ÉLIA YATHIE MATSUMOTO (180720)
|
|
- Maria Luiza Camarinho Canejo
- 6 Há anos
- Visualizações:
Transcrição
1 Trabalho apresentado como parte da avaliação da disciplina Econometria das Séries de Tempo, ministrada pelo Prof. Paulo Picchetti no 3 trimestre de 2007 para o curso MPFE-FGV. Uma abordagem econométrica para responder a questão: Como avaliar as afirmações baseadas em estimativas, previsões e inferências que recebemos todos os dias? ÉLIA YATHIE MATSUMOTO (180720) Resumo: Este trabalho propõe ilustrar, com um exemplo extremamente simples, como a econometria pode ajudar a avaliar afirmações publicadas. Neste texto, examinamos a informação divulgada, recentemente, de que uma das causas do aumento de venda de automóveis é o aumento da disponibilidade de crédito. Apesar de, intuitivamente, a afirmação parecer verdadeira, o estudo verificou sua aceitabilidade do ponto de vista econométrico. A avaliação foi realizada por meio da análise de dados mensais de duas séries de tempo de junho/2000 a julho/2007: venda de automóveis e operações de crédito no sistema financeiro. O tipo de modelo aplicado foi escolhido com base nas características das séries que foram confrontadas com alguns modelos econométricos clássicos cujas premissas e requisitos estão descritos neste artigo. O resultado da estimativa da série de tempo de venda de automóvel, como era esperado, indica que a venda de automóvel é afetada pela disponibilidade de crédito. Além disso, como informação adicional, o modelo indica que o efeito da disponibilidade de crédito leva 12 períodos para afetar a venda de automóvel.
2 1. Introdução: Este trabalho propõe ilustrar, com um exemplo prático, como a econometria pode ajudar a avaliar afirmações sobre estimativas, previsões, insights sobre relação causa/efeito publicadas nos meios de comunicação, nas mais variadas áreas, desde previsão do tempo, análise do mercado financeiro, até conclusões apocalípticas sobre o aquecimento global e o futuro do planeta. Neste texto, examinamos a informação divulgada 1, recentemente, de que uma das causas do aumento de venda de automóveis é o aumento da disponibilidade de crédito. Apesar de, intuitivamente, a afirmação parecer verdadeira, o estudo teve como objetivo verificar sua aceitabilidade do ponto de vista econométrico. O tipo de modelo aplicado foi escolhido com base nas características das séries de tempo estudadas, confrontando-as com alguns modelos econométricos clássicos cujas premissas e requisitos estão descritas no item 2. A avaliação foi realizada por meio da análise de dados mensais de duas séries de tempo de junho/2000 a julho/2007, venda de automóveis e operações de crédito no sistema financeiro, cujo tratamento está descrito no item 3. O item 4 descreve o processo de escolha do modelo para estimar a série de tempo de venda de automóvel. O item 5 contém a conclusão do estudo. 1 DA FOLHA ON LINE Ainda embaladas pela explosão do financiamento de veículos no Brasil, as montadoras voltaram a bater, em julho, recordes de produção e vendas de carros. 2
3 2. Breve Resumo Teórico [1] A teoria de Econometria das Séries de Tempo tem como principal objetivo ajudar a prever, interpretar e estruturar inferências a respeito de fenômenos (em particular, econômicos e financeiros) por meio do desenvolvimento de modelos estatísticos capazes de estimar o comportamento dos dados relacionados aos fenômenos observados, acumulados ao longo do tempo. A estratégia básica utilizada pela teoria econométrica é modelar comportamentos de séries de tempo utilizando conjuntos de seus valores passados, estruturados na forma de equações em diferenças desses valores. Este tipo de tratamento é conhecido como análise auto-regressiva e é a base da estratégia implementada pela família de modelos econométricos AR(n). Em econometria, como em outros métodos de estimação, choques e incertezas são modelados como componentes estocásticos. Alguns desses modelos utilizam média móvel dos choques para que choques recentes tenham efeitos mais fortes que choques antigos. Estes modelos são conhecidos como MA(p) (moving average): A combinação dos modelos AR e MA gera a família dos modelos ARMA(p,q): 3
4 Este modelo permite que modelos de variáveis exógenas à série estimada sejam incorporadas para melhor o modelo principal: X(t) variável exógena Neste ponto, antes de prosseguirmos com as descrições, vale parar para apresentar conceitos, definições, premissas e requisitos necessários para a utilização dos modelos econométricos. Nem todas as séries de tempo podem ser modeladas. Se a série for estocástica (séries onde o valor atual não tem nada haver com os valores passados), a equação em diferenças resulta em uma série cuja definição é conhecida como ruído branco (E(Ɛt) choque puro) que não pode ser modelada por ser completamente aleatória. As propriedades de um ruído branco são: 1. Média igual à zero; 2. Variância constante; 3. Covariância entre todos os resíduos igual à zero. Para verificar se uma série é estocástica devemos examinar a função de Autocorrelação (Autocorrelation Function ACF) da série que informa a correlação entre os valores da série. Se estes valores forem estatisticamente iguais à zero, a série é estocástica. Ruídos brancos não podem ser modelados, porém suas propriedades são fundamentais para a análise econométrica, pois fornecem informações importantes que auxiliam: 1. A identificação de sistemas ARMA pelo método Box-Jekins por meio da análise do correlograma parcial dos resíduos. 2. A avaliação da qualidade de estimação de um modelo. Se a estimação y1(t) gerada por um modelo de estimação da variável y(t) for perfeita, isto significa que y1(t) contém toda a parte determinista de y(t), consequentemente, a série composta pela diferença [y(t)-y1(t)] (resíduo ou erro da estimação) deverá conter apenas os choques, ou seja, deverá ser um ruído branco. Desta forma, um modelo é considerado aceitável se a série de seus 4
