Escolar Documentos
Profissional Documentos
Cultura Documentos
4 Autocorrelação
4 Autocorrelação
2021-2022
4. Autocorrelação
NOTA:
Os slides disponibilizados não dispensam a leitura e o estudo
dos conteúdos apresentados no livro.
CONTEÚDO
4. Autocorrelação
• 4.1. Natureza do problema
• 4.2. Propriedades dos estimadores OLS em presença
de autocorrelação
• 4.3. Testes de detecção de autocorrelação
• 4.4. Métodos de estimação
NOTA:
Os slides disponibilizados não dispensam a leitura e o estudo
dos conteúdos apresentados no livro.
4. Autocorrelação |4.1. Natureza do Problema
𝐻3 : 𝐶𝑜𝑣 𝑢𝑖 , 𝑢𝑗 = 0, ∀𝑖, 𝑗 = 1, 2, … , 𝑛; 𝑖 ≠ 𝑗
Acontece desde que haja pelo menos duas perturbações distintas cuja
covariância seja diferente de zero:
∃𝑖, 𝑗; 𝑖 ≠ 𝑗: 𝐶𝑜𝑣(𝑢𝑖 , 𝑢𝑗 ) ≠ 0
𝐸 𝑆𝛽2 ≠ 𝑉𝑎𝑟 𝛽መ
4. Autocorrelação |4.2. Propriedades dos
estimadores OLS em presença de autocorrelação
𝑢𝑡 = 𝜀𝑡 + 𝜃𝜀𝑡−1 , ∀𝑡
𝐸 𝜀𝑡 = 0, ∀𝑡
𝑉𝑎𝑟 𝜀𝑡 = 𝜎𝜀2
𝐶𝑜𝑣 𝜀𝑡 , 𝜀𝑡−1 = 0, ∀𝑡, 𝑠, 𝑠 ≠ 0
𝐸 𝑢𝑡 = 0, ∀𝑡
𝑉𝑎𝑟 𝑢𝑡 = 1 + 𝜃 2 𝜎𝜀2 , ∀𝑡
Resumindo
1 + 𝜃 2 𝜎𝜀2 , 𝑠𝑒 𝑠 = 0
𝐶𝑜𝑣 𝑢𝑡 , 𝑢𝑡−𝑠 =൞ 𝜃𝜎𝜀2 , 𝑠𝑒 𝑠 = ±1
0, 𝑠𝑒 𝑠 > 1, ∀𝑡, 𝑠 𝑖𝑛𝑡𝑒𝑖𝑟𝑜𝑠
4. Autocorrelação |4.2. Propriedades dos
estimadores OLS em presença de autocorrelação
𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝜀𝑡
𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝜀𝑡
𝑢𝑡 = 𝜌 𝜌𝑢𝑡−2 + 𝜀𝑡−1 + 𝜀𝑡
𝑢𝑡 = 𝜌2 𝑢𝑡−2 + 𝜌𝜀𝑡−1 + 𝜀𝑡
…
𝑢𝑡 = 𝜀𝑡 + 𝜌𝜀𝑡−1 + 𝜌2 𝜀𝑡−2 + ⋯ + 𝜌𝑘 𝑢𝑡−𝑘
𝐸(𝑢𝑡 ) = 0, ∀𝑡
𝜎𝜀2
𝑉𝑎𝑟(𝑢𝑡 ) = 𝜎𝑢2 , = , 𝑠𝑒 𝜌 < 1, ∀𝑡
1 − 𝜌2
Resumindo
Cov(𝑢𝑡 , 𝑢𝑡−𝑠 ) = 𝜌 𝑠 𝜎𝑢2 , ∀𝑡, 𝑠
4. Autocorrelação |4.2. Propriedades dos
estimadores OLS em presença de autocorrelação
MA(q)
𝑢𝑡 = 𝜀𝑡 + 𝜃1 𝜀𝑡−1 + 𝜃2 𝜀𝑡−2 + ⋯ + 𝜃𝑞 𝜀𝑡−𝑞
AR(p)
𝑢𝑡 = 𝜌1 𝑢𝑡−1 + 𝜌2 𝑢𝑡−2 + ⋯ + 𝜌𝑝 𝑢𝑡−𝑝 + 𝜀𝑡
ARMA(p,q)
𝑢𝑡 = 𝜌1 𝑢𝑡−1 + 𝜌2 𝑢𝑡−2 + ⋯ + 𝜌𝑝 𝑢𝑡−𝑝 + 𝜀𝑡 + 𝜃1 𝜀𝑡−1 + 𝜃2 𝜀𝑡−2 + ⋯ + 𝜃𝑞 𝜀𝑡−𝑞
4. Autocorrelação |4.2. Propriedades dos
estimadores OLS em presença de autocorrelação
• Métodos informais:
São métodos meramente indicativos baseados na natureza do problema e
em abordagens de análise gráfica
• Métodos formais:
São métodos baseados em testes de hipótese
4. Autocorrelação |4.3. Deteção de Autocorrelação
Métodos de deteção de autocorrelação:
• Métodos informais:
São métodos meramente indicativos baseados na natureza do problema e
em abordagens de análise gráfica
• Métodos formais:
São métodos baseados em testes de hipótese
4. Autocorrelação |4.3. Deteção de Autocorrelação
Análise gráfica
PACF parcial é semelhante a um FAC, exceto que cada correlação parcial controla
qualquer correlação entre observações de um desfasamentos de tempo menor.
