Econometria III Processos Estocsticos e Suas Propriedades no Domnio do Tempo (I)

Srgio Kannebley Jr.

2011

Estrutura da Apresentao

Conceitos bsicos Momentos do processo estocstico Funes de autocovarincia e autocorrelao Processos autoregressivos mdia mveis (ARMA) Processos autoregressivos (AR) Estacionariedade do modelo de p-sima ordem Funes de autocovarincia e autocorrelao Processos Mdia Mvel (MA) Funes de autocovarincia e autocorrelao Processos mistos: ARMA(p,q) Funes de autocovarincia e autocorrelao Fatores comuns

Srie temporal: consiste basicamente de um conjunto de observaes sobre uma varivel, y , tomado em espao igualmente distribudo no tempo.

H dois aspectos no estudo de sries de tempo: anlise e modelagem. O objetivo da anlise sumarizar suas propriedades e caracterizar suas expresses mais destacadas.
Domnio do tempo:

tempo.

foco nas relaes em diferentes pontos do movimentos cclicos so estudados.

Domnio da frequncia:

Modelagem

Previso. Formula relaes comportamentais.

Se as observaes so independentes, a mlehor previso para o instante T + 1 yT +1 = .

As observaes no so independentes umas das outras. Seus valores esto prximos de valores adjacentes (correlao
serial)

Captar o padro de correlao serial pode melhorar a previso. Um processo estocstico pode ser denido como uma coleo de variveis aleatrias que so ordenados no tempo.

Exemplo

Processo mdia mvel de 1a ordem

yt = t + t 1 , t = 1, . . . , T
2 Em que iid (0, ) e o parmetro.

(1)

possvel obeter um conjunto innito de realizaes no perodo t = 1, . . . , T . Portanto o modelo efetivamente dene uma distribuio conjunta de variveis y1 , . . . , yT .

Momentos do processo estocstico

mdia:

t = E (yt ), p/ t = 1, . . . , T

(2)

. Mdia do valor de yt sobre todas as possveis realizaes.

varincia: covarincia:

var (yt ) = E (yt t )2 , p/ t = 1, . . . , T

(3) (4)

cov (yt , yt ) = E [(yt t )(yt t )], p/ t = 1, . . . , T

 necessrio impor restries ao DGP. Para um processo ser

1. 2. 3.
fracamente estacionrio,

necessrio:
(5) (6) (7)

E (yt ) =
2 E [(yt )2 ] = y = (0)

E [(yt )(yt )] = (), = 1, 2, . . .

para todo t .

Contrapartidas amostrais
1. 2. 3.
() = C () = T 1
T t =+1

= y = T 1 yt
1

(8) (9)

(0) = C (0) = T 1 (yt y )2

1

(yt y )(yt y ), = 1, 2, . . .

(10)

condio mais forte, pela qual a distrib. conjunta de probab. de um conjunto de r observaes em instantes t1 , t2 , . . . , tr a mesma de um conjunto de observaes

Estrita estacionariedade:

t1+ , t2+ , t3+ , . . . , tr +

Exemplo: Processo covarincia estacionrio white noise (t )

E (t ) = 0 E (t , t ) =

=0 =0

(11)

Funes de autocovarincia e autocorrelao

Grco de () x : funo de autocovarincia. Se o processo estacionrio

E [(yt )(yt )] = E [(yt + )(yt )]

Isto : () = (). Padronizao: autocorrelao (por denio (0) = 1)
() = () , = 0, 1, 2, . . . (0)

(12)

(13)

Exemplo: MA(1)
= E (t ) + E (t 1 ) = 0
2 1. (0) = (1 + 2 )

(14)

2. (1) = 2 3. () = 0

Portanto,
(1) =

(1) 2 = = 2 ) 2 (0) (1 + (1 + 2 )

Exemplo: para = 0, 5
(1) =

0, 5 = = 0, 4 (1 + 2 ) (1 + 0, 25)

se

<0 >0

(1) < 0 (1) > 1

O correlograma:
(0) = C (0) = T 1 (yt y )2
1
T

(15) (16)

(T ) = C () = T 1

+1

(yt y )(yt y ),

= 1, 2, 3, . . .

Ento,

r () =

C () , C (0)

= 1, 2, 3, . . .

(17)

Sujeitas variabilidade amostral. Ferramenta de anlise das sries temporais.

Processos autoregressivos mdia mveis (ARMA)

Uma classe geral de processos estocsticos pode ser formada introduzindo um no innito de defasagens em uma mdia mvel:

yt = J t J
J =0

(18)

Em que 0 , 1 , 2 , . . . so parmetros A condio 0 2 < deve ser imposta a m de assegurar que o j= J processo tenha varincia nita. Em alguns casos uma condio mais forte necessria: |J | < 0

yt = J t j : processo no determinado ou linear; 0

t independente.

E (t t ) = 0 E (t |It 1 ) = 0 f (t t J ) = f (t )f (t J )
(ARMA(p,q)) escrito (19)

Um processo como:

autorregressivo mdia mvel

yt = 1 yt 1 + + p yt p + t + 1 t 1 + + q t q

Usando:

(L) = 1 1 L p Lp (L) = 1 + 1 L + + q Lq (L)yt = (L)t

(20) (21) (22)

Processos autoregressivos (AR)

AR(p): yt = 1 yt 1 + 2 yt 2 + + p yt p + t Caso mais simples: AR(1) yt = 1 yt 1 + , t = 1, 2, . . . , T Substituindo recursivamente, temos

yt = J t j + J yt j
0 Parte MA

J 1

Tratando yt j como um nmero xo:

E (yt ) = E J t j
0

J 1

+ E ( J yt j ) = J yt J

Se | | < 1 este valor vai se tornando negligencivel medida que o tempo vai passando.

