Conceitos Bsicos de Sries Temporais

para Modelagem Macroeconmica

Material de apoio aula de RBC

Referencia bibliogrfica: Introduction to Econometrics
G S Maddala e Kajal Lahiri
4a. Edio, John Wiley & Sons Ltd, UK, 2009.

1
Carmem Feij Curso Macroeconomia Avanada
 Sries Temporais

O prposito da anlise de sries temporais estudar a dinmica, ie, a estrutura temporal

dos dados. A anlise de uma nica sequncia de dados chamada de anlise de srie
temporal univariada, enquanto que a anlise de vrias colees de dados para a mesma
sequncia de perodos de tempo chamada de anlise multivariada (multivariate time-
series analysis).

Desde a dcada de 60 que as novas tcnicas em econometria (particularmente as que

tentam corrigir correlaes seriais nos resduos) esto concentradas em modelar e entender
dados de sries temporais.

2
Carmem Feij Curso Macroeconomia Avanada
 Sries Temporais
Uma srie temporal uma coleo de observaes indexadas pela data de cada
observao. Na prtica temos a possibilidade de infinitas observaes no tempo e pegamos
apenas uma amostra de tamanho T,
 ,
 , ,
 , isto :

 

= ,
 ,
 ,
 ,
 ,
 ,
amostra de tamanho T

A srie temporal
 

identificada pela descrio de seu t-simo elemento.

Exemplos: yt = para uma srie onde todos os elementos so constantes e iguais a ; yt = t
para um time trend que uma srie cujo valor de cada elemento simplesmente a data da
observao;
ou yt = t para uma srie cujos elementos so valores aleatrios e independentes com uma
distribuio gaussiana.

3
Carmem Feij Curso Macroeconomia Avanada
 Processo Estocstico e Sries Temporais

Fig. 1

4
Carmem Feij Curso Macroeconomia Avanada
 Caractersticas Estatsticas das Sries Temporais
A expectativa da t-sima observao de uma srie temporal se refere mdia (estatstica de
primeira ordem, ou primeiro momento):

  =  = 
 
 


Varincia (estatstica de segunda ordem):


 = 
 =  =    
=
  =
  
 


Um aspecto fundamental em sries temporais como observaes esto relacionadas entre

si no tempo. A covarincia definida em termos de valores defasados (lagged), denominada
de autocovarincia, e mede o grau de variao de segunda ordem (segundo momento) entre
dois elementos em dois tempos diferentes. A autocovarincia entre Yt e Yt-1 para o
processo estoctico {Yt} :
  ,   =  =        =       

= 
 
      !
 ,   
 
 

Para considerar a relao de Yt com as j mais recentes observaes   ,   , ,   ,

definimos a j-sima autocorrelao de Yt :
 =        =       

=  
 
      !  "
 ,   , ,   
 
  
 

5
Carmem Feij Curso Macroeconomia Avanada
 Estacionariedade (Stationarity)
Uma srie temporal estacionria quando suas caractersticas estatsticas (mdia,
varincia, autocorrelao, ) so constantes ao longo do tempo. uma srie que se
desenvolve aleatoriamente no tempo, em torno de uma mdia constante, refletindo alguma
forma de equilbrio estatstico estvel (i.e. as leis de probabilidade que atuam no processo
no mudam com o tempo).
Muitas sries so inerentemente no-estacionrias e exibem trends, ciclos, padres
sazonais e outros comportamentos no-estacionrios.
Mtodos de previso (forecasting) usam transformaes matemticas para estacionarizar
uma srie e fazer previses nesta srie mais bem comportada, para depois inverter as
transformaes e obter as previses para a srie original. Transformaes comuns so:
tomar diferenas sucessivamente, deflacionar, aplicar log (p/estabilizar varincias), fazer
ajustes sazonais, de-trending (e.g. ajustar um trend e subtra-lo), .
A inspeo visual de uma srie j pode indicar no-estacionariedade (basta ver se no h
uma mdia constante e uma varincia constante, ou se existe um trend):

Srie no-estacionria Srie estacionria

(pois existe um trend)

6
Carmem Feij Curso Macroeconomia Avanada
 White Noise
Processo de Rudo Branco (White Noise), tambm chamado de Processo Puramente
Randmico, um processo estocstico que consiste de uma sequncia de variveis
randmicas independente e identicamente distribudas (i.i.d.).

