Econometria de Séries Temporais

Rogério Silva de Mattos, D.Sc.

UNIVERSIDADE FEDERAL DE JUIZ DE FORA (UFJF)

FACULDADE DE ECONOMIA (FE)
Econometria III

1º. Sem 2011

 O COMEÇO

• Box e Jenkins (1970) – processos estocásticos

não-estacionários/integrados (Modelos ARIMA)

• Granger e Newbold (1974) – Econometria

clássica não vale se variáveis do modelo são séries
temporais não-estacionárias (Regressões Espúrias)
 CORRELAÇÃO ESPÚRIA
Mera Coincidência
Consumo de
Venda de azeite de Chimarrão em
dendê em Salvador Porto Alegre

Fator Comum Causalidade

X Y X

Y N X
Y
 REGRESSÃO ESPÚRIA
Quero estimar : Yt  a  bX t   t

Assumindo Yt  Yt 1  ut
Independentes !
que: X t  X t 1  wt

Experimento de Granger e Newbold (1974)

Se  = = 1 • R2 altos e DW baixos
• Alta chance de rejeitar H0: b = 0
Yt e Xt NÃO estacionárias • Razão t não segue t de Student
• Estatística F não segue distrib. F
MENSAGEM FUNDAMENTAL

Econometria
ESTACIONARIEDADE
Clássica OK

NÃO
ESTACIONARIEDADE Econometria
Clássica
 COMO PROCEDER ?
• Remover tendência (Detrending)?
– Pode não resolver !!!  Tendência estocática

• Diferenciar até estacionariedade?

– Perda de informação de longo prazo (t. econômica) !!!

• O que fazer ?
 ECONOMETRIA DE ST
• Teoria da Cointegração

– Verificar Estacionariedade (Testes de Raízes

Unitárias)
– Séries Estacionarias, usar econometria clássica
– Séries Não estacionárias, verificar Cointegração
• Séries Cointegradas – modelo de correção de erros
• Séries Não cointegradas – modelo sem correção de erros
 ESTACIONARIEDADE
X
NÃO-ESTACIONARIEDADE
 Definição
Processo Estacionário Fraco Yt
 E (Yt )   Média, Variância e

Var (Yt )  
2 Autocovariância
Cov(Y , Y )   constantes
 t t s s

Processo NÃO Estacionário Yt

 E (Yt )   (t ) Alguém depende do

 tempo
Var (Yt )   (t )
2
(Média e/ou Variância
Cov(Y , Y )   (t ) e/ou Autocovariância)
 t t s s
 EXEMPLOS
Não Estacionário
Estacionário
 MAIS DEFINIÇÕES
Exemplos
• Processo integrado de Yt ~ I (1)
ordem d ou I(d) – precisa ser 
Yt ~ I (0)
diferenciado “d” vezes para
ficar estacionário
Yt ~ I (2)

• Processo estacionário é I(0) Yt ~ I (1)
 2
( “Não Integrado”)
 Yt ~ I (0)
 RAÍZES UNITÁRIAS
• Processo I(1)

Yt = (1-B)Yt ~I(0)  1 raiz unitária

• Processo I(2)

2Yt = (1-B)2Yt=(1-B)(1-B)Yt ~I(0)  2 raízes unitárias

• Processo I(d)

dYt = (1-B)dYt=(1-B)(1-B)…(1-B)Yt ~I(0)  d raízes unitárias

 PROCESSO AR(1)

Yt    Yt 1   t

• Se |  | < 1, Yt é um processo estacionário

• Se |  | ≥ 1 Yt é um processo não estacionário

  = 1 Yt é um passeio aleatório

 |  | > 1 Yt é um processo explosivo

 EXEMPLOS DE AR(1)

Estacionário I(0)

Não
I(1) Estacionário
PASSEIO ALEATÓRIO
PURO

Yt  Yt 1   t

COM DESLOCAMENTO (DRIFT)

Yt    Yt 1   t
 MEMÓRIA
(Nelson e Plosser, 1982)

Processo MEMÓRIA CURTA: Um choque repercute por

pouco tempo sobre a série. Esta tende a voltar para sua média.
Choque transiente.
Exemplo:
Yt  Yt 1   t |  | 1

