Séries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
|
|
- Valdomiro Coelho Santiago
- 6 Há anos
- Visualizações:
Transcrição
1 Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
2 Definição de esperança não condicional ou incondicional Considere o espaço amostral Ω e a a variável aleatória Y. A esperança não condicional será. Lei das expectativas totais: E (y Ω) = E (y). E [E (y Ω)] = E (y Ω) = E (y). Exemplo: Considere X a matriz de variáveis explicativas e ε i uma perturbação aleatória. Assuma que E (ε i X ) = 0. Então, da lei das expectativas totais resulta que: E E (ε i X ) = E (ε i ) = 0. }{{} =0 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
3 Definição de esperança não condicional ou incondicional: continuação Seja I todos os subconjuntos de Ω, sobre o qual y está definido. Considere os conjuntos A, B I, então pela lei das expectativas iteradas: E [E (y A B) A] = E (y A). Conseqüência: Se x X, qual a esperança incondicional do produto xε i? E (xε i ) = E [E (xε i X )] = E [xe (ε i X )] = 0. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
4 Aplicação a séries temporais Cronologia das observações é fundamental e não pode ser quebrada. Logo, o conjunto de informação de um agente no período t é maior que no período t 1: Exemplo com AR (1) : I I t I t 1 I 0 Ω. y t = c + φy t 1 + ε t, em que E (ε t I t 1 ) = 0. A esperança de y t+2 condicional à informação I t+1 é: E (y t+2 I t+1 ) = c + φe (y t+1 I t+1 ) = c + φy t+1. (1) A esperança não condicional é: E (y t+2 ) = c + φe (y t+1 ). Nada garante que E (y t+2 ) = E (y t+1 ). José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
5 Exemplo com números Considere a Figura 1, em que se desenha a evolução de y t ao longo de três datas. Figura: Exemplo José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
6 Exemplo com números Considere a Figura 1, em que se desenha a evolução de y t ao longo de três datas. Figura: Exemplo José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
7 Exemplo com números Considere a Figura 1, em que se desenha a evolução de y t ao longo de três datas. Figura: Exemplo José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
8 Exemplo com números: continuação No ponto t = 1, a esperança condicional se diferencia claramente da incondicional, pois dependerá de onde se encontra y, ou em y1 a ou em y1 b: E (y 2 I 1 = y1 a = 2 0, , 4 = 2, 8; ( ) E y 2 I 1 = y1 b = 3 0, , 5 = 4; E [E (y 2 I 1 )] = 2, 8 0, , 3 = 3, 16 = E (y 2 ). A última linha mostra que a esperança da esperança condicional é igual à esperança incondicional. Sabendo-se que prevalece a esperança condicional tomada sob o conjunto com informação mais limitada, então o conjunto de informação da média incondicional é mais limitado que o da média condicional. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
9 Consolidando a conclusão anterior Veja que: E (y t+2 I t ) = c + φe (y t+1 I t ). O que acontece quando se toma a esperança de E (y t+2 I t+1 ) condicional a um conjunto de informação contido em I t? E [E (y t+2 I t+1 ) I t ] = c + φe [E (y t+1 I t+1 ) I t ] = c + φe (y t+1 I t ). Logo: Portanto: E [E (y t+2 I t+1 ) I t ] = E (y t+2 I t ). E [E (y t+2 I t+1 )] = E (y t+2 ). José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
10 Motivação Seja um processo auto-regressivo simples: y t = φy t 1 + ε t, ε t i.i.d. ( 0, σ 2), em que i.i.d. significa idêntica e independentemente distribuído. Suponha que y t represente a inflação. Inflação inercial: φ = 1. Teste por MQO: H 0 : φ = 1 H 1 : φ < 1. Em séries temporais, esse tipo de estimação pode gerar sérios problemas. Problema principal: calcular os momentos incondicionais E (y t ) = φe (y t 1 ) + E (ε t ). Assuma que E (y t ) = E (y t 1 ). Do contrário, E (y t ) = E (y t 1 ) e não se poderiam estimar os momentos da série por falta de dados. Nessas condições: E (y t ) = 0. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
