Processos Estocásticos Não Estacionários

Econometria I
Processos Estocásticos Não Estacionários
Paula V. Tófoli
paula.tofoli@ucb.br
Econometria I
Paula Tófoli (UCB) Econometria I 1 / 38

O Processo Random Walk ou Passeio Aleatório
yt segue um passeio aleatório se
yt = yt−1 + ut , (1)
em que ut é um ruído branco.
Podemos obter a solução dessa equação pelo método de iteração. Se y0 é uma

condição inicial dada, então:
yt = yt−1 + ut
= yt−2 + ut−1 + ut
= yt−3 + ut−2 + ut−1 + ut
..
.
t
(2)
X
yt = y0 + ui
i=1

Tomando o valor esperado da equação (2):
t
X
E(yt ) = E(y0 + ui )
i=1
Xt
= y0 + E( ui )
i=1
| {z }
=0
= y0
A média é constante.
Variância incondicional:
t
X
V ar(yt ) = V ar(y0 + ui )
i=1
= V ar(u1 ) + V ar(u2 ) + · · · + V ar(ut )

= tσ 2
Como a variância não é constante, o passeio aleatório é não estacionário. Além
disso, conforme t → ∞, a variância também tende a innito.
Autocovariâncias:
γs = E[(yt − y0 )(yt−s − y0 )]
= E[(ut + ut−1 + · · · + u1 )(ut−s + ut−s−1 + · · · + u1 )]
= E[u2t−s + u2t−s−1 + · · · + u21 ]
= (t − s)σ 2
Autocorrelações:
(t − s)σ 2
ρs = √ p
tσ 2 (t − s)σ 2
(t − s)
= √p
t (t − s)
1
t−s 2
=
t

O resultado anterior é um resultado importante para se detectar séries não

estacionárias.
Para as primeiras autocorrelações, o tamanho da amostra t será grande em relação

ao número de defasagens s, logo, (t−s)
t
vai se aproximar da unidade. Conforme s
aumenta, os valores de ρs vão declinar.
Para um passeio aleatório, a função de autocorrelação tem um decaimento lento.
No estágio de identicação da metodologia de Box e Jenkins, um decaimento lento

da FAC ou FACP pode ser uma indicação de não estacionariedade.

Função de previsão do passeio aleatório: Dadas as t primeiras ocorrências de {ut },

a média condicional de yt+h pode ser obtida a partir de
t+h
X
yt+h = y0 + ui
i=1
t
X h
X
yt+h = y0 + ui + ut+i
i=1 i=1
h
X
yt+h = yt + ut+i ,
i=1
de modo que
h
X
Et (yt+h ) = Et (yt + ut+i )
i=1
= yt
yt é o estimador não viesado de todos os valores futuros de yt+h , para todo h > 0.

Erro de previsão h-passos a frente:

et (h) = yt+h − Et (yt+h )
= ut+1 + ut+2 + · · · + ut+h
Variância do erro de previsão:

V ar(et (h)) = hσ 2
A variância do erro de previsão tende a innito conforme h → ∞. Esse resultado

diz que a utilidade de uma previsão pontual ŷt+s = Et (yt+s ) diminui conforme o
horizonte de previsão aumenta, o que implica que o modelo não é previsível.

Passeio Aleatório com Drift
Adicionando-se uma constante ao passeio aleatório, obtemos:
yt = α0 + yt−1 + ut . (3)
Dada a condição inicial y0 , podemos obter a solução geral da equação (3) da
seguinte forma:
yt = α0 + yt−1 + ut
= α0 + α0 + yt−2 + ut−1 + ut
= α0 + α0 + α0 + yt−3 + ut−2 + ut−1 + ut
..
.
t
(4)
X
yt = y0 + α0 t + ui .
i=1
De acordo com a equação (4), o comportamento de yt é determinado por dois
componentes não estacionários:
tendência estocástica, t
P
I A ui : os choques produzem mudanças permanentes
i=1
na série yt , ainda que aleatórias.
I A tendência determinística, α0 t: é uma tendência temporal linear que captura
uma tendência crescente/decrescente sustentada.