White noise #


tem mdia e varincia constantes e seus elementos so no-
correlacionados.
 # = 0
 # =  # 0 =  
 # #+ = 0; - /

Indica-se white noise como: # ~%%& 0,   ou # ~() 0,   .

A condio de # e #+ serem independentes (para todo t s) muito forte. Portanto,
comum definir white noise apenas com a condio de no-correlao,  # #+ = 0, e
considerar Processo de White Noise Independente para a condio mais forte de
independncia.
Se o white noise independente e a distribuio normal, denominamos de Processo
de White Noise Gaussiano e indica-se como # ~%) 0,   ..

7
Carmem Feij Curso Macroeconomia Avanada
 Estacionariedade Fraca (Weak Stationarity)
Um processo Yt fracamente estacionrio, ou estacionrio, se nem a mdia nem as j-
simas autocovarincias dependem da data t, isto :
estacionariedade fraca tambm   =  - A j-sima autocorrelao de um processo
chamada de estacionariedade de  =  - 9 estacionrio, denotado por j definido por:
covarincia.
  < - < =   (o que vem da definio de corr)

Exemplo:  =  + # , onde c uma constante e t um white noise Gaussiano, uma

srie estacionria (white noise sozinho tambm estacionrio).
  =   +  # =  + 0 = 
 =        =   + #   + #   =  # # 
0 9 0
=: 
 9 = 0
Exemplo: Yt um time trend linear mais um white noise Gaussiano, i.e.  = 1- + # , onde
uma constante. Esta srie no estacionria porque a mdia uma funo do tempo:
  =  1- +  # = 1- + 0 = 1-
No conceito de estacionariedade est implcito que a varincia finita (i.e. no uma
estacionariedade explosiva). Nos dois exemplos acima, a varincia 
 =  23
 4 5 =  # =   < .
Da definio  =       =  pode-se mostrar que se um processo
estacionrio, ento a covarincia entre Yt e Yt-j depender somente da distncia de tempo j
que separa as observaes e que:  =   , ; =    ,  -9
 =   9
8
Carmem Feij Curso Macroeconomia Avanada
 Estacionariedade Estrita (Strict Stationarity)
Na literatura, geralmente estacionariedade significa estacionariedade fraca.
H uma condio bem mais forte chamada de estacionariedade estrita.
Um processo estritamente estacionrio se, para quaisquer valores de t1, t2, , tn, a
distribuio conjunta de ! , > , , ? a mesma distribuio conjunta de
! " , > " , , ? "
para todo o j. Isto , a distribuio conjunta no depende das datas
t1, t2, , tn mas apenas da distncia separando as datas.
Varincia finita no assumida na definio de estacionariedade estrita. Portanto,
estacionariedade estrita no necessariamente implica em estacionariedade fraca.

Na definio de estacionariedade fraca h apenas restries com relao aos segundos

momentos serem finitos. Portanto, uma srie pode ser fracamente estacionria, mesmo
tendo algum momento de alta ordem dependendo do tempo (e.g.  @ ). Neste caso a
srie fracamente estacionria, mas no estritamente.

White noise estacionrio mas pode no ser estritamente estacionrio. Porm white
noise Gaussiano estacionrio e estritamente estacionrio.

9
Carmem Feij Curso Macroeconomia Avanada
 Ergodicidade (Ergodicity)
Na prtica, geralmente s se tem uma nica realizao de um processo estocstico (i.e.
uma nica amostra de tamanho T). Sries temporais econmicas so nicas. Portanto,
como mostra a Fig. 1 (slide 5), gostaramos que a mdia no tempo (
A) fosse uma boa
aproximao da mdia E(Yt) das inmeras realizaes. Se o tamanho T de uma nica
amostra tende a , ento
A converge para E(Yt).
Def.: Um processo fracamente estacionrio ergdico para a mdia , ou seja, ergdico
para o primeiro momento, se
A converge em probabilidade para E(Yt) quando T .
Um processo ser ergdico para a mdia desde que a autocovarincia j v a zero
suficientemente rpido medida que j cresce.
possvel demonstrar que se

  < , ento {Yt} ergdico para a mdia.

De maneira similar, tambm possvel definir ergodicidade para segundos momentos
(lembrando que queremos trabalhar com uma nica amostra e ainda assim ter as
propriedades dos processos aleatrios garantidas).
White noise Gaussiano ergdico para todos os momentos.
Estacionariedade no implica em ergodicidade. fcil mostrar que a srie estacionria  =
 + # no ergdica para a mdia se gerado a partir de uma distribuio normal N(0,
2), mesmo que t seja um white noise Gaussiano.

10
Carmem Feij Curso Macroeconomia Avanada
 Processo MA Moving Average
Def.: um processo de mdias mveis (moving average) de primeira ordem MA(1) uma
srie temporal do tipo  =  + # + C#  , onde {t} um white noise (sem a condio
forte de independncia) e e so constantes.
O termo mdias mveis vem do fato de que Yt construdo a partir de uma soma
ponderada (que uma espcie de mdia) dos valores mais recentes de .
A expectativa de Yt   = . Usa-se o smbolo para o termo constante para enfatizar
que o termo constante a mdia do processo.
Pode-se mostrar que a varincia finita e as autocovarianas so nulas, ou seja, mdia e
autocovarincias no so funes de t. Em outras palavras, MA(1) um processo
estacionrio (i.e. fracamente estacionrio). E mais: MA(1) estacionrio independentemente
do valor de .
Pode-se tambm mostrar que
  = 1 + C  + C , ou seja   < . Portanto,
  

se {t} um white noise Gaussiano, ento MA(1) ergdico para todos os momentos. A
primeira autocorrelao de um MA(1) < = C 1 + C  ; as outras so 0. Um correlograma
que vai decaindo indica estacionariedade:

1.0 0 =  = 1.0
0.5 1 de  = # + 0.8#  igual a 0.8/(1 + 0.82) = 0.488
0.0
01 2 lag j
Pode-se estender estes resultados para um processo de mdias mveis de q-sima ordem
MA(q) e mostrar que tambm se trata de um processo estacionrio e ergdico para todos os
momentos:
 =  + # + C #  + C #  + + CE # E
11
Carmem Feij Curso Macroeconomia Avanada
 Processos Autoregressivos AR
Def.: um processo autoregressivo de primeira ordem AR(1) uma srie temporal do tipo
 =  + G  + # onde {t} um white noise (sem a condio forte de independncia) e
uma constante.
Pode ser mostrado que se | | 1 ento no existe uma soluo estvel, pois os vo se
acumulando e a srie explode. Por exemplo:  = G  + # = G G  + #  + # = =
G  + G  # + + G  #  + G#  + # . Isto equivale a dizer que no existe um processo
estacionrio para Yt quando | | 1.
Def.: um processo autoregressivo de segunda ordem AR(2) uma srie temporal do tipo
 =  + G   + G   + #
Podemos mostrar que a condio para a soluo desta srie ser estvel (e da srie ser
estacionria) que as razes z1 e z2 da equao caracterstica H  G H G = 0 estejam
dentro do crculo unitrio, i.e. |z1| < 1. Isto leva s seguintes trs condies para
estacionariedade: G + G < 1 , G G > 1 , G < 1.
Podemos tambm calcular autocorrelaes j (obtidos recursivamente usando as equaes
de Yule-Walker) para plotar o correlograma e evidenciar a estacionareidade. Para o
processo AR(2)  = 1.0  0.5  + # temos < = <  0.5<  e o correlograma:
Correlograma de srie estacionria AR
sempre amortece. Dependendo dos
sinais dos coeficientes, h valores
positivos e negativos no correlograma.

