Lista II - Econometria I

Professor: João Victor Issler

Monitor: Guilherme Kira

FGV/EPGE - 2016

NOTAS
• Data de entrega: 31/10/16, no horário da monitoria

• Listas atrasadas serão penalizadas

1 EXERCÍCIO
1. Seja um processo AR(p) estacionário e o seu processo M A(∞) correspondente,
dado por yt = µ + ψ (L) εt , onde ψ (L) ≡ ψ0 + ψ1 L + ψ2 L2 + ψ3 L3 + ... é o
polinômio dos coecentes de médias móveis e, nesse caso, pode ser descrito por
ψ (L) = φ(L)−1 ≡ (1 − φ1 L − φ2 L2 − ... − φp Lp ) . Calcule os coecientes {ψj }
−1

em função dos coecientes do polinômio φ(L). A partir de qual j a sequência ψj

passa a satisfazer ψj − φ1 ψj−1 − φ2 ψj−2 − ...φp ψj−p = 0?
2. Utilizando o mesmo processo da questão anterior, podemos escrever o polinômio
φ(L) como
φ(L) = φ(1) + φ∗ (L)(1 − L) (1)
Mostre que os coecientes de φ∗ (L) são da forma φ∗j = φj + φ∗j−1 , ∀j > 0
3. Agora calcule os coecientes{ψj } correspondentes para o ARM A(3, 1), também
estacionário. A partir de qual j a sequência {ψj } passa a satisfazer ψj − φ1 ψj−1 −
φ2 ψj−2 − ...φp ψj−p = 0, para p = 3? (p é o coeciente autoregrssivo de um
ARM A(p, q))
4. Faca o mesmo pedido no item anterior para o processo ARM A(1, 3), estacionário.
Para qual j a sequência {ψj } passa a satisfazer a equação anterior, com p = 1?

1
2 EXERCÍCIO

1. Considere o problema de prever Yt usando o conjunto de informação Xt = (Yt−1 , Yt−2 , . . .).

Seja Yt+1|t
∗
a previsão ótima de Yt+1 , onde o subscrito t indica que a previsão é uma
função dos dados até a data t. Seja E[(Yt+1 − Yt+1|t ∗
)2 | Xt ] o erro quadrático
médio condicional da previsão Yt+1|t
∗
, condicional às observações de Y até a data
t. Mostre que o erro quadrático médio é minimizado quando Yt+1|t ∗
= Yt+1|t , onde
Yt+1|t = E[Yt+1 |Xt ].

2. Agora vamos restringir a classe de previsão para funções lineares de Xt . Assim,

∗
Yt+1|t é a previsão linear em Xt z tal que Yt+1|t
∗
= α Xt . Mostre agora que o erro
'

quadrático médio é minimizado quando a previsão é a projeção linear de Yt+1 em

Xt . Obs: α Xt será uma projeção linear de Yt+1 em Xt quando seu erro de previsão,
'

Yt+1 − α Xt , for não correlacionado com Xt , ou seja, E Yt+1 − α Xt Xt = 0 .

'

 0
0 0

3. Usando os resultados anteriores, compare as previsões ótimas do item 1 e do item

2.

3 EXERCÍCIO

Considere o seguinte processo AR(1): yt = c + φYt−1 + t .

1. Caso |φ| < 1, calcule a sua respectiva representação MA(∞), i.e., calcule µ e todos
os elementos de ψ(L) em Yt = µ + ∞ i=1 ψi t−i .
P

2. Derive as equações de Yule-Walker. Qual é a condição para que as autocovariâncias

de Yt não sejam explosivas? Sob essa condição, Yt é estacionário em covariâncias?
O que você conclui?
3. Calcule E(Yt − µ)2 . Usando o seu resultado em (a) para µ, quais são os limites
para µ e para E(Yt − µ)2 quando φ → 1?
4. Sob |φ| < 1, suponha que se deseje prever Yt+s usando apenas informação até o
presente. Usando o Teorema de Wold, compute o previsor ótimo Yt+sˆ sob função de
perda quadrática e a variância do erro de previsão associada à esta - MSE(Yt+s −
ˆ ). Quais são os limites de Yt+s
Yt+s ˆ e de MSE(Yt+s − Yt+s ˆ ) quando s → ∞? Estes

2
 limites estão denidos? Por quê? Que condição garante a convergência destes
limites?

4 EXERCÍCIO

Seja {Yt } processo ARCH(1) dado por:

(Yt − µ) = t , (2)
√
onde t = ηt ht , η ∼ i.i.d.N (0, 1), e ht = ω + α2t−1 .

1. Calcule todas as autocovariâncias γj de Yt , para j = 0, 1, 2, . . ..

2. Qual a condição necessária e suciente para {Yt } ser estacionário fraco?
3. Considere o seguinte conjunto de instrumentos zt = (Yt−1 , . . . , Yt−m )0 . Use (2) e zt
para construir as condições de momento que podem ser usadas na estimação de
µ por GMM. Qual a condição suciente para µ ser sobreidenticado, do ponto de
vista econométrico?
4. Supondo que µ seja sobreidenticado, monte um programa de otimização para
computar o estimador de µ por GMM. Calcule qual é o ponderador ótimo das
restrições de momento que deve ser usado neste programa.
5. A partir de uma amostra {yt }Tt=1 , obtenha a verossimilhança condicional ln L(θ, ·),
onde θ = (µ, ω, α)0 . Mostre também que é possível estimar θ por máxima verossi-
milhança condicional.

5 EXERCÍCIO

Seja o seguinte processo GARCH(1,1):

Yt = t , (3)

3
onde t |It−1 ∼ N (0, ht ), ht = ω + α2t−1 + βht−1 , e It−1 é o conjunto de informações até
t − 1.

1. Calcule as covariâncias de Yt : γj , j = 1, 2, 3, . . ..
2. Calcule γ0 . Obtenha uma condição necessária e suciente para que {Yt } seja um
processo fracamente estacionário.
3. A partir de uma amostra {Yt }, mostre como se pode estimar o vetor θ = (ω, α, β)0
por máxima verossimilhança condicional.