11 Motivação: continuação Outro problema fundamental surge no cálculo da variância: var (y t ) = φ 2 var (y t 1 ) + var (ε t ) + 2φcov (y t 1, ε t ). Como ε t i.i.d., então cov (y t 1, ε t ) = 0. Admitindo que a série é gerada pelo mesmo processo, var (y t ) = var (y t 1 ), conclui-se que: var (y t ) = σ2 1 φ 2. Se φ > 1, a variância de y t seria negativa, o que é um absurdo. Se φ = 1, a variância de y t é infinita, o que impossibilita a inferência estatística. Conclusão: é necessário estabelecer restrições sobre a série temporal para que se possa estimá-la. Em particular, uma condição necessária para estimar a série é que φ < 1. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
12 PROCESSOS ESTOCÁSTICOS Observa-se {y 1, y 2,..., y T }, decorrente de uma variável aleatória Y. A série observada é uma possível realização do processo estocástico gerador dos dados. Na Figura 2 há duas possibilidades de seqüências. Figura: Real vs. Virtual José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
13 PROCESSOS ESTOCÁSTICOS: Continuação É possível gerar artificialmente as várias seqüências de realizações de um processo estocástico por meios computacionais. Suponha que se queiram gerar S seqüências, cada uma com infinitas observações, como se houvesse S diferentes regiões geográficas. Então, ter-se-ía um conjunto com as seguintes seqüências: ( { } y (1) { t, t= } y (2) t t=,..., { } y (S) t t= Em cada instante de tempo t, há S estados da natureza. Se fosse possível selecionar as{ S observações associadas } à data t, ter-se-ia o conjunto de dados y (1) t, y (2) t,..., y (S) t, cuja distribuição, por construção, é normal. E, poder-se-iam estimar os vários momentos da série. ). José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
14 PROCESSOS ESTOCÁSTICOS: Continuação Formalmente, a esperança não condicional da variável aleatória y t é: E (y t ) em que plim é o limite de probabilidade. S 1 y t f yt (y t ) dy t = p lim S S y (s) t, s=1 Exemplo: Calcule a esperança incondicional de Y, sendo ε t N ( 0, σ 2) e y t = µ + ε t, µ R: E (y t ) = µ + E (ε t ) = µ. Se, por outro lado, fosse especificado que y t = δt + ε t, então: E (y t ) = δt. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
15 AUTOCOVARIÂNCIA E AUTOCORRELAÇÃO A função de autocovariância é definida como: [ )] γ jt E (y t µ t ) (y t j µ t j = S 1 ( ) ( ) = p lim S S y (s) t µ t y (s) t j µ t j. s=1 Sejam ε t i.i.n ( 0, σ 2) e y t = µ + ε t, então: ) { σ γ jt = E (y t µ t ) (y t j µ t j = E (ε t ε t j ) = 2, j = 0 0, j = 0. A variância é dada por γ 0t. Observe que as variâncias não condicionais de y t = µ + ε t e y t = δt + ε t são idênticas. A autocorrelação: ρ jt γ jt γ 0t. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
16 ESTACIONARIDADE Estacionaridade permite proceder a inferências estatísticas sobre os parâmetros estimados com base na realização de um processo estocástico. O processo estocástico, ou a série temporal, {y t, t Z}, Z = {0, ±1, ±2,...} é fracamente estacionário se: a E y t 2 < ; b E (y t ) = µ, para todo t Z; e c E (y t µ) (y t j µ) = γ j. A condição necessária para estacionaridade fraca é que as raízes da equação característica estejam fora do círculo unitário. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
17 ESTACIONARIDADE ESTRITA O processo estocástico, ou a série temporal, {y t, t Z}, Z = {0, ±1, ±2,...} é estritamente estacionário se a função distribuição conjunta de {y ti } k i=1 for igual à função de distribuição conjunta de {y ti +h} k i=1, h Z, isto é: F (y t1, y t2,..., y tk ) = F (y t1 +h, y t2 +h,..., y tk +h). A estacionaridade estrita não implica nem é implicada pela estacionaridade fraca. Exemplo: distribuição de Cauchy pode definir uma série estritamente estacionária, mas não será uma série estacionária, já que seu momento de primeira ordem não é bem definido. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
18 ESTACIONARIDADE ESTRITA Em resumo, estacionaridade se associa vagamente a estacionaridade estrita e vice-versa: 1 Estacionaridade forte estacionaridade. Nada garante que existam momentos finitos e, se existirem, se são iguais ou independentes de t; 2 Estacionaridade estacionaridade forte. Nada garante que não haja alteração de distribuição por translação temporal; 3 Estacionaridade + normalidade = estacionaridade forte. A distribuição não se alterará por translação temporal. Estacionaridade estrita é uma propriedade mais forte que distribuição idêntica, contudo é mais fraca que distribuições independentes e identicamente distribuídas. Seqüências i.i.d. são estritamente estacionárias, mas seqüências estritamente estacionárias não precisam ser necessariamente independentes. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
