161

EconometriaSemestre2010.01
161
P r o f e s s o r a M n i c a B a r r o s ENCE
CAPTULO21ECONOMETRIADESRIESTEMPORAISCONCEITOSBSICOS

21.1.ALGUMASSRIESTEMPORAISBRASILEIRAS
Nesta seo apresentamos algumas sries econmicas, semelhantes s exibidas por Gujarati. A
idiatrabalhartambm,nestecaptulo,comdadosnacionais.

Talvez a primeira coisa a fazer ao modelar uma srie temporal apresentar seu grfico ao longo
dotempo.Estaprticasimplesimportante,poismostraseasrietemtendnciaesazonalidade,
se sua variabilidade aumenta ou diminui com o tempo, etc, o que fornece informaes
importantessobreaestacionariedade(ouno)dasrie.

Porexemplo,afigura1aseguirmostraasimportaeseexportaesbrasileirasFOB
1
apartirdo
ltimotrimestrede1994emmilhesdedlares.

Figura1
Importaes e Exportaes FOB (US$ milhes)
0
10.000
20.000
30.000
40.000
50.000
60.000
70.000
1
9
9
4
T
4
1
9
9
5
T
2
1
9
9
5
T
4
1
9
9
6
T
2
1
9
9
6
T
4
1
9
9
7
T
2
1
9
9
7
T
4
1
9
9
8
T
2
1
9
9
8
T
4
1
9
9
9
T
2
1
9
9
9
T
4
2
0
0
0
T
2
2
0
0
0
T
4
2
0
0
1
T
2
2
0
0
1
T
4
2
0
0
2
T
2
2
0
0
2
T
4
2
0
0
3
T
2
2
0
0
3
T
4
2
0
0
4
T
2
2
0
0
4
T
4
2
0
0
5
T
2
2
0
0
5
T
4
2
0
0
6
T
2
2
0
0
6
T
4
2
0
0
7
T
2
2
0
0
7
T
4
2
0
0
8
T
2
2
0
0
8
T
4
2
0
0
9
T
2
2
0
0
9
T
4
Importaes - (FOB) - US$(milhes) - BCB Boletim/BP - BPN4_MTV4 Exportaes - (FOB) - US$(milhes) - BCB Boletim/BP - BPN4_XTV4

Notase claramente na figura 1 o aumento de ambas (importaes e exportaes) a partir de

2002.Tambmsepercebequeosaldodabalanacomercialfoiquasezeradonofimdoperodo
(1
o
.trimestrede2010).

1
Nota:FOB=FreeonBoard.Ovendedororesponsvelpelodesembaraodamercadoriaparaexportao

162
EconometriaSemestre2010.01
162
P r o f e s s o r a M n i c a B a r r o s ENCE

A figura 2 exibe o PIB, o consumo das famlias e a formao bruta de capital, todos em nmero
ndice.NocasodoPIBedoconsumodasfamlias,notaseumatendnciadecrescimentoaolongo
dequasetodooperodoapresentado.Aformaobrutadecapital(tambmemnmerondice),
temumcomportamentobemmaiserrtico.

Figura2
PIB, Consumo das Famlias e Formao Bruta de Capital - em nmero ndice
50
70
90
110
130
150
170
190
210
230
250
1
9
9
4
T
4
1
9
9
5
T
2
1
9
9
5
T
4
1
9
9
6
T
2
1
9
9
6
T
4
1
9
9
7
T
2
1
9
9
7
T
4
1
9
9
8
T
2
1
9
9
8
T
4
1
9
9
9
T
2
1
9
9
9
T
4
2
0
0
0
T
2
2
0
0
0
T
4
2
0
0
1
T
2
2
0
0
1
T
4
2
0
0
2
T
2
2
0
0
2
T
4
2
0
0
3
T
2
2
0
0
3
T
4
2
0
0
4
T
2
2
0
0
4
T
4
2
0
0
5
T
2
2
0
0
5
T
4
2
0
0
6
T
2
2
0
0
6
T
4
2
0
0
7
T
2
2
0
0
7
T
4
2
0
0
8
T
2
2
0
0
8
T
4
2
0
0
9
T
2
2
0
0
9
T
4
PIB trimestral (1995=100) - Dados dessazonalizados - Produto Interno Bruto a preos de mercado - ndice
PIB trimestral (1995=100) - Dados dessazonalizados - Consumo das famlias - ndice
Capital - formao bruta - ndice encadeado (mdia 1995 =100) - IBGE/SCN 2000 Trim. - SCN4_FBKI4

