Econometria IV Modelos Lineares de Séries Temporais. Fernando Chague
|
|
- João Lucas Madeira Viveiros
- 5 Há anos
- Visualizações:
Transcrição
1 Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016
2 Estacionariedade
3 Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição: se a média de uma variável em cada subperíodo for igual, podemos almejar uma estimativa precisa com a amostra inteira Muitas vezes, podemos aplicar uma transformação conveniente nos dados Preços não são estacionários, mas retornos são estacionários Definição: A série temporal {r t } é fracamente estacionária se 1. E (r t ) = µ para todo t; e 2. E (r t µ)(r t j µ) = γ j <.
4 Autocorrelação A correlação entre duas variáveis é dada por: ρ x,y = cov (x,y) var (x),var (y) Um estimador da correlação entre duas variáveis é: T t=1 (x t x)(y t y) ˆρ x,y = T t=1 (x t x) 2 T t=1 (y t y) 2 onde x = T t=1 x t /T e y = T t=1 y t /T
5 Autocorrelação De maneira análoga, a autocorrelação é definida por: ρ k = Cov (x t,x t k ) var (xt )var (x t k ) = Cov (x t,x t k ) γ k var (x t ) γ 0 onde var (x t k ) = var (x t ) e Cov (x t,x t k ) = γ k devido a estacionariedade fraca E um estimador natural é: ˆρ k = T t=k+1 (x t x)(x t k x) T t=1 (x t x) 2, 0 k < T 1
6 Autocorrelação ˆρ k = T t=k+1 (x t x)(x t k x) T t=1 (x t x) 2, 0 k < T 1 Opção 1: Se {x t } é uma sequência de variáveis aleatórias iid, com E ( xt 2 ) <, então ( ˆρ k N 0, 1 ) T Opção 2: Se {x t } é fracamente estacionária tal que x t = µ + q i=0 ψ ia t i, ψ 0 = 1 e {a j } é uma sequência de variáveis aleatórias iid com média zero então para k > q ( ˆρ k N 0, 1 + ) 2 q i=1 ρ2 i T
7 Autocorrelação Com base na distribuição assintótica de ˆρ k, podemos testar para cada k: H 0 : ρ k = 0 vs H a : ρ k 0 com base na distribuição ˆρ k t = (1 + 2 q ) N (0,1) i=1 ˆρ2 i /T Teste de autocorrelações conjunto até ordem m (Ljung-Box,1978): H 0 : ρ 1 =... = ρ k = 0 vs H a : ρ i 0 para algum i {1,...,m} com base na distribuição Q (m) = T (T + 2) m l=1 ˆρ 2 l T l χ2 m
8 Séries de Tempo Lineares Ruído Branco (White Noise): A série temporal r t é um ruído branco se {r t } é uma sequência iid ( µ,σ 2) com µ < e σ 2 <. Seja {ε t } uma sequência iid com ε t (0,1), podemos representar r t por: r t = µ + σε t Todas FACs são iguais a zero Ruído Branco Gaussiano (Gaussian White Noise): A série temporal r t é um ruído branco gaussiano se ε t N (0,1)
9 Séries de Tempo Lineares Série de Tempo Linear: Uma séria temporal r t é dita linear se pode ser escrita como: r t = µ + i=0 ψ i ε t i onde {ε t } é sequência iid com ε t ( 0,σ 2 ε ) e ψ0 = 1 Observações: 1. A dinâmica temporal é dada pelos coeficientes ψ 2. Se r t é fracamente estacionário, temos que: E (r t ) = µ e Var (r t ) = σ 2 ε ψi 2 i=0 3. Como r t é fracamente estacionário, i=0 ψ 2 i < e portanto ψ 2 i 0
10 Séries de Tempo Lineares 4. Portanto, choques longínquos tem pouco impacto: [( )( )] γ l = Cov (r t,r t l ) = E ψ i ε t i ψ i ε t l i i=0 j=0 [ ] = E ψ i ψ j ε t i ε t l j = = σ 2 ε 5. A função de autocorrelação será: para l 0 i,j=0 j=0 j=0 ψ j+l ψ j E [ εt l j 2 ] ψ j+l ψ j ρ l = γ l γ 0 = i=0 ψ iψ i+l 1 + i=0 ψ2 i