Média incondicional:
t
X
E(yt ) = E(y0 + α0 t + ui )
i=1
= y0 + α0 t
A média não é constante.

A variância e as autocovariâncias são iguais às do passeio aleatório puro.
Função de previsão: Atualizando a equação (4) em h períodos,
t+h
X
yt+h = y0 + α0 (t + h) + ui
i=1
t
X h
X
= y0 + α0 t + α0 h + ui + ut+i
i=1 i=1
h
X
= yt + α0 h + ut+i
i=1

Assim,
h
X
Et (yt+h ) = Et (yt + α0 h + ut+i )
i=1
= yt + α0 h
Projetamos a mudança determinística h vezes no futuro.

Removendo a Tendência
Uma série temporal pode apresentar tanto uma tendência determinística como
uma tendência estocástica.
Conhecer a forma da tendência é importante para poder aplicar a transformação

adequada para estacionarizar a série.
Existem dois métodos usuais para se eliminar a tendência:

I Dierencing (diferenciação): consiste em tomar a diferença da série.
I Detrending: tirar a tendência determinística.

Dierencing
Considere a solução do passeio aleatório com drift:

t
X
yt = y0 + α0 t + ui .
i=1
Tomando a primeira diferença, obtemos:

∆yt = yt − yt−1
t t−1
!
X X
= y0 + α0 t + ui − y0 + α0 (t − 1) + ui
i=1 i=1
= α0 + ut
A esperança incondicional de ∆yt é dada por:

E(∆yt ) = E(α0 + ut )
= α0

Dierencing
Variância incondicional:
V ar(∆yt ) = E (∆yt − E(∆yt ))2

= E(u2t )
= σ2
Covariância incondicional:
Cov(∆yt , ∆yt−s ) = E [(∆yt − α0 )(∆yt−s − α0 )]
= E[ut ut−s ]
=0
Logo, ∆yt é estacionária.
yt tem uma raiz unitária e torna-se estacionária após tomarmos a primeira

diferença da série. Dizemos, nesse caso, que yt é integrada de ordem 1, I(1).
Se uma série tem d raízes unitárias, ela tem que ser diferenciada d vezes para se
tornar estacionária. Dizemos que essa série é integrada de ordem d, I(d).

Dierencing
Um processo {yt } com d raízes unitárias, cuja d-ésima diferença é um processo

ARMA(p,q), é chamado de processo ARIMA(p,d,q).
Exemplo: ARIMA(1,1,0)
(1 − α1 L) (1 − L)yt = α0 + ut
| {z }
wt
wt = α0 + α1 wt−1 + ut
Para obter a previsão 1 passo a frente de yt :
I Sabemos que:
wt = yt − yt−1
I Logo:
ŷt+1 = ŵt+1 + yt

Detrending
Considere os seguintes processos com tendências determinísticas:

yt = α0 + α1 t + ut (tendência temporal linear)
yt = α0 + α1 t + α2 t2 + · · · + αn tn + ut (tendência temporal polinomial)

onde ut é um processo estacionário.
A forma mais apropriada de estacionarizar yt , nesse caso, é estimar a equação de

regressão e subtrair os valores estimados de yt dos valores observados, obtendo
uma estimativa do processo estacionário ut . Esse processo pode, então, ser
modelado por um ARMA.

Raízes Unitárias em um Modelo de Regressão
Considere a equação de regressão:

yt = α0 + α1 zt + et (5)
Na presença de variáveis não estacionárias, a regressão (5) pode ser uma regressão
espúria.
Uma regressão espúria é aquela que, aparentemente, apresenta resultados muito
bons: testes t signicantes e R2 elevado. Porém, econometricamente, não possui
validade, porque as séries possuem raiz unitária e os resíduos não são estacionários.
Sintoma clássico: DW < R2 (DW é a estatística do teste de Durbin-Watson).
Nesse caso, as estimativas de MQO não são consistentes e os testes de inferência

estatística padrão não são válidos.