5 resíduos for um ruído branco (tiver média zero, variância constante e auto-correlação zero). Isto pode ser avaliado analisando-se função de autocorrelação parcial dos resíduos (Parcial Autocorrelation function - PACF) que exibe as autocorrelações parciais entre os resíduos do modelo. OBS: para comparar a qualidade entre modelos (com mesma distribuição de probabilidade) utilizam-se os critérios de Akaike ou Schwarz. Nem todas as séries podem ser modeladas em nível. Para garantir que equações em diferenças tenham solução (existência de convergência), é necessário definir restrições sobre o comportamento das séries. Formalmente, diz-se que a série deve ser estacionária, isto é, que tenha: 1. Média constante; 2. Variância constante (série homocedástica); 3. Covariância entre todas as observações constante. Ou, que a série não tenha uma raiz unitária. Se uma série for estacionária ela é chamada de I(0), caso contrário I(n), com n>0 (onde n indica a ordem da tendência da série). No caso das áreas de economia e finanças, o tipo de série não estacionária mais comum é a I(1) (tendência linear). Séries I(1) caracterizam-se pelo fato de que nelas choques têm efeito permanente, ao contrário, do que ocorre com séries I(0) nas quais os efeitos dos choques têm efeito temporário. O teste estatístico Dickey-Fuller Aumentado (ADF - Augmented Dickey-Fuller) verifica se uma série é estacionária. O teste consiste em verificar a rejeição ou não da hipótese nula H0: a série tem raiz unitária. Se a hipótese nula não puder ser rejeitada, a hipótese de que a série não é estacionária é aceita. No caso de uma série ser I(1), para que ela possa ser modelada, é necessário transformá-la em I(0), ou seja, eliminar sua tendência que faz com que sua média não seja constante. Se a 5
6 tendência for estocástica (aleatória), basta tirar a 1ª diferença, caso contrário, é necessário subtrair a tendência determinista. Em geral, softwares provêm o teste Dickey-Fuller aumentado com a incorporação de tendência e constante para facilitar a identificação dessa característica da série e, posteriormente, a sua transformação em I(0). Desta forma, torna-se possível modelar séries cujas médias não são constantes. Denomina-se ARIMA(p,r,q) a família de modelos nos quais é necessário retirar r-diferenças das série para transforma-la em I(0) e modelá-la como ARMA(p,q). Por exemplo: no modelo ARIMA(p,1,q), a 1ª diferença transforma a série em I(0) que pode ser modelada por ARMA(p,q). Os modelos ARMA pressupõem que a volatilidade da série constante, portanto não são bons modelos para prever séries cuja volatilidade não é constante (séries heterocedásticas). Porém, como conseqüência desta aparente deficiência, o erro de previsão resultante da estimação de uma série heterocedástica por um modelo ARMA pode ser utilizado para modelar a variação da volatilidade da série. Esta idéia é a base para a definição dos modelos das famílias ARCH (Autoregressive Conditional Heteroskedasticity) / GARCH (Generalized Autoregressive Conditional Heteroskedasticity), muito utilizados para modelar volatilidade de ativos e opções. AR refere-se à utilização de termos autoregressivos, C refere-se ao fato de o modelo basear-se nas informações condicionais ao passado da variável (conseqüência do uso do modelo ARMA) e H refere-se à característica heterocedástica da série. Os modelos da família ARCH(r) utilizam informações passada do quadrado dos erros de previsão: (Proposto por Robert Engle 1982) 6
7 Os modelos da família GARCH(p,q) acrescentam componentes auto-regressivos da própria volatilidade. O G refere-se a esta generalização com relação à definição inicial. Além disso, se (p+q) < r existe um ganho de eficiência no modelo GARCH. onde Anteriormente, mencionamos que um modelo pode ser melhorado com a incorporação de variáveis exógenas, porém como saber se uma variável é exógena ao modelo? E se for endógena, como tratá-la? Existem duas definições de enxogeneidade pertinentes ao contexto que estamos abordando: 1. Enxogeneidade fraca : a série {Zt} é fracamente exógena a {Yt} se o resíduo do modelo (por exemplo, ARMA de Yt) e a série {Zt} é zero. Isto pode ser avaliado analisando-se função de correlação cruzada (Cross-correlation function) que exibe a correlação entre o resíduo do modelo {Et} e a série {Zt}. 2. Endogeneidade forte : a série {Zt} é fortemente exógena se ela é fracamente exógena e o {Zt} não granger causa {Yt}, ou se o passado de {Zt} não afeta contemporaneamente {Yt}. Causalidade de Granger: por definição, diz-se que uma série {Zt} não granger -causa a série {Yt} se E[Yt Yt-1,Zt-1] = E[Yt Yt-1]. O estudo da incorporação de variáveis exógenas a um modelo é chamado de análise de intervenção. A base desta estratégia é tentar medir os impactos nos valores da série exógena sobre a trajetória da variável principal. O modelo ARMA ajustado para a variável exógena recebe o nome de função de transferência. No caso de variáveis endógenas, a estruturação do problema no formato proposto pelos modelos ARMA, ARCH/GARCH gera equações nas quais informações contemporâneas das variáveis 7
8 aparecem dos dois lados da equação que devem ser tratados conjuntamente. Este tipo de especificação é denominado VAR (Vetores Autoregressivos). Por exemplo, este sistema de equações na forma estrutural: Para resolver as equações, podemos manipulá-las algebricamente para obter, por exemplo, este sistema de equações na forma reduzida: A transformação do sistema da forma estrutural para a forma reduzida resolve o problema de resolução do sistema de equações. O próximo passo é recuperar os coeficientes da forma estrutural para podermos efetuar analise de efeitos dos choques sobre as séries. Porém, como os erros na forma reduzida são, por construção, co-relacionados, os sistema de equações obtido é um sistema sub-identificado. Os métodos desenvolvidos para resolver este problema são genericamente denominados restrições de identificação e possuem ao menos dois pontos em comum: 1. Pressupõe que todas as séries são estacionárias; 2. Arbitram alguma condição de restrição sobre o sistema. Dentre eles, podemos citar: Decomposição de Cholesky (ou método de ordenação): a ordenação das séries no vetor autoregressivo estabelece uma ordem de efeito temporal, por exemplo: a primeira série não tem efeito contemporâneo sobre a segunda, que não tem sobre a terceira, e assim por diante. É um modelo de resolução simples, porém só faz sentido se as variáveis realmente se comportarem desta forma. Além disso, o resultado é extremamente sensível à escolha da ordem. 8
