1t ⎤

⎢ ⎥ ⎢ ⎥ ⎢ ⎥
• Onde: xt = : Π 0 = :
⎢ ⎥ ⎢ ⎥ Πi = ⎢ M O M ⎥ i = 1,...,p et = ⎢⎢ M ⎥⎥
⎢⎣ xnt ⎥⎦ ⎢⎣π n 0 ⎥⎦ ⎢⎣π i ,n1 L π i ,nn ⎥⎦ ⎢⎣ent ⎥⎦

⎡π 11 L π 1n ⎤
← Esta matriz é fundamental para
• Π = ⎢⎢ M O M ⎥⎥
( n×n ) a análise de cointegração! ! !
⎢⎣π n1 L π nn ⎥⎦

• Πxt representa o mecanismo de correção de erros

• Cada linha de Πxt representa uma relação de co-integração

o π i1 x1t + π i 2 x2t + ... + π 1n xnt ~ I (0)

o Pode haver no mínimo uma e no máximo n-1 relações de co-integração

• Cada linha de Π é um vetor de co-integração

o Pode haver no mínimo um e no máximo n-1 vetores de co-integração

• O posto de Π é que determina o número de relações/vetores de co-integração e o teste

de co-integração envolve determinar estatisticamente o posto de Π

  4
6. Breve Digressão sobre Matrizes

⎡ a11 L a1k ⎤
•
⎢ ⎥
Seja: A = M O M onde aij são números reais
⎢ ⎥
⎢⎣am1 L amk ⎥⎦

• Afirmações equivalentes

o Há r linhas de A linearmente independentes (0≤ r ≤ min(m,k))

o Há r colunas de A linearmente independentes (0≤ r ≤ min(m,k))

o Posto(A) = r

o O número de autovalores não nulos de A é r

• Matrizes Quadradas (m = k)

⎡ a11 L a1m ⎤
⎢
o Seja a matriz quadrada: A = M O M ⎥⎥ onde aij são números reais
⎢
⎣⎢a m1 L a mm ⎦⎥

o Posto(A) = 0 implica que A = 0 (matriz nula)

o 0 < Posto(A) < m significa que:

• det(A) = |A| = 0

• As m linhas/colunas são linearmente dependentes entre si

o Posto(A) = m significa que:

• A tem posto cheio

• Há m linhas/colunas linearmente independentes

• |A| ≠ 0

• A possui m autovalores não nulos

• A é não singular

• A possui inversa, isto é, ∃ A-1 de ordem m×m tal que A-1A = AA-1= Im

• Matrizes (Quadradadas) Simétricas

o A simétrica implica que A´ = A

  5
 o A é diagonal quando aij = 0 para i ≠ j , isto é:

⎡a11 0 L 0 0 ⎤
⎢0 a 22 L 0 0 ⎥⎥
⎢
A=⎢ M M O M M ⎥
⎢ ⎥
⎢0 0 L a m−1,m−1 0 ⎥
⎢⎣ 0 0 L 0 a mm ⎥⎦

m
o A = ∏ aii e será |A| ≠ 0 desde que todo aii ≠ 0
i =1

n
o Traço de A = ∑a
i =1
ii (= soma dos elementos da diagonal principal de A)

• Sistemas de Equações

o Sejam A m×m, x m×1 e b m×1.

o Representação matricial: Ax = b

o Posto(A) < m implica que não há solução do sistema ou há infinitas soluções

o Posto(A) = m implica que há só 1 solução dada por x = A-1b.

• Autovalores e Autovetores

o Seja: Ax = λx, onde λ é uma constante real

o Problema: Quais valores de λ constituem solução?

o Outra representação: (A - λI)x = 0

o Se Posto(A - λI) = m, solução trivial x = 0

o Posto(A - λI) < m então | A - λI| = 0

o | A - λI| = 0 é chamada equação característica

o Equação característica é um polinômio em λ

o Exemplo m = 2

| A − λI |= 0
⎡a11 − λ a12 ⎤
⎢ a =0
⎣ 21 a22 − λ ⎥⎦
λ2 − (a11 + a22 )λ − (a11a22 − a12 a21 ) = 0

