TESTES DE RAÍZES UNITÁRIAS ATRAVÉS DE ESTIMADORES

SEMIPARAMÉTRICOS DO PARÂMETRO DE MEMÓRIA LONGA.

Glaura C. Franco
Depto. Estatística – UFMG – Belo Horizonte – MG – CEP: 31.270-901 – Email: glaura@est.ufmg.br

Valdério A. Reisen
Depto. Estatística – UFES – Vitória – ES – CEP: 29060-900 – Email: valderio@cce.ufes.br

Paula A. Barros
Depto. Estatística – UFMG – Belo Horizonte CEP: 31.270-901 – Email: pbarros@cocacolabh.com.br

RESUMO

Variáveis cujas médias mudam com o tempo são conhecidas como variáveis não estacionárias
ou variáveis que possuem raiz unitária. Neste contexto, para que uma série se torne estacionária é
necessário diferenciá-la um número suficiente de vezes, onde o número de diferenças é conhecido
como ordem de integração da série, isto é, I(d). Testes clássicos de raízes unitárias consideram a
ordem de integração inteira, ou seja, as hipóteses nula e alternativa são, respectivamente, I(1) e I(0).
Entretanto, pesquisas recentes têm mostrado um maior refinamento destas hipóteses, isto é, situações
em que 0  d  1. Este tipo de análise poder ser obtida através de processos fracionários, também
conhecidos como modelos de longa dependência. Para testar este tipo de processo propomos, neste
trabalho, o uso do estimador semiparamétrico do parâmetro fracionário do modelo ARFIMA (Reisen,
1995) sugerido por Geweke and Porter-Hudak (1983), GPH, e uma versão bootstrap deste teste,
GPH*. Através de ensaios de Monte Carlo observamos que GPH e GPH* possuem maior poder que o
teste clássico ADF (Said and Dickey, 1984) para raízes unitárias, quando a hipótese alternativa é
fracionária.

Palavras-chaves: longa dependência; bootstrap; teste ADF.

ABSTRACT

Time series where the mean level changes with time are known as non-stationary processes or
processes having a unit root. In this context, for a series to be stationary it needs to be differentiated a
sufficient number of times, where the number of differences is known as the integration order I( d).
Unit root classic tests consider an integer order of integration where the null and alternative
hypotheses are I(1) and I(0), respectively. However, recent researches have shown a refinement of
these hypotheses where 0  d  1. This kind of analysis can be obtained through fractional processes,
also known as long-memory models. To test this we propose here the use of the semiparametric
estimator of the fractional parameter of the ARFIMA model (Reisen, 1995) suggested by Geweke and
Porter-Hudak (1983), GPH, and a bootstrap version of this test, GPH*. Through Monte Carlo
experiments we observed that GPH and GPH* present higher power than the classic ADF test (Said
and Dickey, 1984) to unit roots, when in the alternative hypothesis d is fractional.

Keywords: long memory; bootstrap; ADF test.

 TESTES DE RAÍZES UNITÁRIAS ATRAVÉS DE ESTIMADORES
SEMIPARAMÉTRICOS DO PARÂMETRO DE MEMÓRIA LONGA.

1 INTRODUÇÃO

Métodos clássicos de estimação, que rotineiramente são utilizados em trabalhos econométricos

