Modelos ARIMA ST EViews

PUC-Rio
Departamento de Engenharia Eltrica
MODELOS ARIMA PARA SRIES

TEMPORAIS UTILIZANDO O
SOFTWARE EVIEWS
Prof. Cristiano Fernandes
(verso preliminar)
Agosto 2012
Prof. Cristiano Fernandes
Professor do Departamento de Engenharia Eltrica da

PUC-Rio onde atua na graduao e ps-graduao.
Ph.D. em Estatstica pela London School of Economics.
Suas reas de atuao acadmica so Econometria e
Sries Temporais.
e-mail: cris@ele.puc-rio.br
Modelo ARIMA para Sries Temporais utilizando o software EViews 2

Prof. Cristiano Fernandes PUC-Rio Agosto 2012
Sumrio
1. MOTIVAO .......................................................... 5
INTRODUO .............................................................. 5
2. SRIES TEMPORAIS E PROCESSOS ESTOCSTICOS ..... 16
PROCESSO ESTOCSTICO .............................................. 16

ESTACIONARIEDADE .................................................... 18
MODELO / PROCESSO ESTOCSTICO VERSUS SRIE TEMPORAL .... 22
FUNO DE AUTOCORRELAO (FAC) ................................ 23
FUNO DE AUTOCORRELAO PARCIAL (FACP) ..................... 26
INVESTIGANDO ESTACIONARIEDADE DE SRIES TEMPORAIS ........ 29
COMO TORNAR UMA SRIE NO-ESTACIONRIA EM ESTACIONRIA? 39
3. MODELOS AUTOREGRESSIVOS AR(P) ..................... 42
INTRODUO ............................................................ 42
MODOS CONDICIONAL E INCONDICIONAL DOS MODELOS DE ST ..... 44
PROCESSO AR(1) ...................................................... 44
Propriedades Estatsticas ....................................... 44
PROCESSO AR(2) ...................................................... 46
Condies de estacionariedade ................................ 46
PROCESSO AR(P)....................................................... 49
Estimao .......................................................... 50
TESTES DE HIPTESES ................................................. 51
4. MODELOS MDIAS MVEIS - MA(Q) .................... 57
INTRODUO ............................................................ 57
PROCESSO MA(1) ...................................................... 58
Estimao .......................................................... 61
GENERALIZAO ........................................................ 62
DUALIDADE AR X MA.................................................. 62
5. MODELOS ARMA ................................................... 64
INTRODUO ............................................................ 64
PROCESSO ARMA(1,1) ................................................ 64
ESTACIONARIEDADE .................................................... 67
INVERTIBILIDADE ....................................................... 67
ESTIMAO ............................................................. 67
IDENTIFICAO ......................................................... 67
CRITRIOS DE INFORMAO (CI) ..................................... 68
PROCESSOS ARIMA(P,D,Q) ........................................... 69

6. MODELOS PARA SRIES SAZONAIS: SARIMA E SAZONALIDADE POR
DUMMIES ................................................................ 71
INTRODUO ............................................................ 71
SAZONALIDADE COM VARIVEIS DUMMIES ............................ 72
NO ESTACIONARIEDADE SAZONAL ................................... 76
SAZONALIDADE COM MODELOS SARIMA.............................. 77
IDENTIFICAO DE MODELOS SARIMA(P,D,Q) X (P,D,Q)S ........ 78
Identificao de d e D........................................... 78
7. AVALIAO DO MODELO ........................................ 83
INTRODUO ............................................................ 83
MEDIDAS DE ADERNCIA ............................................... 84
DIAGNSTICOS ......................................................... 86
NORMALIDADE .......................................................... 87
QQ plot ............................................................. 87
Teste de Jarque-Bera ............................................ 88
Correlao serial ................................................. 91
Anlise de interveno .......................................... 97
8. PREVISES ........................................................ 101
INTRODUO ........................................................... 101

TIPOS DE PREVISO ................................................... 102
BIBLIOGRAFIA....................................................... 112

1. Motivao
Introduo
Srie temporal (ST) um conjunto de observaes, geralmente equiespaadas,

obtidas a partir da medio/observao de uma mesma varivel ao longo do tempo.
A frequncia de observao/medio de uma ST pode variar dependendo do

fenmeno observado: minuto, diria, semanal, mensal, anual etc.
Exemplo: STs financeiras e econmicas.
Retornos dirios das cotaes de fechamento do

Ibovespa (03/01/86 a 02/05/2006);
Exportaes mensais brasileiras de produtos manufaturados
em US$ milhes (01/91 a 03/06; Fonte: Ipeadata);
Taxa de juros Selic mensal (01/74 a 05/06; Fonte: Ipeadata).
Exemplo 1: Retornos dirios do Ibovespa (fechamento) no

perodo de 02/01/1995 a 28/04/2006
Exemplo 2: Exportaes mensais de produtos manufaturados

(FOB) (01/96 a 03/06)

Fonte: Ipeadata.
Exemplo 3: Taxa de juros mensal (SELIC) (01/74 a 05/06)
Fonte: Ipeadata.

