Escolar Documentos
Profissional Documentos
Cultura Documentos
ANE059
APOSTILA
2. VAR(1)
• 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:
• 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 ⎦
• Representação matricial
2
• Ou:
xt = A0 + A1 xt −1 + A2 xt −2 + L + Ap xt − p + ε t
• Observações:
o ∆xt = Π 0 + Π1∆xt −1 + et
o VARs podem ser vistos como casos especiais de Vetores Autorregressivos com
mecanismos de correção de erros (VCEs)
• Representação:
xt = A0 + A1 xt −1 + A2 xt −2 + ... + Ap xt − p + ε t
• 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:
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)
• Representação
⎡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 ⎥⎦
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 Posto(A) = 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 ⎦⎥
• det(A) = |A| = 0
• |A| ≠ 0
• A é não singular
• A possui inversa, isto é, ∃ A-1 de ordem m×m tal que A-1A = AA-1= Im
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 Representação matricial: Ax = b
• Autovalores e Autovetores
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
m
o Traço(A) = ∑λ
i =1
i
m m
o ∑ aii = ∑ λi (decorre da propriedade acima)
i =1 i =1
⎡ x1t ⎤
•
⎢ ⎥
Seja xt = :
⎢ ⎥
⎢⎣ xnt ⎥⎦
• Var(1): xt = Axt −1 + ε t
• Ou: ∆xt = Π xt −1 + et
• Seja r = Posto(Π)
• 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
Teste do Traço
• H0: 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
• H0: Posto(Π) = r
• H1: Posto(Π) = r + 1
• Estatística do teste:
o Considere os autovalores estimados de Π ordenados: λˆ1 > λˆ2 > ... > λˆn
8. Outras Representações
8
∆xt = Π 0 + Πxt −1 + Π 1∆xt −1 + Π 2 ∆xt −2 + ... + Π p ∆xt − p + et
⎡π 11 L π 1n ⎤
• Π = ⎢⎢ M O M ⎥⎥
( n×n )
⎢⎣π n1 L π nn ⎥⎦
• 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 ⎦
• Normalizações de β:
⎡1 0 β13** β14** ⎤
o β′ = ⎢
**
⎥
⎣0 1 β 23 β 24** ⎦
**
( 2×4 )
9
H 01 (r ) : Πxt −1 + Bd t = αβ ′xt −1
H 02 (r ) : Πxt −1 + Bd t = α ( β ′xt −1 + ρ 0 )
H 03 (r ) : Π xt −1 + Bd t = α ( β ′xt −1 + ρ 0 ) + α ⊥γ 0
9.5 Séries xt com tend. determinística quadrática e relações de co-integração com. det. linear:
∆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.
10
11. Modelos VAR e VEC com sazonalidade
⎧1 t ⇔ j
D jt = ⎨ j = 1,...,s-1
⎩0 outro
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 ⎥
⎣ ⎦
Notas:
11
12. Metodologia Geral de Construção de Modelos
(com implementação no Eviews)
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:
12