11 Modelos Autoregressivos Modelo Autoregressivo de Ordem 1 - AR(1): Uma série temporal r t é uma série AR(1) se: r t = φ 0 + φ 1 r t 1 + ε t onde {ε t } é sequência iid com ε t ( 0,σε 2 ) Observações 1. Momentos condicionais. E (r t r t 1 ) = φ 0 + φ 1 r t 1 e Var (r t r t 1 ) = σ 2 ε
12 Modelos Autoregressivos 2. Média não-condicional. Note que E (r t ) = φ 0 + φ 1 E (r t 1 ). Se r t é fracamente estacionário, temos que E (r t ) = E (r t 1 ) = µe: E (r t ) = µ = φ 0 1 φ 1 3. (Linearidade) Substitutindo φ 0 = (1 φ 1 ) µ temos que r t µ = φ 1 (r t 1 µ) + ε t e portanto: r t µ = ε t + φ 1 ε t 1 + φ 2 1 ε t r t = µ + i=0 φ i 1ε t i 4. (Estacionariedade) Para garantir estacionariedade fraca, precisamos ter que 1 < φ 1 < 1
13 Modelos Autoregressivos 5. Variância não-condicional. Como E (r t 1 ε t ) = 0 temos que Var (r t ) =φ 2 1 Var (r t 1) + σ 2 ε. Como r t é estacionário: com φ 2 1 < 1 σ 2 ε Var (r t ) = 1 φ1 2
14 Modelos Autoregressivos 6. Covariâncias. Multiplicando r t µ = φ 1 (r t 1 µ) + ε t por ε t temos: E [(r t µ)ε t ] = φ 1 E [(r t 1 µ)ε t ] + E [ εt 2 ] = 0 + σ 2 ε Multiplicando r t µ = φ 1 (r t 1 µ) + ε t por r t l µ temos: γ l = E [(r t µ)(r t l µ)] = φ 1 E [(r t 1 µ)(r t l µ)] + E [ε t (r t l µ)] = φ 1 γ l 1 Generalizando, temos: γ l = { σ 2 ε 1 φ sel = φ 1 γ l 1 sel > 0
15 Modelos Autoregressivos 7. Correlações (FACs). A Função de Autocorrelações é dada por ρ l = γ l γ 0 = φ 1 ρ l 1 para l 0.Como ρ 0 = 1, temos ρ l = φ l 1. Ou seja, ρ l decae exponencialmente em l.
16 Modelos Autoregressivos Modelo Autoregressivo de Ordem p - AR(p): Uma séria temporal r t é uma série AR(p) se: r t = φ 0 + φ 1 r t φ p r t p + ε t onde {ε t } é sequência iid com ε t ( 0,σε 2 ) Observações 1. Média não-condicional. φ 0 E (r t ) = µ = 1 φ 1...φ p 2. (Estacionariedade) A série será estacionária se as raízes do polinômio forem maiores em módulo do que 1: 1 φ 1 x φ 2 x 2... φ p x p = 0
17 Modelos Autoregressivos 3. Covariâncias. As auto-covariâncias de um processo AR(p) são iguais a: { φ 1 γ 1 + φ 2 γ φ p γ p + σε 2 sel = 0 γ l = φ 1 γ l 1 + φ 2 γ l φ p γ l p sel > 0 Note que como γ l = γ l, temos um sistema de p + 1 equações em p + 1 γ s que pode ser resolvido para obter expressões explícitas 4. Correlações (FACs). A Função de Autocorrelações é dada por para l 1. ρ l = φ 1 ρ l 1 + φ 2 ρ l φ p ρ l p
18 Modelos Autoregressivos Como estimar modelo AR(P) 1. Especificação: definir p 2. Estimar parâmetros do modelo: OLS 3. Verificar resíduos: ˆε t deve ser um ruído branco
19 Modelos Autoregressivos 1. Especificação: definir p Função de Autocorrelação Parcial (PACF): É definida pelos coeficientes { ˆφ 1,1, ˆφ 2,2, ˆφ 3,3, ˆφ 4,4...} estimados de acordo com as seguintes equações: x t = φ 0,1 + φ 1,1 x t 1 + e 1,t x t = φ 0,2 + φ 1,2 x t 1 + φ 2,2 x t 2 + e 2,t x t = φ 0,3 + φ 1,3 x t 1 + φ 2,3 x t 2 + φ 3,3 x t 3 + e 3,t x t = φ 0,4 + φ 1,4 x t 1 + φ 2,4 x t 2 + φ 3,4 x t 3 + φ 4,4 x t 4 + e 4,t Observações:. 1. ˆφ p,p φ p para T grande 2. ˆφ l,l 0 para T grande e l > p 3. A variância assintótica de ˆφ l,l é 1/T para l > p