Suponha:
yt = yt−1 + uyt (6)
zt = zt−1 + uzt , (7)
em que uyt e uzt são processos ruído branco independentes entre si.
Assuma α0 = 0 e reescreva a equação (5) como:

et = yt − α1 zt
Se yt e zt são gerados por (6) e (7), impondo as condições iniciais y0 = z0 = 0,

temos que
t
X t
X
et = uyi − α1 uzi
i=1 i=1
Logo, ca claro que a variância do termo do erro converge para innito conforme
t → ∞.
Os resíduos estimados da regressão espúria vão exibir um alto grau de correlação.

Casos a se considerar:
1 {yt } e {zt } estacionárias: o modelo de regressão clássico é apropriado.
2 {yt } e {zt } são integradas de mesma ordem e os resíduos contêm uma
tendência estocástica: regressão espúria. Recomenda-se que a regressão seja
estimada em primeira diferença.
3 {yt } e {zt } são integradas de ordens diferentes: nesse caso, o termo de erro
ainda vai conter uma tendência estocástica, de modo que a regressão não
possui validade econométrica.
4 {yt } e {zt } são integradas de mesma ordem e os resíduos são estacionários:
{yt } e {zt } são cointegradas. Isso pode ocorrer, por exemplo, se uyt = uzt e
α1 = 1, et = 0 (estacionário). Se as séries forem cointegradas, a regressão
não é espúria.

Testes de Raiz Unitária: Teste de Dickey-Fuller (1979, 1981)
A inspeção visual de uma série raramente permite distingui-la como de tendência
estocástica ou tendência determinística. Por isso, foram desenvolvidos testes para
a vericação da existência de raízes unitárias.
Considere o seguinte processo:
yt = α1 yt−1 + ut
Poderíamos estimar esse modelo e usar o teste t convencional para testar
H0 : α1 = 1 (yt tem uma raiz unitária).
Podemos reescrever a equação acima como
yt − yt−1 = α1 yt−1 − yt−1 + ut
∆(yt ) = (α1 − 1)yt−1 + ut
∆(yt ) = γyt−1 + ut
e testar, equivalentemente, H0 : γ = 0.
O problema é que, sob H0 , yt é não estacionário e, nesse caso, a distribuição da
estatística do teste não é igual à distribuição t.
Assim, Dickey e Fuller (1979) recalcularam os valores da estatística do teste via
simulação de Monte Carlo.
Inconveniente: O valor dessa estatística muda de acordo com a equação de

regressão e com o tamanho da amostra.
Dickey e Fuller consideraram três equações de regressão diferentes:

∆yt = γyt−1 + ut (8)
∆yt = α0 + γyt−1 + ut (9)
∆yt = α0 + γyt−1 + α2 t + ut (10)
As estatísticas τ, τµ e ττ são as estatísticas apropriadas para se usar para as
equações (8), (9) e (10), respectivamente.
O teste de Dickey-Fuller consiste em estimar uma (ou mais) das equações acima
por MQO para obter o valor estimado de γ e o erro-padrão associado. Obtém-se,
então, o valor calculado da estatística do teste:
γ̂
τ̂ =
ep(γ̂)
ˆ
Rejeita-se H0 se o valor calculado da estatística for menor do que o valor crítico.
Dickey e Fuller (1981) forneceram três estatísticas F (φ1 , φ2 e φ3 ) para testar

hipóteses conjuntas sobre os coecientes.
No caso da equação (9), pode-se testar

H0 : γ = α0 = 0
usando a estatística φ1 .
No caso da equação (10),

H0 : γ = α0 = α2 = 0
é testada usando a estatística φ2 e

H0 : γ = α2 = 0
é usada testando φ3 .

Essas estatísticas são construídas da mesma forma, como testes F comuns:

(SQRR − SQRN R)/r
φi =
SQRN R/(T − k)
em que SQRR e SQRN R correspondem à soma dos quadrados dos resíduos do
modelo restrito e do modelo não restrito; r é o número de restrições; T é o
número de observações usadas e k é o número de parâmetros estimados no modelo
não restrito.
A hipótese nula é de que os dados são gerados pelo modelo restrito e a hipótese
alternativa é de que são gerados pelo modelo não restrito.
Para valores grandes de φi (maiores do que os valores tabelados por Dickey e

Fuller, para níveis de signicância convencionais), rejeitamos H0 .

