Exerccios de Reviso . Modelos univariados (Mdia e Varincia. 1) Apresente as caractersticas bsicas de uma srie de tempo, em um modelo clssico.

Use um grfico para ilustrar. Resposta. Y=T+C+S+I; T=tendncia; C=ciclo (comportamento peridico, sem amplitude pr. determinada; S= sazonalidade (estacionalidade; comportamento peridico co. amplitude pr-determinada; 4 meses, 12 meses, etc...); I= irregular (sem padr. nenhum). 2) Quais as condies para estacionaridade fraca de uma srie de tempo. Resposta. E(yt)= , V(yt)=s 2, Cor(yt, yt-s)=g (s) [nenhum dos momentos listados depende de t. 3) Apresente um modelo ARIMA(2,1,0). Apresente um modelo SARIMA (1,0,0. (0,1,1)4 para dados trimestrais. Resposta. ARIMA(2,1,0): (1.a 1L .a 2L2)zt=e t, onde zt=(1-L)1yt. 1L4(1))e SARIMA(1,0,0)(0,1,1)4: (1.a 1L )zt=(1.q t, onde zt=(1-L4)1yt. Outros exemplos comuns de modelos SARIMA. SARIM. 0,1,10,1,1:1L1. Ls. . =1L1L. st. s. SARIM. 1,0,11,0,0:1L1L. . y=1. L . . st. SARIM. 1,0,10,1,1:1L. 1. L. y=1. L1L.

4) Comente se verdadeiro ou falso e justifique. a) um modelo ARMA(1,0) pode ser escrito como um modelo ARMA(0,). Resposta: Verdadeir. O modelo ARMA(1,0) dado por. y. =c. yt1. , onde. . um rudo branco. Re-escrevendo usando o operador defasagem temo. 1. L. yt =c. assumindo que. . (o processo estacionrio), o operado. defasagem pode ser invertido, e portanto. y. . 1. Lt = . j 1. j=. que um modelo em mdias mveis com infinitos coeficientes, um. ARM. 0,

. . b) Em um modelo ARMA(1,0), choques anteriores a data t-1 no tm importncia par. o valor de yt. Resposta: Fals. Note que um ARMA(1,0) estacionrio pode ser escrito como um. ARM. 0,

. (ve. questo anterior) e portanto o valor de. y. depende de todos os choques passado. j. j . . Em particular note que os choques que antecedem a data atual 't' em 'j. perodos so proporcionais . e portanto (assumindo um processo estacionrio. quanto mais distante no passado o choque, menor o seu impacto no valor atual d. processo . y. ).

c) Toda srie da forma ARMA(0,2) estacionria, embora no necessariamente poss. ser escrita como um modelo ARMA(,0). Resposta: Verdadeir. Um processo ARMA(0,2) pode ser escrito como. y. = t. t1. t. , ond. . ~R. . . . . . A mdia do processo . E. y. =. , a varincia . Va. . y. =. . yt . . . t. t1. t. . . Va. . y. =. . 2. . t1. . . t2. t12. . t. . 2. t. .

Va. . y=. . 12. . e a covarincia . Cov. yt. yt. j. . . yt . yt. j . Cov. yt. yt. j=. . t. t. j. . t. t. j. . . t. . . j. . portanto para j=1 a covarincia . . 1. , para j=2 a covarincia . , . para j>2 a covarincia zero. Como (i) a varincia finita (por hiptese a varincia d. rudo branco finita), (ii) a mdia do processo independe do tempo, (iii) a covarinci.

Cov. yt. y. . j.

independe to tempo para todo. j=0,1,2,... , podemos conclui. que o processo fracamente estacionrio.. Considere agora o processo ARMA(0,2) escrito usando o operador de defasagen. y= 1LL2= 1L1L . 1. . 1. . onde. 1. . , satisfazem. 12 =. ,. . 2 =. (so o recproco das razes d. polinmio caracterstico). Se. 1 1. . 2 . (razes do polinmio caracterstic. fora do crculo unitrio), o operador defasagem pode ser invertido. L. L1 y=1 1L 1. . 1. . . . yt. j . . 1. L. j. 01.

. i.

. . 2. t. jit 1. 1. i=. j. . y. y . =c. jt. j. que exatamente um ARMA(,0). d) Se uma srie for um rudo branco (yt=a+et), D yt ser ARMA(0,1) com coeficiente d. autocorrelao de 1 ordem igual a 0,5 (em valor absoluto). Resposta: Verdadeir. Defina. x=. y=ee,e. R. 0,. . . Log. . ttt. t E. x. =. Va. . xt. E. x. 2=2. Cov.

x,x=. . xx=. tt. tt. Co. . xt. xt. . e consequentemente. Cor. x,x==1/2. Va. . x. . e) A srie yt=1,2yt-1 .0,2yt-2+e t no estacionria e pode ser escrita como D yt . D yt-. + e t. Resposta: Fals.