20 Modelos Autoregressivos 1. Especificação: definir p Critérios de Informação: Seleciona a defasagem de acordo com a aderência do modelo aos dados, medida por alguma das funções: AIC (l) = 2 T LLF (l) + 2 T BIC (l) = 2 T LLF (l) + 2 T (# parameters) ln(# parameters) onde LLF (l) é a função de log-verossimilhança do modelo AR (l) avaliada no ponto máximo Observações: 1. Como LLF (l) é multiplicado por -1, escolhe-se modelo com menor AIC/BIC 2. BIC pune mais (desconta menos) modelos com mais parâmetros
21 Modelos Autoregressivos Modelo de Média Móvel de Ordem 1: uma série temporal r t é uma série MA(1) se: r t = µ + ε t + θ 1 ε t 1 onde {ε t } é sequência iid com ε t ( 0,σε 2 ) Observações 1. Média não-condicional. E (r t ) = µ 2. Variância não-condicional.var (r t ) = σ 2 ε + θ 2 1 σ 2 ε = ( 1 + θ 2 1 ) σ 2 ε 3. Autocorrelação.A Função de Autocorrelações é dada por ρ 0 = 1, ρ 1 = θ 1 ( 1 + θ 2 1 ) e ρ l = 0, paral > 1
22 Modelos Autoregressivos Modelo de Média Móvel de Ordem q: uma série temporal r t é uma série MA(q) se: r t = µ + ε t + θ 1 ε t 1 + θ 2 ε t θ q ε t q onde {ε t } é sequência iid com ε t ( 0,σε 2 ) Observações 1. Média não-condicional.e (r t ) = µ 2. Variância não-condicional.var (r t ) = ( 1 + θ θ 2 q ) σ 2 ε 3. Autocorrelação.A Função de Autocorrelações é dada por ρ 0 = 1, ρ l = θ l + θ l+1 θ 1 + θ l+2 θ θ q θ ( ) q θ θq 2, e ρ l = 0, paral > q
23 Modelos Autoregressivos Como estimar modelo MA(q) 1. Especificação: definir q (ACF ou AIC/BIC) 2. Estimar parâmetros do modelo: MLE 3. Verificar resíduos: ˆε t deve seguir distribuição especificada
24 Modelos Autoregressivos Modelo ARMA(1,1): uma série temporal r t é uma série ARMA(1,1) se: r t = φ 0 + φ 1 r t 1 + ε t + θ 1 ε t 1 onde {ε t } é sequência iid com ε t ( 0,σε 2 ) Observações 1. Média não-condicional. E (r t ) = µ = φ 0 1 φ 1 2. Variância não-condicional.var (r t ) = γ 0 = (1+2φ 1θ 1 +θ 2 1 )σ 2 ε 1 φ 1 3. Autocorrelação.A Função de Autocorrelações é dada por ρ 0 = 1, ρ 1 = φ 1 + θ 1σ 2 ε γ 0 e ρ l = φ 1 ρ l 1 paral > 1
25 Modelos Autoregressivos Modelo ARMA(p,q): uma série temporal r t é uma série ARMA(p,q) se: r t = φ 0 + p i=1 φ i r t i + ε t + onde {ε t } é sequência iid com ε t ( 0,σε 2 ) Observações q i=1 θ i ε t i 1. Média não-condicional.e (r t ) = φ 0 /(1 φ 1... φ p ) 2. Autocovariâncias.Para j > q temos γ j = φ 1 γ j 1 + φ 2 γ j φ p γ j p, paraj = q + 1,q + 2,...
26 Modelos Não Estacionários
27 Modelos Não Estacionários Passeio Aleatório: uma série temporal p t é um passeio aleatório se: p t = p t 1 + ε t onde p 0 é o valor inicial e {ε t } é um ruído branco (sequência iid com ε t ( 0,σ 2 ε ) ) Observações 1. Se ε t+1 segue uma distribuição simétrica, dado p t, a probabilidade de p t+1 subir é 50% e de cair 50% 2. (Martingal) A melhor previsão para o futuro é o valor observado para hoje E t [p t+1 ] = p t 3. Em períodos curtos, o log do preço de uma ação pode ser modelado por meio de um passeio aleatório
28 Modelos Não Estacionários Observações (cont.): 4. Não estacionário: Var (p t ) = Var (p t 1 + ε t ) = Var (p t 1 ) + σ 2 ε + Cov (ε t,p t 1 ) 5. Podemos representar o Passeio Aleatório como: p t = ε t + ε t 1 + ε t (Memória persistente) Note que agora, o impacto de choques passados não decai com o tempo 7. O erro da projeção aumenta com o horizonte. Como E t [P t+l ] = p t, P t+l E t [P t+l ] = ε t+l + ε t l 1 + ε t+1 e a variância do erro é igual a l σ 2 ε e aumenta com l.
