PLANO DE ENSINO

1. IDENTIFICAÇÃO:
CURSO: Mestrado e Doutorado em Economia de Empresas SEMESTRE/ANO: I/2023
COMPONENTE CURRICULAR: Econometria I c/h: 60
PROFESSOR(A): Dra. Paula Virgínia Tófoli
E-MAIL: paula.tofoli@p.ucb.br

2. EMENTA
Introdução à análise econométrica. Modelo de regressão linear clássico. Violação das hipóteses clássicas.
Estimação com variáveis instrumentais. Mínimos quadrados generalizados. Modelo de dois estágios.
Modelo de três estágios. Estimador de máxima verossimilhança. Processos estocásticos. Modelagem
univariada de processos estacionários. Modelos ARCH e GARCH. Raiz unitária. Quebra estrutural. Análise de
cointegração. Modelos VAR e VEC. Exogeneidade. Sistema de equações simultâneas. Modelos SUR.
Causalidade de Granger. Dados em Painel.

3. CONTRIBUIÇÃO PARA A FORMAÇÃO DO EGRESSO

Esta disciplina fornece aos alunos uma abordagem teórica dos métodos econométricos básicos, a fim de
capacitá-los para o entendimento de futuros desenvolvimentos na teoria econométrica e na aplicação de
tais técnicas em estudos empíricos. Este curso pressupõe conhecimentos básicos de Matemática
(especialmente cálculo diferencial e álgebra matricial) e Estatística (probabilidade, inferência estatística).

4. COMPETÊNCIAS E HABILIDADES
Compreender o emprego de métodos estatísticos e matemáticos da análise de regressão, visando testar
hipóteses, obter resultados empiricamente fundamentados e respaldar conclusões e tomadas de decisões
econômicas.
Fornecer o instrumental necessário para a estimação e análise econométrica de séries de tempo.
Estudar os testes diagnóstico e limitações da modelagem econométrica.
Mostrar os avanços recentes da econometria de séries temporais.
Utilizar softwares específicos de econometria de séries temporais.
Realizar aplicações práticas para a economia brasileira.

5. CONTEÚDO
 Modelo clássico de regressão linear múltipla.
 Estimador de Mínimos Quadrados Ordinários (OLS): Regressão de Mínimos Quadrados,
propriedades de pequenas e grandes amostras do estimador OLS.
 Inferência estatística no modelo de regressão linear.
 Variáveis instrumentais.
 Heterocedasticidade e correlação serial. Mínimos Quadrados Generalizados (GLS e FGLS).
 Sistemas de equações e os estimadores de dois e três estágios (2SLS e 3SLS).
 Estimador de máxima verossimilhança.
 Processos estocásticos.
  Modelagem univariada de processos estacionários: modelos ARMA.
 Processos não estacionários e raiz unitária.
 Modelo de vetor autorregressivo (VAR).
 Modelo de vetor de correção de erros (VECM).
 Modelos ARCH/GARCH.

6. AVALIAÇÃO
A avaliação dos estudantes será composta por duas provas e atividades supervisionadas, incluindo um
trabalho final com aplicação prática dos métodos econométricos estudados ao longo do semestre. A
distribuição dos pesos é dada por:
- Avaliação 1: 40% da nota final;
- Avaliação 2: 40% da nota final;
- Trabalho e atividades desenvolvidas ao longo da disciplina: 20% da nota final.
Aprovação requer média final igual ou superior a 7,0 pontos, em um total de 10,0. O aluno que obtiver
média final entre 4,0 e 7,0 pontos poderá fazer uma prova de recuperação, envolvendo todo o conteúdo da
disciplina para substituir a sua pior nota. A média final deve superar 7,0 pontos para a aprovação.

7. BIBLIOGRAFIA:
BÁSICA:
ENDERS, W. Applied Econometric Time Series. Wiley, 3a ed., 2009.
GREENE, W. Econometric Analysis. Prentice Hall, 7th ed., 2011.
HAMILTON, J. D. Time series analysis. Princeton University Press, 1994.
LÜTKEPOHL, H.; KRÄTZIG, M. Applied Time Series Econometrics. Cambridge University Press, 2008.
LÜTKEPOHL, H. New Introduction to Multiple Time Series Analysis. Springer Publishing Company
Incorporated, 2005.
TSAY, R. S. Analysis of Financial Time Series. Wiley, 2010.
COMPLEMENTAR:
B BROCKWELL, P.; DAVIS, R. Time Series: Theory and Methods. Springer, 2a ed., 2009.
BROCKWELL, P.; DAVIS, R. Introduction to Time Series and Forecasting. Springer, 2a ed, 2010.
ERICSSON, N.; Irons, J. Testing Exogeneity. Oxford University Press, 1994.
HAYASHI, F. Econometrics. Princeton University Press, 2000.
RUUD, P. A. An introduction to classical econometric theory. Oxford Press, 2000.
WOOLDRIDGE, J. M. Introductory econometrics: a modern approach. Cengage Learning, 5a ed., 2012.

ACERVO DIGITAL:
Ipeadata.gov.br; bcb.gov.br; ibge.gov.br.