Processo MEMÓRIA LONGA: Um choque repercute

permanentemente sobre a série. Esta não tende a voltar para
algum lugar. Choque permante.
Exemplo:
Yt  Yt 1   t

• Para desenvolver a intuição, brinque com o arquivo AR1.XLS

TIPOS DE TENDÊNCIAS
DETERMINÍSTICA Yt    bt   t
(estacionária)

ESTOCÁSTICA Yt  Yt 1   t

DETERMINÍSTICA Yt    Yt 1   t
+
ESTOCÁSTICA 
Yt  Y0  t    t i
i 0
 RESUMINDO
Processo Estacionário Processo Não Estacionário
• Não integrado ou I(0) • Integrado ou I(d), d > 0
• Sem raízes unitárias • d raízes unitárias
• Sem tendência (ou só • Tendência estocástica (com
tendência determinística) ou sem tendência determinística)
• Memória curta • Memória longa
• Choque Transiente • Choque Permanente
TESTES DE RAÍZES
UNITÁRIAS
 JUNTANDO TUDO
Yt    bt  Yt 1   t

• Processo AR(1) estacionário (b=0,||<1) : Yt    Yt 1   t

• Passeio Aleatório Puro (=b=0,=1) : Yt  Yt 1   t
• Passeio Aleatório com Desloc. (b=0,=1) : Yt    Yt 1   t
• Tendência Determinística (b0, ||<1): Yt    bt  Yt 1   t
(ou Tendência Estacionária)

• OBS 1: Tendência Estocástica = P. Aleatório Puro

• OBS 2: Tendência Det. + Estoc. = P. Aleatório com Desloc.

 MUDANDO UM POUCO
Yt    bt  Yt 1   t

Onde  =  - 1

• Processo AR(1) estacionário (b=0,<0) : Yt    Yt 1   t

• Passeio Aleatório Puro (=b==0) : Yt   t
• Passeio Aleatório com Desloc. (b==0) : Yt     t
• Tendência Determinística (b0,<0): Yt    bt  Yt 1   t
(ou Tendência Estacionária)
• OBS 1: Tendência Estocástica = P. Aleatório Puro

• OBS 2: Tendência Det. + Estoc. = P. Aleatório com Desloc.

TESTE DE DICKEY FULLER

Equação Geral
de Teste
Yt    bt  Yt 1   t

1) H0:  = 0 (processo não estacionário/uma raiz unitária)

H1:   0 (processo estacionário/sem raízes unitárias)

2) Escolha do nível de significância 

ˆ
3) Estatística de teste Tau:  
S ˆ
4) Regra de Decisão:
• Se   Valor crítico C  Aceita H0 (Yt NÃO É estacionário)
• Se  < Valor crítico C  Rejeita H0 (Yt É estacionário)
 DICKEY FULLER
Versão 1
Sem intercepto ou termo
de tendência na equação Yt  Yt 1   t
de teste

• H0:  = 0
• isto é: Yt = t ; não estacionário com tendência estocástica
• H1:   0
• isto é: Yt = Yt-1+t; estacionário sem tendência alguma

• Estatística de teste Tau:   ˆ Sˆ

 DICKEY FULLER
Versão 2
Com intercepto apenas na
equação de teste
Yt    Yt 1   t

• H0:  = 0
• isto é: Yt = t ; não estacionário com tendência estocástica
• H1:   0
• isto é: Yt =  +Yt-1+t; estacionário sem tendência alguma
• (mas com intercepto)

• Estatística de teste TauU:

   ˆ Sˆ
 DICKEY FULLER
Versão 3
Com intercepto e termo
de tendência na Yt    bt  Yt 1   t
equação de Teste

• H0:  = 0
• isto é: Yt =  + t ; tend. determinística + tend. estocástica
• H1:   0
• isto é: Yt =  +bt+Yt-1+t; tendência determinística apenas
• (tendência estacionária)

