Cointegração

Gujarati (2006)
 Uma análise estrutural
• Regressões envolvendo séries de tempo incluem a probabilidade de se obter
resultados espúrios ou duvidosos.
• O exemplo a seguir tem como objetivo estimar uma função consumo agregado
para o Brasil, no período de 1991 a 2011 com dados trimestrais. Para tal, utilizou-
se os dados referentes ao consumo das famílias e à renda nacional bruta,
deflacionados pelo IGP-DI.
 DependentVariable: CONSUMO
Method: LeastSquares
Date: 04/12/12Time: 15:19
Sample: 1991Q1 2011Q4
Includedobservations: 84

Variable Coefficient Std. Error t-Statistic Prob.

C 80252.82 16915.04 4.744466 0.0000

RENDA 0.534648 0.022611 23.64510 0.0000

R-squared 0.872093 Meandependent var 473198.1

Adjusted R-squared 0.870533 S.D. dependent var 80327.97
S.E. ofregression 28903.21 Akaikeinfocriterion 23.40481
Sum squaredresid 6.85E+10 Schwarz criterion 23.46269
Log likelihood -981.0022 F-statistic 559.0909
Durbin-Watson stat 0.546251 Prob(F-statistic) 0.000000

Os resultados são fantásticos, exceto pelo DW que assume um valor baixo. Valores elevados para o R2 e
valores baixos para o DW são uma boa indicação para regressão espúria. Em geral se R2>DW tem-se a
indicação de regressão espúria ou resultados duvidosos.
1100000

1000000

900000

800000

700000

600000

500000

400000

300000
92 94 96 98 00 02 04 06 08 10

CONSUMO RENDA

Percebe-se que as séries estão tendendo para cima ao mesmo tempo

 Uma análise estrutural
• Agora, analisando a estacionariedade das séries de consumo e renda:

Null Hypothesis: CONSUMO has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 3 (Automatic based on SIC, MAXLAG=11)
Null Hypothesis: D(CONSUMO) has a unit root
Exogenous: None
Lag Length: 2 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.* t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.233109 0.8964 Augmented Dickey-Fuller test statistic -4.608673 0.0000
Test criticalvalues: 1% level -4.076860 Test criticalvalues: 1% level -2.594189
5% level -3.466966 5% level -1.944915
10% level -3.160198 10% level -1.614114

Null Hypothesis: D(RENDA) has a unit root

Null Hypothesis: RENDA has a unit root
Exogenous: Constant, Linear Trend Exogenous: None
Lag Length: 8 (Automatic based on SIC, MAXLAG=11) Lag Length: 3 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.* t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.819892 0.6853 Augmented Dickey-Fuller test statistic -3.513095 0.0006
Test criticalvalues: 1% level -4.085092 Test criticalvalues: 1% level -2.594563
5% level -3.470851 5% level -1.944969
10% level -3.162458
10% level -1.614082
 Uma análise estrutural
• Tem-se que ambas as séries não são estacionárias em nível. Contudo, elas são
estacionárias em primeira diferença.
• Quando se regride uma série não estacionaria em função de outra não estacionária
os testes t e F não são confiáveis.
• Dessa forma, uma alternativa seria estimar o modelo acima utilizando as variáveis
na sua primeira diferença:
∗
• O problema é que estimar a regressão utilizando a primeira diferença da Renda e
do Consumo pode nos levar a cometer um equivoco.
• A teoria econômica fala da relação entre Consumo e Renda, ou em geral, da
relação de variáveis em nível.
• Ao regredir as primeiras diferenças podemos perder uma valiosa informação a
respeito da relação entre as variáveis dado pelo seu valor em nível.
120000

80000

40000

-40000

-80000

-120000
92 94 96 98 00 02 04 06 08 10

DCONSUMO DRENDA
 Uma análise estrutural
• Para entender veja novamente os gráficos das variáveis em nível e em primeira
diferença. No nível, Consumo e Renda parecem estar tendendo para cima de forma
estocástica, elas parecem tender ao mesmo tempo.
• Essa sincronia é a ideia intuitiva por trás do conceito de cointegração.
• Contudo, a relação entre as variáveis em primeira diferença indicaria apenas uma
relação de curo prazo. O gráfico com as variáveis em primeira diferença mostra isso.
• Contudo, nada impede que os erros da regressão, refletindo a relação em nível das
variáveis, sejam estacionários. Nesse caso, diz-se que as séries de Consumo e de
Renda são cointegradas.
 Preço da carne
bovina de curto
prazo (MG)