  6
 o Há 2 raízes λ1 e λ2 , chamadas de autovalores de A

o Caso geral: A m×m possui m autovalores λ1 , λ2, ..., λm e m autovetores x1 , x2,

..., xm

• Propriedades dos Autovalores

o Posto(A) = número de autovalores não nulos de A

m
o A = ∏ λi , isto é, o determinante de A é o produto dos autovalores de A
i =1

m
o Traço(A) = ∑λ
i =1
i

m m
o ∑ aii = ∑ λi (decorre da propriedade acima)
i =1 i =1

7. Teste de Co-integração de Johansen

⎡ x1t ⎤
•
⎢ ⎥
Seja xt = :
⎢ ⎥
⎢⎣ xnt ⎥⎦

• Var(1): xt = Axt −1 + ε t

• Subtraindo xt-1 de ambos os lados: ∆xt = ( A − I ) xt −1 + et

• Ou: ∆xt = Π xt −1 + et

• Π= A–I ← Esta matriz é fundamental para

a análise de cointegração! ! !

• Seja r = Posto(Π)

• r = número de vetores de cointegração

• r = 0 implica que Π = 0 (matriz nula) e não há co-integração mas todas as séries

apresentam raiz unitária, isto é, são I(1) porque ∆yt = et

• r=n significa que o modelo VCE é um sistema convergente e todas as séries são
I(0), logo não há relações/vetores de co-integração

  7
 • 0 < r < n significa que há pelo menos um vetor de cointegração

• Como se determina r? Pelo número de autovalores não nulos de Π

Teste do Traço

• H0: Posto(Π) ≤ r

• H1: Posto(Π) > r

• Estatística do traço:

o Considere os autovalores estimados de Π ordenados: λˆ1 > λˆ2 > ... > λˆn

n
o λtraço (r ) = −T ∑ ln(1 − λˆi )
i = r +1

• Regra de Decisão: λtraço (r ) > λC → Rejeito H0; λtraço (r ) ≤ λC → Não rejeito H0

• λC é o valor crítico obtido de uma tabela da distribuição de λtraço

• Obs: Aplica-se o teste sequencialmente para r = 0, r = 1, ...

Teste do Máximo Autovalor

• H0: Posto(Π) = r

• H1: Posto(Π) = r + 1

• Estatística do teste:

o Considere os autovalores estimados de Π ordenados: λˆ1 > λˆ2 > ... > λˆn

o λmáx (r ) = −T ln(1 − λˆr +1 )

• Regra de Decisão: λmáx > λC → Rejeito H0; λmáx ≤ λC → Não rejeito H0

• λC é o valor crítico obtido de uma tabela da distribuição de λmáx

• Obs: Aplica-se o teste sequencialmente para r = 0, r = 1, ...

8. Outras Representações

• Seja o modelo VCE:

  8
 ∆xt = Π 0 + Πxt −1 + Π 1∆xt −1 + Π 2 ∆xt −2 + ... + Π p ∆xt − p + et

⎡ x1t ⎤ ⎡π 10 ⎤ ⎡π i ,11 L π i ,1n ⎤ ⎡ e1t ⎤

•
⎢ ⎥
Onde: xt = : Π 0 = :
⎢ ⎥ Π =⎢ M O
⎥
M ⎥ i = 1,...,p et = ⎢⎢ M ⎥⎥
⎢ ⎥ ⎢ ⎥ i ⎢
⎢⎣ xnt ⎥⎦ ⎢⎣π n 0 ⎥⎦ ⎢⎣π i ,n1 L π i ,nn ⎥⎦ ⎢⎣ent ⎥⎦

⎡π 11 L π 1n ⎤
• Π = ⎢⎢ M O M ⎥⎥
( n×n )
⎢⎣π n1 L π nn ⎥⎦

• Se r = Posto(Π) < n, então existem matrizes α e β ambas n×r tais que:

• Π = αβ’

o Exemplo: r = 2 e n = 4

⎡α 11 α 12 ⎤
⎢α α 22 ⎥⎥ ⎡ β11 β12 β13 β14 ⎤
Π = ⎢ 21
α 32 ⎥ ⎢⎣ β 21 β 22 β 24 ⎥⎦
o
( 4×4 ) ⎢α 31 β 23
⎢ ⎥
⎣α 41 α 42 ⎦