Estratégia do teste DF
Na prática, a equação (8)
∆yt = γyt−1 + ut
é pouco comum, porque a rejeição de H0 implica que {yt } é um processo
estacionário de média zero, o que é raro, a não ser quando os dados são resíduos
de uma regressão.
Estimar
∆yt = γyt−1 + ut
e testar H0 : γ = 0 contra H1 : γ < 0 equivale a estimar
yt = α1 yt−1 + ut
e testar H0 : α1 = 1 contra H1 : α1 < 1.

Logo, sob H0 : α1 = 1,
yt = yt−1 + ut (yt segue um passeio aleatório puro)
e sob H1 : α1 < 1,
yt = α1 yt−1 + ut (yt é I(0) com média zero)

Deve-se examinar o gráco da série para vericar se uma tendência de longo
prazo é visível ou não.
Se yt tem uma tendência de longo prazo: deve-se estimar a equação (10)
∆yt = α0 + γyt−1 + α2 t + ut
e testar H0 : γ = 0 contra H1 : γ < 0, o que equivale a estimar
yt = α0 + α1 yt−1 + α2 t + ut
Se yt = α0 + α1 yt−1 + α2 t + ut , podemos escrever
yt − α0 − α2 t = α1 (yt−1 − α0 − α2 (t − 1)) + ut
yt = (1 − α1 )α0 + α2 t − α1 α2 (t − 1) + α1 yt−1 + ut
yt = (1 − α1 )α0 + (1 − α1 )α2 t + α1 α2 + α1 yt−1 + ut
yt = α2 + yt−1 + ut (yt segue um passeio aleatório com drift)
e sob H1 : α1 < 1,
yt = υ + δt + α1 yt−1 + ut (yt é I(0) com tendência determinística)
Se yt não tem uma tendência de longo prazo: deve-se estimar a equação (9)
∆yt = α0 + γyt−1 + ut
e testar H0 : γ = 0 contra H1 : γ < 0, o que equivale a estimar

yt = α0 + α1 yt−1 + ut

Se yt = α0 + α1 yt−1 + ut , podemos escrever
yt − α0 = α1 (yt−1 − α0 ) + ut
yt = (1 − α1 )α0 + α1 yt−1 + ut
yt = yt−1 + ut (yt segue um passeio aleatório puro)
e sob H1 : α1 < 1,
yt = υ + α1 yt−1 + ut (yt é I(0) com média diferente de zero)

Se não se tem certeza sobre a tendência de longo prazo de yt :
Inicie o teste com a regressão mais geral possível, ou seja, estimando
∆yt = α0 + γyt−1 + α2 t + ut
e teste H0 : γ = 0 contra H1 : γ < 0. Se H0 for rejeitada, não precisa avançar.
Se H0 não for rejeitada, isso pode ser devido ao baixo poder do teste. Nesse caso,
precisamos determinar se incluímos regressores determinísticos demais. Teste
primeiro
H0 : γ = α2 = 0
usando a estatística φ3 . Se H0 for rejeitada, conclua pela inexistência de raiz
unitária. Caso contrário, siga para o próximo passo.
Se H0 não for rejeitada, teste

H0 : γ = α0 = α2 = 0
usando φ2 . Se H0 não for rejeitada, faça o teste de raiz unitária usando a regressão
sem constante e sem tendência. Se H0 for rejeitada, passe para o próximo passo.
Estime a regressão apenas com constante

∆yt = α0 + γyt−1 + ut
e teste
H0 : γ = α0 = 0
usando a estatística φ1 . Se H0 é rejeitada, faça o teste de raiz unitária usando a
regressão acima (com constante apenas).
Se H0 não for rejeitada usando φ1 , faça o teste de raiz unitária estimando a

equação sem constante e sem tendência.