19 ERGODICIDADE Ergodicidade permite usar uma série temporal para calcular as médias em cada instante de tempo. Como as médias são todas iguais, basta uma única realização da série para viabilizar o cálculo. A média temporal dessa realização é dada por: y (s) = 1 T T y (s) t. t=1 Se y convergir para E (y t ), existe ergodicidade. Um processo fracamente estacionário é ergódico para o primeiro momento se: ( E y (s)) 1 p lim T T T y (s) t t=1 1 = p lim S S S y (s) t E (y t ). s=1 Prova-se que {y t } é ergódico para a média se a soma das covariâncias for finita: j=0 γ j <. (2) José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
20 ERGODICIDADE: observações Ergocidade é mais restrita que estacionaridade. Exemplo: (Hamilton, 1994) Seja a realização de um processo estocástico { y i t } t=, cuja média é dada por µi N ( 0, λ 2). Considere: y s t = µ s + ε t, µ s ε t i.i.n ( 0, σ 2). Perceba que: µ t = E (µ s + ε t ) = 0; γ 0t = E (µ s + ε t ) 2 = λ 2 + σ 2 ; γ jt = E (µ s + ε t ) (µ s + ε t j ) = λ 2, j = 0. {yt s } t= satisfaz a definição de estacionaridade fraca. Contudo, a média temporal dessa variável não converge para zero: 1 T T t=1 (µ s + ε t ) = µ s + 1 T T P ε t µs = 0. t=1 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
21 RUÍDO BRANCO Seja uma seqüência {ε t } t= de variáveis aleatórias. Se: E (ε t = 0, t; E ( ε 2 ) t = σ 2, t; E (ε t ε t j ) = 0, todo j = 0, diz-se que o processo é um ruído branco, cuja representação é RB ( 0, σ 2). Um ruído branco é, ao mesmo tempo, temporalmente homogêneo, estacionário, e sem memória, no sentido de ser um processo em que a dependência temporal, se existe, está impĺıcita na série. Uma série ε t i.i.d. ( 0, σ 2) certamente é um ruído branco, entretanto nem todo ruído branco é i.i.d., não obstante satisfaça as condições da definição. Séries independentes como ε t implicam que E (ε t ε t j ) = 0, mas não são implicadas por essa condição. Independência é uma propriedade mais forte do que autocovariância nula. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
22 MÉDIA MÓVEL (MA) Considere o seguinte processo estocástico: y t = µ + ε t + θε t 1, em que ε t é um ruído branco, conforme definido anteriormente. Se y t depende de ε t e ε t 1, então o processo é chamado de médias móveis de ordem 1 e denotado como MA (1). Se dependesse de ε t 2, seria chamado de MA (2). Mas, y t satisfaz estacionaridade? É preciso calcular a esperança, a variância e as autocovariâncias do processo. Os cálculos a seguir fazem isso. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
23 E (y t ) = µ + E (ε t ) + θe (ε t 1 ) = µ; Var (y t ) = E (y t µ) 2 = E (ε t + θε t 1 ) 2 = = E ( ε 2 t + 2θε t ε t 1 + θ 2 ε 2 t 1) = = σ θ 2 σ 2 = ( 1 + θ 2) σ 2 ; E [(y t µ) (y t 1 µ)] = E [(ε t + θε t 1 ) (ε t 1 + θε t 2 )] = = E ( ε t ε t 1 + θε t ε t 2 + θε 2 t 1 + θ 2 ) ε t 1 ε t 2 = = σ 2 θ. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
24 A esperança é constante e finita para cada t. A variância é finita. A autocovariância não depende de t. E as outras autocovariâncias são nulas: 0 = E [(y t µ) (y t j µ)] = E [(ε t + θε t 1 ) (ε t j + θε t j 1 )] = = E ( ε t ε t j + θε t ε t j 1 + θε t 1 ε t j + θ 2 ε t 1 ε t j 1 ), j > 1. Como a esperança e as autocovariâncias não são funções do tempo, o processo é fracamente estacionário, independentemente do valor de θ. A condição dada pela equação (2) também é satisfeita, gerando um processo ergódico: γ j = [( 1 + θ 2) + θ ] σ 2 <. j=0 A autocorrelação só existe para a primeira defasagem e é dada por: ρ 1 = θσ 2 ( 1 + θ 2 ) σ 2 = θ 1 + θ 2. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
25 Três processos simulados de médias móveis de ordem. Figura: Processos MA (1) com vários valores para θ. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
26 MÉDIAS MÓVEIS DE ORDEM q - MA (q) Processo de médias móveis para q defasagens: y t = µ + q j=0 θ j ε t j, θ 0 = 1. Observe que esse processo satisfaz estacionaridade. E (y t ) = µ + q j=0 θ j E (ε t j ) = µ; Var (y t ) = E (y t µ) 2 = E γ j = E ( q ) q θ i ε t i θ i ε t i j = i=0 i=0 ( q ) 2 q θ j ε t j = θ 2 j E ( ε 2 ) t j = σ 2 q θ 2 j ; j=0 j=0 j=0 = E [ θ j ε 2 t j + θ j+1 θ 1 ε 2 t j 1 + θ j+2 θ 2 ε 2 t j θ q θ q j ε 2 t q], j = 1, 2,..., q, José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