8. OBSERVAÇÕES
Eventuais ajustes no plano de ensino serão comunicados com a devida antecedência em sala de aula.
 Plano de Trabalho Semestral
Aula Data Conteúdo/Tema Metodologia/Recursos/Avaliação Atividades Supervisionadas
Indicar a Indicar o conteúdo a ser abordado na aula Relacionar os procedimentos metodológicos Descrever as atividades supervisionadas da
data em com vistas ao desenvolvimento das e os recursos a serem utilizados durante a aula e como será feito o registro no
que competências e habilidades indicadas e aula. Pode-se acrescentar uma pergunta Ambiente Virtual de Aprendizagem.
ocorrerá a observando a ementa do componente problematizadora do tema.
aula. curricular.
1. 06/03 Apresentação do plano de ensino. Modelo Apresentação e discussão do plano de Fórum de discussão: Dúvidas, comentários e
clássico de regressão linear múltipla. ensino. Discussão coletiva. Pergunta questionamentos sobre o plano de ensino.
Estimador de Mínimos Quadrados problematizadora: Como obter o estimador
Ordinários (OLS): Regressão de Mínimos dos parâmetros do modelo de regressão
Quadrados. linear pelo método OLS?
Definição de temas para o trabalho empírico
final.
2. 13/03 Estimador OLS: Qualidade do ajuste e Discussão coletiva. Perguntas Exercício: Modelo de regressão linear e o
análise de variância. Propriedades do problematizadoras: Como avaliar a estimador OLS. AVA (Atividades). Data de
estimador OLS em pequenas amostras. qualidade do ajuste do modelo estimado? entrega: 03/04.
Quais as propriedades de pequenas
amostras do estimador OLS?
3. 20/03 Propriedades do estimador OLS em Discussão coletiva. Perguntas Montagem de um banco de dados por
pequenas amostras. Propriedades do problematizadoras: Quais as propriedades aluno. Discussão das questões a serem
estimador de OLS em grandes amostras. de pequenas amostras do estimador OLS? resolvidas.
Quais as propriedades assintóticas do
estimador OLS?
4. 27/03 Testes de hipóteses no modelo de regressão Discussão coletiva. Como fazer inferência
linear. sobre os parâmetros do modelo de
regressão linear?
5. 03/04 Variáveis instrumentais. Discussão coletiva. Pergunta
problematizadora: Quais as consequências
da estimação por OLS na presença de
endogeneidade? Como corrigir o problema?
6. 10/04 Distúrbios não esféricos: Exercício: Variáveis instrumentais e modelo
heterocedasticidade e correlação serial. Discussão coletiva. Exercício prático, de regressão generalizado. AVA (Atividades).
Mínimos Quadrados Generalizados (GLS e utilizando software econométrico. Data de entrega: 24/04.
FGLS).
Discussão coletiva. Pergunta
problematizadora: Como corrigir os
problemas de heterocedasticidade e
correlação serial?
7. 17/04 Sistemas de equações e os estimadores de Discussão coletiva. Os alunos deverão se
dois e três estágios (2SLS e 3SLS). reunir para discutir os problemas de seus
trabalhos e buscar soluções cooperativas.
Apresentação de resultados preliminares.
8. 24/04 Primeira prova Gabarito da prova. AVA (Materiais para
Estudo).
9. 01/05 Recesso: Dia do Trabalho Não haverá aula.
10. 08/05 Processos estocásticos. Processos Discussão coletiva. Perguntas Entrega, em ambiente virtual, da primeira
autorregressivos de médias móveis (ARMA): problematizadoras: O que é um processo parte do trabalho, com análises de
propriedades estatísticas. estocástico ou processo aleatório? O que resultados preliminares.
são os processos autorregressivos de médias
móveis e quais as suas propriedades
estatísticas?
11. 15/05 Processos autorregressivos de médias Discussão coletiva. Pergunta Levantamento dos desafios a serem
móveis (ARMA): identificação e estimação. problematizadora: Como identificar e superados na segunda parte do trabalho
Previsão. estimar os modelos ARMA? empírico.

Exercício prático de identificação, estimação Exercício: Modelos ARIMA e testes de raiz

e diagnóstico de modelos autorregressivos, unitária. AVA (Atividades). Data de entrega:
utilizando software econométrico. 05/06.
12. 22/05 Processos não estacionários e testes de raiz Discussão coletiva. Pergunta
unitária. problematizadora: O que são processos não
estacionários e como testar a existência de
raízes unitárias em séries temporais?
13. 29/05 Processos não estacionários e testes de raiz Discussão coletiva. Pergunta
unitária. problematizadora: O que são processos não

14. 05/06 Vetor autorregressivo (VAR): estimação e
inferência. Causalidade de Granger. Funções
de impulso-resposta. Decomposição da
variância do erro de previsão.
15. 12/06 Vetor autorregressivo (VAR): estimação e
inferência. Causalidade de Granger. Funções
de impulso-resposta. Decomposição da
variância do erro de previsão.
16. 19/06 Vetor de correção de erros (VECM): teste de
cointegração de Engle-Granger. Modelo de
correção de erros. Teste de cointegração de
Johansen.
17. 26/06 Segunda prova.
estacionários e como testar a existência de
raízes unitárias em séries temporais?
Discussão coletiva. Perguntas Exercício: VAR e VECM. AVA (Atividades).
problematizadoras: Como estimar e fazer Data de entrega: 26/06.
inferência para os parâmetros do modelo
VAR? Como resumir as propriedades
dinâmicas do VAR por meio de análise
estrutural e fazer análise de políticas?
Discussão coletiva. Perguntas
problematizadoras: Como estimar e fazer
inferência para os parâmetros do modelo
VAR? Como resumir as propriedades
dinâmicas do VAR por meio de análise
estrutural e fazer análise de políticas?
Discussão coletiva. Perguntas Entrega, em ambiente virtual, do trabalho
problematizadoras: Como implementar o empírico desenvolvido, com estimações,
teste de cointegração de Engle-Granger? testes e análises.
Como corrigir o problema do VAR com
variáveis não estacionárias por meio do
VECM? Como estimar os vetores de
cointegração usando o teste de Johansen?
Gabarito da prova. AVA (Materiais para
Estudo).