21.2.PROCESSOSESTOCSTICOS

Definio21.1.(processoestocstico)
Um processo estocstico (ou processo aleatrio) uma coleo de variveis aleatrias definidas
nummesmoespaodeprobabilidadesgeralmenterepresentamosumprocessoestocsticopor:
{X(t):tT}ondetnormalmenterepresentaotempo(ou,emalgunscasos,espao).

X(t)chamadodeestadodoprocessonoinstantet,eumavarivelaleatria.OconjuntoTo
conjunto de ndices, ou espao paramtrico do processo estocstico. A cara deste espao
paramtrico nos permite separar os processos estocsticos em contnuos ou discretos, como na
prximadefinio.

163
EconometriaSemestre2010.01
163
P r o f e s s o r a M n i c a B a r r o s ENCE
Definio21.2.(ProcessosContnuoseDiscretos)
Um processo estocstico {X(t) : t T} um processo contnuo (ou processo com parmetro
contnuo) se o conjunto T um intervalo (finito ou infinito) de nmeros reais. Ao contrrio, se o
conjuntodendicesTumconjuntofinitooucontvel,porexemplo,T={1,2,3,...)ouT={1,9,
43,279}dizemosqueoprocessoestocsticoumprocessodiscreto(ouprocessocomparmetro
discreto).Seoprocessodiscreto,freqentementemudamosanotaoparaX
t
(aoinvsdeX(t)).

Logo,umprocessoestocsticoumacoleodevariveisaleatriasordenadasnotempo.

Emresumo:
Um processo estocstico uma famlia de variveis aleatrias que descreve a evoluo no
tempoouespaodealgumprocessofsico.

Aqui estaremos interessados apenas em processos discretos, nos quais o ndice do tempo
T={1,2,...,N}.

Definio21.3.(SrieTemporal)
Uma Srie Temporal um conjunto de observaes ordenadas no tempo (no necessariamente
igualmenteespaadas),equeapresentamdependnciaserial(isto,dependnciaentreinstantes
de tempo). A notao usada aqui para denotar uma Srie Temporal Y
1
, Y
2
, Y
3
..., Y
N
, que indica
umasriedetamanhoN.OinstanteNgeralmenteindicaoltimoinstantedisponvel.

Deumamaneiraumpoucomaisformal,dizemosqueumasrietemporalumarealizaodeum
processoestocstico.

Uma srie temporal {Y

1
, Y
2
, Y
3
..., Y
N
} pode ser encarada como uma realizao de um processo
estocstico.Paradescrevermoscompletamenteumprocessoestocsticoprecisamosespecificara
distribuio conjunta do vetor {Y
1
, Y
2
, Y
3
..., Y
N
}. Suponha que os Y
t
s so conjuntamente
Gaussianos.Ento,paraconhecerasuadistribuioconjunta,bastaespecificarovetordemdias
{
1
,
2
,....,
N
}eamatrizdevarinciacovarincia.Mas,umamatrizsimtricadedimenso
N, e contm N(N+1)/2 elementos diferentes. Logo, a completa especificao deste processo

164
EconometriaSemestre2010.01
164
P r o f e s s o r a M n i c a B a r r o s ENCE
requer o conhecimento de N + N(N+1)/2 parmetros. Podemos perceber claramente que inferir
sobre todos estes parmetros com base em apenas uma realizao do processo uma tarefa
impossvel, e portanto algumas simplificaes devem ser feitas. A hiptese simplificadora mais
comumestacionariedade.

Definio21.4.(ProcessoEstacionrio)
Dizemos que um processo estocstico estacionrio se ele atingiu o equilbrio. Em termos
formais, num processo estacionrio, a distribuio de probabilidade conjunta nos instantes t
1
, t
2
,
....,t
m
amesmaqueadistribuionosinstantest
1
+k,t
2
+k,....,t
m
+kparaqualquerk,ouseja,
um descolamento de k unidades de tempo no afeta a distribuio de probabilidade conjunta.
Noteque,nestadefinio,marbitrrio.

Setomarmosm=1acima,segueque,numprocessoestacionrio,adistribuiomarginaldeY
t
a
mesma que a distribuio marginal de Y
t+k
. Logo, a distribuio marginal de Y
t
no depende do
instante de tempo escolhido e, em particular, a mdia e varincia de Y
t
so constantes para
qualquer t. Analogamente, se m = 2, as distribuies de probabilidade bivariadas p(Y
t
, Y
t+k
) no
dependemdet,eentoacovarinciaentreY
t
eY
t+k
dependeapenasdolagk.

Emresumo,acondiodeestacionariedadeimplicaem:
Mdiadoprocessoconstante;
Varinciadoprocessoconstante;
CovarinciaentreY
t
eY
t+k
dependeapenasdolagk.

Definio21.5.(ProcessoEstacionriode2
a
.ordemoufracamenteestacionrio)
Um processo dito fracamente estacionrio (ou estacionrio de 2
a
. ordem) se estas trs
condiessosatisfeitas(mdiaconstante,varinciaconstanteecovarinciaquesdependedo
lag).Notequeestascondiesreferemseapenasaosdoisprimeirosmomentosdadistribuio
de probabilidade dos Y
t
s, o que explica a terminologia processo estacionrio de 2
a
. ordem". A
definio de estacionariedade mais geral envolve momentos de todas as ordens (m arbitrrio na
definio)emuitomaiscomplicadadeverificarqueaestacionariedadedesegundaordem.Seos
Y
t
s so conjuntamente Gaussianos, as duas condies (estacionariedade estrita e
estacionariedadede2
a
.ordem)soequivalentes.

165
EconometriaSemestre2010.01
165
P r o f e s s o r a M n i c a B a r r o s ENCE
Ousodeestacionariedadefracatocomumquemuitasvezes,aonosreferirmosaumprocesso
como estacionrio, o que temos em mente um processo fracamente estacionrio. Logo, por
conveno,senadaforditoarespeitodotipodeestacionariedadedeumprocesso,suponhaque
elefracamenteestacionrio!

Definio21.6.(Autocovarinciadelagk)
AautocovarinciadelagkdefinidacomoacovarinciaentreY
t
eY
t+k
isto:

k
=Cov(Y
t
,Y
t+k
)=E[(Y
t
)(Y
t+k
)]parak=0,1,2,....
Noteque
0
=Var(Y
t
)=
2
poisCov(Y
t
,Y
t
)=Var(Y
t
).
AautocovarinciaumadasfunesusadasnaidentificaodaestruturadeummodeloARIMA.

Definio21.7.(Autocorrelaodelagk)
Aautocorrelaodelagkdefinidacomo:
( )
( )
2
,

k
t
k t t
k
Y Var
Y Y Cov
= =
+
parak=0,1,2,....
Noteque
0
=1sempre.

As definies 21.6. e 21.7. referemse autocovarincia e autocorrelao tericas. Na prtica,

apenasobservamosumasrietemporal,eestasfunesdevemserestimadasapartirdasrie.A
seguir definimos a autocovarincia e autocorrelaes amostrais, isto , calculadas a partir dos
dadosobservados(ouseja,apartirdasrietemporal).Normalmenteiremosnosreferirfuno
deautocorrelaocomoACF(doingls,AutocorrelationFunction).

Tambm,pelaestacionariedadedoprocesso,
k=

k
,eportantobastafazerogrficoparaas
autocorrelaescomlagspositivos.Estegrficochamadodecorrelograma.

Definio21.8.(Autocovarinciaamostraldelagk)

+
k - N
1 = t
k
) ).( (
N
1
= c Y Y Y Y
k t t

Noteque,paraolagzero,estaexpressotornase:

166
EconometriaSemestre2010.01
166
P r o f e s s o r a M n i c a B a r r o s ENCE

N
1 = t
2
0
) (
N
1
= c Y Y
t

queavarinciaamostraldasrie.

Definio21.9.(Autocorrelaoamostraldelagk)

= =
+
T
1 = t
2
k - N
1 = t
0
k
) (
) ).( (
r
Y Y
Y Y Y Y
c
c
t
k t t
k

Daexpressoanteriorseguequer
0
=1sempre!

EssasestimativassoassintoticamentenotendenciosasquandoN(otamanhodasrie).
EmgeraldeveseterN50(ek,onmerodedefasagens,N/4).

FrmuladeBartlett
Sobahiptese
k
=0paratodolagk>U(ondeUindicaumlaggrande)segueque:
( )

+ =

U
s U i
S i i s k k
N
r r
1
, cov

Valoressucessivosder
k
podemexibiraltascorrelaes.Fazendos=0naequaoanteriorlevaa:
( )

U
U i
i k
N
r Var
2
1

ParaNgrandeesobahiptese
k
=0,adistribuioder
k
aproximadamenteNormalcommdia
zero e varincia

=
U
U i
i
N
2
1
. Na prtica as correlaes (desconhecidas) so substitudas na
expressoacimaporseusestimadoresr
k
eento:
( )

=
U
i
i k
r
N
r Var
1
2
2 1
1

167
EconometriaSemestre2010.01
167
P r o f e s s o r a M n i c a B a r r o s ENCE
Estafrmulaserusadaparaobterintervalosdeconfianaparar
k
.Tambm,seotamanho(N)
dasriegrande,r
k
aproximadamenteNormalcommdiazero,eosintervalosdeconfiana
podemserconstrudosapartirdestadistribuio.

Exemplo
Considereassriesdafigura1.Aseguirexibimososgrficosdasautocorrelaesdastrssries.
ACFdasriedeexportaes

ACFdasriedeimportaes

Os correlogramas das duas sries tm uma caracterstica em comum: o decaimento das

autocorrelaes muito lento notase que existem autocorrelaes significantes at 5
trimestresantesparaasduassries.

O decaimento lento da funo de autocorrelao uma das caractersticas marcantes de sries

noestacionrias.

168
EconometriaSemestre2010.01
168
P r o f e s s o r a M n i c a B a r r o s ENCE
Voc ver, ao longo deste captulo, uma grande preocupao a respeito da estacionariedade de
uma srie. Por que? Numa srie no estacionria, a mdia (ou a varincia, ou ambas) da srie
varia com o tempo, e neste caso s podemos estudar seu comportamento para o perodo
disponvel,ouseja,nopossvelgeneralizarasconclusesparaoutrosperodosdetempo.

Um exemplo clssico de srie no estacionria o passeio aleatrio (random walk). Antes de

definilo, precisamos recordar a noo de rudo branco. Um processo estocstico
t
um rudo
branco se sua mdia zero, sua varincia constante, e termos sucessivos no apresentam
correlaoserialemqualquerdefasagem.

Podemos construir um passeio aleatrio a partir de um rudo branco. importante destacar que
consideraremosdoistiposdepasseioaleatrio,comtendnciaesemtendncia.

Passeioaleatriosemdeslocamento(drift)
AsrieY
t
umpasseioaleatriose:
t t t
u Y Y + =
1
(21.3.4)
ondeu
t
umrudobranco.
EstaaequaodeumprocessoAR(1)emque =+1.

Esta equao usada para modelar ativos financeiros quando acreditamos que a hiptese de
mercados eficientes vlida. O que isso quer dizer? Que o preo de um ativo no instante t o
preonoinstanteanteriormaisumerrodemdiazero,comvarinciaconstante,equeapreviso
do preo do ativo amanh o preo de hoje, e assim no existe possibilidade de ganhos no
mercadousandoainformaodasobservaespassadas.

Quaisasimplicaesdaequao(21.3.4)?Vamosescrevlaapartirdoinstanteinicial.

SeaobservaoinicialY
0
ento,numinstantequalquertpodemosescrever:

169
EconometriaSemestre2010.01
169
P r o f e s s o r a M n i c a B a r r o s ENCE
Amdianoinstantet:

Poistodososu
t
tmmdiazero.Ouseja,amdiaemqualquerinstanteigualaovalorinicial,
umaconstante.