Preço da
Preço da carne carne Preço da carne
bovina de curto bovina de bovina de curto
prazo (MT) longo prazo (SP)
prazo

Preço da carne
bovina de curto
prazo (MS)
 Teste de Cointegração
• A cointegração das séries pode ser testada de duas formas. Primeiro pode ser
estimada a regressão com as variáveis em nível e verificado se os erros dessa
regressão são estacionários.
• Segundo pode-se realizar o teste cointegração de Johansen.
 Teste de Cointegração
• Repetindo o modelo anterior:

• Podemos isolar o resíduo do modelo:

• Perceba agora que o resíduo é escrito como uma combinação linear entre o
Consumo e a Renda.
• Lembre-se que:
• Se e , então se é uma combinação linear de e , ∗
∗
com .
• Ou seja, Se e , e dizemos que Consumo e
Renda estariam na mesma onda. Quando isso acontece, as tendencias de Consumo
e Renda se anulam no longo prazo.
 Teste de Cointegração
• O teste de Engle-Granjer consistem em aplicar o teste ADF no resíduo da regressão. Caso
os erros seja estacionários dizemos que é chamado de vetor de cointegração.

Null Hypothesis: RES has a unit root

Exogenous: None
Lag Length: 4 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.800560 0.0684

Test criticalvalues: 1% level -2.594563
5% level -1.944969
10% level -1.614082
 Teste de Cointegração
• O teste de Johansen
• Testa a existência de combinações lineares estatisticamente significativas
(estáveis) entre as variáveis, ou seja, a presença de vetores de cointegração.
• Se há 3 variáveis pode-se obter até 3 vetores de cointegração.
• Decisão:
• não há vetores de cointegração e as variáveis não são cointegradas.
A opção é trabalhar com as estimações em primeira diferença, se limitando a
análises de curto prazo;
• há vetores de cointegração significativamente estáveis. Gerar
um modelo de correção de erros;
• qualquer combinação linear é estácionária.
 Mecanismo de Correção de Erros (MEC)
• Assumindo que há uma relação de longo prazo entre as variáveis Consumo e
Renda, ou seja, elas são cointegradas.
• O resíduo da regressão pode ser tratado como um “erro para o equilíbrio”;
• Utilizamos esse erro para ligar o comportamento do consumo de curto prazo com
o de longo prazo;
• O MCE corrige o desequilíbrio. Temos:

• Estimamos:
∗

• Relaciona-se a variação do Consumo com a variação da Renda e com o erro que

irá corrigir os desiquilíbrios de curto para o longo prazo.
 Mecanismo de Correção de Erros (MEC)
• Nessa regressão, captura as perturbações de curto prazo;
• ∗ corrige os desequilíbrio que ocorrem entre o curto e o longo prazo a cada
período;
• Se for estatisticamente diferente de zero, possuir sinal negativo e estiver no
intervalo ele nos mostra qual a proporção do Consumo em um
período é corrigido no período seguinte.
• Alterações de curto prazo na renda têm efeitos significativos sobre o consumo;
• 0,19 da discrepância entre o valor efetivo e o valor de longo prazo, ou de equilíbrio, do consumo são
corrigidas a cada trimestre;
• Quanto maior o parâmetro referente ao erro defasado mais rápido ocorre as correções para o equilíbrio;
• É importante salientar que se as séries são co-integradas o parâmetro do erro deve ser significativo, negativo
e inferior à unidade.

DependentVariable: D(CONSUMO)
Method: LeastSquares
Date: 04/12/12Time: 16:04
Sample (adjusted): 1991Q2 2011Q4
Includedobservations: 83 afteradjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 2135.421 1777.948 1.201060 0.2333

D(RENDA) 0.259582 0.040831 6.357431 0.0000
RES(-1) -0.189427 0.062551 -3.028379 0.0033

R-squared 0.351774 Meandependent var 3870.184

Adjusted R-squared 0.335569 S.D. dependent var 19635.54
S.E. ofregression 16005.45 Akaikeinfocriterion 22.23472
Sum squaredresid 2.05E+10 Schwarz criterion 22.32215
Log likelihood -919.7409 F-statistic 21.70692
Durbin-Watson stat 2.071277 Prob(F-statistic) 0.000000