aplicados, são baseados nas suposições de que médias e variâncias são constantes bem definidas e
independentes do tempo. Entretanto, as aplicações dos testes de raízes unitárias mostraram que estas
suposições não são, em geral, satisfeitas em series reais. Variáveis cujas médias mudam com o tempo
são conhecidas como variáveis não estacionárias ou variáveis que possuem raiz unitária. Além disso, a
teoria de raiz unitária também mostrou que a utilização de métodos clássicos de estimação para
estimar relações com variáveis que possuem raiz unitária, tais como o método de mínimos quadrados
ordinários, conduz a inferências errôneas. Isto é conhecido como o problema de regressão espúria, isto
é, se as médias e variâncias mudam com o tempo, toda a estatística computada no modelo de regressão
também é dependente do tempo e deixa de convergir para seu verdadeiro valor à medida que o
tamanho da amostra aumenta. Além disso, testes de hipóteses convencionais serão seriamente viciados
em relação à rejeição da hipótese nula de não relação entre as variáveis dependente e independente.
O número de diferenças necessárias para que uma série se torne estacionária é conhecido
como ordem de integração da série. Os testes de raízes unitárias são capazes de detectar se a série foi
suficientemente diferenciada para se tornar estacionária. Para tanto, testa-se a hipótese nula de que a
série não é estacionária (ou seja, possui raiz unitária) contra a alternativa de que a série é estacionária
(não possui raiz unitária). Os testes clássicos mais utilizados para se testar esta hipótese foram
inicialmente estudados por Fuller (1976) e Dickey e Fuller (1979). Outros trabalhos foram publicados
posteriormente, como os testes apresentados por Said and Dickey (1984) e Phillips and Perron (1988).
Porém, para que uma série temporal seja reversível na média não necessariamente ela precisa
ser integrada de ordem zero, I(0), mas sim de ordem menor ou igual a um. Se este for o caso, os testes
convencionais de raízes unitárias podem levar a conclusões equivocadas porque, como demonstrado
por Diebold and Rudebusch (1991) e Hassler and Wolters (1994), os testes possuem menor poder
quando as séries são reversíveis na média, mas não são I(0). Assim, torna-se importante estudar o caso
em que a ordem de integração da série pode assumir um valor não inteiro. Este tipo de análise poder
ser obtida através de processos fracionários, também conhecidos como modelos de longa dependência.
Uma maneira flexível e parcimoniosa para modelar séries temporais com termos de curto e
longo prazo ou com séries que apresentam longa dependência é utilizar o modelo autorregressivo
média móvel com diferenciação fracionária ARFIMA(p,d,q) ( Reisen, 1995). Vários estimadores têm
sido propostos na literatura para estimar o parâmetro fracionário d. Entre eles, podemos citar os
métodos semiparamétricos propostos por Geweke and Porter-Hudak (1983) e Reisen (1994). Testes
baseados na distribuição assintótica destes estimadores podem ser realizados para se testar a hipótese
de que d=1, o que equivale ao teste de raiz unitária na metodologia clássica.
Uma outra possibilidade para se fazer testes sobre o parâmetro d é utilizar a técnica de
bootstrap (Efron, 1979). Neste caso, não é necessário conhecermos a distribuição assintótica da
estatística de teste, o que traz ganhos no caso de não possuirmos séries com tamanho suficientemente
grande.
Assim, o objetivo deste trabalho é fazer a comparação entre o teste bootstrap, proposto pelos
autores, utilizando o bootstrap não-paramétrico nos resíduos do modelo ajustado (Franco and Reisen,
2004), o teste de Dickey-Fuller Aumentado (Said and Dickey, 1984) e o teste assintótico para o
estimador GPH (Geweke and Porter-Hudak,1983), para verificar a existência de raízes unitárias em
séries temporais.
Na seção 2 descrevemos o teste ADF para raízes unitárias, o teste baseado na distribuição
assintótica do estimador de d e o teste bootstrap. A seção 3 apresenta os resultados da simulação
Monte Carlo para o poder dos testes descritos na seção 2. Na seção 4 mostramos um exemplo de
aplicação real e a seção 5 apresenta as conclusões do trabalho.
2 TESTES PARA RAÍZES UNITÁRIAS

2.1. Raízes unitárias e o Teste ADF

Se uma série deve ser diferenciada d vezes antes de tornar-se estacionária, então ela contém d
raízes unitárias e é dita ser integrada de ordem d, denotada por I(d).
Neste contexto um processo I(d), yt, t = 1, ..., n, é definido por

onde B é um operador da forma Byt = yt-1 e t é I(0).