27 Para j > q, não haverá ε s em datas comuns. Logo, a esperança será nula: { [θj + θ γ j = j+1 θ 1 + θ j+2 θ θ q θ q j ] σ 2, para j = 1, 2,..., q; 0, para j > q. Example Seja um MA (2), qual é a autocovariância? σ 2 ( 1 + θ θ 2 2), j = 0 σ γ j = 2 (θ 1 + θ 1 θ 2 ), j = 1 σ 2 θ 2, j = 2 0, j > 2. Conseqüentemente, a função de autocorrelação é dada por: 1, j = 0 θ 1 +θ 1 θ 2, j = 1 1+θ ρ j = 2 1+θ 2 2 θ 2, j = 2 1+θ 2 1+θ 2 2 0, j > 2. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
28 Algumas observações: Remark Quando q =, reescreve-se o processo MA ( ) da seguinte forma: y t = µ + j=0 ψ j ε t j = µ + ψ (L) ε t, em que ψ 0 = 1 e ψ (L) representa a polinomial de ordem infinita dada por ψ (L) = ψ 0 + ψ 1 L + ψ 2 L 2 +. O termo L representa o operador defasagem em que L j y t = y t j. a a No apêndice, encontra-se uma discussão sobre as propriedades desse termo. Remark Se um processo é fracamente estacionário, então j=0 ψ 2 j <. Remark Se j=0 ψ j <, então: j=0 ψ 2 j < e γ j <, o que implica ergodicidade para a média. j=0 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
29 PROCESSO AUTO-REGRESSIVO DE ORDEM 1 - AR(1) Considere o seguinte processo estocástico: em que ε t é um ruído branco. y t = c + φy t 1 + ε t, Esse processo é estável e tem variância finita, admitindo que φ < 1? Reescrevendo o processo auto-regressivo de ordem 1, pode-se encontrar um MA ( ): y t = c + φy t 1 + ε t = (1 φl) y t = c + ε t = y t = c 1 φ + φ j ε t j = µ + ψ (L) ε t. j=0 em que µ = c 1 φ e ψ (L) = (1 φl) 1 = 1 + φl + φ 2 L 2 + José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
30 Pode-se, então, calcular: E (y t ) = µ + j=0 φ j E (ε t j ) = µ; Var (y t ) = E (y t µ) 2 = E A autocovariância de defasagem j é: ( ) 2 φ j ε t j = j=0 φ 2j E ( ε 2 ) σ 2 t j = j=0 1 φ 2. E [(y t µ) (y t j µ)] = E [( ) ( )] φ s ε t s φ s ε t s j = s=0 s=0 = σ 2 ( φ j + φ j+2 + φ j+4 + ) ( φ j = 1 φ 2 Como a média e as autocovariâncias não são funções do tempo, o processo é fracamente estacionário, independentemente do valor de φ. ) σ 2 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
31 A Figura 4 mostra quatro processos auto-regressivos. Figura: Processos AR (1) com vários valores para φ José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
32 PROCESSO AUTO-REGRESSIVO DE ORDEM 2 - AR(2) y t = c + φ 1 y t 1 + φ 2 y t 2 + ε t. E (y t ) = c + φ 1 E (y t 1 ) + φ 2 E (y t 2 ) + E (ε t ) = c E (y t ) µ =. 1 φ 1 φ 2 É conveniente reescrevê-lo de outra forma, a fim de tornar alguns cálculos mais fáceis: y t µ = φ 1 (y t 1 µ) + φ 2 (y t 2 µ) + ε t. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
33 Multiplicando ambos os lados dessa equação por (y t j µ), tomando a esperança, e como (y t j µ) não contém qualquer elemento correlacionado com ε t, se j > 0, tem-se que: E (y t µ) (y t j µ) = φ 1 E (y t 1 µ) (y t j µ) + +φ 2 E (y t 2 µ) (y t j µ) + E [ε t (y t j µ)]. Logo, por definição, encontra-se: γ j = φ 1 γ j 1 + φ 2 γ j 2, j = 1, 2,... Ou seja, a autocovariância segue um processo auto-regressivo de ordem 2. Para calcular a função de autocorrelação, é preciso apenas dividir a equação anterior por γ 0 : ρ j = φ 1 ρ j 1 + φ 2 ρ j 2, j = 1, 2,... Esse conjunto de equações está contido na família mais geral, conhecida como equações de Yule-Walker. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
34 PROCESSO AUTO-REGRESSIVO DE ORDEM p - AR(P) y t = c + φ 1 y t 1 + φ 2 y t φ p y t p + ε t = c + p j=1 φ j y t j + ε t. ) Se as raízes da polinomial (1 φ 1 z φ 2 z 2 φ p z p estiverem fora do círculo unitário (Hamilton, 1994) ou, equivalentemente, ) se as raízes da polinomial (λ p φ 1 λ p 1 φ 2 λ p 2 φ p estiverem dentro do círculo unitário (veja Enders, 2009), o processo será fracamente estacionário e poderá ser representado como um MA ( ): em que µ = c ψ (L) = 1 (φ 1 +φ 2 + +φ p ) ; y t = µ + ψ (L) ε t, ( 1 φ 1 L φ 2 L 2 φ p L p ) 1. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
