Escolar Documentos
Profissional Documentos
Cultura Documentos
Séries Temporais
(VAR, Causalidade de Granger, Cointegração, Teste de Engle-
Granger, VEC e Teste de Jonhansen)
2 2
Introdução
Introdução
Além da análise de cada componente individual,
Xit, i = 1, 2, ..., n,
como já visto, onde, por exemplo, a auto-correlação contida em
cada série é importante, estaremos, também, agora, estudando as
relações dinâmicas entre as diversas séries que compõem o vetor.
Usaremos a notação
Xt = ( X 1t X 2t X nt )
'
Exemplo
(1)
μ t = E X t = (1t 2t nt )
'
~ ~
e dependente, em geral de t.
6
Introdução
Alguns exemplos de modelos de séries temporais
multivariados estacionários são ARMA Vetoriais (VARMA),
Médias Móveis Vetoriais (VMA) e Auto-Regressivos Vetoriais
(VAR), que, a princípio, será o objeto de nosso estudo.
Séries Estacionárias
Aqui, nos restringiremos ao caso de estacionariedade fraca ou
de segunda ordem.
Dizemos que a série temporal Xt, n-variada, é estacionária se o
vetor de médias, dado em (4), e a matriz de covariâncias, dado
em (5)
não dependerem do tempo t. Nesta situação, teremos:
(
μ = E X t = 1 2 n ) ' (4)
e ~ ~
'
Γ( ) = E X t + − μ X t − μ = ij ( ) n
i , j =1 (5)
~ ~ ~ ~ ~
8
X t = Φ0 + Φ1 Xt −1 + Φp Xt −p + a t
~ ~ ~ ~ ~ ~ ~
em que
~
( )
a t ~ RB 0, Σ
~ ~
9
em que (cont.)
(k )
ij
elemento da linha i, coluna j da matriz p, em que
j = 1, 2, ..., n, k = 1, 2, ..., p
10 10
Exemplo
Seja o processo Xt bivariado seguindo um modelo VAR(1). Do
exposto, podemos descrever Xt da seguinte maneira:
X t = Φ 0 + Φ1 X t −1 + a t
~ ~ ~ ~ ~
em que
Exemplo
Se
➢ 12,1 = 0, a série X1t não dependerá de X2,t-1;
➢ 21,1 = 0, a série X2t não dependerá de X1,t-1;
➢ 12,1 = 0 e 21,1 0, existe uma relação unidirecional de X1t
para X2t;
➢ 12,1 = 21,1 = 0, dizemos que não existe relação linear entre
as séries, ou que elas são não-acopladas;
13 13
Exemplo
Se (cont.)
μ = I n − Φ1 Φ 0 .
~ ~ ~ ~
X t − μ = Φ1 X t −1 − μ + a t .
~ ~ ~ ~ ~ ~
15
I n − Φ1 z = 0
~ ~
In − 1 = 0 i 1
17 17
Gráficos do Retorno
21 21
dlpetr3
dlpetr3
L1. -.4606925 .2669347 -1.73 0.084 -.9838749 .0624899
dlpetr4
L1. .4253808 .2777715 1.53 0.126 -.1190414 .969803
dlibov
L1. .2805397 .1563647 1.79 0.073 -.0259295 .5870089
dlpetr4
dlpetr3
L1. -.359984 .2707982 -1.33 0.184 -.8907387 .1707707
dlpetr4
L1. .2934989 .2817918 1.04 0.298 -.2588029 .8458008
dlibov
L1. .3462023 .1586279 2.18 0.029 .0352974 .6571072
dlibov
dlpetr3
L1. -.1882698 .164429 -1.14 0.252 -.5105447 .134005
dlpetr4
L1. .0033991 .1711043 0.02 0.984 -.3319592 .3387574
dlibov
L1. .3298925 .096319 3.42 0.001 .1411107 .5186743
I n − Φ1 z − − Φ p z p = 0
~ ~ ~
identificação;
estimação; e
diagnóstico.
2kn 2
AIC (k ) = ln ˆ
(k )
+
~ T
kn 2 ln(T )
BIC (k ) = ln ˆ
(k )
+
~ T
kn 2 ln(ln(T ))
HQC (k ) = ln ˆ
(k )
+ .