29 Modelos Não Estacionários Passeio Aleatório com Drift: uma série temporal p t é um passeio aleatório com drift se p t = µ + p t 1 + ε t onde p 0 é o valor inicial, µ é uma constante e {ε t } é um ruído branco (sequência iid com ε t ( 0,σ 2 ε ) ) Observações 1. Substitutindo recursivamente: p 1 = µ + p 0 + ε 1 p 2 = µ + p 1 + ε 2 = 2µ + p 0 + ε 2 + ε 1. p t = µt + p 0 + ε t + ε t ε 1 2. Tendência determinista µt (time-trend) e tendência estocástica ( ε t i = ε t + ε t ε 1 ) 3. A tend. determinista domina, pois o desvio padrão condicional é tσ 2 ε
30 Modelos Não Estacionários Processo com Tendência Estacionária: uma série temporal p t é um processo com tendência estacionária se p t = δ 0 + δ 1 t + x t onde x t é um processo estacionário (e.g. um processo AR(p) estacionário). Observações 1. p t cresce a linearmente à taxa δ 1 e pode se assemelhar a um passeio aleatório com drift. 2. Assumindo que x t tem média zero, temos que por um lado E [p t ] = δ 0 + δ 1 t e por outro Var [p t ] = Var [x t ], finito e invariante 3. Podemos remover a não-estacionariedade na média regredindo p t em t.
31 Modelos Não Estacionários Processo ARIMA(p,1,q): p t é um processo autoregressivo integrado com média móvel se r t = p t = p t p t 1 segue um processo estacionário ARMA(p,q) Observações 1. Podemos pensar p t como sendo o log do preço, p t = ln (P t ) de uma ação e portanto a diferença r t = p t = ln (P t /P t 1 ) o log-retorno 2. De maneira mais geral, podemos definir um processo ARIMA(p,d,q), onde d indica o número de diferenciações necessárias para atingir estacionariedade 3. Considere d = 2, neste caso teremos: 2 p t = p t p t 1 = p t 2p t 1 + p t 2
32 Modelos Não Estacionários Como detectar não estacionariedade? 1. Visualmente (graficamente) 2. Teoria econômica 3. Testando a presença de raíz unitária
33 Modelos Não Estacionários Testes de raíz unitária Considere a seguinte especificação: p t = φ 1 p t 1 + ε t Queremos testar se φ 1 = 1, ou seja, se p t é uma passeio aleatório sem drift. Poderíamos testar se α = φ 1 1 é igual a zero utilizando um teste t: p t = (φ 1 1)p t 1 + ε t = αp t 1 + ε t No entanto, nesse caso a estatística t está incorreta e precisa ser ajustada
34 Modelos Não Estacionários Teste Dickey Fuller de raíz unitária: H 0 : α = 0 vs H a : α < 0 DF t ratio = ˆα std (ˆα) Dependendo da especificação utilizada e do tamanho da amostra, o ajuste necessário na estatística t será diferente. Os valores podem ser obtidos por meio de simulações de Monte Carlo Tabelas existem para as seguintes especificações: τ : p t = αp t 1 + ε t τ µ : p t = µ + αp t 1 + ε t τ τ : p t = µ + δt + αp t 1 + ε t
35 Modelos Não Estacionários Teste Augmented Dickey Fuller (ADF) de raíz unitária: H 0 : β = 0 vs H a : β < 0 ˆβ ADF = ( ) std ˆβ Amplia a possibilidade de especificações ao incluir o componente autoregressivo AR(P): p 1 τ : p t = βp t 1 + λ i p t i + ε t i=1 p 1 τ µ : p t = µ + βp t 1 + λ i p t i + ε t i=1 p 1 τ τ : p t = µ + δt + βp t 1 + λ i p t i + ε t i=1
Econometria Financeira
Ralph S. Silva http://www.im.ufrj.br/ralph/econometriafinanceira.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Setembro-Dezembro/2015 Análise
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia 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 maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia 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 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 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 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 maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia 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 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 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 maisCapítulo 3. Modelos Probabilísticos
Capítulo 3 Modelos Probabilísticos 3.1 Introdução Neste capítulo serão descritos vários modelos adequados para dados de séries temporais. Tais modelos são chamados de processos estocásticos. Matematicamente
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisTestes de Raiz Unitária para Dados em Painel
Aula 7 Bibliografia: Stata, 2017. help xtunitroot. From Stata/SE 13 (accessed on Oct. 23, 2018). Pesaran, M.H. (2015). Time series and panel data econometrics. Oxford: Oxford University Press. Rafael S.