9 Sims / Bernanke: o método VAR foi transportado da área de controle de sistemas da engenharia para a área de finanças. Na teoria de controle, sistemas sub-identificados são definidos por meio da definição de condições de contorno, em geral, impostas pelo mundo real (por exemplo, aceleração da gravidade = 9.8 m/s 2 ). Analogamente, o artigo publicado por Sims/Bernanke (1986) propõe fazer restrições baseadas em teoria econômica: restrições sobre coeficientes, sobre a matriz de covariância, restrições de simetria. Blanchard & Quah: este método também propõe que as restrições sejam baseadas em teoria econômica. A idéia é de que a dinâmica entre as variáveis possa ser decomposta em dois componentes: transitório (efeito de curto prazo) e permanente (efeito de longo prazo). Para que seja possível existir um componente de efeito de longo prazo, pelo menos uma das séries deve ser I(1), pois, como já mencionado, para elas, o efeito dos choques é permanente. Intuitivamente, a proposta deste método supõe que um dos choques estruturais tem efeito de longo prazo igual à zero sobre uma das variáveis. A restrição imposta para que esta condição seja válida é utilizada para definir o sistema de equações. Vetor de Cointegração e Modelo de Correção de Erro: como já foi dito, o VAR exige que todas as variáveis sejam I(0). Este método, por sua vez, pressupõe que todas as variáveis sejam I(1). Da mesma forma que no método Blanchard & Quah, este método procura identificar relações de equilíbrio de longo e curto prazo entre as variáveis, porém, ao invés de basear-se em teoria econômica, o Modelo de Correção de Erro (ECM Error Correction Model) tenta obter essas informações a partir do histórico das séries I(1), e utilizar essas condições de equilíbrio para identificar o sistema definido pelas equações na forma reduzida gerada pelas séries transformadas em I(0). Essas relações de equilíbrio são chamadas de vetor de cointegração. Este método também foi transportado da área de controle de sistemas da engenharia para a área de finanças. 9
10 Por exemplo: um problema típico tratado pela teoria de controle de sistema é calcular a resposta do sistema massa-mola-amortecedor, ou seja, dados os valores das massas M, dos coeficientes de elasticidade K e os coeficientes de amortecimento C, obter deslocamento dos três objetos: Dados: M1 = 0.5 Kg M2 = 1.0 Kg M3 = 1.5 Kg K11 = 3500 N/m 2 K12 = -2000N/m 2 K13 = 0 C11 = 35 N.s/m 2 C12 = -20 N.s/m 2 C13 = 0 K21 = N/m 2 K22 = 4500 N/m 2 K23 = N/m 2 C21 = -20 N.s/m 2 C22 = 45 N.s/m 2 C23 = 25 N.s/m 2 K31 = 0 N/m 2 K32 = N/m 2 K33 = 2500 N/m 2 C31 = 0 C32 = 25 N.s/m 2 C33 = 25 N.s/m 2 Assim, a equação para um impulso de freqüência de 3500 rpm e tempo variando de t = 0 a 0.5 segundos do problema será: x x x x 25 x 25 x x 2500 x 2500 x sen(3500t) A solução do sistema matricial de equações diferenciais variando no tempo gera o seguinte gráfico de deslocamento dos objetos: 3.5 x 10-6 Deslocamento 3 M1 M2 M
11 Usando uma analogia informal, em finanças, o Modelo de Correção de Erro procura fazer o caminho inverso : a partir de medidas de deslocamento observadas, ou seja, das séries de tempo das variáveis, o modelo tenta verificar se existe cointegração entre as variáveis (no caso do sistema massa-mola-amortecedor, são as relações de forças de equilíbrio entre as massas), e, a partir daí, estimar os coeficientes das matrizes (no sistema massa-mola-amortecedor, os coeficientes são dados do problema). Ou seja, a partir do gráfico abaixo, estimar os coeficientes das matrizes acima: 3.5 x Serie1 Serie2 Serie Neste item, apresentamos uma breve descrição de alguns dos modelos econométricos considerados clássicos pela literatura técnica. Nos próximos capítulos, descreveremos os experimentos realizados nesta pesquisa. 11
12 3. Descrição dos Dados: Para a elaboração deste trabalho, escolhemos duas séries de tempo mensais disponíveis na base de dados do IPEA ( no período de Junho de 2000 a Julho de 2007, totalizando 331 observações. VENDAS_AUTOMOVEL (06/2000 a 07/2007) Vendas - automóveis - nacionais - Unidade - Anfavea - ANFAVE12_VPASSA VENDA_AUTOMOVEIS CREDITO_FINANCEIRO (06/2000 A 07/2007) Operações de crédito do sistema financeiro - total - (% PIB) - BCB Boletim/Moeda - BM12_SFTOTY CREDIT O_FINANCEI 12
13 4. Desenvolvimento do Modelo Inicialmente, aplicamos o teste ADF nas séries em nível (com intercepto, sem tendência, com 12 defasagens), e verificamos a presença de raiz unitária nas duas séries (Apêndice 1), o que as classificou como séries I(1) com tendência estocástica. Antes de tirar a 1ª diferença das séries para transformá-las em I(0), realizamos o teste de Johansen, e verificamos que não existência de um vetor de cointegração (Apêndice 2). Desta forma, iniciamos a escolha de um modelo para a estimação da 1ª diferença da variável VENDA_AUTOMOVEIS Modelo de estimação da 1ª diferença da variável VENDA_AUTOMOVEIS (DVA) Com base na análise do correlograma na variável DVA (Apêndice 3), escolhemos MA(1) como primeira tentativa. Apesar de o coeficiente ser significante, o correlograma dos resíduos do modelo indicou a presença de correlação entre os erros na 2ª defasagem. Além desta, mais quatro especificações foram avaliadas: MA(2), AR(2), ARMA(1,1), ARMA(1,2), ARMA(2,2). Em nenhum dos casos o modelo se mostrou aceitável. Ou os coeficientes não foram significantes, ou o correlograma dos resíduos indicou autocorrelação (Apêndice 3). 13
