iv) Processos Estocásticos: definição, exemplos, processos estacionários. vi) Modelos Threshold Autorregressive e Smooth Transition Autorregressive.

Transcrição

1 UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA ECOP 63 ECONOMETRIA III PROF.: MARCELO S. PORTUGAL E FLÁVIO A. ZIEGELMANN PROGRAMA (2017.1) 1. Objetivos O curso de Econometria III é centrado, basicamente, em modelos de séries de tempo. Será dado destaque a estimação de modelos de decomposição de séries de tempo em componentes não observados e a modelos de mudança de regime. São apresentados e discutidos modelos econométricos de tradição clássica e bayesiana, com ênfase na abordagem clássica. Analisaremos também aplicações de modelos de Redes Neurais Artificiais em previsão de séries de tempo e na estimação de modelos não-lineares. Processos Estocásticos serão estudados, com ênfase em Cadeias de Markov. Espera-se que os alunos desenvolvam trabalhos empíricos aplicando uma das seguintes metodologias: modelos de decomposição de séries de tempo, modelos de redes neurais artificiais, modelos de mudança markoviana ou modelos threshold. Assim será possível conjugar o aprendizado da teoria (nas aulas) com a experiência prática na geração de trabalhos empíricos (nos trabalhos) 2. Conteúdo Programático i) Modelos Simples de Previsão: a era pré Box e Jenkins. ii) Os Modelos Estrutural (clássico) e Linear Dinâmico (bayesiano): decomposição em componentes não observados; filtro de Kalman; estimação dos hyperparâmetros; fatores de desconto e variance learning; principais modelos; testes e previsão. iii) Redes Neurais Artificiais: fundamentos sobre neurônios e redes neurais biológicas; breve histórico sobre inteligência artificial; neurônio artificial; principais algoritmos; arquitetura de redes neurais; adaptação de redes neurais artificiais ao problema de previsão econômico; métodos estatísticos e redes neurais. iv) Processos Estocásticos: definição, exemplos, processos estacionários. v) Cadeias de Markov a Parâmetro (Tempo) Discreto: probabilidades de transição, classificação dos estados, distribuições estacionárias, distribuições limite, tempos de retorno. vi) Modelos Threshold Autorregressive e Smooth Transition Autorregressive. vii) Modelos com Mudança de Regime Markoviana: especificação, estimação e aplicações. 3. Forma de Avaliação A avaliação será feita por meio de dois trabalhos empíricos. A nota final será obtida pela média aritmética das notas em cada trabalho. Os trabalhos empíricos devem apresentar uma aplicação da metodologia apresentada no curso. O primeiro trabalho deve utilizar as técnicas apresentadas nos itens (ii) ou (iii) do programa, enquanto que o segundo trabalho deverá conter

2 uma aplicação do material explorado nos itens (iv) a (vii). É aconselhável que os temas específicos de cada trabalho sejam discutidos com os professores antecipadamente. 4. Bibliografia Básica COMMANDEUR, J.J.F. and KOOPMAN, S.J. (2007), An Introduction to State Space Time Series, Oxford University Press, Oxford. DURBIN, J. e KOOPMAN,S.J. (2001), Time Series Analysis by State Space Methods, Oxford University Press, Oxford. FRANSES, P.H. e VAN DIJK, D. (2000), Non-Linear Time Series Models in Empirical Finance, Cambridge University Press, Cambridge. HARVEY, A. C. (1989), Forecasting Structural Time Series Models and the Kalman Filter, Cambridge University Press, Cambridge. HAYKIN, S. (2001), Kalman Filtering and Neural Networks, John Wiley & Sons, New York. KIM, C-J e NELSON. C. R. (1999), State-Space Models with Regime Switching, MIT Press, Cambridge. POLE, A., WEST, M. e HARRISON, J. (1994), Applied Bayesian Forecasting and Time Series, Chapman & Hall, Nova York. ROSS, S. M. (1995), Introduction to Probability Models, Academic Press, San Diego. WEST, M. e HARRISON, J. (1989), Bayesian Forecasting and Dynamic Models, Springer- Verlag, Londres. WHITE, H. (1992), Artifitial Neural Networks: Approximation and Learning Theory, Blackwell, Oxford. 5. Bibliografia Complementar ALBUQUERQUE, C. R. e PORTUGAL, M. S. (2005), Pass-through from Exchange Rate to Prices in Brazil: Analysis using time-varying parameters for the period, Revista de Economía, vol. 12, n. 1, p , mayo, Banco Central Del Uruguay. ALEXANDER, I. and MORTON, H. (1990), An Introduction to Neural Computing, Chapman and Hall, London. ANDERSON, B. D. O. e MOORE, J. B. (1979), Optimal Filtering, Prentice-Hall, Englewood Cliffs. ANDERSON, T. W. (1971), The Statistical Analysis of Time Series, Wiley, Nova York. BARCELLOS, P. C. e PORTUGAL, M. S. (2009) The Natural Rate of Interest in Brazil Between 1999 and 2005, Revista Brasileira de Economia, v. 63, p

