EAE 0327 Econometria III Prof.

Márcio Issao Nakane

Aula 1: Séries temporais econômicas e econometria de séries temporais

Referência: Enders: Seções 3.1 e 1.1

A aula de hoje tem 3 partes. Na 1ª parte vou falar dos tipos de dados que existem em economia.
Na 2ª parte vou apresentar alguns fatos estilizados que caracterizam séries temporais
econômicas.
Na 3ª parte vou falar sobre econometria de séries temporais.

Parte 1: Tipos de dados em economia

No estudo de econometria, utilizamos bases de dados para estabelecer relações entre variáveis
de interesse.
Os dados podem ser de 3 tipos:

1. Séries temporais
2. Cross section
3. Dados longitudinais ou dados em painel

Os dados disponíveis sob a forma de séries temporais englobam conjunto de observações sobre
valores de variáveis em diferentes pontos do tempo.
Eles são geralmente coletados em intervalos fixos, como diário, semanal, mensal, trimestral,
semestral, anual, quinquenal, decenal, etc.
São dados como esses que vamos utilizar ao longo deste curso.
Por exemplo:

• PIB de um país ou região (trimestral, anual)

• Exportações e importações (mensal, trimestral)
• Produção industrial (mensal)
• Vendas no varejo (mensal)
• Taxa de inflação (mensal)
• Ocupação e desemprego (mensal, trimestral)
• Crédito (mensal)
• Taxa de juros (diário, mensal)
• Taxa de câmbio (diário, mensal)
• Índices de ações (diário, mensal)
• Novos casos de covid 19 no país (diário)
• Registro de horas de sono de um indivíduo (diário)
Dados em frequência maior que diário também são possíveis. No mercado financeiro, cotação
de moedas, há informação intradia com agregação de poucos segundos.

1
 1. Presença de tendência: comportamento das séries econômicas aumentarem (ou
diminuírem) continuamente ao longo do tempo;
2. Volatilidade que não é constante ao longo do tempo;
3. Choques com alto grau de persistência;
4. Movimentos sem trajetórias definidas;
5. Comovimentos ou comportamentos comuns entre séries;
6. Quebras
7. Sazonalidade

Vamos apresentar alguns exemplos de cada uma dessas características.

1. Tendência
Um exemplo é o comportamento do PIB anual e de seus componentes

3
5
3. Choques com alto grau de persistência

Séries de taxas de juros não apresentam tendência mas apresentam períodos longos em que
permanecem elevados e períodos longos em que permanecem baixos.

30

25

20

15

10

0
jan/00

jan/23
jan/01
jan/02
jan/03
jan/04
jan/05
jan/06
jan/07
jan/08
jan/09
jan/10
jan/11
jan/12
jan/13
jan/14
jan/15
jan/16
jan/17
jan/18
jan/19
jan/20
jan/21
jan/22

Tx. Selic (% a.a.)

4. Movimentos sem trajetórias definidas

Taxas de câmbio:

7
 35

30

25

20

15

10

jan/16
jan/00
jan/01
jan/02
jan/03
jan/04
jan/05
jan/06
jan/07
jan/08
jan/09
jan/10
jan/11
jan/12
jan/13
jan/14
jan/15

jan/17
jan/18
jan/19
jan/20
jan/21
jan/22
jan/23
Tx. Selic (% a.a.) Tx. Swap DI-Pré 360 (% a.a.)

6. Quebras
PIB americano na crise de 2008; Taxa de câmbio no Brasil na saída do câmbio fixo em 1999;
Preço do petróleo:

9
Variação do preço de postos de gasolina no Distrito Federal:

7. Sazonalidade
Presença de padrões que ocorrem em intervalos regulares específicos inferiores a um ano, como
semanal, mensal ou trimestral.
Série de produto industrial
Série de saldo de emprego (contratações menos demissões):

400,000
300,000
200,000
100,000
0
-100,000
-200,000
-300,000
-400,000
-500,000
-600,000
-700,000
-800,000
-900,000
-1,000,000
mai/96
jul/93

ago/00
jan/02

mai/13

jan/19
jun/20
jun/03
out/97
mar/99

set/07

out/14
mar/16
dez/94

jul/10
dez/11

ago/17
fev/92

nov/04
abr/06

fev/09

Emprego: Saldo

Parte 3: Econometria de Séries Temporais

Equação de Regressão:

11
Para assegurar que (3) tenha essa interpretação, tentamos, ao máximo, garantir que a variação
em 𝑋𝑙𝑖 seja exógena.
Além disso, necessitamos incluir variáveis de controle em (1) ou (2) para que a variação em 𝑋𝑙𝑖
não capture o efeito de outras variáveis.
No caso de séries temporais, o desafio é o mesmo. Uma peculiaridade de modelos em séries
temporais é a noção de persistência e de efeitos dinâmicos.
A ideia de persistência é que o valor de 𝑌𝑡 é influenciado pelos valores passados dela mesma.
Ou seja, a equação (2) pode ser expandida para incluir modelos da forma:

𝑌𝑡 = 𝛼 + 𝛾1𝑌𝑡−1 + ⋯𝛾𝑗𝑌𝑡−𝑗 + 𝛽1𝑋1𝑡 + ⋯𝛽𝑘𝑋𝑘𝑡 + 𝑒𝑡 (4)

Onde defasagens até a ordem j influenciam o valor contemporâneo de Y. Tais modelos são
chamados de modelos autorregressivos (AR).
Efeitos dinâmicos implicam que o efeito de uma variável explicativa 𝑋𝑙 sobre 𝑌 pode não se
limitar ou se esgotar em um único período de tempo, mas sim se espalhar por vários períodos.
Efeitos dinâmicos podem ser introduzidos através da inclusão de termos defasados para as
variáveis explicativas. A expressão (2) poderia ser ampliada, neste caso, da seguinte forma
(suponha que haja apenas uma variável explicativa, para facilitar a notação):

𝑌𝑡 = 𝛼 + 𝛽1𝑋𝑡 + ⋯𝛽𝑚𝑋𝑡−𝑚 + 𝑒𝑡 (5)

Onde supõe-se que o efeito da variável 𝑋 sobre 𝑌 perdure por m períodos. Modelos como esse
são chamados de modelos de defasagens distribuídas (DL).
Os casos anteriores podem ser combinados para gerar um modelo autorregressivo e de
defasagens distribuídas (ARDL):

𝑌𝑡 = 𝛼 + 𝛾1𝑌𝑡−1 + ⋯𝛾𝑗𝑌𝑡−𝑗 + 𝛽1𝑋𝑡 + ⋯𝛽𝑚𝑋𝑡−𝑚 + 𝑒𝑡 (6)

13