14 4.2. Modelo de estimação com a introdução da 1ª diferença da variável CREDITO_FINANCEIRO (DCF) Como, logo no início do desenvolvimento do modelo, verificamos a não existência de cointegração entre as variáveis DVA (Vendas de automóvel) e DCF (Crédito Financeiro), o objetivo do próximo passo foi identificar se e como a variável DCF afeta DVA. Isto foi feito com a incorporação da variável DCF ao modelo para tentar melhorar a especificação definida no item 4.1. Pelo fato de a forma de incorporação depender da relação entre as variáveis DCF e DVA, isto é, variáveis exógenas devem ser incorporadas como função de transferência, e variáveis exógenas, como VAR, para verificar exogeneidade, analisamos o resultado da função de correlação cruzada entre o resíduo do modelo e a variável DCF, e realizamos o teste de causalidade de Granger. Os dois testes indicaram exogeneidade da variável DCF (Crédito Financeiro), sendo assim, a variável foi incorporada ao modelo como função de transferência. O modelo que apresentou melhor resultado foi o que incorporou a função de transferência da variável DCF especificada como AR(12,0). Dependent Variable: DVA Method: Least Squares Included observations: 73 after adjusting endpoints Convergence achieved after 31 iterations White Heteroskedasticity-Consistent Standard Errors & Covariance Backcast: 2000:06 Variable Coefficient Std. Error t-statistic Prob. DCF(12) MA(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 8.07E+09 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
15 Além de os coeficientes resultarem significantes, o correlograma dos resíduos mostrou que as autocorrelações foram eliminadas. Desta forma, a partir desses resultados, podemos concluir que venda de carros é afetada por crédito financeiro. O fator de o coeficiente associado ao termo DCF(12) ser positivo permitiu aceitar a afirmação de que uma das causas do aumento de venda de automóveis é o aumento da disponibilidade de crédito. Além disso, obtivemos a informação adicional de que o efeito do aumento de disponibilidade de crédito leva um ano (12 meses) para ser refletido no aumento de vendas de automóvel. 15
16 5. Conclusão Neste trabalho, ilustramos como avaliar se a afirmação, uma das causas do aumento de venda de automóveis é o aumento da disponibilidade de crédito, é aceitável do ponto de vista econométrico ou não. Além de concluirmos que sim, o modelo desenvolvido forneceu a informação adicional de que aumentos na disponibilidade de crédito levam um ano para se refletirem no aumento das vendas de automóvel. Como dissemos, pretendemos, com este exemplo simples e prático, mostrar como a econometria pode ser usada para avaliar afirmações sobre estimativas, previsões, insights sobre relação causa/efeito de um modo geral, desde que os dados sejam corretamente tratados, as hipóteses e premissas respeitadas e os modelos adequadamente calibrados. Para tanto, é necessário conhecer tanto as características do fenômeno analisado, quanto o instrumental de modelagem disponível na teoria de econometria. No item 2, deste texto, listamos apenas algumas famílias de modelos econométricos. Além dos citados, existem muitos outros modelos e testes para tratamento específicos de séries de tempo como, por exemplo, sazonalidade e quebra estrutural. Bibliografia: [1] Applied EconometricTime Series (Second Edition), W. Enders, Wiley. 16
17 APÊNDICE 1. Testes ADF ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(CREDITO_FINANCEI) Method: Least Squares Date: 09/18/07 Time: 11:41 Sample(adjusted): 2001: :07 Included observations: 73 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. CREDITO_FINANCEI(-1) D(CREDITO_FINANCEI(-12)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(VENDA_AUTOMOVEIS) Method: Least Squares Date: 09/18/07 Time: 11:44 Sample(adjusted): 2001: :07 Included observations: 73 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. VENDA_AUTOMOVEIS(-1) D(VENDA_AUTOMOVEIS(-12)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 7.31E+09 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
18 2. Teste de Co-integração (Johansen) VAR Congruente: Date: 09/16/07 Time: 23:31 Sample(adjusted): 2000: :07 Included observations: 85 after adjusting endpoints Standard errors & t-statistics in parentheses CREDITO_FINANCEI VENDA_AUTOMOVEIS CREDITO_FINANCEI(-1) ( ) ( ) ( ) ( ) VENDA_AUTOMOVEIS(-1) 1.79E (5.0E-06) ( ) ( ) ( ) C ( ) ( ) ( ) ( ) R-squared Adj. R-squared Sum sq. resids E+10 S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent Determinant Residual Covariance Log Likelihood Akaike Information Criteria Schwarz Criteria Date: 09/16/07 Time: 23:34 Sample: 2000: :07 Included observations: 84 Series: CREDITO_FINANCEI VENDA_AUTOMOVEIS Lags interval: 1 to 1 Data Trend: None None Linear Linear Quadratic Rank or No Intercept Intercept Intercept Intercept Intercept No. of CEs No Trend No Trend No Trend Trend Trend Resultado: não existe co-integração 18
19 MA(1) 3. Resultados das estimativas modelos do item 4.1 Dependent Variable: DVA Method: Least Squares Date: 09/18/07 Time: 12:12 Sample(adjusted): 2000: :07 Included observations: 85 after adjusting endpoints Convergence achieved after 9 iterations White Heteroskedasticity-Consistent Standard Errors & Covariance Backcast: 2000:06 Variable Coefficient Std. Error t-statistic Prob. MA(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.19E+10 Schwarz criterion Log likelihood Durbin-Watson stat Inverted MA Roots.57 19
20 MA(2) Dependent Variable: DVA Method: Least Squares Date: 09/18/07 Time: 12:14 Sample(adjusted): 2000: :07 Included observations: 85 after adjusting endpoints Convergence achieved after 5 iterations White Heteroskedasticity-Consistent Standard Errors & Covariance Backcast: 2000: :06 Variable Coefficient Std. Error t-statistic Prob. MA(2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.38E+10 Schwarz criterion Log likelihood Durbin-Watson stat Inverted MA Roots
21 AR(2) Dependent Variable: DVA Method: Least Squares Date: 09/18/07 Time: 12:16 Sample(adjusted): 2000: :07 Included observations: 83 after adjusting endpoints Convergence achieved after 2 iterations White Heteroskedasticity-Consistent Standard Errors & Covariance Variable Coefficient Std. Error t-statistic Prob. AR(2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.37E+10 Schwarz criterion Log likelihood Durbin-Watson stat