4. Autocorrelação |4.3. Deteção de Autocorrelação
Análise gráfica - Correlogramas
Assim, o valor de um ACF e um PACF no primeiro desfasamento de
tempo é o mesmo, porque ambos medem a correlação entre dados no
tempo t com os dados no tempo t−1. No entanto, no segundo
desfasamento de tempo, o ACF mede a correlação entre dados no
tempo t com dados no tempo t−2, enquanto o PACF mede a mesma
correlação, mas depois de controlar a correlação entre os dados no
tempo t com os do tempo t−1.
4. Autocorrelação |4.3. Deteção de Autocorrelação
4. Autocorrelação |4.3. Deteção de Autocorrelação
4. Autocorrelação |4.3. Deteção de Autocorrelação
4. Autocorrelação |4.3. Deteção de Autocorrelação
Métodos de deteção de autocorrelação:
• Métodos informais:
São métodos meramente indicativos baseados na natureza do problema e
em abordagens de análise gráfica
• Métodos formais:
São métodos baseados em testes de hipóteses:
• Durbin-Watson
• Breusch-Godfrey
4. Autocorrelação |4.3. Deteção de Autocorrelação
Métodos de deteção de autocorrelação:
• Métodos informais:
São métodos meramente indicativos baseados na natureza do problema e
em abordagens de análise gráfica
• Métodos formais:
São métodos baseados em testes de hipóteses:
• Durbin-Watson
• Breusch-Godfrey
4. Autocorrelação |4.3. Deteção de Autocorrelação
Durbin-Watson:
𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝑢𝑡 , 𝑡 = 1, … , 𝑛
σ𝑛𝑡=2(𝑒𝑡 − 𝑒𝑡−1 )2
𝑑 = 𝐷𝑊 = 𝑛 2 → 𝑑 (𝑜𝑢 𝐷𝑊) ≈ 2 1 − 𝜌ො
σ𝑡=1 𝑒𝑡
𝑑𝑙 e 𝑑𝑢
que dependem da
ordem da matriz X,
isto é, de n e k (na
verdade de k’ = k-1).
4. Autocorrelação |4.3. Deteção de Autocorrelação
Se:
𝐻0: 𝜌 = 0
𝐻1: 𝜌 > 0
Valor de 𝒅 Decisão
Rejeitar H0 → conclui-se pela
𝑑 < 𝑑𝑙
existência de autocorrelação positiva
𝑑𝑙 < 𝑑 < 𝑑𝑢 O teste é inconclusivo
Não rejeitar H0 → inexistência de
𝑑 > 𝑑𝑢
autocorrelação do tipo AR(1)
4. Autocorrelação |4.3. Deteção de Autocorrelação
Se:
𝐻0: 𝜌 = 0
𝐻1: 𝜌 < 0
Valor de 𝒅 Decisão
Não rejeitar H0 → inexistência de
𝑑 < (4 − 𝑑𝑢 )
autocorrelação negativa do tipo AR(1)
(4 − 𝑑𝑢 ) < 𝑑 < (4 − 𝑑𝑙 ) O teste é inconclusivo
Rejeitar H0 → existência de
(4 − 𝑑𝑙 ) < 𝑑 < 4
autocorrelação negativa do tipo AR(1)
4. Autocorrelação |4.3. Deteção de Autocorrelação
Condições de aplicabilidade do teste:
• X é determinística;
• O que fazer?