35 Multiplicando por (y t j µ) e tomando a esperança: E (y t µ) (y t j µ)=φ 1 E(y t 1 µ)(y t j µ)+φ 2 E(y t 2 µ)(y t j µ)+ +φ p E (y t p µ) (y t j µ) + E [ε t (y t j µ)], tem-se: { φ1 γ γ j = j 1 + φ 2 γ j φ p γ j p, j = 1, 2,... φ 1 γ 1 + φ 2 γ φ p γ p + σ 2, j = 0. Dado que γ j = γ j, há um sistema de p + 1 equações simultâneas que pode ser resolvido para γ 0, γ 1,..., γ p. Dividindo tudo por γ 0, encontra-se o sistema de equações de Yule-Walker: ρ j = φ 1 ρ j 1 + φ 2 ρ j φ p ρ j p, j = 1, 2,..., p. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
36 PROCESSO AUTO-REGRESSIVO DE MÉDIAS MÓVEIS - ARMA(p, q) y t = c + p i=1 φ i y t i + q j=0 θ j ε t j. (3) Tomando a esperança incondicional da equação anterior, tem-se: E (y t ) µ = c + p i=1 φ i E (y t i ) = c 1 p i=1 φ. (4) i Subtraindo a equação (4) da equação (3) e aplicando a definição de E (y t ), resulta a seguinte equação: y t = µ + p i=1 em que ψ (L) = 1+ q j=1 θ j L j 1 p i=1 φ i Li. φ i (y t i µ) + q j=0 θ j ε t j = µ + ψ (L) ε t, José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
37 Reescrevendo o processo ARMA em termos dos desvios em relação à média não condicional e multiplicando por (y t h µ), tem-se: (y t µ) (y t h µ) = p i=1 φ i (y t i µ) (y t h µ) + q j=0 Tomando a esperança para h > q, pode-se encontrar um processo auto-regressivo de ordem p, pois E [ε t j (y t h µ)] = 0: θ j ε t j (y t h µ). γ h = φ 1 γ h 1 + φ 2 γ h φ p γ h p, h = q + 1, q + 2,... Se h q, a função de autocovariância torna-se bem complicada, pois há correlação entre ε t j e (y t h µ). José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
38 Example Seja um processo ARMA (1, 1): y t = φ 1 y t 1 + ε t + θ 1 ε t 1. O problema é calcular a autocovariância desse processo. γ 0 = E (φ 1 y t 1 y t + ε t y t + θ 1 ε t 1 y t ) = φ 1 γ 1 + σ 2 + θ 1 (φ 1 + θ 1 ) σ 2 ; γ 1 = E (φ 1 y t 1 y t 1 + ε t y t 1 + θ 1 ε t 1 y t 1 ) = φ 1 γ 0 + θ 1 σ 2 ; γ 2 = E (φ 1 y t 1 y t 2 + ε t y t 2 + θ 1 ε t 1 y t 2 ) = φ 1 γ 1 ;. γ h = E (φ 1 y t 1 y t h + ε t y t h θ 1 ε t 1 y t h ) = φ 1 γ h 1. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
39 Example Resolvendo as duas primeiras equações simultaneamente, resulta: γ 0 = 1 + θ φ 1 θ 1 1 φ 2 σ 2 ; 1 γ 1 = (1 + φ 1 θ 1) (φ 1 + θ 1 ) 1 φ 2 σ 2 ; 1 γ 2 = φ 1 γ 1 ; γ h = φ h 1 1 γ 1.. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
40 Para estimar os modelos ARMA, é preciso que as raízes das equações características dos processos AR e MA estejam simultaneamente fora do círculo unitário. Definition Considere o modelo α (L) y t = ε t, em que α (L) = ( 1 α 1 L α 2 L 2 α p L p). O processo é dito estável ou estacionário se α (z) = 0 para todo número complexo, z, satisfazendo z 1. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
41 Example Seja um AR (1): y t = φy t 1 + ε t. Se ocorrer φ < 1, então também sucede que 1 φz = 0 para todo complexo z, tal que z 1. Ou seja, tentativamente considere φ = 0, 8 e z = 0, 8 < 1, então 1 0, 64 = 0. De fato, para qualquer valor de z, tal que z 1, o resultado é diferente de zero. Agora, suponha que φ = 1, 25 e z = 0, 8 < 1. Nesse caso, 1 1, 25 0, 8 = 0, contrariando a definição. Portanto, a definição implica que as raízes da equação característica estão fora do círculo unitário. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
42 Obervações Pode existir parametrização redundante com o ARMA. Pegue o processo ruido branco Y t = ε t, multipliquemos ambos lados por (1 ρl): (1 ρl)y t = (1 ρl)ε t Claramente temos um ARMA(1,1) com φ 1 = ρ e θ 1 = ρ. Observe que qualquer valor de ρ descreve igualmente os dados. Como pode ser isto possible? (Exerccio 1a). E no caso ARMA(p,q) que manipulação poderia ser feita?(exerccio 1b). José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
43 FUNÇÃO GERADORA DE AUTOCOVARIÂNCIAS Há uma maneira fácil de encontrar as autocovariâncias quando ela so absolutamente somveis. O truque é usar a função geradora de autocovariâncias, definida por: g y (z) = γ j z j j= As autocovariâncias são representadas pelos coeficientes de z j, em que j é o expoente de z (um escalar complexo) e indica a ordem de defasagem da autocovariância. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