22 ARMA(1,1) Dependent Variable: DVA Method: Least Squares Date: 09/18/07 Time: 12:18 Sample(adjusted): 2000: :07 Included observations: 84 after adjusting endpoints Convergence achieved after 15 iterations White Heteroskedasticity-Consistent Standard Errors & Covariance Backcast: 2000:07 Variable Coefficient Std. Error t-statistic Prob. AR(1) MA(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.14E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots.30 Inverted MA Roots.78 22
23 ARMA(1,2) Dependent Variable: DVA Method: Least Squares Date: 09/18/07 Time: 12:22 Sample(adjusted): 2000: :07 Included observations: 84 after adjusting endpoints Convergence achieved after 6 iterations White Heteroskedasticity-Consistent Standard Errors & Covariance Backcast: 2000: :07 Variable Coefficient Std. Error t-statistic Prob. AR(1) MA(2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.15E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots -.47 Inverted MA Roots
24 AR(2,2) Dependent Variable: DVA Method: Least Squares Date: 09/18/07 Time: 12:23 Sample(adjusted): 2000: :07 Included observations: 83 after adjusting endpoints Convergence achieved after 7 iterations White Heteroskedasticity-Consistent Standard Errors & Covariance Backcast: 2000: :08 Variable Coefficient Std. Error t-statistic Prob. AR(2) MA(2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.37E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots Inverted MA Roots
25 4. Teste de Causalidade (Granger) Pairwise Granger Causality Tests Date: 09/18/07 Time: 12:50 Sample: 2000: :07 Lags: 12 Null Hypothesis: Obs F-Statistic Probability DVA does not Granger Cause DCF DCF does not Granger Cause DVA Resultado: nenhuma variável granger-causa a outra 5. Função de correlação cruzada Tabela da função de correlação cruzada entre o resíduo do modelo MA(1) e a série DCF com 12 defasagem. 25
Tabela 1 - Teste de Dickey-Fuller para série log-preço futuro. Teste ADF 0, ,61% Tabela 2 - Teste de Dickey-Fuller para série log-preço à vista
32 5. Resultados 5.1. Séries Log-preço Para verificar se as séries logaritmo neperiano dos preços (log-preço) à vista e futuro e as séries logaritmo neperiano dos retornos (log-retorno) à vista e futuro
Leia maisGabarito Trabalho 2. Variable Coefficient Std. Error t-statistic Prob.
Gabarito Trabalho 2 1. Estimando o modelo Date: 06/10/10 Time: 04:00 Sample: 2003M01 2008M01 Included observations: 70 C -2.046423 5.356816-0.382022 0.7038 LN_IPC_BR 2.041714 1.150204 1.775089 0.0811 LN_IPC_AR
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 maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 7
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 7 Armando Manuel 09/29/2017 10. ECONOMETRIA DAS SERIES TEMPORAIS a) Processos Estocásticos b) A Cointegração c) A Previsão 1. Modelo Box
Leia maisFACULDADE DE ECONOMIA DO PORTO. Curso de Mestrado em Economia MÉTODOS ECONOMÉTRICOS (EC706)
FACULDADE DE ECONOMIA DO PORTO Curso de Mestrado em Economia MÉTODOS ECONOMÉTRICOS (EC706) Exame Final 10 de Janeiro de 2005 NOTAS PRÉVIAS: 1. A prova tem três horas de duração. 2. Apenas é permitida a
Leia maisFACULDADE DE ECONOMIA DO PORTO. Curso de Mestrado em Economia MÉTODOS ECONOMÉTRICOS (ECON703)
FACULDADE DE ECONOMIA DO PORTO Curso de Mestrado em Economia MÉTODOS ECONOMÉTRICOS (ECON703) Exame Final 9 de Janeiro de 2006 NOTAS PRÉVIAS: 1. A prova tem três horas de duração. 2. Apenas é permitida
Leia maisECONOMETRIA I. I (12 valores)
Faculdade de Economia Universidade Nova de Lisboa ECONOMETRIA I Exame de 2ª Época 26 de Janeiro de 2005 Duração: 2 horas I (12 valores) ATENÇÃO: Para as 10 primeiras questões deste grupo existem 4 opções
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO MÉTODOS DE PREVISÃO DAS EXPORTAÇÕES BRASILEIRAS Rony Najman No. de matrícula 9814655 Orientador:
Leia mais7 Análise dos Dados e Cálculos
71 7 Análise dos Dados e Cálculos 7.1 Validade dos Processos Estocásticos 7.1.1 Teste de Dickey-Fuller De início, para verificar a rejeição de hipótese de que as séries seguem um MGB foi realizado um teste
Leia maisO IBOVESPA E O CÂMBIO NOS DEZ ANOS DE TAXA
O IBOVESPA E O CÂMBIO NOS DEZ ANOS DE TAXA FLUTUANTE JOSÉ WELISSON ROSSI* O objetivo principal deste estudo é comparar o comportamento das séries dos ativos taxa de câmbio e valor das ações das empresas
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Licenciatura em Economia E C O N O M E T R I A II (LEC310) NOTAS PRÉVIAS: Exame Final 08 de Junho de 2005 1. A I Parte da prova tem duração de 90 minutos e é constituída
Leia maisECONOMETRIA I. I (11 valores)
Faculdade de Economia Universidade Nova de Lisboa ECONOMETRIA I Exame de 1ª Época 14 de Janeiro de 2005 Duração: 2 horas I (11 valores) Com base numa amostra aleatória de 88 alunos que fizeram o exame
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Licenciatura em Economia E C O N O M E T R I A II (LEC310) NOTAS PRÉVIAS: Exame Final Época Normal 9 de Junho de 2006 1. A primeira parte da prova tem duração de 75 minutos
Leia maisESTIMAÇÃO PELO MÉTODO ORDINÁRIO DE MÍNIMOS QUADRADOS (OLS)
ESTIMAÇÃO PELO MÉTODO ORDINÁRIO DE MÍNIMOS QUADRADOS (OLS) 1 No quadro abaixo, reproduzem-se os resultados de uma estimação realizada com o programa informático EViews. Alguma da informação fornecida pelo
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 maisNome: Turma: Processo
Instituto Superior de Economia e Gestão Universidade de Lisboa Licenciaturas em Economia e em Finanças Econometria Época de Recurso 01/02/2017 Duração: 2 horas Nome: Turma: Processo Espaço reservado para
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO UMA ANÁLISE EMPÍRICA DO PASS-THROUGH DA TAXA DE CÂMBIO PARA OS PREÇOS INDUSTRIAIS E AO CONSUMIDOR
Leia maisParticipação relativa da dívida pública interna na riqueza financeira dos agentes privados: um estudo exploratório 1
Participação relativa da dívida pública interna na riqueza financeira dos agentes privados: um estudo exploratório 1 Marcel Guedes Leite 2 Paulo Roberto Arvate 3 Abstract : O objetivo deste artigo é verificar
Leia maisANÁLISE ECONOMÉTRICA DO CONSUMO DE CARNE BOVINA NA REGIÃO METROPOLITANA DE BELÉM UTILIZADO O SOFTWARE EVIEWS 3.0.