Podemos estender estes resultados para uma autoregresso de ordem p, denominada

AR(p), que estacionria se as p razes da sua equao caracterstica estiverem dentro do
crculo unitrio.
A estimativa de modelos AR bem simples: OLS minimizando # .
12
Carmem Feij Curso Macroeconomia Avanada
 Processos de Mdias Mveis Autoregressivos - ARMA
O processo autoregressive moving average ARMA(p,q) vem da combinao dos modelos
AR(p) e MA(q):
 =  + G   + G   + GK  K + # + C #  + C #  + + CE # E

AR(p) MA(q)
Exemplo ARMA(1,1):  =  + G  + # + C# 
A estacionariedade de um processo ARMA depende inteiramente dos parmetros de
autoregresso i e no dos parmetros de mdias mveis i: se todas as razes da
equao caracterstica 1 G H G H  GK H K = 0 estiverem dentro do crculo unitrio,
i.e. HL < 1, ento o modelo ARMA estacionrio e a mdia   =  1 G GK .

O modelo ARMA combina a questo bsica do AR (quo fortemente o passado influencia o

presente) com a do MA (modelar o presente usando erros passados de predio). H
vrias tcnicas para determinar a ordem (p e q) de um modelo ARMA.

13
Carmem Feij Curso Macroeconomia Avanada
 Processo Random Walk
O modelo AR(1) um processo Random Walk quando = 1 e c = 0:
 =
  + #
Como = 1, ento o processo no estacionrio. Este tipo de srie chamada de srie
no-estacionria de raiz unitria.
A implicao de um processo deste tipo que a melhor predio de y para o prximo
perodo o valor corrente. Este processo no permite predizer a mudana
 =

  .
Em outras palavras, a mudana de y absolutamente aleatria. A mdia constante, mas
a varincia cresce com t.
Na prtica, a presena de um processo random walk torna o processo de forecast muito
simples, porque todos os valores futuros de yt+s simplesmente yt.
O impacto de qualquer choque passado tj em yt no decai ao longo do tempo.
Consequentemente, a srie random walk tem uma forte memria, porque ela se lembra dos
choques passados; i.e. os choques tm um efeito permanente na srie.
No modelo AR(1), quando = 1 e c = 0, temos um Random Walk com Drift:

 =
  + N + # , onde a constante a mdia, N = 

  , representa um time
trend e referida como o drift do modelo. Este trend fica mais claro quando desenvolvemos
a sequncia a partir do valor inicial y0 e apresentamos o modelo de outra forma:

 =
 + N + # onde ut um Random Walk Gaussiano, i.e.

 =
 + N + # =
 + 2N + # + # um random walk com um tamanho aleatrio de
passo que varia de acordo com uma

 =
 + -N + # + #  + + #

 = Q + N- + R , R = # + #  + + #
Q = S/-S-T
Carmem Feij Curso Macroeconomia Avanada
distribuio normal, e que tem  R = -U ,
onde U a varincia de t.
Imagine ir de um ponto numa reta para outro, dando passos
para trs e para frente aleatoriamente.
14
 ARIMA
Se o modelo ARMA permitir que o polinmio AR tenha 1 como uma das razes da equao
caracterstica, tornamos o modelo ARMA no modelo autoregressive integrated moving
average (ARIMA). Um modelo ARIMA dito ser no-estacionrio de raiz unitria porque seu
polinmio AR tem uma raiz unitria. Assim como um modelo random walk, um modelo
ARIMA tem forte memria porque os coeficientes i da sua representao MA no decaem
no tempo para zero, implicando que o choque passado ti do modelo tem um efeito
permanente na srie. Um tratamento usual para lidar com no-estacionaridade de raiz
unitria usar as diferenas sucessivas.

Na prtica, sries temporais so no-estacionrias. Um procedimento comum para

converter uma srie no-estacionria em uma srie estacionria atravs de diferenas
sucessivas, aplicando o operador . Suponha que fazemos primeiro
 =

  , depois

 =

  =

 
 
  , depois @
 = , at que V
 seja uma
srie estacionria que possa ser representada por um modelo ARMA(p,q). Neste caso,
dizemos que yt pode ser representado por um modelo autoregressive integrated moving
average ARIMA(p,d,q) e que yt integrado de ordem d. Neste caso denotamos
 ~%  .
Uma srie estacionria dita ser I(0). White noise I(0). Random Walk com drift I(1).

15
Carmem Feij Curso Macroeconomia Avanada
 Trends e Random Walk
Com os modelos dinmicos das sries temporais, a questo do time trend ganha uma
dimenso muito maior do que no caso clssico de modelo de regresso linear. Neste ltimo,
quando temos a reta que estima
 = 1 + 1 W + # , o coeficiente 1 pode assumir qualquer
valor fixo. Em contraste, o modelo AR(1)
 = G + G
  + # para ter significado deve ter o
coeficiente G 1.
Um modelo muito prximo do random walk com drift o processo trend-stationary (TSP):

 = Q + N- + R , onde ut um processo estacionrio, e.g. um processo AR(p) ou MA(q). Por
exemplo, um MA (): R = # + G #  + G #  + .
Nesta srie, yt cresce linearmente no tempo com uma taxa e portanto pode exibir
comportamento similar ao de um modelo random walk com drift. Entretanto, h uma grande
diferena. Supondo que y0 fixo, o modelo random walk com drift assume a mdia 
 =

 + N- e a varincia 
 = -U , ambas dependentes do tempo (i.e. no estacionrio).
O modelo TSP tambm tem mdia 
 =
 + N- que depende do tempo, mas tem a
varincia 
 =  R que finita e independente do tempo (pois ut um processo
estacionrio). Portanto, a srie TSP pode ser transformada em uma srie estacionria
atravs da remoo do trend linear atravs de uma simples regresso linear. J o modelo de
random walk com drift, com o seu termo de perturbao no estacionrio ut (que cresce com
o tempo), requer um procedimento de diferenas sucessivas para eliminar o time trend e se
tornar estacionrio. Por esta razo, o modelo de random walk com drift tambm
denominado de processo difference-stationary (DSP).
Diz-se que TSP representa um trend determinstico, enquanto que o random walk com drift,
i.e. o processo DSP, um trend estocstico. Uma srie pode ter componentes
determinsticos (polinmio T para trend e polinmio S para sazonalidade) e estocsticos
(processo ut para trend e processo t para sazonalidade) juntos:
 = Y + Z + R +  + #

16
Carmem Feij Curso Macroeconomia Avanada
 TSP vs DSP e RBC
Usa-se o teste Dickey-Fuller (que um tipo de teste da raiz unitria) para testar a
hiptese de que uma srie temporal pertence classe TSP contra a alternativa de que ela
pertence classe DSP (i.e. random walk com drift trend estocstico).

Se, no random walk com drift
 =
  + N + # , tem-se = 0, ento o modelo chamado

de trendless random walk. Mas deve-se notar que mesmo sem haver trend na mdia, existe
trend na varincia !

No TSP, um choque no tem efeito nos futuros valores de yt. No DSP, os efeitos de um choque so
permanentes!; e no h um trend de longo prazo em torno do qual o sistema pode ser estabilizado.Este
tema ressurge quando discute-se real business cycle. Neste modelo, trends e ciclos tm uma fonte
comum e a acumulao de choques tecnolgicos que produzem um trend de longo prazo, bem como
produz flutuaes de curto prazo em torno deste trend.

Mudanas estruturais (por causa de eventos impactantes, e.g. crise 2007) falseiam testes
de razes unitrias. Quebrar as sequncias (com drifts diferentes) seria uma soluo, mas
isto pode significar uma interferncia na anlise. Testes de razes unitrias tm recebido
mais ateno do que estimativas e predies.

17
Carmem Feij Curso Macroeconomia Avanada