44 Example Leembremos que num MA (1): γ 0 = ( 1 + θ 2) σ 2 ; γ 1 = θσ 2 ; γ j = 0, j > 1. assim teriamos g y (z) = [θσ 2 ]z 1 + [(1 + θ 2 )σ 2 ]z 0 + [θσ 2 ]z 1 Esta expresso pode ser re-escrita como g y (z) = σ 2 (1 + θz) ( 1 + θz 1) o que sugere, que em geral g y (z) = σ 2 ψ (z) ψ ( z 1), com ψ (L) = 1 + θl para o MA (1) José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
45 Example Seja um AR (1), tal que ψ (L) = 1 1 φl, então: g y (z) = O coeficiente de z j é: σ 2 (1 φz) (1 φz 1 ) = = σ 2 ( 1 + φz + φ 2 z 2 + ) ( 1 + φz 1 + φ 2 z 2 + ). para j = 0 : σ 2 ( 1 + φ 2 + φ 4 + ) = σ2 1 φ 2 ; para j = 1 : σ 2 ( φ + φ 3 + φ 5 + ) = φσ2 1 φ 2 ;. para j = h : σ 2 ( φ h + φ h+1 φ + φ h+2 φ 2 + ) = σ2 φ h 1 φ 2. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
46 FILTROS Transformações em séries econômicas = filtragem. Por exemplo, deseja-se diferenciá-la de modo a estacionarizá-la. Considere o modelo: y t = (1 + θl) ε t. Suponha que se transforme y da seguinte forma: x t = (1 L) y t = y t. Substituindo a primeira equação nesta última, obtém-se o seguinte MA (2): x t = (1 L) (1 + θl) ε t. A função geradora de autocovariância de x pode ser assim caracterizada: g x (z) = σ 2 (1 z) (1 + θz) ( 1 z 1) ( 1 + θz 1) = = (1 z) ( 1 z 1) g y (z). José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
47 Generalizando, é cabível passar um filtro h (L) na série y, tal que: x t = h (L) y t, em que h (L) = j= h j L j ; e j= h j <. Então, é fácil ver que: g x (z) = h (z) h ( z 1) g y (z). José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
48 INVERTIBILIDADE Similar à idéia de convergência das equações a diferenças, os processos de médias móveis devem ser invertíveis. Isso significa escrever um MA (q) como um AR ( ) se certas condições forem satisfeitas. Seja um processo MA (1): y t µ = ε t + θε t 1 = (1 + θl) ε t. Se θ < 1, pode-se reescrever esse processo da seguinte forma: (y t µ) (1 + θl) 1 = ε t = (y t µ) ( 1 θl + θ 2 L 2 ) = ε t = y t µ = j=1 ( θ) j (y t j µ) + ε t. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
49 Haverá ( invertibilidade se as raízes características da polinomial 1 + θ1 L + θ 2 L θ q L q) estiverem fora do círculo unitário. Propósitos da invertibilidade: sem ela, a série não poderia ser estimada recursivamente, usando observações passadas; segundo, para haver unicidade de resultados. Para o primeiro ponto, admita que θ > 1. Pode-se inverter a equação da seguinte forma: ( ) (y t µ) (1 + θl) 1 yt µ (θ = θ 1 L 1) = ε L 1 t. O denominador da fração permite a inversão para uma progressão geométrica, pois θ 1 < 1: θε t 1 = (y t µ) ( 1 θ 1 L 1 + θ 2 L 2 θ 3 L 3 + ) = y t µ = j=1 ( θ) j (y t+j µ) + θε t 1. y t depende das observações futuras. Logo, o modelo não pode ser estimado se as raízes do processo MA estiverem dentro do círculo unitário. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
50 Para entender o segundo ponto considere inicialmente um processo y a t = (1 + θl) ε t. Esse processo possui: var (yt a ) = ( 1 + θ 2) σ 2 ; ρ (1) = θ 1 + θ 2 = 1 1 θ + θ. Considere agora o processo yt b = ( 1 + θ 1 L ) e t, e t RB ( 0, θ 2 σ 2). Esse processo possui: ( ) var yt b = (1 + 1θ ) 2 θ 2 σ 2 = ( 1 + θ 2) σ 2 = var (yt a ) ; ρ (1) = 1 θ = 1 1 θ 2 θ + θ. A conclusão é que as séries y a e y b são indistinguíveis. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
51 Equivalentemente, em termos da função geradora de autocovariância, tem-se: desde que se defina g y (z) = σ 2 ( θ z 1 ) ( θ z ) = = σ 2 ( 1 + θz 1) (1 + θz), σ 2 = σ2 θ 2. Ou seja, as funções de autocovariância são idênticas para um processo MA (1) em que y t = ε t + θε t 1 e y t = ε t + 1 θ ε t 1. A que conclusão nos leva isto? José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
Aula 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 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 maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
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 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 para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
Leia maisECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015
ECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015 Solução Questão I (2,0 pontos): Para o modelo y t = 0, 7y t 1 + ɛ t, com ruído branco ɛ t (0, 1), (a) (0,5) Obtenha a previsão h-passos a frente, ŷ
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia maisCapítulo 3. Modelos Probabilísticos
