Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
|
|
- Sofia Câmara Fonseca
- 7 Há anos
- Visualizações:
Transcrição
1 Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
2 Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações simultâneas com todas as variáveis sendo endógenas. Desenvolvido inicialmente por Sims (1980). Forma estrutural: Ay t = B 0 + p i=1 B i y t i + ε t Onde a matriz A (n x n), representa as restrições contemporâneas do vetor y t (n x 1). O vetor B 0 n x 1 é um vetor de constantes, B i (n x n) são matrizes associadas aos valores defasados da variável y t, e ε t ~iid N(0, I n σ 2 it ), é um vetor n x 1 de perturbações aleatórias não correlacionadas temporalmente ou contemporaneamente.
3 Forma estrutural e reduzida Exemplo, VAR bivariado de primeira ordem: y t = b 10 a z + b 11 y t 1 + b 12 z t 1 + σ ε z t = b 20 a 21 y t + b 21 y t 1 + b 22 z t 1 + σ ε Em formato Matricial: 1 a a 1 y t z = b 10 + b 11 b 12 y t 1 t b 20 b 21 b 22 z + σ 0 ε t 1 0 σ ε
4 Forma estrutural e reduzida Hipóteses: a) y e z são ambos estacionários b) ε ~RB 0,1 e ε ~RB(0,1) c)cov ε ε = 0 Nesse modelo as variáveis são influenciadas umas pelas outras tanto contemporaneamente como pelos valores defasados. O modelo estrutural não pode ser estimado diretamente pelo fato de que as variáveis contemporâneas são individualmente correlacionadas aos erros. Isso ocorre porque cada variável depende contemporaneamente da outra Efeito feedback. O objetivo do VAR é evitar esse problema, objetivando encontrar a trajetória da variável de interesse ante um choque nesses erros Choque estrutural.
5 Forma estrutural e reduzida Forma reduzida: p y t = A 1 B 0 + i=1 A 1 B i y t i + A 1 ε t = Φ 0 + i=1 Φ i p y t i + e t Onde: Φ 0 = A 1 B 0, Φ i = A 1 B i, e t = A 1 ε t
6 Forma estrutural e reduzida Exemplo VAR bivariado de primeira ordem: φ = 1 a φ a 1 b b = b a b b a b φ φ = 1 a b b = φ φ a 1 b b b a b b a b b a b b a b e e = 1 a a 1 ε ε = ε a ε ε a ε
7 Forma estrutural e reduzida E e = 0 Σ = σ σ σ σ = ( ) ( ) ( ) ( ) Cov e, e = 0
8 Forma estrutural e reduzida A grande questão dos modelos VAR é se, a partir da forma reduzida, se consegue recuperar as informações contidas na forma estrutural. Na forma reduzida os resíduos não serialmente correlacionados, sua esperança é zero, mas são contemporaneamente correlacionados.
9 Especificação Com relação à escolha do número de defasagens do modelo, é necessário que se escolha um número suficiente para tornar o erro um ruído branco. No entanto, como aponta Enders (2004), os modelos VAR já possuem como característica o fato de ser sobreparametrizados, cada modelo irá gerar n 2 + pn coeficientes, dessa forma a escolha de defasagens, via critérios de informação possui um termo que penaliza VAR de grandes ordens.
10 Especificação Ordens maiores, por sua vez, geram uma variância menor, então selecionase um valor de defasagens p que minimiza as seguintes funções (respectivamente critérios de Akaike, Schwartz e Hannan-Quinn): AIC p = ln Σ m + 2 T mn2 BIC p = ln Σ m + lnt HQ p = ln Σ m + lnlnt T T mn 2 2mn 2 Onde mn é o total de parâmetros estimados em todas as equações.
11 Especificação LUTKEPOHL e KRATZIG (2004) comentam que,para amostras com T 16, a seguinte relação acontece: p (BIC) p (HQ) p (AIC) Deseja-se menor valor em módulo de AIC, BIC e HQ possível.
12 Aplicação no R dados = read.csv(file = "C:/Users/Roma/Desktop/Doutorado/Cristian/Aula Var/series.txt", sep="\t") attach(dados) View(dados) install.packages("vars") library(vars) y = dados[1:120, 2:7] layout(matrix(1:4, nrow = 2, ncol = 2)) plot.ts(y$selic.real, main = "Selic", ylab = "", xlab = "") plot.ts(y$spread, main = "Spread", ylab = "", xlab = "") plot.ts(y$inflação, main = "Inflação", ylab = "", xlab = "") plot.ts(y$crelivre, main = "Crédito", ylab = "", xlab = "")
13 Aplicação no R estimação = VAR(y, p = 3, type = "const") summary(estimação) plot(estimação) y.h = fitted(estimação) erro = residuals(estimação) a = Acoef(estimação) View(a) b = Bcoef(estimação) View(b) c = coef(estimação) View(c) VARselect(y, lag.max = 10, type = "const")
14 Aplicação no R o método VAR gera modelos sobreparametrizados, cada estimação com n variáveis irá gerar n + pn 2 parâmetros, onde p é o número de defasagens. O modelo apresentado possui seis parâmetros e com quatro defasagens, por exemplo, implica em cento e cinquenta parâmetros, e dada a presença de colinearidade em muitas das variáveis muitos deles não serão estatisticamente significantes.
15 Testes: Correlação Serial Ljung-Box Hipóteses H : E e e H : E e e = 0 para todo j = 1,2,, J > p 0 para algum j = 1,2,, J > p Estatística do teste: Q = T Onde C = (C C C C ) χ () e e /T d
16 Teste: Correlação Serial Breusch-Godfrey Testar parâmetros da regressão: e = Θ e + Θ e + + Θ e + u Hipóteses: H : Θ = Θ = = Θ = 0 H : Θ 0 Θ 0 Θ 0 Utiliza-se regressão auxiliar: e = Φ X + Φ X + + Φ X + Θ e + Θ e + + Θ e + u
17 Teste: Correlação Serial Breusch-Godfrey Teste LM (Lagrange Multiplier). Estatística - Modelo irrestrito: Σ = Estatística Modelo restrito (assume hipótese nula) Σ = Estatística do teste: LM = T[n tr Σ Σ d ] χ
18 Testes: Normalidade O teste para verificar se os momentos 3 e 4 da série estimada são iguais aos da normal. Sob esta hipótese, a assimetria é igual a zero e a curtose é igual a 3. H : s = s = 0 Segue distribuição chi-quadrado Alternativamente testa-se em conjunto: JB = s + s d χ
19 Aplicação no R ser1 = serial.test(estimação,lags.bg = 10, type = "BG" ) ser2 = serial.test(estimação,lags.pt = 10, type = "PT.asymptotic") plot(ser1) nortest = normality.test(estimação, multivariate.only = TRUE) plot(nortest)
20 Função Impulso-Resposta Como a estimação do Vetor Auto-regressivo é feita através de sua forma reduzida, as informações contidas nas matrizes A e B da forma estrutural acabam não sendo observadas diretamente. Dessa forma, Sims (1980) sugere a imposição de que alguns coeficientes sejam iguais a zero, através de critérios econômicos, limitando assim o efeito feedback. Bueno (2008) apresenta o exemplo de um VAR (1) bivariado, com o coeficiente a 12 = 0. y t = a 10 + b 11 y t 1 + b 12 z t 1 + ε z t = a 20 a 21 y t + b 21 y t 1 + b 22 z t 1 + ε
21 Função Impulso-Resposta Reescrevendo o modelo em formato matricial: y t z = 1 0 a 10 t a 21 1 a a a 21 1 σ 0 ε 0 σ ε b 11 b 12 b 21 b 22 y t 1 z t 1 + É possível assim recuperar informações sobre os parâmetros do modelo estrutural, não observadas na forma reduzida: φ 10 = a 10 ; φ 20 = a 20 a 10 a 21 ; φ 11 = b 11 ; φ 21 = b 21 a 21 b 11 ; φ 12 = b 12 ; φ 22 = b 22 a 21 b 22 ;
22 Função Impulso-Resposta Da mesma forma, é possível encontrar o valor das variâncias e da covariância dos erros estruturais através das suas formas reduzidas: Var(e 1 ) = σ 2 z ; Var e 2 = σ 2 w + a 2 21 σ 2 z ; Cov(e 1, e 2 ) = a σ z A mesma metodologia pode ser aplicada para n variáveis. Assim, a matriz com a restrição assume a forma de uma matriz triangular, a chamada decomposição de Choleski. A parte superior da matriz assume as (n 2 n)/2 restrições, ordenadas de maneira arbitrária através de razões econômicas: 1 0 NA 1
23 Função Impulso-Resposta Um VAR de ordem p pode ser representado como um VMA de ordem infinita, e dessa forma observar como choques nos termos de erro afetam a trajetória das variáveis do modelo, a chamada função impulso-resposta: Com: X = X + Ψ ε X(I Φ ) Φ 1 a Ψ = a 1 De forma que para o VAR bivariado de primeira ordem: X = X + ψ, ψ, ψ, ψ, σ ε σ ε
24 Função Impulso-Resposta os elementos da matriz Ψ i são os multiplicadores de impacto sobre as variáveis endógenas, que somadas à decomposição de Choleski, tornam possível observar graficamente a trajetória da variável endógena ante um choque no erro. Cada elemento ψ ij da matriz de multiplicadores de impacto irá representar um choque sobre as variáveis endógenas. Por exemplo, no caso de um VAR (1) bivariado, o choque de ε zt sobre z t+h é dado pela soma dos coeficientes ψ h,11, h = 0,1,2 h.
25 Aplicação no R Phi(estimação, nstep = 4) Psi(estimação, nstep = 4) impulso = irf(estimação, impulse = "selic.real", response = c("renda.real", "crelivre", "Inflação", "M1"), n.ahead = 36, boot = TRUE) plot(impulso)
26 Decomposição da variância Trata-se de uma forma de descobrir qual a porcentagem da variância do erro de previsão decorre de cada variável endógena ao longo do horizonte de previsão. Inicialmente, temos que um VAR(1) que pode ser escrito com um VMA( ) como segue: X = X + Escrevendo o erro de previsão: X E (X ) = Ψ ε Ψ ε
27 Decomposição da variância Abrindo a equação: y E y = ψ, ε + ψ, ε + + ψ, ε + ψ, ε + ψ, ε + + ψ, ε Disso: σ h = σ ψ, + ψ, + + ψ, + σ ψ, + ψ, + + ψ, Assim é possível decompor a variância entre os componentes: 1 =,,, +,,,
28 Aplicação no R vd1 = fevd(estimação, n.ahead = 4) vd.selic = vd1$selic.real
29 Causalidade de Granger A questão fundamental é saber se o escalar y ajuda a prever o escalar z. Se isso não acontece, diz-se que y não causa no sentido de Granger z. A forma de responder as perguntas é usar um teste F convencional, válido quando os coeficientes de interesse puderem ser escritos de modo a multiplicar as variáveis estacionárias.
30 Causalidade de Granger Etapas: 1) Estima-se: z = φ + φ, y + φ, z + e 2) Hipóteses: H : φ, = φ, = = φ, = 0 H : φ, 0 3) Estatística: S = ( )/ /() ~F p, T 2p 1 Em que os subscritos r representa o modelo restrito e u o modelo irrestrito.
31 Causalidade de Granger Pode-se fazer o mesmo teste em contexto de mais variáveis, e seu nome é teste de BLOCO-EXOGENEIDADE (Enders (2004) sugere o nome de BLOCO-CAUSALIDADE). Estima-se o modelo com e sem restrição e utiliza-se o teste F. Em sistemas com n>2, o teste é mais complicado e requer mais cuidados. O problema que pode acontecer ao não se rejeitar a nula é não perceber a dinâmica mais complicada do modelo, em que uma variável, apesar de não causar diretamente a outra (por exemplo, y2t não Granger-causa y1t), pode causá-la indiretamente. Isso ocorrerá quando y2t causar y3t que, por sua vez, causa y1t.
32 Aplicação no R causality(estimação, cause = "selic.real")
33 Referências Básico: BUENO, R. de L da S (2008), Econometria de Séries Temporais, CENGAGE, São Paulo. ENDERS, W. (2004), Applied Econometric Time Series, John Wiley & Sons, Nova York. Avançado: Hamilton, J. (1994), Time Series Analysis, Princeton University Press, Princeton. Lütkepohl, H. (2006), New Introduction to Multiple Time Series Analysis, Springer, New York.
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisAnálise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
UNIVERSIDADE DE SÃO PAULO Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Análise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisTestes de Raiz Unitária para Dados em Painel
Aula 7 Bibliografia: Stata, 2017. help xtunitroot. From Stata/SE 13 (accessed on Oct. 23, 2018). Pesaran, M.H. (2015). Time series and panel data econometrics. Oxford: Oxford University Press. Rafael S.
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisNota Técnica: Evidências Empíricas Recentes da Relação entre a Taxa de Câmbio Real Efetiva e a Poupança Privada no Brasil ( )
Nota Técnica: Evidências Empíricas Recentes da Relação entre a Taxa de Câmbio Real Efetiva e a Poupança Privada no Brasil (2000-2016) Guilherme Jonas Costa da Silva * José Luis Oreiro ** A discussão do
Leia mais[4] POLÍTICA MONETÁRIA E O CANAL DO EMPRÉSTIMO BANCÁRIO: UMA ANÁLISE PARA O BRASIL, DE 2003 A 2012
[4] POLÍTICA MONETÁRIA E O CANAL DO EMPRÉSTIMO BANCÁRIO: UMA ANÁLISE PARA O BRASIL, DE 2003 A 2012 Cristian Rafael Pelizza* 65 Resumo: O objetivo do presente artigo é apresentar um modelo, com base no
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisA dinâmica da Função de Reação do Banco Central do Brasil: uma possível fonte da perda de eficácia da política monetária
A dinâmica da Função de Reação do Banco Central do Brasil: uma possível fonte da perda de eficácia da política monetária Rafael Quevedo do Amaral * Introdução O regime de metas de inflação, adotado no
Leia maisSéries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto 2011 1 / 49 Definição de esperança não condicional ou incondicional Considere
Leia maisFICHA DE DISCIPLINA/PROGRAMA
Programa de Pós-Graduação em Economia Mestrado/Doutorado Av. João Naves de Ávila, nº 2121 Campus Stª Mônica Bloco J. CEP 38.400-902 Uberlândia/MG. Telefax: (034) 3239-4315 E-Mail: ppge@ufu.br FICHA DE
Leia maisOs Mínimos Quadrados Ordinários Assintóticos
Os Mínimos Quadrados Ordinários Assintóticos Enquadramento 1. A analise assintótica, é o método matemático que descreve a limitação de um determinado comportamento. O termo assintótico significa aproximar-se
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
Leia maisAULA 13 Análise de Regressão Múltipla: MQO Assimptótico
1 AULA 13 Análise de Regressão Múltipla: MQO Assimptótico Ernesto F. L. Amaral 15 de abril de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução
Leia maisMOEDA E PRECOS NA AGRICULTIRA E INDUSTRIA: EVIDENCIA EMPIRICA COM A UTILIZACAO DO MODELO VAR
MOEDA E PRECOS NA AGRICULTIRA E INDUSTRIA: EVIDENCIA EMPIRICA COM A UTILIZACAO DO MODELO VAR Vitor Borges Monteiro 1 Sinezio Fernandes Maia 2 Resumo Este trabalho se propõe a investigar as relações empíricas
Leia maisSegundo Trabalho de Econometria 2009
Segundo Trabalho de Econometria 2009 1.. Estimando o modelo por Mínimos Quadrados obtemos: Date: 06/03/09 Time: 14:35 Sample: 1995Q1 2008Q4 Included observations: 56 C 0.781089 0.799772 0.97664 0.3332
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia maisNeste capítulo apresentam-se os modelos STVAR-Tree, o principal da dissertação, além dos modelos competidores PAR(p) e Neuro-Fuzzy.
