Modelos Multivariados de ST

João Eustáquio de Lima (XXXX)

Capítulo 7
Modelo de Auto-regressão Vetorial (VAR)
• Extensão de modelos auto-regressivos.
• Contém duas dimensões:
• Número de variáveis = k
• Número de defasagens = p
• Considere , e e p = 1. Um VAR(1)
Modelo de Auto-regressão Vetorial (VAR)
• Na forma matricial:

• Que também pode ser escrito como:

• Note as relações dinâmicas:

• representa o efeito de sobre , controlando por e .
• representa o efeito de sobre , dado e .
• Um choque em através de tem efeito contemporâneo em . No
período seguinte este efeito afeta e através de
.
• Se o modelo é estacionário, o efeito destes choques desaparecem após
alguns períodos.
Modelo de Auto-regressão Vetorial (VAR)
• Considerando um VAR(2):

• Em sua forma matricial:

Modelo de Auto-regressão Vetorial (VAR)
• O modelo pode ser expandido para k variáveis e para p defasagens,
um VAR(p):

• O vetor de erros apresenta e matriz de variância e

covariâncias igual a . A equação pode ser utilizada
apresentando o operados de defasagens, tal como em modelos
univariados.

• é um polinômio matricial de ordem p e L.

Modelo de Auto-regressão Vetorial (VAR)
• Cada equação pode ser estimada por MQO, sendo os estimadores
não tendenciosos e consistentes.
• Todas as variáveis são consideradas endógenas e são inseridas no var
de acordo com a teoria econômica.
• Pode acomodar variáveis exógenas e termos determinísticos.
Modelo de Auto-regressão Vetorial (VAR)
• Estabilidade:
• Se caracteriza pelo fato dos choque, sofrido pelas variáveis contidas no VAR,
se dissiparem ao longo do tempo. O Modelo, após sofrer uma perturbação
retornaria ao seu equilíbrio original.
• Considere:

Equação característica

• Para que haja estabilidade, as kp raízes da equação característica

devem ser maiores do que a unidade em módulo.
Modelo de Auto-regressão Vetorial (VAR)
• Em um modelo estável:
• Os efeitos do choques desaparecem ao longo do tempo;
• Os impactos dos choques são finitos e calculáveis;
• Um modelo estável é estacionário.
• Exemplo:
• Considere um VAR (1) com duas variáveis.
Modelo de Auto-regressão Vetorial (VAR)
• A equação característica é definida resolvendo o seguinte
determinante:
Modelo de Auto-regressão Vetorial (VAR)
• Como pode ser observados, todas as raízes são maiores do que a
unidade em módulo, indicando a estabilidade do VAR(1).
• Baseado na estabilidade do VAR, procede-se da seguinte fora:
• Se o VAR é estacionário (estável) procede-se com a estimação das variáveis
em nível;
• Se o VAR não é estacionário é preciso fazer uma análise de cointegração;
• Se as varáveis nã são estacionários, mas cointegradas, deve-se estimar um modelo de
correção de erros vetorial (VEC);
• Se as variáveis não são cointegradas, ajustar o VAR para as variáveis em primeira
diferença.
Modelo de Auto-regressão Vetorial (VAR)
• Estimação:
• Definição da ordem do VAR:
• Podemos utilizar os critérios de seleção de Akaike (AIC) e de Schwartz (SIC), já
apresentados anteriormente. Também pode-se utilizar o critério de Hannan-Quinn (HQ).
Os critérios são apresentados abaixo, considerando as matrizes de covariância dos erros:
Modelo de Auto-regressão Vetorial (VAR)
• Estimação:
• Testes de Avaliação do Modelo:
• Testes de Autocorrelação: o teste de Breusch-Godfrey.
• É um teste de Multiplicador de Lagrange. Estima-se um VAR auxiliar dos resíduos em função
das variáveis e dos resíduos, tudo defasado.

Erro do Modelo Irrestrito

• Etapas do teste:
• Estima-se o VAR definido para os resíduos estimados (apresentado acima);
• Estima-se um VAR restrito em que , isto é, os erros não são auto-
correlacionados.

Erro do Modelo Restrito

• Construa matrizes de variância e covariância dos resíduos e
Modelo de Auto-regressão Vetorial (VAR)
• Estimação:
• Testes de Avaliação do Modelo:
• Testes de Autocorrelação: o teste de Breusch-Godfrey.

• Calcula-se a estatística do Teste:

Modelo de Auto-regressão Vetorial (VAR)
• Estimação:
• Testes de Heterocedasticidade Condicional: