Introdução a Modelos VAR
|
|
- Rafaela da Fonseca Vilanova
- 6 Há anos
- Visualizações:
Transcrição
1 Introdução a Modelos VAR Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 Um VAR é um modelo no qual K variáveis são especicadas como funções lineares de p de seus próprios lags, p lags das outras K 1 variáveis e possivelmente de outras variáveis exógenas. Algebricamente, um modelo VAR de ordem p, escrito como VAR(p) com variáveis exógenas x t é dado por: y t = v + A 1 y t A p y t p + B 0 x t + B 1 x t B s x t s + u t t (, ) (1) onde y t = (y 1t,..., y Kt ) é um vetor aleatório K 1 A 1 a A k são matrizes de parâmetros K K x t é um vetor de variáveis exógenas M 1 B 0 a B s são matrizes de coecientes K M v é um vetor de parâmetros K 1 e u t é assumido como sendo um vetor de ruídos brancos, ou seja E(u t ) = 0, E(u t u t) = Σe E(u t u s) = 0 para t s O total de parâmetros na equação (7) é K 2 p + K (M(s + 1) + 1) para y t e o total de parâmetros na matriz de covariânciaσé {K (K + 1)}/2. Uma maneira de reduzir o número de parâmetros é especicar um VAR incompleto no qual algumas das matrizes Aou B são denidas como iguais a zero. Outra forma é especicar restrições lineares em alguns dos coecientes no VAR. Um VAR pode ser visto como a forma reduzida de um sistema de equações simultâneas dinâmicas. Considere o sistema: W 0 y t = a + W 1 y t W p y t p + W 1 x t + W 2 x t W s x t s + e t (2) onde a é um vetor de K 1 parâmetros, cada W i, i = 1,..., p é uma matriz de K K parâmetros e e t é um vetor de erros aleatórios K 1. Na tradicional Este texto é baseado em uma tradução livre de diversas partes do Manual de Séries Temporais do Stata (que acompanha o software e pode ser visualizado através do menu Help - Documentation) 1
2 abordagem de equações simultâaneas dinâmicas, um número suciente de restrições são impostas as matrizes W i, para obter identicação 1. Assumindo que W 0 é uma matriz não singular, (8) pode ser re-escrita como y t = W 1 0 a + W 1 que é um VAR com 0 W 1y t W0 1 W py t p + W0 1 +W0 1 W s x t s + W0 1 e t v = W 1 0 a W 1 x t + W 1 0 W 2 x t 2... (3) A i = W 1 0 W i B i = W 1 0 W i u t = W 1 0 e t A matriz de variância-covariância dos erros Σcontem toda unformação sobre as correlações contemporaneas no VAR e pode ser ao mesmo tempo o ponto mais forte do VAR ou seu ponto mais fraco. Dado que suposições a priori não questionáveis não são impostas, estimar um VAR permite que os dados falem por si mesmos. Entretanto, sem impor algumas restrições a estrutura de Σ não podemos fazer uma interpretação causal de seus resultados. Se estabelecemos hipóteses técnicas adicionais, podemos derivar outra representação do VAR em (7). Se o VAR é estável (veremos adiante o que isto signica), podemos re-escrever y t como y t = µ + D i x t i + Φ i u t i (4) i=0 onde µé a média invariante no tempo do processo com dimensão K 1e D i e Φ i são matrizes de parâmetros K M e K K, respectivamente.a equação (10) estabelece que o processo pelo qual as variáveis y t utuam em torno de suas médias invariantes no tempo, µ, são completamente determinados pelos parâmetros em D i e Φ i e a (innita) história passada das variáveis exógenas x t e dos choques ou inovações independentes e identicamente distribuidos (i.i.d.), u t 1, u t 2,... A equação (10) é conhecida como a representação de médiasmóveis do VAR. As matrizes D i são as funções de multiplicadores dinâmicos ou funções de transferência. Os coecientes de médias móveis Φ i são também conhecidos como simples IRF (impulse response function) no horizonte i. 1 Um sistema é exatamente identicado quando o número de parâmetros a ser estimado é igual ao número de equações do sistema e um sistema é sobreidenticado quando o número de equações do sistema supera o número de parâmetros a serem estimados. i=0 2