4 Metodologia 4.1. Introdução Neste capítulo apresentam-se os modelos STVAR-Tree, o principal da dissertação, além dos modelos competidores PAR(p) e Neuro-Fuzzy. 4.2. Modelo STVAR-Tree O modelo vetorial
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia mais7 Velocidade de ajustamento da cotação ao fluxo de ordem
63 7 Velocidade de ajustamento da cotação ao fluxo de ordem Algumas das hipóteses subjacentes ao modelo apresentado no Capítulo 4 são: i) os preços podem se ajustar livremente e de forma descontínua para
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisPara o presente estudo, foram obtidos os dados através das bases de dados Bloomberg e Ipeadata.
3 Metodologia 3.1. Variáveis analisadas Foram selecionadas algumas variáveis relacionadas ao carry trade do real; esta selação foi baseada nos estudos de Carvalho e Divino (2009) e Nishigaki (2007). As
Leia maisEconometria - Lista 6
Econometria - Lista 6 Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 A curva de Phillips desempenha um papel fundamental na
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisModelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia mais2 Modelos Não Lineares
Modelos Não Lineares 17 2 Modelos Não Lineares 2.1. Introdução Nos últimos anos, muitos modelos não-lineares para a análise de séries temporais têm sido propostos. Na econometria clássica, os modelos de
Leia maisVer programa detalhado em anexo. CENTRO DE CIÊNCIAS SOCIAIS DEPARTAMENTO DE ECONOMIA
CENTRO DE CIÊNCIAS SOCIAIS DEPARTAMENTO DE ECONOMIA 2017.2 ECO 1705 ECONOMETRIA II CARGA HORÁRIA TOTAL: XX HORAS CRÉDITOS: 4 PRÉ-REQUISITO(S): ECO1704, ECO1722, ECO1721, MAT1112, MAT1105 OBJETIVOS Completar
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisEconometria Financeira
Ralph S. Silva http://www.im.ufrj.br/ralph/econometriafinanceira.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Setembro-Dezembro/2015 Análise
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia mais3 Metodologia. 3.1 Introdução aos Modelos de Equações Múltiplas
3 Metodologia 3.1 Introdução aos Modelos de Equações Múltiplas Até o momento, ao tratarmos de processos multivariados (isto é, que envolvessem múltiplas variáveis), nos limitamos a analisar modelos compostos
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 10 Multicolinearidade: o que acontece se os regressores são correlacionados? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisRevisão dos Modelos de Vetores Autorregressivos com Fundamentação Econômica 2012
Revisão dos Modelos de Vetores Autorregressivos com Fundamentação Econômica 2012 No amplo conjunto de modelos utilizados pelo Banco Central para projetar a inflação, encontram-se, entre outros, os modelos
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 8 Análise de Regressão Múltipla: o Problema da Inferência Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus,
Leia maisPREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH
VI Simpósio de Pesquisa dos Cafés do Brasil PREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH Alan Figueiredo de Arêdes 1 ; Matheus Wemerson Gomes Pereira ; Erly Cardo
Leia maisMECANISMO DE TRANSMISSÃO DE PREÇOS: UMA ANÁLISE SOBRE AS EXPORTAÇÕES BRASILEIRAS DE MELÃO
Economia Aplicada, v. 21,n. 1,2017,pp.95-109 MECANISMO DE TRANSMISSÃO DE PREÇOS: UMA ANÁLISE SOBRE AS EXPORTAÇÕES BRASILEIRAS DE MELÃO SeverinoFélix desouza JorgeLuiz Marianoda Silva JoãoRicardoFerreirade
Leia maisCarga Horária: 80 horas (correspondem a aulas e atividades extra-classe)
Curso: Economia Disciplina: ECONOMETRIA Turma 4ECO Carga Horária: 80 horas (correspondem a aulas e atividades extra-classe) Período Letivo: 2014/1 Professor: Hedibert Freitas Lopes (www.hedibert.org) OBJETIVO:
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia mais(iv) Ausência de correlação serial nos erros, dados dois valores quaisquer de X, X i e X j (i j), a correlação entre ε i e ε j é zero,, /,
4 Metodologia O método de estimação por mínimos quadrados está fundamentado em algumas premissas, que são necessárias para realizar inferências estatísticas sobre a variável dependente Y. As principais