Os testes de raízes unitárias são capazes de detectar se a série foi suficientemente diferenciada
para se tornar estacionária. Para tanto, testa-se H 0: a série possui raiz unitária vs. H 1: a série não possui
raiz unitária. No caso mais simples o teste é realizado por mínimos quadrados em um modelo AR(1),
, e testa-se r = 1 vs. r ¹ 1.
Como na maioria dos casos et não é ruído branco, utiliza-se uma correção. No caso, será
utilizado o teste com a correção paramétrica, conhecido como teste de Dickey-Fuller Aumentado (Said
e Dickey, 1984), que sugere aumentar a regressão adicionando termos suficientes em Dyt-i para
branquear os resíduos. Então o teste ADF é a estatística-t usada para testar o coeficiente de y t-1 em:

que tem a mesma distribuição assintótica de Dickey-Fuller e não depende de qi. No entanto, é
necessário truncar a ordem da autorregressão por uma regra, por um método automático como o AIC
ou por alguma outra especificação.
A hipótese nula de uma raiz unitária (H0: ) é baseada no teste-t com uma distribuição
não normal. Mackinnon (1991) apresenta a tabela com os valores críticos apropriados para alguns
tamanhos amostrais.

2.2. Processos fracionários e o Teste Usando a Distribuição Assintótica do GPH

Processos fracionários podem ser estimados através de uma extensão dos modelos ARIMA
propostos por Box and Jenkins (1976). Seja y t uma série observada no tempo e u t um ruído branco. Se
yt satisfaz à equação
(2.2)
onde , possuem raízes fora do circulo
unitário, d Î (-0.5,0.5). Entao, yt é um processo autorregressivo média móvel fracionário de ordem
(p,d,q) denotado por ARFIMA (p,d,q). Para valores positivo de d, o modelo ARFIMA(p,d,q) possui a
propriedade de longa dependência, indicando uma dependência não desprezível entre observações
distanciadas por um longo período de tempo. Nas condições definidas acima o processo ARFIMA e
estacionário e invertivel. Maiores detalhes ver Reisen (1994) e Reisen (1995).
Existem vários métodos na literatura para estimar o parâmetro d dos modelos ARFIMA
(p,d,q). Neste trabalho, será utilizado o método semiparamétrico da Regressão utilizando a função
periodograma, conhecido como método GPH devido a Geweke and Porter-Hudak (1983).
Baseando-se na distribuição assintótica do estimador de d (Geweke and Porter-Hudak, 1983),
a estatística de teste utilizada é dada por:

(2.3)

onde é o erro padrão do estimador de d.

O uso de outros estimadores de d para testar raiz unitária é parte da pesquisa atual dos autores
deste trabalho.

2.3 Método Bootstrap e o Teste Bootstrap

 O método bootstrap é uma técnica de reamostragem que permite aproximar a distribuição de
uma função das observações pela distribuição empírica dos dados, com base em uma amostra finita.
No caso deste trabalho, será utilizado o bootstrap não-paramétrico nos resíduos do modelo ajustado
(Franco e Reisen, 2004).
Os resíduos estimados do modelo ARFIMA, , são calculados por
(2.4)
que são supostamente i.i.d. O bootstrap não-paramétrico consiste em reamostrar estes resíduos com
reposição. Portanto, as séries bootstrap podem ser construídas da seguinte maneira:
(2.5)
onde é o resíduo bootstrap da série original.
A idéia básica de um teste bootstrap é a de se retirar um grande número de amostras bootstrap,
obedecendo à hipótese nula e que, tanto quanto possível, se assemelhem à amostra real, e assim
comparar a estatística de teste observada com as estatísticas calculadas das amostras bootstrap. Neste
trabalho utilizamos a estimativa de d como estatística de teste e realizamos o teste através do cálculo
do valor crítico obtido nas reamostragens bootstrap. Os passo para a construção do teste GPH* estão
citados abaixo.

1º) São geradas Nb amostras independentemente replicadas y 1*, ... , yn* sob H0: d=1, para o cálculo do
tamanho do teste, ou sob H1: d<1, para o cálculo do poder.
2º) Para a b-ésima amostra o valor da estatística de teste t b* é calculado.
3º) As Nb estatísticas de teste são ordenadas e é calculado o percentil 5%, que é o valor crítico do teste
bootstrap.
4º) Compara-se o valor da estatística de teste da amostra com o valor crítico.
5°) Conclusão: se o valor da estatística de teste for menor do que o valor crítico a hipótese H 0 é
rejeitada.