Testes de Raiz Unitária: Teste de Dickey-Fuller Aumentado (ADF)
Nem todas as séries temporais podem ser bem representadas por um processo
autorregressivo de primeira ordem.
Nesse caso, os erros da equação de regressão do teste DF são correlacionados em
série e isso pode causar distorções no poder do teste. Esse problema é fácil de ser
corrigido.
Considere o processo AR(2):
yt = α0 + α1 yt−1 + α2 yt−2 + ut
Adicione e subtraia α2 yt−1 da equação:
yt = α0 + α1 yt−1 + α2 yt−2 + α2 yt−1 − α2 yt−1 + ut
yt = α0 + (α1 + α2 )yt−1 − α2 (yt−1 − yt−2 ) +ut
| {z }
∆yt−1
Subtraindo yt−1 dos dois lados:

yt − yt−1 = α0 −(1 − α1 − α2 ) yt−1 − α2 ∆yt−1 + ut
| {z }
γ
∆yt = α0 + γyt−1 − α2 ∆yt−1 + ut

Testes de Raiz Unitária: Teste de Dickey-Fuller Aumentado (ADF)
Podemos testar a presença de uma raiz unitária, nesse caso, testando H0 : γ = 0,
em que γ = −(1 − α1 − α2 ).
Isso porque haverá uma raiz unitária no processo AR(2) se uma das raízes do
polinômio no operador de defasagem for igual a 1:
1 − α1 L − α2 L2 = 0
se L = 1,
1 − α1 − α2 = 0.
No caso de um processo AR(p):
p
X
∆yt = α0 + γyt−1 + βi ∆yt−i+1 + ut
i=2
em que
p
!
X
γ =− 1− αi
i=1
p
!
X
βi = − αj
j=i
Para testar a presença de uma raiz unitária, podemos usar as mesmas estatísticas
de Dickey-Fuller discutidas antes.
Problemas do teste ADF
E se o processo gerador dos dados for mais complexo, com termos de médias
móveis?
I O procedimento anterior pode ser adotado mesmo no caso de um modelo
ARIMA(p,1,q), já que um MA(q) inversível pode ser transformado em um

AR(∞).
I Surge aí o problema de como estimar um modelo com innitas defasagens.
Said e Dickey (1984) mostraram que um modelo ARIMA(p,1,q) pode ser
1
bem aproximado por um ARIMA(n,1,0) em que n ≤ T 3 .

Problemas do teste ADF
Como selecionar o número adequado de defasagens a incluir na regressão?
I Uma possibilidade é começar com um número de defasagens relativamente
alto, pmax . Estima-se a regressão com esse número de defasagens e, se a

estatística t na defasagem pmax for não signicante para algum valor crítico
especicado, reestima-se a equação usando um número de defasagens
(pmax − 1). Esse processo é repetido até que a defasagem seja
estatisticamente diferente de zero.
I Também é possível escolher o número de defasagens por meio dos critérios
de informação, como AIC e BIC.
I Um critério de escolha do pmax foi proposto por Schwert (1989), conforme a
seguinte fórmula: " 1 #
T 4
pmax = int 12
100
em que int(x) é a parte inteira de x.
I Em seguida, deve-se vericar se os resíduos se comportam como um ruído
branco. Deve-se plotar os resíduos para vericar se não há nenhuma
mudança estrutural, analisar o correlograma, e a estatística Q de Ljung-Box
não deve revelar nenhuma autocorrelação entre os resíduos.
Testes de Raiz Unitária: Teste de Phillips-Perron (1988)
Os testes de Dickey-Fuller assumem que os erros são estatisticamente

independentes e têm variância constante.
Por isso, ao usar essa metodologia, é preciso garantir que os erros sejam não
correlacionados e tenham variância constante.
Phillips e Perron (1988) desenvolveram uma generalização do teste ADF com

hipóteses mais brandas sobre os termos de erro.
Eles aplicam um procedimento de correção não paramétrico nas estatísticas de

teste.
As equações estimadas e as respectivas estatísticas associadas são:

∆yt = γyt−1 + et (zt ) (11)
∆yt = α0 + γyt−1 + et (ztµ ) (12)
∆yt = α0 + γyt−1 + α2 t + et (ztτ ) (13)
em que et é um processo estacionário.