• Apesar dos vários procedimentos que têm vindo a ser sugeridos,
vamos recorrer ao teste de Durbin Watson modificado/critério
alargado
4. Autocorrelação |4.3. Deteção de Autocorrelação
Teste de Durbin Watson modificado/critério alargado:
• Métodos informais:
São métodos meramente indicativos baseados na natureza do problema e
em abordagens de análise gráfica
• Métodos formais:
São métodos baseados em testes de hipóteses:
• Durbin-Watson
• Breusch-Godfrey
4. Autocorrelação |4.3. Deteção de Autocorrelação
Breusch-Godfrey:
𝐻0 : 𝜓1 = 𝜓2 = ⋯ = 𝜓𝑝 = 0
𝐻1 : ∃𝜓𝑗 ≠ 0, 𝑗 = 1,2, … , 𝑝
𝐵𝐺 = 𝑛𝑅2 ~𝜒 2 𝑝
Métodos:
• Sendo conhecido 𝜌
• Sendo desconhecido 𝜌
4. Autocorrelação |4.4. Métodos de Estimação
Foco no processo AR(1), sendo que alguns dos métodos descritos são
diretamente aplicáveis ou facilmente generalizáveis para outros tipos de
autocorrelação.
Métodos:
• Sendo conhecido 𝝆
• Sendo desconhecido 𝜌
4. Autocorrelação |4.4. Métodos de Estimação
Sendo conhecido 𝝆
1 −𝜌 0 ⋯ 0
1 −𝜌 1 + 𝜌2 −𝜌 … 0
−1
Ω = 0 −𝜌 1 + 𝜌2 … ⋮
1 − 𝜌2 ⋱ −𝜌
⋮ ⋮ ⋮
0 0 0 … 1 + 𝜌2
4. Autocorrelação |4.4. Métodos de Estimação
Sendo conhecido 𝝆
∗
𝑌𝑡∗ = 𝛽1∗ + 𝛽2 𝑋2𝑡
∗ ∗
+ 𝛽3 𝑋3𝑡 + ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝜀𝑡
∗ ∗
Onde: 𝑌𝑡∗ = 𝑌𝑡 − 𝜌𝑌𝑡−1 ; 𝑋2𝑡 = 𝑋2𝑡 − 𝜌𝑋2,𝑡−1 ; 𝑋3𝑡 = 𝑋3𝑡 − 𝜌𝑋3,𝑡−1 ;
1∗
𝛽
∗ መ
… ; 𝑋𝑘𝑡 = 𝑋𝑘𝑡 − 𝜌𝑋𝑘,𝑡−1 ; 𝛽1 = ; e 𝜀𝑡 = 𝑢𝑡 − 𝜌𝑢𝑡−1
1−𝜌
𝑌1∗ = 1 − 𝜌2 𝑌1
∗
𝑋𝑗1 = 1 − 𝜌2 𝑋𝑗1 , 𝑗 = 2,3, … , 𝑘
4. Autocorrelação |4.4. Métodos de Estimação
Foco no processo AR(1), sendo que alguns dos métodos descritos são
diretamente aplicáveis ou facilmente generalizáveis para outros tipos de
autocorrelação.
Métodos:
• Sendo conhecido 𝜌
• Sendo desconhecido 𝝆
• Método de Cochrane-Orcutt
• Método de Durbin
• Método de mínimos quadrados não lineares
• Estimador consistente de matriz de variâncias e covariâncias dos
estimadores OLS
4. Autocorrelação |4.4. Métodos de Estimação
Foco no processo AR(1), sendo que alguns dos métodos descritos são
diretamente aplicáveis ou facilmente generalizáveis para outros tipos de
autocorrelação.