Avarincianoinstantet:

Issodecorreimediatamentedaexpresso(21.3.5),pois:
( )
2
i
1 1
0
. u var . var var ) var( t t u u Y Y
t
i
i
t
i
i t
= =

+ =

= =

Noteque,medidaquetaumenta,avarinciadeY
t
cresceindefinidamente,oqueviolaumadas
condiesdeestacionariedade.

Uma das caractersticas do passeio aleatrio sem deslocamento a persistncia dos choques
aleatrios, isto , o efeito de cada termodeerrou
t
nosedissipaaolongodotempo.Assim,
podemosdizerqueopasseioaleatriotemmemriainfinita,poisguardaainformaodetodos
oschoquessofridosatoperodocorrente.

Umacaractersticaimportantedopasseioaleatriosemdeslocamento:suaprimeiradiferena
umprocessoestacionrio.Issofcildeverificarpois:

Assim, se tentamos modelar uma srie e ela se parece com uma random walk, uma boa idia
tiraraprimeiradiferenadasrieeverificarseasrieresultanteestacionria.

Passeioaleatriocomdeslocamento(drift)
Aequao(21.3.4)modificadadaseguinteforma:

170
EconometriaSemestre2010.01
170
P r o f e s s o r a M n i c a B a r r o s ENCE
Onde o parmetro de deslocamento (drift). Por que deslocamento? Basta escrever a
equaoanterioremtermosdaprimeiradiferena:

Y
t
se desloca para cima ou para baixo dependendo de ser positivo ou negativo. A mdia e
varinciadeY
t
sodadaspor:

Destasequaesnotamosquenemamdianemavarinciadoprocessosoconstantes,eassim
opasseioaleatriocomdeslocamentoeclaramentenoestacionrio.

Exemplosimulaodeumpasseioaleatrio
Geramos500errosiidN(0,1)e,apartirdelesconstrumosduassriesdepasseioaleatrio,come
sem deslocamento, e com valor inicial Y
0
= 100. Os valores gerados esto na planilha
simulao_random_walk_capitulo_21.xlseousuriopodealterarovalordeeverificaroefeito
sobre a srie gerada. A figura 3 mostra o passeio aleatrio SEM deslocamento e a figura 4
apresentaumpasseioaleatriocomdrift=0,2.
Figura3
Passeio aleatrio SEM deslocamento - valor inicial 100
80
90
100
110
120
130
140
0
1
3
2
6
3
9
5
2
6
5
7
8
9
1
1
0
4
1
1
7
1
3
0
1
4
3
1
5
6
1
6
9
1
8
2
1
9
5
2
0
8
2
2
1
2
3
4
2
4
7
2
6
0
2
7
3
2
8
6
2
9
9
3
1
2
3
2
5
3
3
8
3
5
1
3
6
4
3
7
7
3
9
0
4
0
3
4
1
6
4
2
9
4
4
2
4
5
5
4
6
8
4
8
1
4
9
4

171
EconometriaSemestre2010.01
171
P r o f e s s o r a M n i c a B a r r o s ENCE
Figura4
Passeio aleatrio COM deslocamento - valor inicial 100 e " drift"
80
100
120
140
160
180
200
220
240
0
1
3
2
6
3
9
5
2
6
5
7
8
9
1
1
0
4
1
1
7
1
3
0
1
4
3
1
5
6
1
6
9
1
8
2
1
9
5
2
0
8
2
2
1
2
3
4
2
4
7
2
6
0
2
7
3
2
8
6
2
9
9
3
1
2
3
2
5
3
3
8
3
5
1
3
6
4
3
7
7
3
9
0
4
0
3
4
1
6
4
2
9
4
4
2
4
5
5
4
6
8
4
8
1
4
9
4
drift = 0,2

Opasseioaleatrioumcasoparticulardeprocessosestocsticosconhecidoscomoprocessosde
raizunitria.

ConsidereomodeloAR(1):

O processo um passeio aleatrio sem deslocamento (e ento um processo no estacionrio)

quando =+1.Se =1,oprocessotambmnoestacionrio(verifique!).

Se| | < 1oprocessodescritopor(21.4.1)estacionrio.