Maiores detalhes sobre testes bootstrap podem ser encontrados em Davison and Hinkley (1997).
A estimação do parâmetro de memória longa d do modelo ARFIMA utilizando diferentes abordagens
bootstrap é considerada em Franco and Reisen (2004).

3. RESULTADOS DAS SIMULAÇÕES

Simulações Monte Carlo foram realizadas para comparar a performance dos testes ADF, o
teste assintótico para o GPH e o teste bootstrap GPH*, através de curvas de poder dos testes. Os
resultados apresentados foram obtidos através de programas computacionais escritos na linguagem
FORTRAN 6.0.
Para a construção do poder dos testes foram geradas 1000 séries utilizando o modelo
ARFIMA (0,d,0) para o tamanho de amostra igual a 100 e 300, g(n)=n0.7, com 500 replicações
bootstrap para os parâmetros d = 0.0, 0.2, 0.4, 0.6, 0.8 e 1.0. O processo ARFIMA foi gerado através
de sua representação AR infinita, sendo 600 o número de observações iniciais jogadas fora para evitar
qualquer contaminação referente ao processo de simulação. O nível nominal dos testes foi fixado em 
=5%. Os pontos críticos do teste GPH são apresentados em Santander et al. (2003).
As hipóteses a serem testadas são: H 0: a ordem de integração da série é 1, ou seja, a série é I(1)
vs. H1: a ordem de integração da série é menor que 1.

No caso do teste ADF, estas hipóteses se tornam:

H0: r = 1 vs. H1: r < 1

E no caso dos testes fracionários:

H0: d = 1 vs. H1: d < 1
 As Tabelas 1 e 2 apresentam o poder e tamanho dos testes para n = 100 e 300,
respectivamente. O tamanho do teste é mostrado na última linha da tabela, quando d=1.0.

Tabela 1: Poder e tamanho dos testes para n=100

d GPH GPH* ADF
0.00 1.000 1.000 1.000
0.20 1.000 0.996 1.000
0.40 0.982 0.864 0.882
0.60 0.774 0.516 0.399
0.80 0.301 0.183 0.118
1.00 0.052 0.064 0.051

Tabela 2: Poder e tamanho dos testes para n=300

d GPH GPH* ADF
0.00 1.000 1.000 1.000
0.20 1.000 1.000 1.000
0.40 1.000 0.998 1.000
0.60 0.992 0.908 0.774
0.80 0.508 0.302 0.226
1.00 0.052 0.042 0.074

A Figura 1 apresenta a curva de poder dos testes para n = 100 e 300.

Figura 1: Curva de Poder dos testes de raiz unitária para (a) n=100 e (b) n=300, respectivamente
 Pelas Tabelas 1 e 2 e Figura 1, pode ser observado que o teste assintótico para o GPH é
o que apresenta o maior poder. Para valores de d até 0.4, o teste ADF está ligeiramente superior
ao teste GPH*, porém para d=0.6 e 0.8, o teste GPH* tem maior poder. No tamanho do teste
(d=1), a comparação é feita com o nível nominal de 5%. Neste sentido, o teste assintótico para o
GPH é o que se apresenta mais próximo ao valor 0.05, para ambos os tamanhos de amostra.
Porém, os testes GPH* e ADF não estão muito afastados do nível nominal. Observamos
também, como esperado, que aumentando o tamanho da amostra, os testes tornam-se mais
poderosos.