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisProva de Estatística
Prova de Estatística 1. Para um número-índice ser considerado um índice ideal, ele precisa atender duas propriedades: reversão no tempo e o critério da decomposição das causas. Desta forma, é correto afirmar
Leia maisUMA ANÁLISE ECONOMÉTRICA DO ICMS *
UMA ANÁLISE ECONOMÉTRICA DO ICMS * Carlos Eduardo S. Marino ** * Trabalho de conclusão da disciplina de Econometria I, ministrada pelos professores Ivan Castelar e Vitor Monteiro, realizada no primeiro
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisAnálise de Regressão Linear Múltipla IX
Análise de egressão Linear Múltipla I Aula Gujarati e Porter - Capítulo 8 Wooldridge - Capítulo 5 Heij et al., 004 Seção 4..4 Introdução Ao longo dos próximos slides nós discutiremos uma alternativa para
Leia maisRegressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Leia maisEconometria. Séries Temporais Lista de Exercícios
Econometria Séries Temporais Lista de Exercícios 1. Estimação da Autocovariância e da Autocorrelação Tome a série de dados da planilha estimacao.xlsx e estime o que se pede sobre a série de tempo dada.
Leia mais3 Metodologia. resenha de VAN DIJK et al. (2002). 12 Para uma exposição extensiva do uso do modelo STR aplicado a séries macroeconômicas, ver a
3 Metodologia Como explicado acima, o modelo novo-keynesiano não fornece bases teóricas que motivem a existência de não-linearidades na CPNKH. Por isso, optamos por utilizar uma estratégia empírica flexível
Leia maisEstimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios. Wooldridge, Cápítulo 15
Estimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios Wooldridge, Cápítulo 5 Variáveis Instrumentais () 2 Variáveis Instrumentais Considere o seguinte modelo de regressão linear múltipla
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia maisRegressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
Leia maisModelos econométricos na análise da política monetária: introdução ao VAR parte II
artigo ARTIGO Modelos econométricos na análise da política monetária: introdução ao VAR parte II Ricardo Suganuma Rodrigo De Losso da Silveira Bueno José Carlos de Souza Santos Dando prosseguimento à primeira
Leia maisCorrelação Serial e Heterocedasticidade em Regressões de Séries Temporais. Wooldridge, Cap. 12
Correlação Serial e Heterocedasticidade em Regressões de Séries Temporais Wooldridge, Cap. 1 Porto Alegre, 11 de novembro de 010 1 CORRELAÇÃO SERIAL Ocorrência Conseqüência Análise gráfica Autocorrelação
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 10 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Análise Regressão: Avaliação de relações de dependência em que se explica o comportamento de uma/várias
Leia maisIntrodução a Modelos VAR
Introdução a Modelos VAR Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 Um VAR é um modelo no qual K variáveis são especicadas como funções lineares de p de
Leia mais'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV
69 'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV O presente capítulo objetiva entender o comportamento das séries de retorno financeiras para as carteiras de investimento elaboradas no capítulo anterior. Tal análise
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisSéries Temporais. Fernando Lucambio. Agosto de Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, , Brasil
Séries rais Autocorrelação Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 AUTOCORRELAÇÃO Uma importante
Leia maisModulo I. Séries Temporais: ARIMA
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA Modulo I Séries Temporais: ARIMA Curso: Bacharelado em Estatística Disciplina: Estatística Aplicada Nome: Verena
Leia mais3 Metodologia 3.1. Tipo de pesquisa
3 Metodologia 3.1. Tipo de pesquisa Este trabalho pode ser classificado como uma pesquisa descritiva, quantitativa, bibliográfica, experimental, exploratória e explicativa. Este estudo é descritivo, pois