Embora a srie seja no estacionria, pois a soma dos coeficientes igual a 1 (h pel. menos uma raiz unitria), ela pode ser escrita como D yt . 0,2D yt-1 + e t. f) Um passeio aleatrio com drift possui mdia zero. Resposta: Fals. Um passeio aleatrio com drift definido como yt=a +yt-1+e t , e t ~ RB. Assum . que o processo iniciou no tempo t=0 (arbitrrio). Escrevendo recursivamente obtemo s. y. . y0t. . . Portanto. E. y. . y0t0. g) A srie yt=yt-1+e t estacionrio pois sua mdia zero. Resposta: Fals. A afirmativa falsa pois o fato da mdia do processo ser zero no implica e. estacionariedade (mdia constante condio necessria mas no suficiente).. Mais especificamente, da questo anterior (considerando o drift zero), concluimos que . mdia constante (igual a zero se y0=0). Sendo a mdia constante, uma das condie. de estacionariedade verificada. Mas V(yt)=s 2t e. Cov. yt. yt. j=t. . . . dependem do tempo, fazendo a srie no estacionria. h) .Em dvida se uma srie no estacionria, use a primeira diferena da srie, poi. esta transformao da srie ser estacionria, seja ela DS ou TS. Resposta: Verdadeir. Se a srie for TS: yt=a +b t+e t, ento, D yt=b + e t . e t-1. Esta srie estacionria. mas apresenta uma forte autocorrelao no tempo. Se a srie for DS, por definio el. ser estacionria na primeira diferena.. 5) Na metodologia Box-Jenkins, qual o padro dos ACF e PACF de uma srie AR(2) . Resposta. Um AR(2) tem a forma yt. a +b 1yt-1. b 2yt-2. e t. Excluindo o caso de uma sri. no estacionria, os ACF podem ser calculados usando as equaes Yule-Walker. .

mdia do processo . . E. y. . , portanto, substituindo temos. 11. y. = 11. . yt1. y. 2. y =. y . y . . . t1. t2. xt =. x. 1. xt2. onde. x. um processo AR(2) com mdia zero e mesma estrutura de ACF e PACF d. processo original. A varincia de. x. . 0 =Va. . x. . . x. xt =. . x. xt1. . x. xt2Ex. . 0 =.

1. 22. A primeira covarincia . =Co. . x,x. Exx=Ex. ExxEx 1tt1tt1. t1. t. t2t. . 1 =. 0. . e em geral podemos escrever a autocovarincia de ordem 'j' com. j . . x. x. . j =. Ext. xt. j. Ext. xt. j. . txt. . =. j. j1. j.

Lembrando que o coeficiente de autocorrelao . j =. . . , obtemos as equae. 1 =1. . 1 . de Yule-Walker:. 1. j =. . j1. j. . . . . Os PACFs de um AR(2) so os seguintes: y 1. b 1, y 2. b 2, y k= 0, para k>2. 6) A previso dinmica para uma srie estacionria converge para que valor, medid. que o horizonte de previso aumenta? E o que ocorre com a varincia do erro d. previso? Por fim, qual o padro da previso dinmica de uma srie no-estacionri. com constante, medida que o horizonte de previso aumenta. Resposta. Considere um processo AR(1) estacionrio. Ele pode ser escrito como. . y. = . . t. , onde. . ~R. 0,. 2. . Deslocando-se 'h' perodos para frente. i=. obtemos. . .

y. h = . . thi =. th...h. t1 . . . . ti i. . i=. y. h =. th...h. t1 1. . y. O valor esperado de. y. . condicional ao conjunto de informao em 't' . E. y= 1. hy(previso dinmica). A medida que . h. a previs. tth. dinmica converge para a esperana incondicional. . , pois em um process. estacionrio. . .. O erro de previso dado po. e. y. E. y=...h.

. hthtt. hthth. 1t. . Logo, a varincia do erro de previso . Var. e. . =. . 1...h. . . consequentemente, quando o horizonte de projeo vai a infinito, a varincia do erro d . previso converge para a varincia incondicional do processo. . O resultado foi derivado para um processo AR(1), mas as concluses so gerais, apena . complicando (muito) a lgebra. Com relao ao padro para uma srie no estacionria, podemos tomar o passei. aleatrio com drift como exemplo (ver questo 4). A esperana condicional do process. em 't+h' ser uma funo linear do horizonte de projeo, e a varincia tambm aument. linearmente (diverge).. 7) Explique o teste ADF, destacando (i) a hiptese nula e alternativa; (ii) a equao d. teste; e (iii) a necessidade de usar defasagens. Resposta:. Considere, por exemplo, um processo AR(2):. y. =a0a. yt1a. y. 2. . Adicionando e subtraindo. a. yt. obtemos. y. =a0. a1a2. yt1a.