~ T
25 25
~
( )
a t ~ N 0, ,
~ ~
1. Consistentes;
2. Assintoticamente eficientes;
3. Se at ~ N(0, ), os estimadores e as estatísticas de teste
têm as distribuições assintóticas usuais.
27 27
Selection-order criteria
Sample: 2000m12 - 2019m9 Number of obs = 226
dlpetr3
dlpetr3
L1. -.4606925 .2669347 -1.73 0.084 -.9838749 .0624899
dlpetr4
L1. .4253808 .2777715 1.53 0.126 -.1190414 .969803
dlibov
L1. .2805397 .1563647 1.79 0.073 -.0259295 .5870089
dlpetr4
dlpetr3
L1. -.359984 .2707982 -1.33 0.184 -.8907387 .1707707
dlpetr4
L1. .2934989 .2817918 1.04 0.298 -.2588029 .8458008
dlibov
L1. .3462023 .1586279 2.18 0.029 .0352974 .6571072
dlibov
dlpetr3
L1. -.1882698 .164429 -1.14 0.252 -.5105447 .134005
dlpetr4
L1. .0033991 .1711043 0.02 0.984 -.3319592 .3387574
dlibov
L1. .3298925 .096319 3.42 0.001 .1411107 .5186743
Raízes do VAR(1)
Dentro do círculo unitário: condição de estabilidade satisfeita
Eigenvalue Modulus
Diagnóstico
Para testar se o modelo é adequado, usamos os resíduos
(que guardam covariâncias contemporâneas) para construir
a versão multivariada da estatística de Box-Ljung-Pierce,
dada por
Q ( m) = T
2
m
1
=1 T −
~
(
tr ˆ ( )' ˆ (0) ˆ ( ) ˆ (0)
~
−1
~ ~
−1
)
Sob H 0
~ (2n 2 (m− p ))
em que,
H0: não existe correlação serial no vetor de erros até a m-
ésima defasagem,
32
c) Teste de Normalidade
(Jarque-Bera Multivariado)
33
Observações
✓ definir componentes de Xt
(usar, por exemplo, princípios econômicos)
✓ ordem do VAR
(usar critérios de informação + teste LR)
Critérios:
1. BIC e Hannan-Quinn: para grandes amostras acertam
ordem do modelo
2. AIC e FPE: são bons quando o objetivo é previsão
34 34
dlpetr3
dlpetr3
L1. -.4606925 .2669347 -1.73 0.084 -.9838749 .0624899
dlpetr4
L1. .4253808 .2777715 1.53 0.126 -.1190414 .969803
dlibov
L1. .2805397 .1563647 1.79 0.073 -.0259295 .5870089
dlpetr4
dlpetr3
L1. -.359984 .2707982 -1.33 0.184 -.8907387 .1707707
dlpetr4
L1. .2934989 .2817918 1.04 0.298 -.2588029 .8458008
dlibov
L1. .3462023 .1586279 2.18 0.029 .0352974 .6571072
dlibov
dlpetr3
L1. -.1882698 .164429 -1.14 0.252 -.5105447 .134005
dlpetr4
L1. .0033991 .1711043 0.02 0.984 -.3319592 .3387574
dlibov
L1. .3298925 .096319 3.42 0.001 .1411107 .5186743
. varnorm
Jarque-Bera test
Skewness test
Kurtosis test
Lagrange-multiplier test
1 9.1232 9 0.42598
2 11.4008 9 0.24923
3 6.7061 9 0.66769
4 10.4297 9 0.31683
5 9.8916 9 0.35933
6 9.5732 9 0.38613
7 11.3985 9 0.24938
8 16.4793 9 0.05752
9 8.0473 9 0.52939
10 11.6466 9 0.23397
11 11.3598 9 0.25185
12 4.9959 9 0.83466
13 12.5773 9 0.18268
14 3.2080 9 0.95547
15 1.9027 9 0.99291
16 5.6893 9 0.77057
17 3.8492 9 0.92105
18 10.1697 9 0.33692
19 7.3705 9 0.59860
20 8.7839 9 0.45745
21 6.8863 9 0.64895
22 3.4703 9 0.94271
23 4.5633 9 0.87060
24 7.7641 9 0.55808
Causalidade de Granger
Um dos principais problemas encontrados em pesquisas
empíricas está ligado à elucidação de relações de
causalidade entre variáveis.
