Curso de Econometria para Graduação (Estacionariedade)
-
Upload
murilomassaru -
Category
Documents
-
view
746 -
download
0
Transcript of Curso de Econometria para Graduação (Estacionariedade)
Curso de Econometria para Graduação – Universidade Federal da Paraíba
UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS SOCIAIS APLICADAS
DEPARTAMENTO DE ECONOMIA
CURSO DE ECONOMETRIA
Estacionariedade
PLANO DE AULA
Objetivos
Apresentar a importância da estacionariedade na utilização de série temporais. Além disso, detectar e corrigir a não-estacionariedade das
séries.
Livro Texto: GUJARATI, D. N. Econometria Básica. São Paulo: MAKRON Books, 2006.
Capítulo 12 (p.401)..
1. – INTRODUÇÃO
Um processo aleatório eu estocástico é um conjunto de variáveis aleatórias
ordenadas no tempo. Um tipo de processo estocástico que recebeu muita atenção e
escrutínio pelos analistas de séries temporais é o chamado processo estocástico
estacionário. Em linhas gerais, diz-se que um processo estocástico é estacionário
quando a sua média e variância são constantes ao longo do tempo e quando o valor da
covariância entre dois períodos de tempo depende apenas da distância, do intervalo ou
da defasagem entre dois períodos do tempo, e não do próprio tempo em que a
covariância é calculada. Na literatura sobre séries temporais, tal processo é conhecido
como fracamente estacionário, ou estacionário em covariâncias, ou estacionário de
segunda ordem, ou como processo estocástico em sentido amplo.
Para explicar a estacionariedade fraca, seja Yt uma série temporal estocástica
com as seguintes propriedades:
Média:
Variância:
Covariância:
onde : , a covariância (ou autocovariância) na defasagem k, é a covariância entre o
valores de e , isto é, entre dois valores de Y separados por k períodos. Se k=0,
obtemos , que é simplesmente a variância de Y (= σ2); se k =1, é a covariância
entre dois valores adjacentes de Y.
2. – NATUREZA DO PROBLEMA
A não-estacionariedade das séries utilizadas pode ser uma das causas da
autocorrelação residual. Ao estimar a regressão para uma variável que é uma série
temporal, em relação a outra série temporal ou outras séries temporais, com
freqüência obtemos um R2 muito elevado (superior a 0,9) embora não exista entre elas
uma relação que faça sentido. Algumas vezes não esperamos que duas variáveis
tenham alguma relação entre si, mas quando estimamos a regressão de uma em
relação à outra aparece uma relação significativa. Essa situação exemplifica o
problema da regressão espúria, ou da regressão que não faz sentido. Portanto, é muito
importante verificar se a relação entre variáveis econômicas é espúria ou sem sentido.
3 – CONSEQÜÊNCIAS DA NÃO-ESTACIONARIEDADE
Possível autocorrelação residual, além de detecção de relações espúrias (sem
sentido).
4 – Testes de Estacionariedade
4.1 – Teste informal de análise Gráfica
Antes de fazer testes formais é bom traçar as séries temporais em estudo,
pois os gráficos dão uma boa idéia inicial da provável natureza da série temporal.
4.2 – Função de Autocorrelação e Correlograma
Um teste simples de estacionariedade é baseado na função de
autocorrelação. Esta função com defasagem k, denotada por ρk , é definida como:
onde a covariância com defasagem k e a variância são definidas
anteriormente. Note que, se k=0, =1.
Como a covariância e a variância são mensuradas nas mesmas unidades de
medida, é um número sem unidades, ou número puro. Situa-se entre -1 e +1, como
qualquer coeficiente de correlação. Se traçarmos contra k, o gráfico que obtemos é
conhecido como correlograma populacional.
Como na prática temos apenas a realização (isto é, uma amostra) de um
processo estocástico, podemos calcular apenas a função de autocorrelação amostral,
. Para isso, temos de calcular primeiro a covariância amostral com defasagem k,
e a variância amostral, , que são definidas como
onde n é o tamanho da amostra e é a média da amostra.
Por conseguinte, a função de autocorrelação amostral com defasagem k é:
que é simplesmente a razão entre a covariância amostral (com defasagem k) e a
variância amostral. O gráfico de contra k é conhecido como correlograma amostral.