3 A distribuição conjunta de y t é determinada pelas distribuições de x t e u t e os parâmetros v, B i e A i. Estimar os parâmetros em um VAR exige que as variáveis y t e x t sejam estacionárias em covariância, o que signica que seus dois primeiros momentos existam e são invariáveis no tempo. Se as séries em y t não são estacionárias em covariância, mas suas primeiras diferenças são, um modelo de correção de erros vetorial (VECM) pode ser usado. Trataremos em uma parte mais avançada sobre estes modelos. Se as variáveis em u t têm média zero, são um processo vetorial i.i.d. e y t e x t são estacionárias em covariância e são não correlacionadas com com as séries em u t, estimativas consistentes e ecientes de B i, A i e v são obtidas via regressoes aparentemente não relacionadas (seemingly unrelated regression), produzindo estimadores que são assintoticamente normalmente distribuídos. Quando as equações para as variáveis y t têm o mesmo conjunto de regressores, estimativas OLS equação-por-equação são as estimativas de máxima verossimilhança condicional. Grande parte do interesse em modelos VAR está focada nas previsões, IRFs, funções de multiplicadores dinâmicos e as FEVDs, todos os quais são funções dos parâmetros estimados. A estimação dessas funções é simples, mas seus erros padrão assintóticos são normalmente obtidos assumindo-se queos termos em u t é um processo vetorial de média zero, i.i.d. e gaussiano (normal). Além disso, alguns dos testes de especicação para VAR foram derivados usando o princípio da razão de verossimilhança e a forte suposição gaussiana. Na ausência de variáveis exógenas contemporâneas, a matriz de variânciacovariância dos erros contém todas as informações sobre correlações contemporâneas entre as variáveis. Os modelosvar às vezes são clas()sicados em três tipos, dependendo de que forma eles denem esta correlação contemporânea. (Veja Stock e Watson [2001] para uma derivação dessa taxonomia.) Stata tem dois comandos para estimar VARs n forma reduzida: var e varbasic. O comando var permite restrições a serem impostas aos coecientes. O comando varbasic permite estimar um VAR simples rapidamente sem restrições e construir gráco das IRFs (funções de impulso-resposta). Como a montagem de um VAR de ordem correta pode ser importante, o comando varsoc oferece vários métodos para escolher a ordem de defasagens p do VAR para se adequar. Após estimar um VAR, e antes de prosseguir com a inferência, interpretação ou previsão, vericar se o VAR se ajusta aos dados é importante.o comando varlmar pode ser usado para vericar se há autocorrelação nos erros. O comando varwle realiza testes Wald para determinar se certas defasagens podem ser excluídas. O comando varnorm testa a hipótese nula de que os erros são normalmente distribuídos. O comando varstable veri- ca a condição de auto-valor (eigenvalue) para a estabilidade, o que é necessário para interpretar as IRFs. 3
4 1 Funções de Impulso-Resposta (IRF) e Funções de Decomposição da Variância do Erro de Previsão (FEDV) Um modelo autoregressivo vetorial de p-ésima ordem (VAR) com variáveis exógenas é dado por: y t = υ + A 1 y t A p y t p + Bx t + u t onde y t = (y 1t,..., y Kt ) é um vetor aleatório K 1 A i são matrizes de parâmetros K K xas x t é um vetor de variáveis exógenas R 0 1 B é uma matriz de coecientes K R 0 υ é um vetor de parâmetros xos K 1 e u t é assumido como sendo um ruido branco com: E(u t ) =0 E(u t u t) = Σ E(u t u s) = 0 para t s Qualquer variável exógena é assumida como sendo estacionária em covariância. 2 Exemplos de estimação VAR no Stata 2.1 Exemplo 1: Modelo VAR Para estimar o uso básico do comando var replicamos o exemplo em Lutkepohl (2005, 7778). Os dados consistem de três variáveis: a primeira diferença do logaritmo natural do investimento, dln_inv; a primeira diferença do logaritmo natural da renda, dln_inc e a primeira diferença do logaritimo natural do consumo, dln_consump. O conjunto de dados até o quarto trimestre de 1982, embora Lutkepohl use somente informações até o quarto trimestre de use tsset var dln_inv dln_inc dln_consump if qtr<=tq(1978q4), lutstats dfk 4