O teste de Phillips-Perron consiste em estimar uma (ou mais) das equações acima
por MQO e obter a estatística de Dickey-Fuller:
γ̂
τ̂ = .
ep
ˆ (γ̂)
Em seguida, estime a variância de longo prazo dos termos de erro, HAC:
M XT
2 X j
υ̂ 2 = σ̂ 2 + ω êt êt−j ,
T j=1 M + 1 t=j+1
em que: PT
ê2t
σ̂ 2 = t=1
T
é a variância da regressão;
M é a defasagem máxima das autocovariâncias. Denida de acordo com o critério
de Newey-West (1994);
ω(·) é uma função janela que pondera de forma distinta as autocovariâncias mais
distantes e as mais recentes. Os pacotes econométricos, em geral, usam a janela
de Bartlett: (
1 − |z|, se |z| < 1
ω(z) =
0, se |z| ≥ 1.
Calcule, então, a estatística de Phillips-Perron:

 
υ̂ 2 − σ̂ 2

σ̂ 1
ẑt = τ̂ − q 
υ̂ 2
υ̂ T −2 Tt=1 yt−12
P
Os valores críticos das estatísticas de Phillips-Perron são os mesmos dos testes DF.
O teste de Phillips-Perron pode ser aplicado a processos mistos (ARIMA), assim

como o teste ADF.

Teste KPSS: Teste de Estacionariedade
Em todos os testes discutidos até agora, H0 implica yt ∼ I(1).
Kwiatkowski, Phillips, Schmidt e Shin (1992) desenvolveram um teste em que
H0 : yt ∼ I(0) × H1 : yt ∼ I(1).
A ideia dos autores era de usar o teste complementando os testes de raiz unitária.
Esse teste é baseado na decomposição de Beveridge-Nelson, que mostra que um
processo de raiz unitária (I(1)) pode ser decomposto como a soma de uma
tendência temporal linear, um passeio aleatório e um processo estacionário:
yt = µ + δt + xt + εt
xt = xt−1 + ut , ut ∼ i.i.d(0, σu2 )
εt é um processo estacionário. Dena et ≡ xt + εt .
Hipóteses do teste:
H0 : σu2 = 0 × H1 : σu2 > 0
Se H0 é verdadeira, xt é constante e yt é composto por uma tendência temporal
linear, uma constante e um processo estacionário. Logo, yt é estacionário em torno
de uma tendência.
Para calcular a estatística do teste KPSS:

1 Estime por MQO:
yt = µ + δt + et
2 Calcule os resíduos dessa regressão:
êt = yt − µ̂ − δ̂t
3 Dena a soma dos resíduos como:
t
X
St = êj
j=1
4 Calcule a estatística do teste:

T
1 X St2
KP SS = ,
T 2 t=1 υ̂ 2
υ̂ 2 é a variância de longo prazo, como denida no teste de Phillips-Perron.

Se yt é I(1), o numerador da estatística KPSS vai crescer sem limites, o que faz a
estatística se tornar bastante grande.
Logo, rejeitamos H0 se o valor calculado da estatística for maior do que o valor

tabelado.
As estatísticas mudam conforme o modelo não inclui constante ou tendência (η ),

se inclui apenas constante (ηµ ) e se inclui constante e tendência (ητ ).

Testes de Raiz Unitária: Testes da Nova Geração
Existe uma nova geração de testes de raiz unitária com bom poder:
1 Teste DF-GLS, de Elliott, Rothenberg e Stock (1996);
2 Teste de Ng e Perron (2001).