Causalidade de Granger
Seja Pt (Y | B )
Causalidade de Granger
Causalidade de Granger
Definição (cont.):
( )
2 Yt | At , X t 2 (Yt | At ).
Causalidade de Granger
Definição 1. (cont.)
Causalidade de Granger
em que
Yt é um vetor r x 1;
~
Zt é um vetor s x 1;
~ r + s = n.
45
Causalidade de Granger
Causalidade de Granger
Ψ12 ( L) = 0
~ ~
e obteremos
Yt μ1 Ψ11 ( L) 0 a1t
Xt = = + ~ ~ ,
~ ~ ~
Z t μ 2 Ψ 21 ( L) Ψ 22 ( L) a 2t
~ ~ ~ ~
~
~
47
Causalidade de Granger
Z t = μ 2 + V( L) Yt + Ψ 22 ( L) a 2t ,
~ ~ ~ ~ ~ ~
Ψ12 ( L) = 0
~
e V (L) = 0
~ ~ ~
Causalidade de Granger
Exemplo 5
dlpetr3
dlpetr3
L1. -.4606925 .2669347 -1.73 0.084 -.9838749 .0624899
dlpetr4
L1. .4253808 .2777715 1.53 0.126 -.1190414 .969803
dlibov
L1. .2805397 .1563647 1.79 0.073 -.0259295 .5870089
dlpetr4
dlpetr3
L1. -.359984 .2707982 -1.33 0.184 -.8907387 .1707707
dlpetr4
L1. .2934989 .2817918 1.04 0.298 -.2588029 .8458008
dlibov
L1. .3462023 .1586279 2.18 0.029 .0352974 .6571072
dlibov
dlpetr3
L1. -.1882698 .164429 -1.14 0.252 -.5105447 .134005
dlpetr4
L1. .0033991 .1711043 0.02 0.984 -.3319592 .3387574
dlibov
L1. .3298925 .096319 3.42 0.001 .1411107 .5186743
Causalidade de Granger
Exemplo 5
Processos Co-Integrados
Introdução
Introdução
▪ Fora isso, séries de tempo não estacionárias
apresentam uma dinâmica em comum.
Introdução
Regressão Espúria
56 56
Regressão Espúria
Regressão Espúria
Regressão Espúria
Seja o modelo:
y t = 0 + 1x t + u t
Caso 1 – Se {xt} e {yt} são dois processos I(1) independentes,
a regressão pode apresentar uma estatística t elevada para
1. Caso isso ocorra, estamos diante de um caso de
regressão espúria.
Cointegração
Cointegração
61 61
Processos Co-Integrados
ut = yt − xt
Processos Co-Integrados
É possível, contudo, que ut seja integrado de uma ordem
menor, digamos I(d-b), b ≥ 0.
Processos Co-Integrados
Processos Co-Integrados
Definição (Engle e Granger). As componentes do vetor Xt são
co-integradas de ordem (d, b), e escrevemos Xt ~ C.I. (d, b),
se:
' X t = 1 X 1t + + n X nt ~ I (d − b), d b 0.
~ ~
Processos Co-Integrados
Observações
(i) (cont.)
Por exemplo, se ’Xt ~I(0), temos que
X 1t = β2 X 2t + + βn X nt + ut
com
ut ~ I (0).
Processos Co-Integrados
Observações
(i) (cont.)
Em equilíbrio de longo prazo, ut = 0 e a relação de equilíbrio
de longo prazo é
X 1t = β2 X 2t + + βn X nt .
67 67
Processos Co-Integrados
Observações
Processos Co-Integrados
Procedimento de Engle e Granger para
Cointegração
Interessante de ser utilizado quando n = 2. Caso n > 2, pode
existir mais de um vetor de co-integração e usando o
procedimento de Jonhassen (extensão deste caso), só vou
estimar 1 vetor de co-integração, o que não é razoável.