Neste mdulo daremos incio exposio de tcnicas e modelos estatsticos
adequados para o tratamento de sries temporais.
Este estudo detalhado importante pois a estimao de modelos de regresso

envolvendo sries temporais exige cuidados especiais, uma vez que vrios dos
pressupostos assumidos no modelo de regresso clssico podem ser violados nesta
situao, cabendo citar entre eles:
os resduos podem ser no estacionrios: isto pode tornar todos os

resultados da regresso invlidos (regresso espria), ou seja, as estimativas
dos coeficientes, varincias do estimadores, testes de hiptese, R2 etc no tero
mais nenhum sentido estatstico.
os resduos podem apresentar autocorrelao: neste caso as varincias

dos estimadores sero diferentes das varincias calculadas pelos pacotes, e,
assim sendo, os testes de hipteses perdem a validade. Por outro lado, ao
ignorarmos a presena de autocorrelao nos resduos as previses obtidas pelo
modelo estaro erradas.
os resduos podem apresentar heterocedasticidade condicional

(volatilidade): neste caso as varincias dos estimadores dos coeficientes e os
intervalos de confiana para previso da varivel dependente no so mais
aqueles apresentados na regresso clssica, devendo ser alterados.
A fim de ilustrar os problemas potenciais que podem ocorrer numa regresso com
sries de tempo, considere o seguinte exemplo.
Exemplo
Na regresso a seguir procura-se explicar as exportaes mensais brasileiras no

perodo de julho de 1994 a abril de 2006 (fonte: IPEADATA). As variveis
escolhidas foram as seguintes:
exp (exp_man_fob) = exportaes produtos manufaturados

(FOB) US$(milhes);
selic = taxa de juros Over / Selic (% a.m.) ;

cmbio = taxa de cmbio R$ / US$ comercial venda mdia
A inspeo visual dos grficos das sries no tempo sugere no-estacionariedade das
sries, uma vez que nenhuma das sries parece variar em torno de um valor de
equilbrio.
grfico da varivel dependente: exportaes de manufaturados.
7000
6000
5000
4000
3000
2000
1000
95 96 97 98 99 00 01 02 03 04 05
EXPORTAO
grfico dos regressores: cmbio e selic
0
95 96 97 98 99 00 01 02 03 04 05
CMBIO SELIC
Formalmente a no estacionariedade de cada uma destas sries pode ser
investigada atravs da aplicao de um teste de no estacionariedade (ou teste de
raiz unitria), o teste ADF, onde:
Ho: a srie no estacionria ou possui raiz unitria

Ha: a srie estacionria
Os resultados da aplicao do teste ADF foram os seguintes:
Exportao: aceita a hiptese de no-estacionariedade 1
Cmbio: aceita a hiptese de no-estacionariedade
1
Os testes de raiz unitria disponibilizadas no EViews no so, estritamente falando, adequados para sries sazonais.
Neste caso deve-se obter a srie anual, por agregao da srie mensal, e testar raiz unitria. Se a srie anual no-
estacionria, bem provvel que a srie mensal tambm o seja.

Selic: rejeita a hiptese de no-estacionariedade
Assim sendo, os testes indicaram que as sries de exportao e cmbio so no

estacionrias, enquanto que a srie da Selic estacionria.
A seguir especificamos o seguinte modelo de regresso para explicar as exportaes

mensais (de manufaturados) :
exportao = a + b juros + cmbio + u, u~ N(0,2)
Apresentamos os resultados da estimao do modelo:

Embora, primeira vista estes resultados paream fazer sentido, pois os
coeficientes de Cambio e Selic so significantes e possuem o sinal esperado, uma
anlise mais detalhada indica que h um problema estrutural nesta regresso:
>> os resduos no so estacionrios
Neste caso a no estacionariedade dos resduos pode ser facilmente confirmada

atravs de uma simples inspeo visual do seu grfico:
4000
3000
2000
1000
-1000
-2000
95 96 97 98 99 00 01 02 03 04 05
RESDUOS
Claramente os resduos no esto em equilbrio-estatstico.
A no estacionariedade dos resduos pode ser formalmente investigada atravs da

aplicao de um teste de raiz unitria para resduos, denominados de teste de
cointegrao.