5 A saída anterior tem duas partes: um cabeçalho e a tabela de saída padrão Stata para os coecientes, erros padrão e intervalos de conança. O cabeçalho contém estatísticas descritivas para cada equação no VAR e estatísticas utilizadas na seleção da ordem de defasagens do VAR. Embora existam fórmulas padrão para todos as estatísticas de ordem de defasagens, Lutkepohl (2005) dá versões diferentes dos três critérios de informação que eliminam o termo constante da verossimilhança. Para obter as versões Lutkepohl (2005), especicamos a opçãolutstats. As fórmulas para as versões padrão e Lutkepohl destas estatísticas são dadas em Métodos e fórmulas de [TS] varsoc. A opção dfk especica que o divisor de pequena amostra 1/(T m) é utilizado na estimativa de Σem vez do divisor de máxima verossimilhança (ML) 1/T, onde m é o número médio de parâmetros incluídos em cada uma das K equações. Todas as estatísticas de ordem de defasagem são calculadas usando o estimador ML de Σ. Assim, especicando dfk não vai mudar as estatísticas de ordem de defasagem calculadas, mas vai mudar a estimativa da matriz de variância- 5
6 covariância. Além disso, quando dfk for especicado, o log da verossimilhança dfk-ajustada é computada e armazenada em e(ll_dfk). A opção lag() dene uma lista de lags a ser incluida no modelo. Para especi- car um modelo que inclui o primeiro e segundo lags, deve ser escrito o seguinte comando: var y1 y2 y3, lags(1/2) 2.2 Modelo VAR com variáveis exógenas Usamos a opção exog() para incluir variáveis exógenas em um modelo VAR. var dln_inc dln_consump if qtr<=tq(1978q4), dfk exog(dln_inv) Todos os comandos de pós-estimação para analisar o VAR funcionam quando variáveis exógenas são incluidas no modelo, mas os erros padrões assintoticos para as previsões h passos a frente não são disponíveis. 6
Introdução a Modelos ARCH
Introdução a Modelos ARCH Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 A volatilidade de uma série não é constante ao longo do tempo; períodos de volatilidade
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 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 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 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 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 maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 7
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 7 O Modelo Estrutural Identificação Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse.
Leia 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 maisAULA 11 Heteroscedasticidade
1 AULA 11 Heteroscedasticidade Ernesto F. L. Amaral 30 de julho de 2012 Análise de Regressão Linear (MQ 2012) www.ernestoamaral.com/mq12reg.html Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
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 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 maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 10 Multicolinearidade: o que acontece se os regressores são correlacionados? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.
Leia 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 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 maisCorrelação Serial e Heterocedasticidade em Regressões de Séries Temporais. Wooldridge, Cap. 12
Correlação Serial e Heterocedasticidade em Regressões de Séries Temporais Wooldridge, Cap. 1 Porto Alegre, 11 de novembro de 010 1 CORRELAÇÃO SERIAL Ocorrência Conseqüência Análise gráfica Autocorrelação
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisAULAS 25 E 26 Heteroscedasticidade
1 AULAS 25 E 26 Heteroscedasticidade Ernesto F. L. Amaral 10 e 15 de junho de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisM l u t l i t c i oli l n i e n arid i a d de
Multicolinearidade 1 Multicolinearidade Quando existem relação linear exata entre as variáveis independentes será impossível calcular os estimadores de MQO. O procedimento MQO utilizado para estimação
Leia maisEstatística Indutiva
Estatística Indutiva MÓDULO 7: INTERVALOS DE CONFIANÇA 7.1 Conceitos básicos 7.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição
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 maisp.1/48 Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, Belo Horizonte, MG, Brasil
p1/48 Capítulo 4 - Métodos ão Paramétricos Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av Antônio Carlos 27, elo Horizonte, MG, rasil p2/48 Introdução Os métodos
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisSéries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto 2011 1 / 49 Definição de esperança não condicional ou incondicional Considere
Leia maisH11 GESTÃO DE RECURSOS LTDA.