Processos Co-Integrados
Procedimento de Engle e Granger para
Cointegração
Forme os resíduos da regressão anterior, estimada por OLS,
e escreva o seguinte modelo:
m
uˆt = uˆt −1 + i uˆt −i + t
i =1
Processos Co-Integrados
Procedimento de Engle e Granger para
Cointegração
Processos Co-Integrados
Procedimento de Engle e Granger para
Cointegração
Há, porém, uma diferença importante no que diz respeito
aos valores críticos do teste CRADF (co-integrated
residuals ADF) a serem tomados como referência, uma vez
que os resíduos co-integrados estimados por OLS
provavelmente serão estacionários, já que o critério de
minimização da soma dos quadrados dos resíduos impõe
que a soma dos resíduos seja igual a zero.
72 72
Processos Co-Integrados
Procedimento de Engle e Granger para
Cointegração
Nesse caso, as tabelas utilizadas nos testes ADF são
inadequadas, pois levam à rejeição da hipótese nula com
uma frequência maior do que a realmente devida.
Processos Co-Integrados
Procedimento de Engle e Granger para
Cointegração
Valores Críticos
para o teste de Co-integração sugerido por Engle-Granger
T 1% 5% 10%
Exercício 6
(b) A regressão
𝒍𝒏 𝒑𝒓𝒆ç𝒐 𝑷𝑵𝒕 = 𝜸𝟎 + 𝜸𝟏 𝒍𝒏 𝒑𝒓𝒆ç𝒐 𝑷𝑵𝒕 + 𝝑𝒕
é espúria?
Exercício 6
(a) Apresente o gráfico das duas séries. Graficamente, há
evidencias de cointegração?
Distância entre linhas não
é sempre constante
76 76
Exercício 6 - Manual
(b) A regressão
𝒍𝒏 𝒑𝒓𝒆ç𝒐 𝑷𝑵𝒕 = 𝜸𝟎 + 𝜸𝟏 𝒍𝒏 𝒑𝒓𝒆ç𝒐 𝑷𝑵𝒕 + 𝝑𝒕
é espúria?
. reg lpetr4 lpetr3
Exercício 6 - Stata
(b) e (c)
H0: Resíduo apresenta raiz unitária – Não cointegra.
HA: Resíduo não apresenta raiz unitária - Cointegra
. egranger lpetr4 lpetr3, lags(0) regress
_egresid
L1. -.0548825 .0194168 -2.83 0.005 -.0931357 -.0166292
78 78
Exercício 6 - Stata
(b) e (c)
H0: Resíduo apresenta raiz unitária – Não cointegra.
HA: Resíduo não apresenta raiz unitária - Cointegra
_egresid
L1. -.2486198 .0436541 -5.70 0.000 -.3350669 -.1621727
Vetor de Cointegração
79 79
Processos Co-Integrados
Modelos de Correção de Erros Vetorial
Processos Co-Integrados
Modelos de Correção de Erros
Para entendê-lo, considere o exemplo envolvendo os preços
de um mesmo produto em diferentes mercados, para facilitar
imagine apenas dois mercados.
Ainda, é razoável imaginar que essas duas variáveis
econômicas exibam uma relação de equilíbrio de longo
prazo. Imagine, por exemplo, que P1t e P2t sejam as séries de
preços do produto nos mercados 1 e 2, respectivamente.
Processos Co-Integrados
Modelos de Correção de Erros
A primeira pergunta que se faz é: será que essa relação é
obedecida em todos os períodos de tempo?
Em caso afirmativo, P1t – P2t = 0, ou seja, temos uma relação
matemática.
Em caso negativo, P1t – P2t = t. Aqui, t faz o papel dos
desvios de curto prazo.
Ainda, os desvios de curto prazo são corrigidos para que os
desequilíbrios sejam corrigidos e para que a co-integração
seja observada.
82 82
Processos Co-Integrados
Modelos de Correção de Erros
Suponha, por exemplo, que variações em P1t dependam de
desvios deste equilíbrio no instante t-1, ou seja,
P1t = 1(P1,t-1 – P2,t-1) + a1t,
e uma relação similar valha para P2t:
P2t = 2(P1,t-1 – P2,t-1) + a2t.