• α = matriz de coeficientes de ajustamento (aos desequilíbrios)

• β = matriz de coeficientes de co-integração

• Normalizações de β:

⎡1 β12* β13* β14* ⎤

o β ′* = ⎢ ⎥
⎣1 β 22 β 23* β 24* ⎦
*
( 2×4 )

⎡1 0 β13** β14** ⎤
o β′ = ⎢
**
⎥
⎣0 1 β 23 β 24** ⎦
**
( 2×4 )

9. Opções do Teste de Johansen

VEC com termos determinísticos:

∆xt = Π 0 + Πxt −1 + Bd t + Π 1∆xt −1 + Π 2 ∆xt −2 + ... + Π p ∆xt − p + et

dt = vetor com termos determinísticos (interceptos e/ou tendências)

9.1 Séries em xt sem tendência determinística e relações de co-integração sem intercepto:

  9
 H 01 (r ) : Πxt −1 + Bd t = αβ ′xt −1

9.2 Séries em xt sem tendência determinística e relações de co-integração com intercepto:

H 02 (r ) : Πxt −1 + Bd t = α ( β ′xt −1 + ρ 0 )

9.3 Séries xt com tendência determinística e relações de co-integração só com intercepto:

H 03 (r ) : Π xt −1 + Bd t = α ( β ′xt −1 + ρ 0 ) + α ⊥γ 0

9.4 Séries xt com tendência determinística e relações de co-integração também:

H 04 (r ) : Πxt −1 + Bd t = α ( β ′xt −1 + ρ 0 + ρ1t ) + α ⊥γ 0

9.5 Séries xt com tend. determinística quadrática e relações de co-integração com. det. linear:

H 05 (r ) : Πxt −1 + Bd t = α ( β ′xt −1 + ρ 0 + ρ1t ) + α ⊥ (γ 0 + γ 1t )

Aninhamento das hipóteses: H 01 (r ) ⊂ H 02 (r ) ⊂ H 03 (r ) ⊂ H 04 (r ) ⊂ H 05 (r )

10. Procedimentos do Teste de Johansen

1. Determinação do lag-máximo p do modelo VEC: estima-se o VAR irrestrito com as séries

não diferenciados (em nivel) começando com um lag longo e buscando reduzi-lo pelos critérios
de Akaike e Schwarz ou pelo teste LB); e

2. Escolha da opção de teste (9.1-9.5)

3. Cálculo das estatísticas λmáx e λtraço pelo seguinte procedimento:

3.1Estimação irrestrita do modelo VAR e do Modelo para xt-1:

∆xt = Π
ˆ 0 + Bˆ d t + Π
ˆ 1 ∆xt −1 + Π
ˆ 2 ∆xt − 2 + ... + Π
ˆ p ∆xt − p + eˆt

xt −1 = Π
ˆ *0 + Bˆ * d t + Π
ˆ 1* ∆xt −1 + Π
ˆ *2 ∆xt − 2 + ... + Π
ˆ *p ∆xt − p + eˆt*

3.2 Uso dos resíduos êt e et* para estimação das matrix α e β por Máxima
Verossimilhança condicional sob hipótese de normalidade dos erros et e e*t:

3.3 Cálculo e ordenação dos autovalores λˆ1 > λˆ2 > L > λˆn de β.

3.4 Cômputo de λmáx e λtraço para distintos valores de r = 0,1,...,n

5. Escolha de NS, determinação do valor Crítico e aplicação da regra de decisão

  10
11. Modelos VAR e VEC com sazonalidade

Sejam D1t, D2t, . . ., Ds-1,t variáveis dummies sazonais, definidas como:

⎧1 t ⇔ j
D jt = ⎨ j = 1,...,s-1
⎩0 outro

j = período sazonal e s = tamanho do ciclo sazonal (2-semestral, 3-quadrimestral, 4-

trimestral, 6-bimestral, 12-mensal)

E sejam D*1t, D*2t, ..., D*s-1,t variáveis dummies sazonais centradas e definidas como:

D *jt = D jt − 1 / s

⎡α 11 L α1,s −1 ⎤ ⎡ D1*t ⎤
⎢ ⎥ ⎢ ⎥
Seja também: Α = ⎢ M O ⎥ Dt* = ⎢ M ⎥
⎢⎣α n1 L α1,s −1 ⎥⎦ ⎢ Ds*−1,t ⎥
⎣ ⎦

Modelo VAR com sazonalidade

∆xt = Π 0 + Bd t + Π 1∆xt −1 + Π 2 ∆xt −2 + ... + Π p ∆xt − p + ΑDt* + et

Modelo VEC com sazonalidade

A sazonalidade usualmente é incorporada fora das relações de co-integração:

∆xt = Π 0 + Π xt −1 + Bd t + Π 1∆xt −1 + Π 2 ∆xt −2 + ... + Π p ∆xt − p + ΑDt* + et

Notas:

• No Eviews, no âmbito do procedimento do teste de cointegração de Johansen, as

variáveis dummies são indicadas caixa para variáveis exógenas que aparecem nas
Janelas ‘Var’ e do ‘Johansen Cointegration Test’;

• O procedimento do teste de Johansen para co-integração que está implementado no E-

vies, porém, reporta valores críticos assumindo que não há variáveis exógenas (logo
nem as variáveis dummies) no modelo VEC.

  11
12. Metodologia Geral de Construção de Modelos
(com implementação no Eviews)

1. Variáveis Endgógenas: Escolher variáveis endógenas que comporão o vetor xt

2. Gráficos: Analisar gráfico das séries para verificar presenças de tendências estocásticas e
determinísticas (opção Quick/Graph/Line)

3. Teste de Raízes Unitárias: Realizar testes ADF para determinar ordem de integração
(em geral se I(0) ou I(1)) e com ou sem tendências determinísticas (opção Quick/Series
Statistics/Unit Root/Augmented Dickey Fuller);

4. Se todas as séries forem I(0), deve-se estimar um modelo VAR sem diferenciar as séries
(opção Quick/Estimate Var);

5. Teste de Co-integração: Se uma ou mais séries forem I(1), com as demais I(0), fazer o
teste de co-integração de Johansen para determinar existência e número de relações de
co-integração. Para implementar no Eviews, faça assim:

- Determinação do lag máximo: estime um VAR irrestrito para as séries não

diferenciadas assumindo inicialmente um lag longo (opção Quick/Estimate VAR) e
observe a estatística de Scharwz Criteria (modelo global); repita o procedimento
diminuindo uma unidade o lag (botão Estimate da Janela ‘Var’), sempre observando a
estatística Schwarz Criteria, até atingir um valor de lag que a minimiza.

- Implementação do Teste: dentro da Janela ‘Var’ (última estimação) clique em

View/Cointegration Test. Escolha a opção apropriada e entre com as variáveis dummies
sazonais (ou outras dummies) na caixa ‘Exogenous Series in Var’;

- Escolha do número de equações de co-integração: Interprete os resultados do teste

de cointegração de Johansen e escolha o número de equações de co-integração. Não
feche ainda a Janela ‘Var’, siga para o passo 6.

6. Estimação do VAR ou VEC: se não houver equações de cointegração (posto nulo),

estime um VAR para as séries em primeiras diferenças (dentro da Janela ‘Var’,
simplesmente clique Estimate e use opção ‘Unrestricted Var’); se houver uma ou mais
equações de co-integração estime um VEC (dentro da Janela ‘Var’, clique Estimate e use
opção ‘Vector Error Correction’, mas não esqueça de entrar o número de equações de co-
integração escolhido na caixa ‘Number of CE’s’).

7. Modelagem Geral-para-Específico: Procure ir reduzindo o número de defasagens das

variáveis caso se mostrem pouco significativas e também o número de variáveis dummies
(sazonais ou não). Sempre retire uma defasagem ou uma dummy por vez e re-estime o
modelo (na Janela ‘Var’, clique em Estimate para re-especificar o modelo a estimar).
Quando terminar, você encontrou o modelo mais apropriado.

  12