3 CALDEIRA, J.F., MOURA, G. V. e PORTUGAL, M. S. (2010), Efficient Yield Curve Estimation and Forecasting in Brazil, Economia (ANPEC), v. 11, p , CALDEIRA, J.F., LAURINI, M.P. e PORTUGAL, M. S. (2010), Inferência Bayesiana Aplicada ao Modelo Dinâmico de Nelson-Siegel com Volatilidade Estocástica nos Fatores, Anais do XXXII Encontro Brasileiro de Econometria, SBE. CARVALHO, V. M. HARVEY, A. C. (2003), Growth, Cycles, and Convergence in the US Regional Time Series, Trabalho apresentado no XXV Encontro Barsileiro de Econometria, Porto Seguro (BA). CHAUVET, M., An Econometric Characterization of Business Cycle Dynamics with Factor Structure and Regime Switching, International Economic Review, V. 39, 4, , CHAUVET, M, The Brazilian Business and Growth Cycles, Revista Brasileira de Economia, 56(1), , CHENG, B. e TITTERINGTON, D. M. (1994), "Neural Networks: A Review from a Statistical Perspective", Statistical Science, 9, p CHOW, G. C. (1983), Econometrics, Mcgraw-Hill, Singapura. CLEMENTS, M. P. (1998), Forecasting Economic Time Series, Cambridge University Press, Cambridge. CORRÊA, W. R. e PORTUGAL, M. S. (1998), Previsão de Séries de Tempo na Presença de Mudanças Estruturais: Redes neurais artificiais e modelos estruturais, Economia Aplicada, vol. 2, n. 3, p CUTHBERTSON, K., HALL, S. G. e TAYLOR, M. P. (1992), Applied Econometric Techniques, Harvester Wheatsheaf, Londres. DAVIDSON, J, (1994), Stochastic Limit Theory, Oxford University Press, Oxford. DIAS, M. D. M. e ARAÚJO, L. J. S. (1998), Aplicação de Redes Neurais à Economia: Demanda por Moeda no Brasil, Economia Aplicada, vol. 2, n.2, p DURRET, R. (1991), Probability: Theory and Examples, Duxbury Press, California. EATWELL, J., MILGATE, M. e NEWMAN, P. (1987), Time Series and Statistics, The New Palgrave, Macmillan Press, Hong Kong. FASOLO, A. M. e PORTUGAL, M. S. (2004), Imperfect Rationality and Inflationary Inertia: A new estimation of the Phillips Curve for Brazil, Estudos Econômicos, vol. 24, p FERNANDES, L. G. F., PORTUGAL, M. S. e NAVAUX, P. O. A.. (1994), "Um Estudo Experimental do Poder Preditivo das Redes Neurais Artificiais Comparado a Métodos Econométricos Tradicionais", Anais do I Simpósio Brasileiro de Redes Neurais, Caxambu (MG), p