Suponha, também, que P1t e P2t sejam I(1); como P1t e P2t
são ambas I(0), os segundos membros dessas igualdades
devem ser I(0).
83 83
Processos Co-Integrados
Modelos de Correção de Erros
Supondo os erros a1t e a2t ruídos brancos estacionários,
segue-se que
i(P1,t-1 – P2,t-1) ~ I(0), i = 1, 2.
Processos Co-Integrados
Modelos de Correção de Erros
Processos Co-Integrados
Modelos de Correção de Erros
Xt − Xt −1 = α β' Xt −1 + A Xt −1 − Xt − 2 + ε t
~ ~ ~ ~ ~ ~ ~ ~ ~
ou
Xt = I n + α β'+ A Xt −1 − A Xt − 2 + ε t
~ ~ ~~ ~ ~ ~ ~ ~
Processos Co-Integrados
Modelos de Correção de Erros
Considere um modelo VAR(1) n-dimensional,
Xt = Φ Xt −1 + ε t
~ ~ ~ ~
Processos Co-Integrados
In − Φ = 0
~ ~
a matriz
= In -
é singular.
Suponha que o posto de seja
() = r (< n)
de modo que pode ser decomposta como
88 88
Processos Co-Integrados
Modelos de Correção de Erros
= ’,
em que
e apresentam ordem n x r e posto r.
Xt − Xt −1 = − I n − Φ Xt −1 + ε t
~ ~ ~ ~ ~ ~
89 89
Processos Co-Integrados
Modelos de Correção de Erros
ou Xt = − Π Xt −1 + ε t
~ ~ ~ ~
Portanto, como
α β' Xt −1 = − Xt + ε t
~ ~ ~ ~ ~ ~
Processos Co-Integrados
Modelos de Correção de Erros
ou seja
β' Xt −1 ~ I (0)
~ ~
e, finalmente,
β' Xt ~ I (0).
~ ~
Processos Co-Integrados
Modelos de Correção de Erros
Processos Co-Integrados
Modelos de Correção de Erros
Xt = Φ1 Xt −1 + Φ 2 Xt −2 + + Φ p Xt − p + ε t .
~ ~ ~ ~ ~ ~ ~ ~
Π = I n − Φ1 − − Φ p
~ ~ ~ ~
tiver posto r.
93 93
Processos Co-Integrados
Modelos de Correção de Erros
Processos Co-Integrados
Procedimento de Johansen
Johansen propõe um teste para definir o posto da matriz
e, por conseqüência, o espaço de co-integração. Com base
nisso, podemos estimar os vetores de co-integração
contidos em .
Processos Co-Integrados
Procedimento de Johansen
Para identificar o posto, Johansen propõe dois testes,
baseados em uma estimação por máxima verossimilhança
restrita.