Processos Estocásticos Não Estacionários

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Processos Estocásticos Não Estacionários

Enviado por

Direitos autorais:

Formatos disponíveis

Econometria I

Processos Estocásticos Não Estacionários

Paula Tófoli (UCB) Econometria I 1 / 38

yt segue um passeio aleatório se

Podemos obter a solução dessa equação pelo método de iteração. Se y0 é uma

Paula Tófoli (UCB) Econometria I 2 / 38

= V ar(u1 ) + V ar(u2 ) + · · · + V ar(ut )

Paula Tófoli (UCB) Econometria I 4 / 38

O resultado anterior é um resultado importante para se detectar séries não

Para as primeiras autocorrelações, o tamanho da amostra t será grande em relação

Para um passeio aleatório, a função de autocorrelação tem um decaimento lento.

No estágio de identicação da metodologia de Box e Jenkins, um decaimento lento

Paula Tófoli (UCB) Econometria I 5 / 38

Função de previsão do passeio aleatório: Dadas as t primeiras ocorrências de {ut },

Paula Tófoli (UCB) Econometria I 6 / 38

Erro de previsão h-passos a frente:

Variância do erro de previsão:

A variância do erro de previsão tende a innito conforme h → ∞. Esse resultado

Paula Tófoli (UCB) Econometria I 7 / 38

I A tendência determinística, α0 t: é uma tendência temporal linear que captura

uma tendência crescente/decrescente sustentada.

Paula Tófoli (UCB) Econometria I 8 / 38

A média não é constante.

Paula Tófoli (UCB) Econometria I 9 / 38

Projetamos a mudança determinística h vezes no futuro.

Paula Tófoli (UCB) Econometria I 10 / 38

Conhecer a forma da tendência é importante para poder aplicar a transformação

Existem dois métodos usuais para se eliminar a tendência:

I Detrending: tirar a tendência determinística.

Paula Tófoli (UCB) Econometria I 11 / 38

Considere a solução do passeio aleatório com drift:

Tomando a primeira diferença, obtemos:

A esperança incondicional de ∆yt é dada por:

Paula Tófoli (UCB) Econometria I 12 / 38

Logo, ∆yt é estacionária.

yt tem uma raiz unitária e torna-se estacionária após tomarmos a primeira

Paula Tófoli (UCB) Econometria I 13 / 38

Um processo {yt } com d raízes unitárias, cuja d-ésima diferença é um processo

Paula Tófoli (UCB) Econometria I 14 / 38

Considere os seguintes processos com tendências determinísticas:

yt = α0 + α1 t + α2 t2 + · · · + αn tn + ut (tendência temporal polinomial)

A forma mais apropriada de estacionarizar yt , nesse caso, é estimar a equação de

Paula Tófoli (UCB) Econometria I 15 / 38

Considere a equação de regressão:

Sintoma clássico: DW < R2 (DW é a estatística do teste de Durbin-Watson).

Nesse caso, as estimativas de MQO não são consistentes e os testes de inferência

Paula Tófoli (UCB) Econometria I 16 / 38

Assuma α0 = 0 e reescreva a equação (5) como:

Se yt e zt são gerados por (6) e (7), impondo as condições iniciais y0 = z0 = 0,

Os resíduos estimados da regressão espúria vão exibir um alto grau de correlação.

Paula Tófoli (UCB) Econometria I 17 / 38

Paula Tófoli (UCB) Econometria I 18 / 38

Inconveniente: O valor dessa estatística muda de acordo com a equação de

Dickey e Fuller consideraram três equações de regressão diferentes:

Dickey e Fuller (1981) forneceram três estatísticas F (φ1 , φ2 e φ3 ) para testar

No caso da equação (9), pode-se testar

No caso da equação (10),

é testada usando a estatística φ2 e

Paula Tófoli (UCB) Econometria I 21 / 38

Essas estatísticas são construídas da mesma forma, como testes F comuns:

Para valores grandes de φi (maiores do que os valores tabelados por Dickey e

Paula Tófoli (UCB) Econometria I 22 / 38

e testar H0 : α1 = 1 contra H1 : α1 < 1.

Paula Tófoli (UCB) Econometria I 23 / 38

No estágio de identicação da metodologia de Box e Jenkins, um decaimento lento

A variância do erro de previsão tende a innito conforme h → ∞. Esse resultado

υ̂ 2 é a variância de longo prazo, como denida no teste de Phillips-Perron.