4 FERNANDES, L. G. F., PORTUGAL, M. S. e NAVAUX, P. O. A. (1996), "O Problema da Escolha da Topologia da Rede Neural na Previsão de Séries de Tempo", Anais do III Simpósio Brasileiro de Redes Neurais, Recife (PE), p FERNANDES, L. G. F., PORTUGAL, M. S. e NAVAUX, P. O. A. (1996), "Previsão de Séries de Tempo: Redes Neurais e Modelos Estruturais", Pesquisa e Planejamento Econômico, 26(2), p GRANGER, C. W. J. e NEWBOLD, P. (1986), Forecasting Economic Time Series, segunda edição, Academic Press, San Diego. GOLDFELD, S.M. e R.E. QUANDT, R.E. Regressions, Journal ofeconometrics, vol. 1, (1973), A Markov Model for Switching GONÇALVES, C. C. S.; PORTUGAL, M. S.; ARAGON, E. K. S. B.(2016), Assessing Brazilian Macroeconomic Dynamics Using a Markov-Switching DSGE Model, Economia (Brasília), v. 17, p , HAMILTON, J. (1994), Time Series Analysis, Princeton University Press, Princeton. HARRISON, P. J. e STEVENS, C. F. (1976), "Bayesian Forecasting", Journal of the Royal Statistical Society, série B, 38, , (with discussion). HARVEY, A. C. (1990), The Econometric Analysis of Time Series, segunda edição, Philip Allan, Londres. HARVEY, A. C. (1997), Trends, Cycles and autoregressions, Economic Journal, p , vol HARVEY, A. C., KOOPMAN, S. J. e PENZER, J. (1998), Messy Time Series: A unified approach, Advances in Econometrics, vol 13, p HARVEY, A. C., KOOPMAN, S. J., (1997). Multivariate Structural Time Series Models, in C. Heij, J. M. Schumacher, B. Hanzon e C. Praagman (eds.) Sistem Dynamics in Econometric and Financial Models, John Wiley & Sons, Nova York. HARVEY, A. C. (1993), Time Series Models, segunda edição, Philip Allan, Deddington, HARVEY, A. C. and PROIETTI, T. (2005), Readings in Unoserverd Components Models, Oxford University Press, Oxford. HAYKIN, S. (1994), Neural Networks: A comprehensive foundation, Macmillan, Nova York. HAYKIN, S. (2001), Kalman Filtering and Neural Networks, John Wiley & Sons, Nova York. HOMSY, G. V., PORTUGAL, M. S. e ARAÚJO, J. P., (2003), Ondaletas e Previsão de Séries de Tempo: Uma análise empírica, Economia Aplicada, vol. 7, n. 2, p KARLIN, s. e TAYLOR, H. M. (1975), A First Course in Stochastic Processes, Academic Press, San Diego. KOVÁCS, Z. L. (1996), Redes Neurais Artificiais: Fundamentos e aplicações, segunda edição, Collegium Cógnito, São Paulo.

5 LAURINI, M. P. e PORTUGAL, M. S. (2002), Markov Switching Based Nonlinear Tests for Market Efficiency Using the R$/US$ Exchange Rate, Anais do XXIV Encontro Brasileiro de Econometria, SBE, Nova Friburgo, Vol. II, p LAURINI, M. P. e PORTUGAL, M. (2004), Long Memory in the R$/US$ Exchange Rate: a robust analysis, Brazilian Review of Econometrics, vol. 24 n. 1, p MILLS, T. C. (1990), Time Series Techniques for Economists, Cambridge University Press, Cambridge. MACHADO, V. G. e PORTUGAL M. S. (2014), Measuring inflation persistence in Brazil using a multivariate model, Revista Brasileira de Economia, v. 68, p MACHADO, V. G. e PORTUGAL M. S. (2014),. Phillips curve in Brazil: an unobserved components approach, Estudos Econômicos, v. 44, p , MARONDIN, F. A., e PORTUGAL, M. S. (2016) Exchange Rate Pass-Through in Brazil: a Markov Switching DSGE Estimation for the Inflation Targeting Period ( , Ansais do 38 Encontro Brasileiro de Econometria. SBE Foz do Iguaçú. MORAIS, I. A. C. e PORTUGAL, M. S. (2003). Business cycle in the industrial production of Brazilian States, Anais do XXXI Encontro Nacional de Economia, ANPEC, Porto Seguro, CD- Ron. MORAIS, I. A. C. e PORTUGAL, M. S., (2005), Structural Change in the Brazilian Demand for Imports: A regime switching approach, Brazilian Review of Econometrics, vol. 25 n. 2, p MORAIS, I. A. C. e PORTUGAL, M. S.,(2007), Um Novo Índice Coincidente para a Atividade Industrial do Estado do Rio Grande do Sul, Estudos Econômicos, vol. 37, n. 1 p MORETTIN, P. A. e TOLOI, C. M. C. (1981), Modelos para Previsão de Séries de Tempo, 13 0 Colóquio Brasileiro de Matemática, IMPA/CNPq, Rio de Janeiro. NYBLOM, J. e HARVEY, A. C., (1999), Tests of Common Trends, DAE Working Paper n. 9902, Cambridge University. PALMA A. A. e; PORTUGAL, M. S. (2009), Análise Empírica da Formação de Expectativas de Inflação no Brasil: uma aplicação de redes neurais artificiais a dados em painel Revista de Economia Contemporânea, v. 13, p. a sair-a sair, PALMA, A. A. ; PORTUGAL, M. S. (2011), Preferences of the Central Bank of Brazil under the Inflation Targeting Regime: Commitment vs. Discretion, Revista Brasileira de Economia, v. 65, p PICHETTI, P. E TOLEDO, C. Estimating and interpreting a common stochastic component for the Brazilian Industrial Production index, Revista Brasileira de Economia, 56(1): , PORTUGAL, M. S. (1993), "Modelos de Parâmetros Variáveis: Uma Resenha Crítica", Pesquisa e Planejamento Econômico, 23(1), p