H11 GESTÃO DE RECURSOS LTDA. Empresa: Documento: H11 Gestão de Recursos Ltda. Versão anterior: 30/09/2015 Atualização: 18/02/2016 Data Emissão / Revisão n.º revisão: 18/02/2016 ver. 2 Página: 2 Introdução:
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 maisAULA 13 Análise de Regressão Múltipla: MQO Assimptótico
1 AULA 13 Análise de Regressão Múltipla: MQO Assimptótico Ernesto F. L. Amaral 15 de abril de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução
Leia 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 maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisMEEMF-2010 Aula 01. Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana
MEEMF-2010 Aula 01 Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana O que é inferência estatística? Inferência estatística é o importante ramo da Estatística
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 maisFiltro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento
Filtro de Kalman Teoria e Aplicação para Iniciantes Prof. Dr. Marco Antonio Leonel Caetano M&V Consultoria e Treinamento www.mudancasabruptas.com.br A História da Filtragem de Sinais 930 940 960 Filtro
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 maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
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 maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia mais(d) Quais das sentenças abaixo são verdadeiras? Explique sua resposta. (a) 3 IR (b) IN IR (c) Z IR. IR Q (i) 3 2
LISTA - 1 1 Números Reais 1. Expresse cada número como decimal: (a) 7 10 (b) 2 5 (c) 9 15 (d) 7 8 (e) 17 20 (f) 4 11 (g) 8 7 (h) 56 14 2. Expresse cada número decimal como uma fração na forma mais reduzida
Leia maisEconometria - Lista 5
Econometria - Lista 5 Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 Utilizando a base de dados disponível em TEMCOPROD.wtf1,
Leia maisInferência Estatística:
Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que
Leia maisIntervalos de conança
Intervalos de conança Prof. Hemílio Fernandes Campos Coêlho Departamento de Estatística - Universidade Federal da Paraíba - UFPB Exemplo Suponha que se deseja estimar o diâmetro da pupila de coelhos adultos.
Leia maisUm ambiente super amigável de trabalho com recursos poderosos de análise e acesso a uma ampla base de dados da economias brasileira e internacional.
Um ambiente super amigável de trabalho com recursos poderosos de análise e acesso a uma ampla base de dados da economias brasileira e internacional. Mais de 12 mil séries de tempo relativas às economias
Leia maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Leia maisInstituto Federal Goiano
e simples e Instituto Federal Goiano e Conteúdo simples 1 2 3 4 5 simples 6 e simples Associação entre duas variáveis resposta Exemplos: altura de planta e altura da espiga, teor de fósforo no solo e na
Leia maisMais de 12 mil séries de tempo relativas às economias brasileira e mundial, selecionadas por sua relevância e que podem ser acessadas de forma
Mais de 12 mil séries de tempo relativas às economias brasileira e mundial, selecionadas por sua relevância e que podem ser acessadas de forma simples e eficiente. Séries diárias, mensais trimestrais e
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 maisGerenciamento de Risco
2010 Gerenciamento de Risco Nota Técnica 03 Diretoria de Investimentos Previ-Rio 09/2010 Nota técnica 03 Gerenciamento de Risco O gerenciamento de risco é um instrumento essencial para a otimização do
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 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 maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubipt d[n] v[n] x[n] Filtro Estimador d[n] d[n] - Sinal v[n] - Ruído x[n] - Sinal corrompido com ruído ˆd[n] - Sinal Estimado
Leia maisPaulo Jorge Silveira Ferreira. Princípios de Econometria
Paulo Jorge Silveira Ferreira Princípios de Econometria FICHA TÉCNICA TÍTULO: Princípios de Econometria AUTOR: Paulo Ferreira ISBN: 978-84-9916-654-4 DEPÓSITO LEGAL: M-15833-2010 IDIOMA: Português EDITOR:
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 maisUniversidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
Leia maisPlanejamento de Experimentos. 13. Experimentos com fatores aleatórios
Planejamento de Experimentos 13. Experimentos com fatores aleatórios Até aqui assumimos que os fatores nos experimentos eram fixos, isto é, os níveis dos fatores utilizados eram níveis específicos de interesse.