Métodos:
• Sendo conhecido 𝜌
• Sendo desconhecido 𝝆
• Método de Cochrane-Orcutt
• Método de Durbin
• Método de mínimos quadrados não lineares
• Estimador consistente de matriz de variâncias e covariâncias dos
estimadores OLS
4. Autocorrelação |4.4. Métodos de Estimação
O Método de Cochrane-Orcutt realiza-se em dois passos:
1º passo:
• Estimar por OLS o modelo original
𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝑢𝑡
∗
𝑌𝑡∗ = 𝛽1∗ + 𝛽2 𝑋2𝑡
∗
+ ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝜀𝑡
∗ ∗
Onde 𝑌𝑡∗ = 𝑌𝑡 − 𝑌𝑡−1 ;𝑋2𝑡 = 𝑋2𝑡 − 𝜌𝑋ො 2,𝑡−1 ; 𝑋3𝑡 = 𝑋3𝑡 − 𝜌𝑋
ො 3,𝑡−1 ; … ;
𝑋𝑘𝑡∗
= 𝑋𝑘𝑡 − 𝜌𝑋 ො 𝑘,𝑡−1 ; e 𝛽መ1∗ = 𝛽መ1 1 − 𝜌ො ; e 𝜀𝑡 = 𝑢𝑡 − 𝜌𝑢𝑡−1
𝛽1∗
መ
𝛽1 = ; 𝛽መ2 , … , 𝛽መ𝑘 são obtidos diretamente do modelo transformado;
1−ෝ
𝜌
4. Autocorrelação |4.4. Métodos de Estimação
Nota:
Métodos:
• Sendo conhecido 𝜌
• Sendo desconhecido 𝝆
• Método de Cochrane-Orcutt
• Método de Durbin
• Método de mínimos quadrados não lineares
• Estimador consistente de matriz de variâncias e covariâncias dos
estimadores OLS
4. Autocorrelação |4.4. Métodos de Estimação
O Método de Durbin realiza-se em dois passos:
1º passo:
• Estimar por OLS a seguinte equação
𝑌𝑡 = 𝛽1∗ + 𝜌𝑌𝑡−1 + 𝛽2 𝑋2𝑡 + 𝛽2∗ 𝑋2,𝑡−1 + ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝛽𝑘∗ 𝑋𝑘,𝑡−1 + 𝜀𝑡
2º passo:
• Estimar por OLS do modelo transformado, usando a estimativa de 𝜌
obtida no passo anterior:
∗
𝑌𝑡∗ = 𝛽1∗ + 𝛽2 𝑋2𝑡
∗
+ ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝜀𝑡
∗ ∗
Onde 𝑌𝑡∗ = 𝑌𝑡 − 𝑌𝑡−1 ;𝑋2𝑡 = 𝑋2𝑡 − 𝜌𝑋ො 2,𝑡−1 ; 𝑋3𝑡 = 𝑋3𝑡 − 𝜌𝑋
ො 3,𝑡−1 ; … ;
∗
𝑋𝑘𝑡 = 𝑋𝑘𝑡 − 𝜌𝑋 ො 𝑘,𝑡−1 ; e 𝛽መ1∗ = 𝛽መ1 1 − 𝜌ො
1∗
𝛽
መ
𝛽1 = ; 𝛽መ2 , … , 𝛽መ𝑘 são obtidos diretamente do modelo transformado;
1−ෝ
𝜌
4. Autocorrelação |4.4. Métodos de Estimação
O Método de Durbin tem a vantagem da simplicidade
Desvantagens:
• Pode-se obter 𝜌ො ≥ 1 no 1º passo
• A regressão auxiliar pode não ser exequível. Só o é se 𝑛 − 1 > 2𝑘
• Ignora que 𝛽𝑗∗ = −𝜌𝛽𝑗 no primeiro passo
4. Autocorrelação |4.4. Métodos de Estimação
Foco no processo AR(1), sendo que alguns dos métodos descritos são
diretamente aplicáveis ou facilmente generalizáveis para outros tipos de
autocorrelação.
Métodos:
• Sendo conhecido 𝜌
• Sendo desconhecido 𝝆
• Método de Cochrane-Orcutt
• Método de Durbin
• Método de mínimos quadrados não lineares
• Estimador consistente de matriz de variâncias e covariâncias dos
estimadores OLS
4. Autocorrelação |4.4. Métodos de Estimação
O Método de mínimos quadrados lineares
𝑛
2
min 𝑌𝑡 − 𝑓መ𝑡
1 ,𝛽
𝛽 2 ,…,𝛽
𝑘 ,ෝ
𝜌
𝑡=2
Onde 𝑓መ𝑡 = 𝛽መ1 1 − 𝜌ො + 𝜌𝑌
ො 𝑡−1 + 𝛽መ2 𝑋2𝑡 − 𝜌𝑋
ො 2,𝑡−1 + ⋯ + 𝛽መ𝑘 ൫𝑋𝑘𝑡 −
𝜌𝑋
ො 𝑘,𝑡−1 ൯
Métodos:
• Sendo conhecido 𝜌
• Sendo desconhecido 𝝆
• Método de Cochrane-Orcutt
• Método de Durbin
• Método de mínimos quadrados não lineares
• Estimador consistente de matriz de variâncias e covariâncias
dos estimadores OLS
4. Autocorrelação |4.4. Métodos de Estimação
Estimador consistente de matriz de variâncias e covariâncias dos
estimadores OLS