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015
ECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015 Solução Questão I (2,0 pontos): Para o modelo y t = 0, 7y t 1 + ɛ t, com ruído branco ɛ t (0, 1), (a) (0,5) Obtenha a previsão h-passos a frente, ŷ
Leia maisAula 4. Wilson Correa. August 5, 2015
Aula 4 Raíz Unitária e Cointegração Wilson Correa August 5, 2015 Introdução e Implicações Não estacionariedade possui possivelmente diversas origens em economia como resultado do progresso tecnológico
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 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 maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia 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 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 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 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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisTestes de raiz unitária
Testes de raiz unitária Avaliando estacionariedade em séries temporais financeiras Wilson Freitas Quant Developer Recursos index.rmd 2/20 Testes de Raiz Unitária Definição do teste de raiz unitária Existem
Leia mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisCapítulo 3. Curva de Correlação. não é necessariamente homoscedástica, iremos considerar o modelo
Capítulo 3 Curva de Correlação 3 Curva de Correlação Cruzada Contemporânea 3 Introdução Considere { ( X t Yt ) t Z} um processo estacionário estrito com X t a valores contínuos tal que Y t possuem segundos
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia mais3 Metodologia 3.1. Tipo de pesquisa
3 Metodologia 3.1. Tipo de pesquisa Este trabalho pode ser classificado como uma pesquisa descritiva, quantitativa, bibliográfica, experimental, exploratória e explicativa. Este estudo é descritivo, pois
Leia mais3 A Modelagem Univariada por Box & Jenkins
3 A Modelagem Univariada por Box & Jenkins 3.1 Preliminares da modelagem por Box & Jenkins Serão a seguir apresentados alguns conceitos imprescindíveis para a compreensão da técnica Box & Jenkins (BJ)
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisIntrodução a Modelos VAR
Introdução a Modelos VAR Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 Um VAR é um modelo no qual K variáveis são especicadas como funções lineares de p de
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia mais= p(x 1 )p(x 2 x 1 )p(x n,..., x 3 x 2, x 1 ). = p(x 1 ) t=2. Em particular para um modelo ARMA(p, q), denotando o vetor de parâmetros. t=p+1.
Capítulo 4 Estimação No capítulo anterior foram estudados modelos probabilísticos que podem ser utilizados para descrever dados de séries temporais. Neste capítulo será discutido o problema de ajustar
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia 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 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 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 maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Distribuição beta não central; Coef. de determinação; Quando X for aleatório. Distribuição
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 maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisCointegração fracionária em séries financeiras. Victor Sakimoto Shie DISSERTAÇÃO APRESENTADA INSTITUTO DE MATEMÁTICA E ESTATÍSTICA
Cointegração fracionária em séries financeiras Victor Sakimoto Shie DISSERTAÇÃO APRESENTADA AO INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE SÃO PAULO PARA OBTENÇÃO DO TÍTULO DE MESTRE EM CIÊNCIAS
Leia maisPrevisão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Leia 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 maisAULA 8 - MQO em regressão múltipla:
AULA 8 - MQO em regressão múltipla: Definição, Estimação e Propriedades Algébricas Susan Schommer Econometria I - IE/UFRJ Regressão Múltipla: Definição e Derivação A partir de agora vamos alterar o nosso
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisSéries Temporais Tendência e sazonalidade.