Seja o processo AR(2) dado por

yt = 1 yt 1 + 2 yt 2 +
Determinista

t
Estocstica

t = 1, . . . , T

Ento sua estacionariedade dada por:

yt (1 1 L 2 L2 ) = t yt = (L)1 t = (L)t
com

(L) = (1 1 L 2 L) (L) = 0 + 1 L + 2 L2 + + L + . . .

Ento

(L)(L) = 1 (1 1 L 2 L )(0 + 1 L + 2 L + . . . ) = 1
2 2

(23) (24) (25)

Chegando a seguinte expresso geral

J 1 J 1 2 J 2 = 0,

J 2

Note que uma equao em diferena, da mesma forma que:

yt 1 yt 1 2 yt 2 = 0

(26)

Estacionariedade do modelo de p-sima ordem

O modelo AR(p) ser estacionrio se as razes caractersticas da equao x p 1 x p1 p = 0 (27) se encontrarem dentro do crculo unitrio; ou se 1 1 L p Lp = 0 tiver suas razes fora do crculo unitrio. (28)

Funes de autocovarincia e autocorrelao

Quando | | < 1,

yt = yt 1 + t E (yt ) = 0 var (yt ) =

2

(29) (30) (31)

12
1
j =0

A autocovarincia de ordem dada por:

() = E (yt yt ) = E [( yt +

J t )yt ]

(32)

Que se reduz a

() = E (yt2 ) = (0)

(33)

Mtodo alternativo de derivao

() = E (yt yt ) = E (yt 1 yt ) + E (t yt ) () = ( 1), = 1, 2, . . .

(34) (35) (36)

Logo
() = () funo de autocorrelao (0)

Para um modelo AR(2), temos

() = 1 ( 1) + 2 ( 2) (1) = 1 + 2 (1) (1) =

(37) (38) (39) (40) (41) (42)

1 2

(0) = 1 (1) + 1 (2) + 2

1 = 1 (1) + 2 (2) +
(0) =

2 (0)

2 1 1 (1) 2 (2)

Generalizando para um processo AR(p)

() = 1 ( 1) + + p ( p ), = 1, 2, . . .

(43)

e
(0) =

2 1 1 (1) p (p )

(44)

Processos Mdia Mvel (MA)

Um processo MA(q) pode ser escrito como:

yt = t + 1 t 1 + 2 t 2 + + q t q

(45)

Um processo MA() do tipo yt = J t J tem varincia nita se 0 2 =0 J < . J Assim

E (yt2 ) = E (t + 1 t 1 + 2 t 2 + + q t q )
=
2 2 2 2 (1 + 1 + 2 + + q )

(46) (47)

Funes de autocovarincia e autocorrelao

As funes de autocovarincia so dadas por:

() = ( + 1 +1 + + q q ) 2

= 1, 2, . . . , q >q

(48)

Inversibilidade:

yt = t + 1 t 1 yt 1 = t 1 + 1 t 2 yt = t + 1 (yt 1 1 t 2 )

(49) (50) (51)

E assim sucessivamente...

yt = yt 1 2 yt 2 ( )J yt J + t ( )J +1 t J 1
Ou ento

(52)

yt = (1 ( L))t yt = ( )J yt J + t
j =1

(53) (54)

Um modelo MA(1) com | | > 1 no inversvel, ainda que seja estacionrio

Sua funo de autocorrelao:

(0) = (1 + 2 ) 2 (1) = 2 (2) = 0

(55) (56) (57) (58) (59) (60)

J .

Assim

(0) = 1 (1) = 1+2

(2) = 0

Se | | > 1 no haver representao AR: limj

Em termos gerais: inversibilidade requer quer as razes de (L) encontrem-se fora do crculo unitrio.

Processos mistos: ARMA(p,q)

(L)yt = (L)t
Estacionariedade: Inversibilidade:

(61)

Razes de (L) fora do crculo unitrio.

Razes de (L) fora do crculo unitrio.

Exemplo: ARMA(1,1)

yt = yt 1 + t + t 1 , t = 1, . . . , T yt =
1L

(62) (63) (64)

1L

t 1

yt = t + ( J 1 + J )t J
0

Funes de autocovarincia e autocorrelao

E (yt yt ) = E (yt 1 yt ) + E (t yt ) + E (t 1 yt ) () = ( 1) + E (t yt ) + E (t 1 yt )
= 0, 1, 2, . . .

(65) (66)

Se > 1,

E (t yt ) = 0 E (t 1 yt ) = 0

. Quando = 0,

E (t yt ) = 2 E (t 1 yt ) = ( + ) 2

Ento

(0) = (1) + 2 + 2 + 2 2 (1) = (0) + () = ( 1) = 2, 3, . . .

2

(67) (68) (69)

Assim
(1) =

(1 + )( + ) 1 + 2 + 2

(70) (71)

() = ( 1) = 2, 3, . . .

As propriedades de modelos ARMA de ordem mais elevada podem ser derivadas de modo similar.

Fatores comuns

Se (L) e (L) tiverem uma raiz que a mesma em ambos polinmios, ento diz-se que tem um fator comum.
1. Modelo sobreparametrizado 2. Possveis problemas de identicao e computacional

Exemplo: ARMA(2,1)

yt = 0, 2yt 1 + 0, 15yt 2 + t + 0, 3t 1
Note que (1 0, 2L 0, 15L2 ) = (1 0, 5L)(1 + 0, 3L), ento
(1 + 0, 3L) t (1 0, 5L)(1 + 0, 3L)

(72)

yt =

(73) (74)

yt = 0, 5yt 1 + t