6 PORTUGAL, M. S. (1993), "Time Varying Import Demand Elasticities: The Brazilian Case", em M. McAleer e A. Jakman (eds.), Proceedings of the International Congress on Modelling and Simulation, University of Western Australia, Perth, Australia, vol. I, p PORTUGAL, M. S. (1993), "Measures of Capacity Utilization: Brazil, 1920/1988", Análise Econômica, ano 11, n. 19, março 1993, p PORTUGAL, M. S. (1995), "Neural Networks versus Time Series Methods: A Forecasting Exercise", Revista Brasileira de Economia, 49(4),p PORTUGAL, M. S. e FERNANDES, L. G. F., (1995), "Redes Neurais Artificiais e Previsão de Série de Tempo: Uma Introdução", Nova Economia, vol. 6 n. 1, p PORTUGAL, M. S. e GARCIA, L. S. (1997), Notas sobre o Desemprego Estrutural no Brasil, em L. Carleial e R. Valle (orgs.), Reestruturação Produtiva e Mercado de Trabalho no Brasil, Hucitec, São Paulo, p SALMON, M. (1995), "Bounded Rationality and Learning", em I. Kirman e M. Salmon (eds.), Learning and Rationality in Economics, Blackwell, Oxford. SARGENT, T. J. (1993), Bounded Rationality in Macroeconomics, Oxford University Press, Oxford. SILVA, A. B. M., PORTUGAL, M. S. e CECHIN, A. L. (2000), Redes Neurais Artificiais e Análise de Sensibilidade: Uma aplicação à demanda de importações brasileira, Economia Aplicada, vol. 5, n. 4, p SILVA, A. B. M, CECHIN, A. L., SILVA, J. M. e PORTUGAL, M. S., (2002), Redes Neurais Artificiais e Análise de Sensibilidade Aplicada às Exportações Brasileiras, Anais do V Encontro de Economia da Região Sul, CD-Ron. SILVA, E. K. e PORTUGAL, M. S. (2009), Asymmetric Effects of Monetary Policy in Brazil Estudos Econômicos, a sair. SILVA FILHO, O. C.; ZIEGELMANN, F. A.; DUEKER, M. (2012). Modeling Dependence Dynamics through Copulas with Regime Switching. Insurance. Mathematics & Economics, v. 50, p SOUZA, R. C. (1989), Modelos Estruturais para Previsão de Séries Temporais: Uma Abordagem lássica e Bayesiana, 17 0 Colóquio Brasileiro de Matemática, IMPA/CNPq, Rio de Janeiro. TEJADA, C. A. O. e PORTUGAL, M. S. (2002), Credibility and Reputation: An application of the external circunstaces model for the Real Plan, Revista Brasileira de Economia, vol 56, n. 4, p TSAY, R. S. (2005), Analysis of Financial Time Series, John Wiley & Sons, Nova York. UNI, M. Y. e PORTUGAL, M. S. (2003), Fear of Disruption: A model of Markov switching regimes for the Brazilian country risk conditional volatility, XVIII Jornadas Anuales de Economía, Banco Central Del Uruguay, CD-Ron.

7 WASSERMAN, P. D. (1989), Neural Computing: Theory and Practice, Van Nostrand Reinhold, New York.