Séries Temporais Tendência e sazonalidade. Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 DECOMPOSIÇÃO
Leia maisPode-se definir Value at Risk[28], VaR, como a perda máxima (ou pior perda) num determinado período de tempo a um nível de confiança
4 Aplicações 4.1 Introdução A idéia deste capítulo é explicitar a metodologia utilizada para a avaliação dos modelos SV frente ao modelo GARCH(1,1 ). Para tal, apresenta-se a definição de Value at Risk,
Leia maisECONOMETRIA EXERCÍCIOS DO CAPÍTULO 6
ECONOMETRIA EXERCÍCIOS DO CAPÍTULO 6 1. Exercício C18.13 i) a iv) de W. 2. Exercício C18.2 de W. 3. (Exercício 9 do exame de ER de 25/6/2010.) Com dados anuais de 1952 a 2009, pretendese analisar as propriedades
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 maisSérie de Textos para Discussão do Curso de Ciências Econômicas
Série de Textos para Discussão do Curso de Ciências Econômicas Texto para Discussão n. 001 STAR unit root test e os preços da cana-de-açúcar no Brasil: evidências empíricas não lineares Cleyzer Adrian
Leia maisPrevisão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis
Previsão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis Gabriel Tambarussi Avancini 1 Thiago Viana Flor de Santana 1 Vitor Augusto Ozaki 1 Djair
Leia maisModelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia 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 maisDefine-se o regressor,ϕ,como. e o vector de parâmetros a estimar, θ,como. O modelo escreve-se:
22 Mínimos Quadrados - Notação matricial Se quisermos resolver o problema de estimação para um número arbitrário de parâmetros temos de usar a notação matricial. Define-se o regressor,,como [ ] e o vector
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia maisCONHECIMENTOS ESPECÍFICOS
Considere que o tempo de duração (X, em horas) de uma viagem por via ferroviária seja uma variável aleatória com função de densidade de probabilidade expressa por f(x) = 2e!2(x!5) em que x $ 5 horas. Com
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia 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 maisTópicos de Estatística Espacial Geoestatística
Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente
Leia maisAntes de resolvermos a)-c), vamos relembrar a diferença entre esperança (variância) conditional e esperança (variância) incondicional.
Econometria Avançada - 015-1 SOLUÇÃO Terceira lista de exercícios Problema 1. Seja r t os retornos (ou log-retornos) diários de um ativo financeiros (por exemplo, S&P500 ou Petrobrás ON) tal que r t =
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
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 maisCURSO DE ANÁLISE DE SÉRIES TEMPORAIS MODELO ARIMA MATERIAL DE APOIO
FACE Faculdade de Administração, Ciências Contábeis e Ciências Econômicas Curso de Ciências Econômicas Direção FACE Prof. Moisés Ferreira da Cunha Vice-Direção FACE Prof. Mauro Caetano de Souza Coordenação
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 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 maisAnálise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística
Análise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística Diogo Francisco Rossoni (DES/UEM) Cristina Henriques Nogueira (DEX/UFLA) Renato
Leia maisUtilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
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 maisEconometria. Séries Temporais Lista de Exercícios
Econometria Séries Temporais Lista de Exercícios 1. Estimação da Autocovariância e da Autocorrelação Tome a série de dados da planilha estimacao.xlsx e estime o que se pede sobre a série de tempo dada.
Leia maisAULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
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 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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia 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 maisModelos de Séries Temporais Aplicados a Dados de Precipitação da Região do Cariri Paraibano
Universidade Estadual da Paraíba Centro de Ciências e Tecnologia Departamento de Estatística Fábio Sandro dos Santos Modelos de Séries Temporais Aplicados a Dados de Precipitação da Região do Cariri Paraibano
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia 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 maisIntrodução Regressão linear Regressão de dados independentes Regressão não linear. Regressão. Susana Barbosa
Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Regressão linear x : variável explanatória y : variável resposta Gráfico primeiro! Gráfico primeiro! Gráfico primeiro! Modelo linear x
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisEstimação e Modelagem de Volatilidade - Eduardo Ribeiro 1
Discutiremos agora diferentes métodos de estimação de volatilidade de ativos. Volatilidade pode ser entendido como o risco de um ativo (retorno incerto). Volatilidade é chave para precificar opções e calcular
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 maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisSTAR unit root test e os preços da cana-de-açúcar. Grupo de Pesquisa: 1. Comercialização, Mercados e Preços
SAR UNI ROO ES E OS PREÇOS DA CANA-DE-AÇÚCAR cleyze@yahoo.com.br Apresentação Oral-Comercialização, Mercados e Preços CLEZER ADRIAN CUNHA ; ALCIDO ELENOR WANDER 2..UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA
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 maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisParidade do Poder de Compra e a Taxa de Câmbio Brasileira
Paridade do Poder de Compra e a Taxa de Câmbio Brasileira PET-Economia UnB 10 de junho de 2013 1 2 3 4 5 6 O que é a PPP e porque ela importa A PPP clama que os níveis de preço ao redor do globo devem
Leia mais