4. APLICAÇÕES A DADOS REAIS

Foi realizado um estudo da aplicação dos testes de raízes unitárias estudados nas secoes
anteriores, nas séries de preços do grão e do farelo de soja no estado de São Paulo, no período
de 1990 a 1999. Os dados utilizados foram obtidos na publicação Agrianual (FNP Consultoria,
diversos anos) e dizem respeito aos preços recebidos pelo produtor, cotados em dólares
americanos. Para o grão de soja os dados são expressos em dólares americanos por saca de 60
Kg (US$/saca) e para o farelo em dólares americanos por tonelada (US$/t).
A consolidação do complexo soja brasileiro teve início por volta da década de 70 com
expansão da produção de grãos voltada para atender às agroindústrias recém instaladas. Após
esta consolidação, observou-se uma alteração da dinâmica interna. A soja, que era exportada in
natura para ser processada e utilizada na produção de proteína animal nos países importadores,
passou a ser processada também internamente. Esta alteração transformou o farelo de soja
brasileiro em um importante produto, ganhando competitividade no mercado internacional e
passando a ser, dos produtos do complexo soja, o que apresentou maior parcela de sua produção
voltada para o mercado externo. Diante deste cenário, a soja tornou-se um dos produtos
brasileiros de maior exportação.
A Figura 2 apresenta o gráfico das séries do preço do farelo de soja e do grão de soja
respectivamente, no período de maio de 1990 a agosto de 1999 no Estado de São Paulo. Para
efeito de melhor visualização das duas séries conjuntamente, a série preço do farelo foi dividida
por 10.
 Figura 2: Séries dos preços do grão e farelo de soja

Observando a Figura 2, nota-se que o comportamento das séries é bastante semelhante e

as mesmas não parecem ser estacionárias. Os preços apresentam um claro movimento conjunto
e oscilam bastante em torno de um mesmo intervalo de valores até final de 1994. Em janeiro de
1995 observa-se um movimento de queda seguido por outro de intensa alta, que não se mantém
a partir de 1998, quando se percebe uma forte tendência baixista.
Devido a este aumento dos preços ocorrido de 1994 para 1995, foi verificado, através da
regressão com a abordagem da variável dummy (Gujarati, 2000), que há quebra estrutural nas
séries. Este período de mudança nos preços do grão e farelo de soja coincide com a introdução
do Plano Real que se iniciou em julho de 1994. Em 1995, o presidente em exercício Fernando
Henrique Cardoso, eleito devido ao sucesso do Plano Real que havia sido implantado no
governo Itamar Franco, iniciou sua gestão com um desafio externo de grande amplitude: a
manutenção da estabilidade cambial, o que foi obtido mediante ajuste na política de valorização
cambial no período inicial do programa de estabilização (Almeida, 2001).
Como as séries possuem quebra estrutural, o teste de raiz unitária deve levar em
consideração a quebra. Perron (1990) sugere os seguintes passos para o teste de raiz unitária
considerando a quebra estrutural:

1) Fazer uma regressão da série com uma variável dummy que represente o momento da
quebra, ou seja,
t=1, ... , n (4.1)
onde DUt = 0 se t<=NB (momento da quebra estrutural) e 1 caso contrário.

2) Fazer o teste de raiz unitária na série de resíduos estimados .

Os resultados são mostrados na Tabela 3.

Tabela 3: Teste de Raiz Unitária nos resíduos da regressão (4.1)

Série Nº de Lags ADF
Preço do Grão 1 -2,64
Preço do Farelo 1 -2,53
Valores Críticos: (1%) –4,04; (5%) –3,38

Em ambas as séries, o teste ADF não rejeita a hipótese nula da existência de uma raiz
unitária. Os valores críticos do teste ADF, considerando a quebra estrutural, podem ser
encontrados em Perron (1990).
Para o processo fracionário, inicialmente estimou-se o parâmetro de diferenciação d.
Para verificar se as séries possuem uma raiz unitária, utilizou-se a estatística de teste dada na
equação 2.3 para o teste assintótico para o GPH e o próprio para o teste bootstrap, citado na
seção 2.3.
As estimativas de d para as séries do preço do grão e do farelo de soja são dadas na
tabela 4.

Tabela 4: Estimativas de d pelo método GPH

Série GRÃO FARELO
dGPH 0,8773 0,9260

A Tabela 5 apresenta as estatísticas de teste para os testes assintótico (GPH) e bootstrap

(GPH*). No caso do GPH, os valores críticos podem ser obtidos em Santander et al. (2003).
 Tabela 5: Testes assintótico e bootstrap para raízes unitárias nas séries do grão e
farelo
Série GRÃO FARELO
Estatística Valor Estatística Valor
  de Teste Crítico de Teste Crítico
GPH -0,7967 -1,5800 -0,4806 -1,5800
GPH* 0,8773 0,7633 0,9260 0,7490

Verifica-se que, para a série do preço do grão de soja, a hipótese nula de raiz unitária
não foi rejeitada em nenhum dos quatro testes. O mesmo acontece com a série do preço do
farelo de soja, ou seja, a hipótese nula de raiz unitária também não foi rejeitada.