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisRevisão dos Modelos de Vetores Autorregressivos com Fundamentação Econômica 2012
Revisão dos Modelos de Vetores Autorregressivos com Fundamentação Econômica 2012 No amplo conjunto de modelos utilizados pelo Banco Central para projetar a inflação, encontram-se, entre outros, os modelos
Leia maisTeste de % de defeituosos para 1 amostra
DOCUMENTO OFICIAL DO ASSISTENTE DO MINITAB Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas
Leia maisMonitoria Econometria II REC o Semestre 2015 Monitor(a):Victória Mazás Martinez 1 a Lista de exercícios
Monitoria Econometria II REC 2312-1 o Semestre 2015 Monitor(a):Victória Mazás Martinez 1 a Lista de exercícios 1. Quais as hipóteses para que uma variável seja considerada uma boa variável instrumental?
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 mais4 Processos Estocásticos e Simulação de Monte Carlo
33 4 Processos Estocásticos e Simulação de Monte Carlo O processo estocástico faz a descrição de uma variável com comportamento ao menos em parte de maneira aleatória através do tempo, onde se assume valores
Leia maisINSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
Leia maisREGRESSÃO E CORRELAÇÃO
Vendas (em R$) Disciplina de Estatística 01/ Professora Ms. Valéria Espíndola Lessa REGRESSÃO E CORRELAÇÃO 1. INTRODUÇÃO A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem
Leia maisPara o presente estudo, foram obtidos os dados através das bases de dados Bloomberg e Ipeadata.
3 Metodologia 3.1. Variáveis analisadas Foram selecionadas algumas variáveis relacionadas ao carry trade do real; esta selação foi baseada nos estudos de Carvalho e Divino (2009) e Nishigaki (2007). As
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisCódigos de Controle da Paridade via Códigos de Goppa
Anais do CNMAC v.2 ISSN 1984-820X Códigos de Controle da Paridade via Códigos de Goppa Jaime Edmundo Apaza Rodriguez Edson Donizete de Carvalho Departamento de Matemática, FEIS, UNESP 15385-000, Ilha Solteira,
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisSolução numérica de equações não-lineares
Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de uma equação. Mas, o que é uma equação? Uma equação é uma igualdade
Leia maisFundação Getúlio Vargas Graduação em Economia ECONOMETRIA I. Notas de Aula - Autocorrelação. Ilton G. Soares
Fundação Getúlio Vargas Graduação em Economia ECONOMETRIA I Notas de Aula - Autocorrelação Ilton G. Soares (iltonsoares@fgvmail.br) 1 Autocorrelação 1.1 Introdução Uma das hipóteses do Modelo Clássico
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 maisCarga Horária: 80 horas (correspondem a aulas e atividades extra-classe)
Curso: Economia Disciplina: ECONOMETRIA Turma 4ECO Carga Horária: 80 horas (correspondem a aulas e atividades extra-classe) Período Letivo: 2014/1 Professor: Hedibert Freitas Lopes (www.hedibert.org) OBJETIVO:
Leia maisAnálise de séries temporais. Prof. Thaís C O Fonseca DME - UFRJ
Análise de séries temporais Prof. Thaís C O Fonseca DME - UFRJ Conteúdo do curso Parte 1: Problemas e objetivos, conceitos básicos, processos estocásticos, estacionariedade, autocorrelação e correlação
Leia maisEconometria - Lista 6
Econometria - Lista 6 Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 A curva de Phillips desempenha um papel fundamental na
Leia maisRisco e Seleção de Portfólios com a Medida CVaR e o Modelo GO-GARCH
Instituto Nacional de Matemática Pura e Aplicada Risco e Seleção de Portfólios com a Medida CVaR e o Modelo GO-GARCH Sérgio Alvares R. de S. Maffra Dr. Jorge P. Zubelli Orientador Rio de Janeiro Agosto
Leia maisEstatística (MAD231) Turma: IGA. Período: 2016/2