. yt1. yt. . subtraindo. y. . em ambos os lados.

. yt =a0a1a21. yt1a. . yt1. . y=a. ya. y. E. DFA. t0t1. t1. =1a1a. . Caso. =0. a1a2 =. , ou seja, a srie possui raiz unitria (os coeficientes soma. 1). Desta forma o teste DFA especifica como hipteses. (i) H0: srie possui raiz unitria. =0. ; Ha: srie no possui raiz unitria. 0. (ii) A equao do teste a (eq DFA) acima, ou de uma forma mais geral, para u. AR(p),. . yt =a0. yt1. . . yti. . (notem que h um typo na pag 101 d. Bueno). (iii) O modelo supe que o erro seja um rudo branco. Se isto no o caso, deve-s. empregar defasagens adicionais para deixar o erro sem autocorrelao. Suponha, po. exemplo, que ao invs de especificar corretamente um processo AR(2), seja executad o . teste DF. . yt =a. . yt1u. . . Comparando com a equao (eq DFA) vemos que .

resduo do teste DF,. u. =a. . yt1. yt2. , um processo com autocorrelae. no nulas (no ruido branco), e portanto as inferncias sobre os coeficientes do test. no sero corretas.. 8) Apresente os modelos EWMA e GARCH(1,1), interpretando os coeficientes . destacando semelhanas e diferenas. Resposta. O modelo GARCH(1,1) especifica que o resduo de uma srie estacionria genrica. pode ser escrito como. t =vtht. vt . R. 0,1. h. 2=t . 1. ht . . vt. . s. independente. Note que. . t =. v. Eht =. ,. Va. =. . EvEh=Eh, portanto, assumind. que o processo seja estacionrio fraco, temo. . h. =Va. . .

. h. . Va. . =. h. . . 1. A autocovarincia dada por. Covt. t. j. Ev. Eh. Evt. j. ht. j =0. . j0. Temos portanto, mdia zero, autocovarincias zero e varincia constante, caracterstica. do rudo branco. Entretanto a varincia condicional no constante. Var=E=h=h t. tt. t. t. t. e isto que caracteriza os processos GARCH.. O modelo EWMA um caso particular do GARCH(1,1) no qual. =. e o. coeficientes. =. . Substituindo nas equaes anteriores, a varincia condiciona. de um modelo EWMA dada por. h2=. h. 1. . tt. .

. Resolvendo recursivamente (ou usando o operador defasagem), obtemos. ti. 2. i=0 h. =1. ti1 . . i. . .

e por isso dizemos que no modelo EWMA a varincia condicional uma mdi. ponderada do quadrado dos resduos passados, onde o fator de ponderao. . . te. um decaimento geomtrico.. Note que no modelo EWMA a varincia no condicional no determinada.. Em ambos os casos (GARCH(1,1), EWMA) o coeficiente. . (associado dependent. defasada) mede a persistncia da volatilidade condicional e o coeficiente. . (que . igual a. 1. no EWMA) mede a sensibilidade da volatilidade condicional choques. 9) Apresente duas formas de avaliar se uma srie de tempo possui volatilidad. condicional auto-regressiva. a) avaliando o correlograma (FAC e FACP) do quadrado do resduo. . . . ; pode-s. Resposta. Considere um processo. y. . Estime o melhor modelo ARIMA(p,d,q) e obtenha . resduo. . t . y. . . . . dizer que algum modelo ARCH est presente se os coeficientes de autocorrelao (n. grfico FAC) forem estatisticamente diferentes de zero; a FAC de um process. GARCH(p,q) similar FAC de um processo ARMA(m,p), onde m=max{p,q}; . FACP fornece uma indicao da ordem 'p' do GARCH. b) teste Ljung-Box; a estatstica. . .

2 2 Q=. . 2. X. i. . . . pode ser utilizada para testar a hiptese nula de que todas as 'n' primeira. autocorrelaes so estatisticamente diferentes de zero, versus a hiptese alternativa d. que pelo menos uma das autocorrelaes no nula. b) fazendo o teste ARCH do tipo LM; testa-se a hiptese nul. H0:a1 =a. =...=aq =. contra a alternativa que pelo menos um dos coeficientes . estatisticamente diferente de zero na regresso. . . 0. . . qtq. A estatstica do teste . TR. , onde T o tamanho da amostra, R2 o coeficiente d. determinao da regresso; esta estatstica, sob a hiptese nula, converge e. distribuio para uma chi-quadrado com 'q' graus de liberdade..