• Estatística de teste TauTau:    ˆ Sˆ

 TESTE DE DICKEY-FULLER
AUMENTADO
p
Yt    bt  Yt 1   Yt  s   t
s 1

• Faz-se o mesmo teste de hipóteses do slide anterior

• Valores defasados Yt-s incluídos para eliminar
autocorrelação serial de t (se houver)
• Lag máximo p tem de se determinar antes (minimza-se o
critério AIC ou BIC)
• Eviews usa valores críticos e valores-p com base em
MacKinon (1996)
VALORES CRÍTICOS
DO TESTE ADF

Fonte: Tabela A
de Enders (2004),
Baseada em Fuller(1976)
 TESTE ADF SAZONAL
Exemplo para o caso trimestral

p
Yt   0  1Dit   2 D2t   3 D3t  bt  Yt 1   Yt  s   t
s 1

1 trimestre i
Dit  
0 outro

• Usam-se os mesmos valores críticos do teste ADF

• Caso de Sazonalidade Estocástica: ver Enders (2005)
COINTEGRAÇÃO
 RECAPITULANDO …
• Econometria clássica não é valida quando as séries são
NÃO estacionárias
• Em particular, se as séries NÃO estacionárias forem
independentes obtém-se regressões espúrias
• Diferenciar séries até estacionariedade não resolve, perde-
se informações de longo-prazo
• O que fazer ? …. Teoria da Cointegração
 HISTÓRICO
• Granger (1983) – introduz o conceito de
cointegração na literatura
• Granger e Engle (1987) – estabelecem relação
entre cointegração e o modelo de correção de erros
• Década de 90 – proliferam trabalhos teóricos e
empíricos
• 2003 – Granger e Engle ganham o Prêmio Nobel
de Economia !!!
 CONCEITOS INICIAIS
Yt ~ I (1)
Sejam 2 séries não estacionárias: 
 X t ~ I (1)
Seja a regressão: Yt  a  bX t   t

• Yt e Xt serão cointegradas se t ~ I(0)

• Yt e Xt serão NÃO cointegradas se t ~ I(1)

 IMPLICAÇÕES
• Se Y e X são cointegradas, então:
– tendência estocástica comum
– tendências estocásticas se cancelam mutuamente
– relação de equilíbrio no longo prazo
– relação de curto prazo
– Desvios no equilíbrio de longo prazo são transientes
– A regressão de Y contra X não é espúria

• Se Y e X NÃO são cointegradas, então:

– tendências estocásticas são independentes
– Só relação de curto prazo
– Desvios não tendem a se corrigir, são persistentes
– A regressão de Y contra X é espúria
 ILUSTRANDO
Yt  2  X t   t
Yt  Yt 1  vt
Cointegração X t  X t  ut
Não Cointegração

12.00 12.00

10.00 10.00

8.00
8.00
6.00
6.00
4.00
4.00
2.00
2.00
0.00

0.00 -2.00

-2.00 -4.00
Tempo Tempo

X Y e X Y e

t ruído branco ~I(0) t passeio aleatório ~I(1)

ALGUMAS PROPRIEDADES
• Xt ~ I(0) então a+bXt ~ I(0)

• Yt ~ I(0) e Xt ~ I(0) então aYt+bXt ~ I(0)

• Yt ~ I(1) e Xt ~ I(0) então aYt+bXt ~ I(1)

• Yt ~ I(1) e Xt ~ I(1) então (em geral) aYt+bXt ~ I(1)

DEFINIÇÃO DE COINTEGRAÇÃO: Se Yt ~ I(1) e Xt ~ I(1) ,

e existir uma combinação linear aYt+bXt ~ I(0), então Yt e Xt
são cointegradas.
TESTE DE COINTEGRAÇÃO
(Engle e Granger, 1987)

1) Computar a regressão cointegrante

Yt  aˆ  bˆX t  ˆt

2) Aplicar teste ADF sobre os resíduos

ˆt    t  ˆt 1  wt

H0:  = 0 (Y e X SÃO cointegradas)

H1:  < 0 (Y e X NÃO SÃO cointegradas)

Nota: Usar os valores críticos de Engle e Granger (1987)

 OBSERVAÇÕES
• Se X e Y forem cointegradas:

– a regressão cointegrante NÃO é ESPÚRIA !!