ANÁLISE ECONOMÉTRICA DO CONSUMO DE CARNE BOVINA NA REGIÃO METROPOLITANA DE BELÉM UTILIZADO O SOFTWARE EVIEWS 3.0. Arnold Estephane Castro de Souza Aron Weber da Silva Pinheiro Elizabeth Cristina Silva
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 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 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 maisNome: Turma: Processo
Instituto Superior de Economia e Gestão Universidade de Lisboa Econometria Época Normal 02/06/2016 Duração: 2 horas Nome: Turma: Processo Espaço reservado para classificações A utilização do telemóvel
Leia maisLicenciaturas em Economia e em Finanças Econometria ER 26/06/2015 Duração 2 horas
Licenciaturas em Economia e em Finanças Econometria ER 26/06/2015 Duração 2 horas Nome: Número: Notas: A utilização do telemóvel é motivo suficiente para anulação da prova. As perguntas de escolha múltipla
Leia maisCASUALIDADE E ELASTICIDADE DE TRANSMISSÃO DO TOMATE NO ESTADO DO CEARÁ 1995 A Palavras-chave: Casualidade, Elasticidade de Transmissão, Tomate.
CASUALIDADE E ELASTICIDADE DE TRANSMISSÃO DO TOMATE NO ESTADO DO CEARÁ 1995 A 2002 Francisco José Silva Tabosa Denise Michele Furtado da Silva Clóvis Luis Madalozzo Robério Telmo Campos Resumo: O tomate
Leia maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 8
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 8 Armando Manuel 09/29/2017 A PREVISÃO Armando Manuel 09/29/2017 11 1. A metodologia Box-Jenkins é um processo que se inicia com a analise
Leia maisMUITO ALÉM DA ECONOMETRIA - UMA APLICAÇÃO DOS MODELOS ECONOMÉTRICOS NA CONSTRUÇÃO DE CENÁRIOS ECONÔMICOS
DEPEC - DEP. DE PESQUISAS E ESTUDOS ECONÔMICOS MUITO ALÉM DA ECONOMETRIA - UMA APLICAÇÃO DOS MODELOS ECONOMÉTRICOS NA CONSTRUÇÃO DE CENÁRIOS ECONÔMICOS APRESENTAÇÃO CORECON-SP SÃO PAULO, 10 DE MAIO DE
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 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 maisAnálise de convergência de renda entre os municípios do Maranhão. Carlos Fernando Quartaroli
Análise de convergência de renda entre os municípios do Maranhão Carlos Fernando Quartaroli Convergência absoluta Se for encontrado um coeficiente beta menor do que zero, estatisticamente significativo,
Leia maisObservações sobre a política monetaria atual*
Observações sobre a política monetaria atual* Sérgio Ribeiro da Costa Werlang *Com a colaboração de Pedro Calmanowitz Carvalho jun/02 nov/02 abr/03 set/03 fev/04 jul/04 dez/04 mai/05 out/05 mar/06 ago/06
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO MODELOS DE PREVISÃO: UM ESTUDO PARA O MERCADO BRASILEIRO DE REFRIGERANTES Pedro Rocha Lima Massa
Leia maisEstimação de Modelos ARMA e ARIMA
Estimação de Modelos ARMA e ARIMA Estagiária Docente: Vívian dos Santos Queiroz Disciplina: Econometria Aplicada Professor: Sabino da Silva Porto Júnior Apresentação Inserindo Dados de Séries Temporais
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 maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Licenciatura em Economia E C O N O M E T R I A II (LEC310) NOTAS PRÉVIAS: Exame Final Época de Recurso 01 de Outubro de 2007 1. A I Parte da prova tem duração de 90 minutos
Leia maisANDRADE, M. M. Introdução a Metodologia do Trabalho Científico. 7 ed. São Paulo: Atlas, 2005.
6 Bibliografia ALBUQUERQUE, A. P.; MORAES, M. C. Modelagem Econométrica para a Previsão do Preço Futuro do Cacau: Abordagem ARIMA. Revista Ciência Administração, v.13, n.2, p.193 207, Nov, Fortaleza, 2007.