Definio21.10.(Operadordeatraso,backwardshiftoperator)
OoperadordeatrasoBdefinidocomo:B.Y
t
=Y
t1
.Tambm,suaspotnciassodadaspor:
B
k
Y
t
=Y
tk
.

OmodeloAR(1)podeserescritoemtermosdooperadordeatraso,como:
(1.B)Y
t
=u
t

O processo ser estacionrio se | | < 1, ou seja, se a raiz de 1.B = 0, que B=1/ estiver FORA
do crculo unitrio. O processo tem raiz unitria se B = 1, ou seja, se = 1, indicando que o
processoumarandomwalk.

172
EconometriaSemestre2010.01
172
P r o f e s s o r a M n i c a B a r r o s ENCE
Assim,naprticafundamentalverificarseumasrietemraizunitria,poisissosignificaverificar
seelanoestacionria.

21.3.PROCESSOSESTACIONRIOSNATENDNCIAEESTACIONRIOSNA1
A
.DIFERENA

Uma questo importante na modelagem de sries econmicas verificar se a tendncia de uma

sriedeterminsticaouestocstica.

Considereoseguintemodelo:

Opasseioaleatrioumcasoparticulardestemodeloemque
1
=0,
2
=0e
3
=1.Opasseio
aleatriocomdeslocamentoobtidofazendose
1
0,
2
=0e
3
=1.Podemosreescrevereste
processoemtermosda1
a
.diferenaeencontramos:

1
atendnciadesteprocesso,edenominadaumatendnciaestocstica.Oprocesso(21.5.3a)
estacionrio na 1
a
. diferena, ou seja, a 1
a
. diferena da srie do passeio aleatrio com
deslocamentoumasrieestacionria.

Se,naequao(21.5.1),
1
=0,
2
0e
3
=0,temos:

Este um processo estacionrio em tendncia. Por que? Embora ele tenha mdia
1
+
2
.t, que
noconstante,suavarinciaconstante.Oprocesso(21.5.4)temumatendnciadeterminstica

1
+
2
.tepodesertransformadonumprocessoestacionrioapsaremoodatendncia.

Passeioaleatriocomdeslocamentoetendnciadeterminstica

173
EconometriaSemestre2010.01
173
P r o f e s s o r a M n i c a B a r r o s ENCE
Aodiferenciarmosaequaoanteriorencontramos:

Asriede1
a
.diferenaexibeumatendnciadeterminstica.OprocessoY
t
claramenteno
estacionrio.

TendnciadeterminsticacomcomponenteAR(1)estacionrio
Considereomodeloabaixonoqualsupomosque
3
<1.

Y
t
umasrieestacionriaemtornodeumatendnciadeterminstica.

Exemplosimulao
Nafiguraaseguircomparamossriescomtendnciaestocsticaedeterminstica.Geramos500
errosiidN(0,1)e,apartirdelesconstrumosduassries,umacomtendnciadeterminsticae
outracomtendnciaestocstica.EmambososcasosopontoinicialY
0
=100.
Assriesforamgeradasdaseguintemaneira:
- Tendnciadeterminstica:Y
t
=0,2.t+u
t

- Tendnciaestocstica:Y
t
=0,2+Y
t1
+u
t

Nasriecomtendnciadeterminstica,osdesviosemrelaolinhadetendnciasopuramente
aleatrios e no impactam o comportamento de longo prazo da srie. Na srie com tendncia
estocstica,ocomponentealeatriou
t
afetaatrajetriadelongoprazodasrie.

Sries com tendncia estocstica e determinstica

-20
0
20
40
60
80
100
120
140
0
1
3
2
6
3
9
5
2
6
5
7
8
9
1
1
0
4
1
1
7
1
3
0
1
4
3
1
5
6
1
6
9
1
8
2
1
9
5
2
0
8
2
2
1
2
3
4
2
4
7
2
6
0
2
7
3
2
8
6
2
9
9
3
1
2
3
2
5
3
3
8
3
5
1
3
6
4
3
7
7
3
9
0
4
0
3
4
1
6
4
2
9
4
4
2
4
5
5
4
6
8
4
8
1
4
9
4
tendncia estocstica tendncia determinstica