Capítulo 3 Modelos Probabilísticos 3.1 Introdução Neste capítulo serão descritos vários modelos adequados para dados de séries temporais. Tais modelos são chamados de processos estocásticos. Matematicamente
Leia maisSéries 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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere
Leia maisConceitos Básicos de Séries Temporais para Modelagem Macroeconômica
Conceitos Básicos de Séries Temporais para Modelagem Macroeconômica Material de apoio à aula de RBC Referencia bibliográfica: Introduction to Econometrics G S Maddala e Kajal Lahiri 4a. Edição, John Wiley
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
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 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 mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
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 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 maisVetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações
Leia maisEspaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:
Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números
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 maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
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 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. 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 maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisMAE 5882 aula 02. O log-retorno de período k (agregação temporal dos retornos)
Agregação de Retornos MAE 5882 aula 02 O log-retorno de período k (agregação temporal dos retornos) Agregação cross-section (transversal), para diversos ativos de uma carteira de investimentos, c: Suponha
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
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 maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisMAE 5882 aula 02. O log-retorno de período k (agregação temporal dos retornos)
Agregação de Retornos MAE 5882 aula 02 O log-retorno de período k (agregação temporal dos retornos) Agregação cross-section (transversal), para diversos ativos de uma carteira de investimentos, c: Suponha
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
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 mais2. Séries Temporais Definição
23 2. Séries Temporais 2.1. Definição Um processo estocástico é uma função aleatória que evolui no tempo (e/ou no espaço), definida sob um espaço de probabilidades. Mais precisamente, um processo estocástico
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
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 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 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 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 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 maisEXAME NACIONAL DE SELEÇÃO 2010
EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1 o Dia: 30/09/2009 - QUARTA FEIRA HORÁRIO: 10h 30m às 12h 45m (horário de Brasília) EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1º Dia: 30/09
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
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 maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
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 maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisInterpolação. Interpolação. Padrões de amostragem. Autocorrelação. Padrões de amostragem. Padrões de amostragem
Sistemas de Informação Geográfica II Interpolação 1. Interpolação Autocorrelação Padrões de amostragem Validação de resultados Interpolação Predição do valor de atributos em pontos não-amostrados Tempo
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisEstimação na Presença de Ruído colorido
36 Estimação na Presença de Ruído colorido Como se viu, em presença de ruído colorido, os mínimos quadrados fornecem uma estimativa polarizada. Quer dizer, ao fazer muitas observações a estimativa não
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 maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisModelos de Perturbações. As perturbações existentes num sistema impôem limitações fortes no desempenho dos sistemas de controlo.