Leia maisMONOGRAFIA DE FINAL DE CURSO
1 PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE ECONOMIA MONOGRAFIA DE FINAL DE CURSO MERCOSUL: RELAÇÕES COMERCIAIS ENTRE BRASIL, ARGENTINA E O RESTO DO MUNDO. Igor Edelstein de Oliveira
Leia maisSÉRIE CADERNOS ECONÔMICOS
1 UNIVERSIDADE FEDERAL DE PELOTAS DEPARTAMENTO DE ECONOMIA CURSO DE CIÊNCIAS ECONÔMICAS SÉRIE CADERNOS ECONÔMICOS GUIA RÁPIDO PARA O EVIEWS Texto didático n.1 Autores: André Carraro Gabrielito Menezes
Leia maisECONOMETRIA EXERCÍCIOS DO CAPÍTULO 2
ECONOMETRIA EXERCÍCIOS DO CAPÍTULO 2 1. Exercício 7C.8 de W (6th edition), apenas as alíneas i) a iv). 2. Exercício 7.7 de W. 3. Exercício 8C.7 de W, apenas a alínea i). 4. Exercício 17.1 de W. 5. Exercício
Leia maisÍNDICE DE INTENÇÃO DE CONSUMO DAS FAMÍLIAS (ICF): UMA ESTIMAÇÃO POR MEIO DO MODELO ARIMA
Área: Teoria Aplicada ÍNDICE DE INTENÇÃO DE CONSUMO DAS FAMÍLIAS (ICF): UMA ESTIMAÇÃO POR MEIO DO MODELO ARIMA José Eduardo de Melo Barros Mestrando no Programa de Pós-Graduação em Administração e Desenvolvimento
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 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 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 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 maisNome: Número: Espaço reservado para classificações
Instituto Superior de Economia e Gestão Universidade de Lisboa Licenciaturas em Economia e em Finanças Econometria - Época Normal - 07/01/2015 Duração 2 horas Nome: Número: Notas: A utilização do telemóvel
Leia maisREFERÊNCIAS BIBLIOGRÁFICAS
REFERÊNCIAS BIBLIOGRÁFICAS Abelém, A. J. Gomes, Redes neurais artificiais na previsão de séries temporais. Dissertação de Mestrado. Departamento de Engenharia Elétrica, Pontifícia Universidade Católica
Leia maisAPONTAMENTOS SOBRE AS TENDÊNCIAS DO PREÇO DO FRANGO DE CORTE NO BRASIL
1 APONTAMENTOS SOBRE AS TENDÊNCIAS DO PREÇO DO FRANGO DE CORTE NO BRASIL JANDIR FERRERA DE LIMA; CARLOS ALBERTO PIACENTI; LUCIR REINALDO ALVES; MOACIR PIFFER PIFFER; UNIOESTE TOLEDO - PR - BRASIL jandir@unioeste.br
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 maisEMPRESA EM ANÁLISE: JERÓNIMO MARTINS.
EMPRESA EM ANÁLISE: JERÓNIMO MARTINS. Na presente Newsletter Investidor de Longo Prazo decidimos analisar uma empresa que muito tem penalizado os investidores que nela têm depositado as suas poupanças
Leia mais3 Modelo estocástico para os fatores de risco
Modelo estocástico para os fatores de risco 35 3 Modelo estocástico para os fatores de risco 3.1. Conceitos básicos Um dos principais problemas de um ALM é a modelagem da incerteza sobre os valores futuros
Leia maisO Câmbio e as Exportações de Manufaturas: um túnel no fim da luz. Francisco Eduardo Pires de Souza Seminário IE/UFRJ em 01/09/09
O Câmbio e as Exportações de Manufaturas: um túnel no fim da luz Francisco Eduardo Pires de Souza Seminário IE/UFRJ em 01/09/09 A industrialização da pauta de Exportações Exportações de manufaturados sobe
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 maisUNIVERSIDADE FEDERAL DE JUIZ DE FORA FACULDADE DE ECONOMIA ÍNDICE IBOVESPA: UMA ANÁLISE ECONOMÉTRICA. Leonardo Maia Coelho. Lucas Cavalcanti Rodrigues
UNIVERSIDADE FEDERAL DE JUIZ DE FORA FACULDADE DE ECONOMIA ÍNDICE IBOVESPA: UMA ANÁLISE ECONOMÉTRICA Leonardo Maia Coelho Lucas Cavalcanti Rodrigues Marina Oliveira Belarmino de Almeida Priscila Medeiros
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 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 maisMedidas Macroprudenciais no Brasil: Efeitos do Depósito Compulsório Sobre Produto e Estoque de Crédito da Economia Parte 2
temas de economia aplicada 39 Medidas Macroprudenciais no Brasil: Efeitos do Depósito Compulsório Sobre Produto e Estoque de Crédito da Economia Parte 2 Raí da Silva Chicoli (*) Esta é a segunda parte
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 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 maisMELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 MELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO SERGIO
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 maisFaculdade de Economia da Universidade Agostinho Neto. Econometria. Paradigma de Trabalho Prático. Resolução. especimen. Grupo I
Faculdade de Economia da Universidade Agostinho Neto Econometria Paradigma de Trabalho Prático Questão 1 Resultados essenciais da Regressão Aonde: Resolução Grupo I IPTTMI ' % = 9.946MTJH30A % 10.395TJCHI
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 maisAvaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais
Avaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais 1 Introdução Micherlania da Silva Nascimento 1 Leila Maria Ferreira 2 Tatiane Carvalho Alvarenga 3 4 O Brasil é o
Leia maisGustavo Lôpo Andrade. Assimetria na Transmissão de Preços de Cerveja
Gustavo Lôpo Andrade Assimetria na Transmissão de Preços de Cerveja Brasil 2017 Gustavo Lôpo Andrade Assimetria na Transmissão de Preços de Cerveja Dissertação apresentada à Escola de Pós Graduação em
Leia maisGabriela Septímio - UEPA. Marco Antonio Pinheiro - UEPA. Renata Barra UEPA. Heriberto Wagner Amanajás Pena UEPA. Resumo
MODELO ECONÔMÉTRICO DA QUANTIDADE DEMANDADA DE CAFÉ EM RELAÇÃO AOS PREÇOS DE OUTROS ALIMENTOS DA CESTA BÁSICA NA REGIÃO METROPOLITANA DE BELÉM- PA-BRASIL-AMAZÔNIA Gabriela Septímio - UEPA Marco Antonio
Leia maisO Modelo de Heston e o mercado brasileiro de opções
Vinícius Brum Guerra Gomes O Modelo de Heston e o mercado brasileiro de opções Dissertação de Mestrado Dissertação apresentada ao Programa de Pós-Graduação em Administração de Empresas da PUC-Rio como
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 maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisLIMITES POLÍTICOS À INFLAÇÃO