Processos Co-Integrados
Procedimento de Johansen
Procedimento de Johansen
O procedimento de Johansen é uma generalização
multivariada do teste ADF. Considere o seguinte modelo:
em que
Π = Φ1 + + Φ1 − I n
~ ~ ~ ~
Processos Co-Integrados
Procedimento de Johansen
O procedimento de Johansen (1988, 1995) para testar a
existência de co-integração é baseado nos seguintes
passos:
(i) Verificar a ordem de integração das séries envolvidas;
(iii) Especificar e estimar um modelo VAR(p) para o vetor Xt, que supomos
I(1);
Exercício 7
Exercício 7
. vecrank lpetr3 lpetr4 libov, trend(rconstant) lags(1)
5%
maximum trace critical
rank parms LL eigenvalue statistic value
0 0 1086.8541 . 26.6103* 34.91 Não Cointegram
1 6 1093.0561 0.05120 14.2062 19.96
2 10 1098.8301 0.04775 2.6583 9.42
3 12 1100.1592 0.01120
5%
maximum trace critical
rank parms LL eigenvalue statistic value
0 0 568.95109 . 59.0422 34.91 Cointegram – com
1 6 588.47476 0.27973 19.9949 19.96
2 10 597.11972 0.13523 2.7050* 9.42 2 vetores
3 12 598.4722 0.02247
101 101
Exercício 7
. vecrank lpetr3 lpetr4 libov, trend(rconstant) lags(1)
5%
maximum trace critical
rank parms LL eigenvalue statistic value
0 0 1086.8541 . 26.6103* 34.91 Não Cointegram
1 6 1093.0561 0.05120 14.2062 19.96
2 10 1098.8301 0.04775 2.6583 9.42
3 12 1100.1592 0.01120
Exercício 7
. vecrank lpetr3 lpetr4 libov if date<tm(2010m1), trend(rconstant) lags(1)
5%
maximum trace critical
rank parms LL eigenvalue statistic value
0 0 568.95109 . 59.0422 34.91 Cointegram – com
1 6 588.47476 0.27973 19.9949 19.96
2 10 597.11972 0.13523 2.7050* 9.42 2 vetores
3 12 598.4722 0.02247
Exercício 7
Selection-order criteria
Sample: 2000m11 - 2009m12 Number of obs = 110
AIC – VAR(2)
104 104
. vec lpetr3 lpetr4 libov if date<tm(2010m1), trend(constant) rank(2) lags(2) alpha dforce
Coef. Std. Err. z P>|z| [95% Conf. Interval] VEC(1) com 2 vetores de cointegração
D_lpetr3
_ce1
L1. .1230796 .316119 0.39 0.697 -.4965022 .7426614
_ce2
L1. -.2324077 .3681 -0.63 0.528 -.9538705 .4890551
lpetr3
LD. .0158936 .458508 0.03 0.972 -.8827655 .9145527
lpetr4
LD. -.3235169 .4937891 -0.66 0.512 -1.291326 .644292
D_lpetr4
_ce1
L1. .2817353 .3135643 0.90 0.369 -.3328394 .8963099
_ce2
L1. -.3911338 .3651253 -1.07 0.284 -1.106766 .3244986
lpetr3
LD. .1121922 .4548026 0.25 0.805 -.7792044 1.003589
lpetr4
LD. -.4808669 .4897986 -0.98 0.326 -1.440855 .4791207
libov
LD. .5560248 .171587 3.24 0.001 .2197205 .892329
D_libov
_ce1
L1. -.1217643 .248078 -0.49 0.624 -.6079883 .3644596
_ce2
L1. .1867174 .2888708 0.65 0.518 -.3794588 .7528937
lpetr3
LD. .2291506 .3598194 0.64 0.524 -.4760825 .9343837
lpetr4
LD. -.6098697 .3875067 -1.57 0.116 -1.369369 .1496295
libov
LD. .5167792 .1357519 3.81 0.000 .2507103 .7828481
_ce1
lpetr3 1 . . . . .
lpetr4 5.55e-17 . . . . .
libov -1.368243 .083176 -16.45 0.000 -1.531265 -1.205221
_cons 11.39668 . . . . .
_ce2
lpetr3 0 (omitted)
lpetr4 1 . . . . .
libov -1.327944 .0717623 -18.50 0.000 -1.468595 -1.187292
_cons 11.22286 . . . . .
D_lpetr3
_ce1
L1. .1230796 .316119 0.39 0.697 -.4965022 .7426614
_ce2
L1. -.2324077 .3681 -0.63 0.528 -.9538705 .4890551
D_lpetr4
_ce1
L1. .2817353 .3135643 0.90 0.369 -.3328394 .8963099
_ce2
L1. -.3911338 .3651253 -1.07 0.284 -1.106766 .3244986
D_libov
_ce1
L1. -.1217643 .248078 -0.49 0.624 -.6079883 .3644596
_ce2
L1. .1867174 .2888708 0.65 0.518 -.3794588 .7528937
106 106
Vetores de cointegração
Exercício 7
gen v1 = (1)*lpetr3+ (5.55e-17)*lpetr4+(-1.368243)*libov+ (11.39668)
gen v2 = (0)*lpetr3+(1)*lpetr4+(-1.327944)*libov+(11.22286)
tsline v1 v2 if date<tm(2010m1)