38 Modelos de Perturbações As perturbações existentes num sistema impôem limitações fortes no desempenho dos sistemas de controlo. Pertub. à entrada Pertub. internas Pertub. à saída u Sistema medição y
Leia maisProbabilidade IV. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período
Probabilidade IV Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.2 Ulisses Umbelino (DE-UFPB) Probabilidade IV Período 2014.2 1 / 20 Sumário 1 Apresentação
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisPROCESSOS ESTOCÁSTICOS. O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial.
37 PROCESSOS ESTOCÁSTICOS O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial. Ex: i) O valor da temperatura média diária ou semanal numa cidade. O acontecimento
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
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 maisANÁLISE MATEMÁTICA IV LEEC SÉRIES, SINGULARIDADES, RESÍDUOS E PRIMEIRAS EDO S. disponível em
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Última actualiação: //003 ANÁLISE MATEMÁTICA IV LEEC RESOLUÇÃO DA FICHA 3 SÉRIES, SINGULARIDADES, RESÍDUOS E PRIMEIRAS
Leia maisResumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf
Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Processos Estocásticos 2 Classicação
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 mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
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 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 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 mais2 Modelos em Espaço de Estado Lineares: Formulação Geral
2 Modelos em Espaço de Estado Lineares: Formulação Geral 2.1 Definição Geral de um Modelo Linear Apresenta-se uma definição de modelos em EE lineares que seja a mais geral e flexível possível, e que segue
Leia mais2. Modelos periódicos autorregressivos 2.1. Planejamento da Operação do Sistema Interligado Nacional
24 2. Modelos periódicos autorregressivos 2.1. Planejamento da Operação do Sistema Interligado Nacional A energia de origem hídrica predomina na matriz elétrica brasileira. Isso devese ao fato de o país
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisGabarito da Prova Final Unificada de Cálculo IV Dezembro de 2010
Gabarito da Prova Final Unificada de Cálculo IV Dezembro de a Questão: (5 pts) Dentre as três séries alternadas abaixo, diga se convergem absolutamente, se convergem condicionalmente ou se divergem Justifique
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 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 maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
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 maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
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 mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia mais1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
Leia maisc + 1+t 2 (1 + t 2 ) 5/2 dt e 5 2 ln(1+t2 )dt (1 + t 2 ) 5/2 dt (c 5/2 + (1 + t 2 ) 5/2 (1 + t 2 ) 5/2 dt ϕ(t) = (1 + t 2 ) 5/2 (1 + t).
Análise Complexa e Equações Diferenciais 2 o Semestre 206/207 3 de junho de 207, às 9:00 Teste 2 versão A MEFT, MEC, MEBiom, LEGM, LMAC, MEAer, MEMec, LEAN, LEMat [,0 val Resolva os seguintes problemas
Leia maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisAula 25 - Espaços Vetoriais
Espaço Vetorial: Aula 25 - Espaços Vetoriais Seja V um conjunto não vazio de objetos com duas operações definidas: 1. Uma adição que associa a cada par de objetos u, v em V um único objeto u + v, denominado
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisUma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro
Uma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro 1 Introdução Everton Batista da Rocha 1 2 Marcelo Lopes Moraes 3 Marcos Aurelio Rodrigues 3 O real
Leia mais