5. CONCLUSÃO

Nos testes de raízes unitárias, as curvas de poder mostraram que o teste assintótico para
o GPH possui um poder maior que os outros dois testes. O teste bootstrap também apresentou
alto poder, sendo superior ao teste ADF para d = 0.6 e 0.8. Verificamos também que o teste que
mais se aproxima do nível nominal de 5% é o assintótico para o GPH, porém o GPH* e o ADF
não estão muito afastados do nível nominal. Deste modo, concluímos então que os testes
fracionários apresentaram maior poder que os testes clássicos para raízes unitárias. Outros
estimadores do parâmetro de memória longa d estão sendo investigados pelos autores no
contexto da pesquisa apresentada neste artigo.
Para o conjunto de dados reais do preço do grão e farelo de soja, os resultados
evidenciam que ambas as séries possuem uma raiz unitária, tanto utilizando a abordagem
clássica quanto a abordagem fracionária, mesmo levando em conta a quebra estrutural ocorrida
nas séries.

REFERÊNCIAS

Almeida, P.R. (2001) O Brasil e as Crises Financeiras Internacionais, 1929-2001. Revista Cena
Internacional. 3(2): 89-114.
Box, G.E.P., Jenkins, G.M. (1976) Time Series Analysis: Forecasting and Control, Holden-Day,
San Francisco.
Davison, A.C., Hinkley, D.V. (1997) Bootstrap Methods and their Application, Cambridge:
Cambridge University Press.
Dickey, D.A., and Fuller, W.A. (1979) Distributions of The Estimators For Autoregressive
Time Series With a Unit Root. Journal of the American Statistical Association, 75, 427-
431.
Diebold, F.X. and Rudebusch, G.D. (1991) On the power of Dickey-Fuller tests against
fractional alternatives. Economics Letters, 35, 155-160.
Efron, B. (1979) Bootstrap methods: another look at the Jackknife. Annals of Statistics, 7, 1-26.
Franco, G.C. and Reisen, V.A. (2004) Bootstrap Techniques in Semiparametric Estimation
Methods for ARFIMA Models: A Comparison Study. Forthcoming in Computational
Statistics.
Fuller, W. (1976) Introduction to Statistical Time Series, John Wiley.
Geweke, J. and Porter-Hudak, S. (1983) The Estimation and Application of Long Memory Time
Series Model. Journal of Time Series Analysis, 4(4):221-238.
Gujarati, D.N. (2000). Econometria Básica, 3ª ed. São Paulo: MAKRON Books.
Hassler, U. and Wolters, J. (1994) On the power of unit root tests against fractional alternatives.
Economics Letters, 45, 1-5.
MacKinnon, J.G. (1991) Critical Values for Cointegration Tests, Chapter 13 in Long-run
Economic Relationships: Readings in Cointegration, Oxford University Press.
Perron, P. (1990) Testing for a Unit Root in a Time Series With a Changing Mean. Journal of
Business & Economic Statistics, v.8, No. 2.
Phillips, P.C.B. and Perron, P. (1988) Testing for a Unit Root in Time Series Regression.
Biometrika, 75, 335–346.
Reisen, V.A. (1994), Estimation of the fractional difference parameter in the ARIMA(p,d,q)
model using the smoothed periodogram. Journal of Time Series Analysis, 15(3), 335-350.
Reisen, V.A. (1995), ARFIMA. O modelo ARIMA para d fracionário. São Paulo: ABE.
Said, S.E., Dickey, D.A. (1984) Testing for unit roots in autoregressive moving average models
of unknown order. Biometrika, 71, 599-607.
Santander, L.A.M., Reisen, V.A., Abraham, B. (2003) Non-cointegration tests and fractional
ARFIMA process. Statistical Methods, 5(1): 1-22.