Estatística (MAD231) Turma: IGA Período: 2016/2 Aula #02 de Inferência Estatística: 28/11/2016 1 Intervalos de Confiança Vamos começar com um exemplo. Suponha que se deseja estimar a média µ de uma população
Leia maisMÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MÉTODO MEAN SHIFT PARA DETECÇÃO DE OUTLIERS EM MODELOS NORMAIS ASSIMÉTRICOS Thalita do Bem Mattos Clécio da
Leia maisModelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
Leia maisAjuste sazonal das séries trimestrais. Diretoria de Pesquisa Coordenação de Contas Nacionais
Ajuste sazonal das séries trimestrais Diretoria de Pesquisa Coordenação de Contas Nacionais A série encadeada original O componente sazonal A tendência (trend cycle) A série encadeada com ajuste sazonal
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia 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 maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisAULAS 04, 05 E 06 AVALIAÇÃO UTILIZANDO EXPERIMENTOS
1 AULAS 04, 05 E 06 AVALIAÇÃO UTILIZANDO EXPERIMENTOS Ernesto F. L. Amaral 14, 19 e 21 de março de 2013 Técnicas Avançadas de Avaliação de Políticas Públicas (DCP 098) Fonte: Curso Técnicas Econométricas
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 7.º ANO PLANIFICAÇÃO GLOBAL Múltiplos e divisores. Critérios de divisibilidade. - Escrever múltiplos
Leia maisPara ajudar a interpretar os resultados, o Cartão de Relatórios do Assistente do teste de % de defeituosos para 1 amostra exibe os seguintes
Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas no assistente no software estatístico
Leia maisVERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO DE ORGANIZAÇÕES PROCESSO SELETIVO MESTRADO - TURMA 2012 PROVA
Leia maisi. f Y (y, θ) = 1/θ... 0 y θ 0... y < 0 ou y > θ Se a amostra selecionada foi ( ), qual será a estimativa para θ?
Fundação Getulio Vargas Curso: Graduação Disciplina: Estatística Professor: Moisés Balassiano Lista de Exercícios Inferência. Seja (Y, Y 2,..., Y n ) uma amostra aleatória iid, de tamanho n, extraída de
Leia maisEstatística Aplicada ao Serviço Social
Estatística Aplicada ao Serviço Social Módulo 7: Correlação e Regressão Linear Simples Introdução Coeficientes de Correlação entre duas Variáveis Coeficiente de Correlação Linear Introdução. Regressão
Leia maisAULA 10 Estimativas e Tamanhos Amostrais
1 AULA 10 Estimativas e Tamanhos Amostrais Ernesto F. L. Amaral 18 de setembro de 2012 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Leia maisCalculadora Casio fx-82ms Determinando Raízes de Funções. Professor Fernando Porto
Calculadora Casio fx-82ms Determinando Raízes de Funções Professor Fernando Porto Sua calculadora científica, seja qual seja o fabricante ou modelo, lhe oferece uma ampla variedade de recursos, que podem
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
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 maisIntervalos de Confiança
Intervalos de Confiança INTERVALOS DE CONFIANÇA.1 Conceitos básicos.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição numérica de
Leia maisResumo. Filtragem Adaptativa. Filtros adaptativos. Tarefas desempenhadas pelos filtros
Resumo Filtragem Adaptativa Luís Caldas de Oliveira lco@istutlpt Instituto Superior Técnico Sistemas de filtragem adaptativa Conceitos de filtragem adaptativa Filtro de Wiener Algoritmo steepest descent
Leia mais1º Econometric Game São Paulo CASE RESOLVIDO FEA-USP 05/11/2016
1º Econometric Game São Paulo CASE RESOLVIDO FEA-USP 05/11/2016 Tema: Efeitos da Redução da Velocidade nas vias de São Paulo Motivação: Política: redução da velocidade de diversas vias da cidade a partir
Leia maisMétodos Quantitativos para Ciência da Computação Experimental
Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão
Leia mais