jan/08 fev/08 mar/08 abr/08 mai/08 jun/08 jul/08 ago/08 set/08 out/08 nov/08 dez/08 jan/09 fev/09 mar/09 abr/09 mai/09 jun/09 jul/09 ago/09 set/09 out/09 nov/09 dez/09 jan/10 fev/10 mar/10 abr/10 mai/10
Leia maisAnálise de previsão da inflação no período pós-plano Real
Análise de previsão da inflação no período pós-plano Real Marina Rodrigues Maestre 1 Jayane Pereira de Oliveira 2 Raquel Castellucci Caruso Sachs 3 Vitor Augusto Ozaki 4 1 Introdução Durante a década de
Leia maisAula 7 Métodos Quantitativos Avançados
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Programa de Pós-Graduação em Controladoria e Contabilidade Aula 7 Métodos Quantitativos Avançados Autor:
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 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 mais4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo; Valores mansais de temperatura
Leia maisINSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÃO PORTO Ano lectivo 2009/20010 EXAME: DATA 24 / 02 / NOME DO ALUNO:
INSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÃO PORTO Ano lectivo 2009/20010 Estudos de Mercado EXAME: DATA 24 / 02 / 20010 NOME DO ALUNO: Nº INFORMÁTICO: TURMA: PÁG. 1_ PROFESSOR: ÉPOCA: Grupo I (10
Leia maisMODELAGEM BOX-JENKINS (ARIMA) PARA GESTÃO DE RISCO DE PREÇO NA PECUÁRIA DE CORTE DO ESTADO DO PARANÁ
MODELAGEM BOX-JENKINS (ARIMA) PARA GESTÃO DE RISCO DE PREÇO NA PECUÁRIA DE CORTE DO ESTADO DO PARANÁ João Batista Padilha Jr. 1 Paulo Rossi Jr. 2 Gustavo Schnekenberg 3 Heitor Silva Fam 4 Bárbara Mazetti
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 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 maisi j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
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 mais6 Benefícios da Certificação de Produtos: Avaliação de Impacto Econômico
Benefícios da Certificação de Produtos: Avaliação de Impacto Econômico 85 6 Benefícios da Certificação de Produtos: Avaliação de Impacto Econômico Os impactos econômicos decorrentes do processo da certificação
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 30 de abril e 02 de maio de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia mais4 Mecanismo gerador dos dados, quebras estruturais e cointegração
4 Mecanismo gerador dos dados, quebras estruturais e cointegração 4.1. Mecanismo gerador de dados Eis alguns fatos destacados na literatura: A teoria da PPC prevê que a taxa de câmbio real deve convergir
Leia maisMODELOS DE REGRESSÃO E DECOMPOSIÇÃO PARA DESCREVER O CONSUMO RESIDENCIAL DE ENERGIA ELÉTRICA NO BRASIL ENTRE 1985 E 2013
MODELOS DE REGRESSÃO E DECOMPOSIÇÃO PARA DESCREVER O CONSUMO RESIDENCIAL DE ENERGIA ELÉTRICA NO BRASIL ENTRE 1985 E 2013 Maria José CharfuelanVillarreal Universidade Federal do ABC OBJETIVO Identificar
Leia maisTestes de cointegração
Testes de cointegração Avaliando a existência de relação de conintegração entre séries temporais Wilson Freitas Quant Developer Recursos index.rmd 2/13 Teste de Engle & Granger (EG) Teste de Engle & Granger
Leia maisANÁLISE ECONOMÉTRICA DA DEMANDA DE CARNE DE FRANGO A PARTIR DO EVIEWS 3.0
ANÁLISE ECONOMÉTRICA DA DEMANDA DE CARNE DE FRANGO A PARTIR DO EVIEWS 3.0 Azael de Souza Ribeiro Daniel Meireles de Amorim Flávio Sabathé Vera Niels Kim da Silva Tahara Heriberto Wagner Amanajás Pena UEPA
Leia maisXI Encontro de Iniciação à Docência
4CCSADEMT03 O MODELO IS LM: UMA ABORDAGEM PARA A ECONOMIA BRASILEIRA NO PERÍODO DE 1995 2007 Tatyanna Nadábia de Souza Lima (1), Marcilia Nobre Gadelha (2), Sinézio Fernandes Maia (3) Centro de Ciências
Leia maisFEBRABAN UNICAMP. Diretoria de Regulação Prudencial, Riscos e Economia. Instituto de Economia
FEBRABAN Diretoria de Regulação Prudencial, Riscos e Economia UNICAMP Instituto de Economia Determinantes do Crédito à Exportação no Brasil: uma Análise com Vetores Autoregressivos (VAR) Janeiro/2016 Pedro
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
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 maisEstatística II Licenciatura em Gestão. Parte I
Estatística II Licenciatura em Gestão 1 o semestre 2015/2016 ER - 03/02/2016 09:00 Nome N o Espaço reservado a classificações A utilização do telemóvel, em qualquer circunstância, é motivo suficiente para
Leia maisAula 22/10/2018 José Luiz Padilha 22 de outubro de 2018
Modelando a Variância Estimação Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018 A estimação dos parâmetros α 0 e α 1 em um modelo ARCH(1) é geralmente realizada por verossimilhança condicional.
Leia mais5 Modelos de previsão
5 Modelos de previsão 5.1 Previsão de séries temporais Um método comum para escrever o problema de previsão de séries temporais em uma estrutura de estimação por regressão é considerar as séries temporais
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo;
Leia maisFICHA DE COMPONENTE CURRICULAR
UNIVERSIDADE FEDERAL DE UBERLÂNDIA PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO FICHA DE COMPONENTE CURRICULAR CÓDIGO: FAGEN41037 COMPONENTE CURRICULAR: Tópicos Especiais IV em Gestão Organizacional e Regionalidade
Leia maisTEXTO PARA DISCUSSÃO. No Medium run effects of short run inflation surprises: monetary policy credibility and inflation risk premium
TEXTO PARA DISCUSSÃO No. 58 Medium run effects of short run inflation surprises: monetary policy credibility and inflation risk premium Alexandre Lowenkron Márcio Garcia DEPARTAMENTO DE ECONOMIA www.econ.puc-rio.br
Leia maisVariável dependente Variável independente Coeficiente de regressão Relação causa-efeito
Unidade IV - Regressão Regressões Lineares Modelo de Regressão Linear Simples Terminologia Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito Regressão correlação Diferença
Leia mais