Leia maisPrevisão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Leia maisMODELOS ECONOMÉTRICOS PARA DADOS DE ALTA- FREQUENCIA: TEORIA E APLICAÇÕES
MODELOS ECONOMÉTRICOS PARA DADOS DE ALTA- FREQUENCIA: TEORIA E APLICAÇÕES Aluno: Thiago Portugal Frotté Orientador: Marcelo Cunha Medeiros Introdução Atualmente a previsão de eventos econômicos está em
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisDETERMINANTES DA BALANÇA COMERCIAL DO AGRONEGÓCIO BRASILEIRO: ANÁLISE DA INFLUÊNCIA DAS VARIÁVEIS MACROECONÔMICAS NO PERÍODO DE 1997 A 2009
DETERMINANTES DA BALANÇA COMERCIAL DO AGRONEGÓCIO BRASILEIRO: ANÁLISE DA INFLUÊNCIA DAS VARIÁVEIS MACROECONÔMICAS NO PERÍODO DE 1997 A 2009 Taciane Graciele Fanck Kich (UFSM) tacikich@yahoo.com.br Daniel
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisInstituto Superior de Economia e Gestão Universidade de Lisboa Econometria Época Normal 08/06/2017 Duração 2 horas
1 NOME: Instituto Superior de Economia e Gestão Universidade de Lisboa Econometria Época Normal 08/06/2017 Duração 2 horas Espaço Reservado para Classificações A utilização de qualquer meio de telecomunicação
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 7
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 7 O Modelo Estrutural Identificação Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse.
Leia maisAULAS 25 E 26 Heteroscedasticidade
1 AULAS 25 E 26 Heteroscedasticidade Ernesto F. L. Amaral 10 e 15 de junho de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
1 Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 26 de setembro de 2001
Leia maisDefine-se o regressor,ϕ,como. e o vector de parâmetros a estimar, θ,como. O modelo escreve-se:
22 Mínimos Quadrados - Notação matricial Se quisermos resolver o problema de estimação para um número arbitrário de parâmetros temos de usar a notação matricial. Define-se o regressor,,como [ ] e o vector
Leia maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 9 Modelos de Regressão com Variáveis Binárias Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006 Variáveis
Leia maisAULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisAnálise da Eficiência Informacional no Mercado Acionário Brasileiro por Meio de Variáveis Macroeconômicas.
Análise da Eficiência Informacional no Mercado Acionário Brasileiro por Meio de Variáveis Macroeconômicas. RESUMO: Autoria: Alex Gama Queiroz dos Santos Este estudo tem como propósito testar a eficiência
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia maisLES0773 Estatística Aplicada III
LES0773 Estatística Aplicada III Prof. Luciano Rodrigues Aula 6 Departamento de Economia, Administração e Sociologia Escola Superior de Agricultura Luiz de Queiroz-ESAQ Universidade de São Paulo-USP lurodrig2209@gmail.com
Leia maisModelos VAR, taxa de câmbio e taxa de juros Selic
Modelos VAR, taxa de câmbio e taxa de juros Selic Wanessa Weridiana da Luz Freitas Laura Vicuña Torres de Paula Resumo: A taxa de juros Selic e a taxa de câmbio podem ser vistas como duas taxas básicas
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO TECNOLÓGICO DEPARTAMENTO DE ENGENHARIA ELÉTRICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO TECNOLÓGICO DEPARTAMENTO DE ENGENHARIA ELÉTRICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA REDUÇÃO DE CAUSALIDADES ESPÚRIAS EM MÉTODOS PARAMÉTRICOS DE
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 5
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 5 Variáveis de Interesse e Variáveis na economia: z t. Distribuição condicional (MGD): D(z t F z,t 1,d t
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi regi@matufmgbr 26 de setembro
Leia maisANÁLISE DE REGRESSÃO. Ralph S. Silva. Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro
ANÁLISE DE REGRESSÃO Ralph S. Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências Referências (livros) A Modern Approach to Regression
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisJorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
Leia maisTécnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia mais