O correlograma acima é típico de uma série temporal estacionária. Como fica
claro neste diagrama, quando temos um processo puramente de ruído branco, a
autocorrelação fica em torno de zero em várias defasagens. Assim, se o correlograma
de uma série temporal (econômica) efetiva se assemelha a uma série temporal de
ruído branco, podemos dizer que essa série temporal provavelmente é estacionária.
Já o correlograma acima exemplifica uma série não estacionária.
Como saber se o coeficiente de correlação é estatísticamente significativo? A
significância de qualquer pode ser julgada pelo seu erro-padrão.
Barlett mostrou que, quando uma série temporal é puramente aleatória, isto
é, exibe ruído aleatório, os coeficientes de autocorrelação da amostra são
aproximandamente:
isto é, em amostras grandes, os coeficientes de autocorrelação amostral têm
distribuição normal com média zero e variância igual a 1 para o total do tamanho da
amostra.
Se o intervalo precedente inclui o valor zero, não rejeitamos a hipótese de
que o verdadeiro ρk é igual a zero, mas se esse intervalo não inclui 0, rejeitamos a
hipótese de que o verdadeiro ρk é igual a zero.
Em vez de testar a significância estatística de qualquer coeficiente de
autocorrelação individual, podemos testar a hipótese conjunta de que todos os ρk até
uma certa defasagem são simultaneamente iguais a zero. Isso pode ser feito usando a
estatística Q desenvolvida por Box e Pierce, definida como:
onde n = tamanho da amostra e m = tamanho da defasagem. A estatística Q é
usada frequentemente para testar se a série temporal é de ruído branco. Em amostras
grandes, ela representa aproximadamente a distribuição de qui-quadrado com m
graus de liberdade. Na prática se o Q calculado excede o valor crítico de Q na
distribuição de qui-quadrado ao nível de significância escolhido, podemos rejeitar a
hipótese nula de que todos os ρk são iguais a zero; pelo menos algum deles têm de ser
diferente de zero.
5 – TRANSFORMAÇÕES DE SÉRIES TEMPORAIS NÃO-ESTACIONÁRIAS
Agora que conhecemos os problemas associados às séries temporais não-
estacionárias, a questão prática é saber o que fazer. Para evitar o problema da
regressão espúria, temos de transformar a série temporal não-estacionária em uma
série temporal estacionária. O método de transformação depende de a série temporal
ser estacionária em diferenças ou estacionária em tendência. Vamos examinar cada
um desses modelos.
Processos estacionários em diferenças
Se uma série temporal tem raiz unitária, as primeiras diferenças dessa série
temporal são estacionárias. Por conseguinte, a solução aqui é tomar as primeiras
diferenças da série temporal.
Para fazer isso basta criar uma nova variável que é igual à diferença entre
períodos subseqüentes da variável escolhida. Para o PIB por exemplo, cria-se uma
nova variável definida por (PIBt - PIBt-1).
Processo estacionário em tendência
O processo estacionário em tendência é aquele que é estacionário em torno
da linha de tendência. Por conseguinte, a maneira mais fácil de tornar a série temporal
estacionária é estimar a regressão em relação ao tempo, e os resíduos dessa regressão
serão estacionários.
Em outras palavras, estime a seguinte regressão:
onde é a série temporal considerada e t é a variável de tendência medida
cronologicamente.
Agora,
será estacionária. é denominada série temporal sem tendência.
É importante notar que a tendência pode ser não-linear. Por exemplo, poderia
ser:
que é uma série quadrática. Se esse for o caso, os resíduos serão uma série
temporal com tendência removida (quadraticamente).
É necessário assinalar que, quando uma série temporal é estacionária nas
diferenças, mas nós a tratamos como estacionária em tendência, ocorre uma
subdiferenciação. Por outro lado, se a série temporal for estacionária em tendência, e
nós a tratamos como estacionária nas diferenças, isso se denomina
superdiferenciação. As conseqüências desses dois tipos de especificação podem ser
sérias, dependendo de como são tratadas as propriedades de correlação serial dos
resíduos resultantes.
A propósito, note que a maioria das séries macroeconômicas é estacionária
em diferenças, e não estacionária em tendência.