Causalidade e Modelos VAR

CE 731 – Econometria II
Prof. Alexandre Gori Maia
Instituto de Economia - UNICAMP

Ementa
Estacionariedade
Teste de Causalidade de Granger
Modelos Vetoriais Autorregressivos (VAR)

Bibliografia
Gujarati, D. Econometria Básica, 2006, pp. 559-565; 682-685 (Cap. 17.14;
22.10).
Wooldridge, J. M. Introductory Econometrics, 2003, p. 625-628 (Cap.
18.5).
Séries Estacionárias
Séries estacionárias
Um processo estocástico Y é fracamente estacionário se sua média e sua
variância são constantes ao longo do tempo, e a covariância entre dois valores da série
depende apenas da distância no tempo que separa os dois valores, e não dos tempo
reais em que as variáveis são observadas. Em outras palavras, dizemos que a série
temporal Y é fracamente estacionária se:
E (Yt ) = µ (média constante)
Var(Yt ) = s 2 (variância constante)
Cov (Yt , Yt + s ) = Cov (Yt , Yt -s ) (covariância depende de s, e não de t)

Série estacionária Série não estacionária

Yt Yt

t t
Séries Estacionárias - Exemplos

Processo estacionário
Exemplo: Inflação mensal entre janeiro
de 2004 e dezembro de 2010.
A série variou aleatoriamente em torno
de uma média constante (0,42%), com
variância também constante.

Processo não estacionário

Exemplo: cotação internacinal do barril
de petróleo entre janeiro de 2004 e
dezembro de 2010.
A série varia aleatoriamente com médias
diferentes para cada período de tempo e 3
variância que tende a crescer
indefinidamente.
Séries Estacionárias em Diferença
•Séries não estacionárias podem se transformar em séries
estacionárias a partir de sua primeira diferença:
DYt = Yt - Yt -1
•Caso necessário, não estacionariedade da série transformada,
podem ser calculadas diferenças adicionais:

Dd Yt = Dd -1Yt - Dd -1Yt -1

4
Causalidade de Granger - Conceito
•Em séries temporais, eventos passados podem causar eventos
presentes. Mas eventos presentes não podem causar eventos
passados;
•Se X causa Y, então os valores passados de Xt-j contribuem
para determinar Yt, independente da contribuição dos valores
passados de Yt-j:

Yt = a + b1Yt -1 + b 2Yt -2 + ... + d1 X t -1 + d 2 X t -2 + ... + et

Y X

5
Causalidade de Granger - Definição
O teste de causalidade de Granger é uma maneira de verificarmos se uma
série temporal (X) ajuda a prever a outra série (Y), ou vice-versa.
Primeiro, seja a regressão autorregressiva para Y de ordem p (regressão
restrita): p
Yt = a + å b jYt - j + et SQRe gr e SQRe sr
j =1
Se X contribuir para prever Y, então o modelo irrestrito com os valores
passados de X acrescentará informações relevantes (significativas) na
previsão de Y:
p p
Yt = a + å b jYt - j + å d j X t - j + et SQ Re gir e SQ Re sir
j =1 j =1
Em outras palavras, devemos testar as hipóteses:
ìïH 0 : d1 = d 2 = ... = d p = 0
í
ïîH1 : d j ¹ 0
A estatística de teste será: 6
( SQ Re gir - SQ Re g r ) / p
F= ~ Fp,n-2 p -1
SQ Re sn-2 p -1
Causalidade de Granger - Exemplo
Sejam os dados trimestrais para consumo e renda bruta no
Brasil:
Como as séries dos
logaritmos da renda e
consumo são não
estacionárias, calculamos
suas primeiras diferenças
com o comando DIF.

Para ajustar o modelo:

3 3
ln(Consumot ) = a + å b j ln(Consumot - j ) + å d j ln( Rendat - j ) + et
j =1 j =1
O comando P define o número de
defasagens para Y; XLAG define as
defasagens para X e NOCURRENTX
exlcui o valor presente de X do modelo.
O comando CAUSAL realiza o teste de Granger para a
hipótese nula de que as variáveis do GROUP1 são 7
explicadas por elas mesmas, contra a hipótese alternativa
que as variáveis do GROUP2 contribuem para a previsão. A
estatística Wald apresenta interpretação semelhante à F.
Teste de Granger - Considerações
• As séries precisam ser estacionárias. Muitas vezes a primeira
diferença é suficiente para tornar as séries estacionárias;
• O teste de Granger é sensível à escolha do número de
defasagens. A escolha do número de defasagens pode ser feita
a partir de critérios de informação de Akaike ou de Schwarz;
• O conceito de causalidade de Granger é distinto daquele de
causalidade contemporânea, para dados de corte transversal;
• Podemos definir defasagens distintas para X e Y;
• Se X contribui para prever Y, dizemos que X Granger causa Y;
• Como não há, a priori, definição de quais variáveis são
endógenas ou exógenas, na prática, realizamos os teste de
causalidade nas duas direções, ou seja, se X causa Y e se Y
8
causa X;
Modelos VAR - Definição
•Modelos de previsão de séries temporais para duas ou mais
séries (vetor), sem distinção de endogeneidade ou
exogeneidade entre essas;
•Incorporam componentes autorregressivos e valores
defasados das demais séries:
p p
Yt = a + å b jYt - j + å d j Z t - j + et
j =1 j =1
p p
Z t = µ + å f j Z t - j + å q jYt - j + ut
j =1 j =1

9
Modelos VAR - Exemplo
Sejam os dados trimestrais para consumo e renda bruta no
Brasil. Para ajustarmos um modelo VAR(2) para as séries:
As séries lnrenda e lnconsumo
serão tratadas igualmente
(como endógenas e exógenas).
Essas são, inicialmente
diferenciadas (DIF). Serão
consideradas 2 defasagens para
Os resultados serão: os regressores em cada modelo
(P=2) e o arquivo de saída
conterá os valores previstos para
os próximos 4 trimestres
(LEAD=4).
Embora os coeficientes defasados da
variável Dlnrenda não sejam
individualmente significativos, é
necessários realizar um teste de 10
contribuição marginal para avaliar a
contribuição conjunta dos mesmos.
Exercício
1) O dataset WORKERS presente na pasta SASHELP apresenta
informações sobre o número de ocupados no setor elétrico
(electric, em mil ocupados) e na construção (masonry, em mil
ocupados).
a) Analise a relação de causalidade entre as séries para os
logaritmos das variáveis;
b) Ajuste um modelo VAR de previsão das séries;
c) Realize previsões de 12 períodos para as séries;

11
Exercício
2) O arquivo Dados_PrecoArroz.XLS contém informações sobre o
preço da saca de 30 kg de arroz no atacado em duas localidades:
São Paulo (PrecoSP) e Paraná (PrecoPR).
a) Analise a relação de causalidade entre as séries para os
logaritmos das variáveis;
b) Ajuste um modelo VAR de previsão das séries;
c) Realize previsões de 12 períodos para as séries;

12