– MQO aplicado à regressão cointegrante (para estimar a

e b) são superconsistentes

– as razões t são assintoticamente normais

VALORES CRÍTICOS

Fonte: Tabela C
de Enders (2004).
Baseada em
MacKinnon
(1991).
 MODELO DE
CORREÇÃO DE ERROS
Em caso de cointegração
p k
Yt   0  1ˆt    i Yt i    j X t  j  ut
i 1 j 1
Resíduos da
Onde: ˆt  Yt  aˆ  bˆX t equação
cointegrante

Em caso de NÃO cointegração

p k
Yt   0    i Yt i    j X t  j  ut
i 1 j 1
 OBSERVAÇÕES
• Se as variáveis fossem I(0), elas são não cointegradas e estima-se o
modelo sem diferenciá-las
p k
Yt   0    iYt i    j X t  j  ut
i 1 j 1

• Se Y e X forem I(1) e cointegradas, mas só uma possuír também

tendência determinística, deve-se incluir a variável t como
explicativa na equação cointegrante
• Se Y e X forem I(1) e cointegradas e ambas possuírem tendência
determinística, deve-se verificar no teste de cointegração se a série de
erros tem tendência determinística também. Se tiver, inclua a variável t
como explicativa na equação cointegrante.
 VÁRIAS VARIÁVEIS
• Usaremos exemplo da Demanda de E. Elétrica (NT
292/2008 – SRE/ANEEL)

Ct  kPt b1Yt b2 ELbt3 et

• C = consumo de energia elétrica

• P = tarifa média de energia elétrica
• Y = PIB
• EL = estoque de equipamentos elétricos
• b1, b2 e b3 – elasticidades do consumo
 MODELO LOG-LOG
log Ct  log k  b1 log Pt  b2 log Yt  b3 log ELt  log et

Passo 1: Verificar estacionariedade de cada série (logC, logP,

logY e logEL) usando o teste ADF

Passo 2: (assumindo que todas são I(1)) realizar o teste de

cointegração de Engle e Granger
 log eˆt    t   log eˆt 1
H0:  = 0 (logC , logP, logY e logEL SÃO cointegradas)
H1:  < 0 (logC , logP, logY e logEL NÃO SÃO cointegradas)

Nota: Usar os valores críticos de Engle e Granger (1987)

ESTIMAÇÃO DO MODELO
Modelo de Correção de Erros (SOB cointegração)
p k n
 log Ct   0  1eˆt    i  log Pt i    j  log Yt  j   s  log ELt  s  wt
i 1 j 1 s 1

Modelo Sem Correção de Erros (SEM cointegração)

p k n
 log Ct   0    i  log Pt i    j  log Yt  j   s  log ELt  s  wt
i 1 j 1 s 1

Modelo para Séries Estacionárias ou I(0)

p k n
log Ct   0    i log Pt i    j log Yt  j   s log ELt  s  wt
i 1 j 1 s 1
 OBSERVAÇÕES
• Se uma série for I(0), não deve ser incluída na equação cointegrante
para o teste de cointegração
• Mesmo que todas sejam I(1), a cointegração pode envolver todas as
quatro variáveis ou apenas um subgrupo delas. Procure fazer o teste
de cointegração para os subgrupos também, o que permitirá verificar se
alguma série não era para estar na equação cointegrante
• Havendo séries I(1), segundo o teste ADF, com tendência
determinística e outras também I(1) sem, ponha a variável t na
equação cointegrante
• Se todas as séries forem I(1), segundo o teste ADF, com tendencia
deterministica, verifique no teste de cointegração se ha tendencia
determinística tambem nos erros da equação cointegrante. Se
houver, inclua a variável t na mesma.
 SAZONALIDADE
Equação cointegrante
log Ct  a  a1D1  a2 D2  a3 D3  b1 log Pt  b2 log Yt  b3 log ELt  log et

Modelo de Correção  log Ct   0  1 D1t   2 D2t   3 D3t   4 eˆt 

p k n

de Erros:    i  log Pt i    j  log Yt  j   s  log ELt  s  wt

i 1 j 1 s 1

log Ct   0  1 D1t   2 D2t   3 D3t 

Modelo para Séries p k n

Estacionárias ou I(0):    i log Pt i    j log Yt  j   s log ELt  s  wt

i 1 j 1 s 1