A estatstica de teste a mesma do teste ADF, mas, como estes testes possuem
distribuio diferente daquela do ADF, os valores crticos e o p-valor da tabela a
seguir no esto corretos. Utilizando a tabela apropriada podemos obter o valor
crtico correto, ao nvel de 5%, o qual dado por: -1.942.
Como o mdulo de t=1.1254 < 1.942, ento no podemos rejeitar ao nvel de 5% a

hiptese de no-estacionariedade dos resduos, a qual contraria hipteses
fundamentais assumidas a respeito do erro num modelo de regresso, a saber:
os erros possuem varincia constante;

os erros so descorrelatados.
Lembrando que os resduos so estimativas dos erros, segue que uma regresso que
resulta em resduos no estacionrios jamais poderia estar associada a um modelo
onde os erros possuem varincia constante e so descorrelatados.
Por outro lado, pode-se mostrar formalmente que se o erro for no estacionrio,
ento os resultados da regresso entre sries temporais carecem de qualquer base
estatstica, sendo denominada de regresso espria.
Obviamente que, em relao regresso anterior, uma maneira de garantir a

estacionariedade dos resduos seria transformar as sries no estacionrias em
estacionrias, e realizar uma nova regresso com estas sries estacionarizadas.
Esta uma estratgia vlida neste caso, mas no adequada para todos os casos.

assim importante que antes de realizarmos regresso com sries de tempo nos
instrumentalizemos com tcnicas e modelos prprios para sries temporais.
O estudo de sries temporais est dividido em duas reas complementares: anlise

e modelos de sries temporais.
Anlise de Sries Temporais
Anlise de sries temporais a utilizao de ferramentas estatsticas (FAC,

periodograma, testes de dependncia, testes de raiz unitria, etc) para revelar
caractersticas importantes da srie:
a srie apresenta dependncia?

a srie estacionria?
a srie peridica/possui sazonalidade?
a srie exibe volatilidade?
a srie possui distribuio (incondicional) normal ou no normal?
Modelos de Sries Temporais
A partir da anlise de sries temporais, possvel obter subsdios para a

especificao de um modelo para a srie em questo. Os modelos para sries
temporais podem ser de dois tipos:
modelos de sries temporais: utilizam apenas o passado da srie para

especificar o modelo:
Exemplo:
modelo ARMA(1,1):
y t = y t 1 + t 1 + t , t ~ N(0, 2 )
modelo AR(1)-GARCH(1,1)

y t = y t 1 + h 1/2
t t , t ~ N(0,1)
h t = 0 + 2t 1 + h t 1 ,
t = h 1/2
t t
modelos de regresso dinmica (economtricos): utilizam alm do

passado da prpria srie o passado e o presente de outra sries causais para
especificar o modelo:
Exemplo:
y t = 0 + 1 y t 1 + 2 xt + 3 xt 1 + t , t ~ N(0, 2 )
Uma vez construdo um modelo para uma ST, este pode ser utilizado para efetuar
previses probabilsticas sobre o futuro da srie.
Do ponto de vista do usurio, a aplicao de tcnicas e modelos para ST, nos

estgios de anlise, modelagem e previso, permite obter informaes estruturadas
sobre a srie em estudo, as quais podem ser teis em processos decisrios, como
por exemplo:
Quantos novos produtos devo lanar para aumentar o meu

faturamento em ttulos de capitalizao em 15%?
O market-share do nosso produto j estabilizou?
Em quanto % devemos baixar a taxa de juros bsica para que

haja um aumento significativo nos empregos oferecidos pela
indstria de bicicletas?
Esquematicamente:

A formalizao dos modelos de sries temporais realizada a partir do conceito de
processo estocstico, a ser visto no prximo captulo.

2. Sries Temporais
e Processos Estocsticos
Processo Estocstico
Na estatstica o conceito de srie temporal est intimamente ligado ao conceito de

processo estocstico.
O processo estocstico (PE) pode ser visto como o mecanismo probabilstico

que gera os dados de uma srie temporal observada.
Exemplo: Processo AR(1)
yt = 0.6 yt-1 + et et ~NID(0, 2)
Estrutura Termo aleatrio

Grfico no tempo de uma ST gerada por um processo AR(1)
-1
-2
-3
-4
25 50 75 100
AR_1
Neste processo, as observaes da ST so geradas pela soma de duas componentes:
um componente estrutural: representada por uma proporo do valor da

srie no instante anterior: 0.6 yt-1 ;
um componente estocstico: representada pelo rudo branco et

~NID(0,1), associado com a incerteza na evoluo da srie.
Estes e outros processos estocsticos so utilizados como modelos para aproximar

sries econmicas, financeiras e fsicas.
Os PE/modelos tentam capturar a estrutura de dependncia existente no passado

da srie, e a extrapolao desta estrutura no futuro permite-nos realizar previses
para a srie.
A acurcia das previses, depende assim de dois fatores chaves:
que a estrutura capturada pelo modelo seja uma boa aproximao para o
mecanismo de dependncia da srie;
que esta estrutura de dependncia identificada a partir do passado da srie

permanea razoavelmente estvel no futuro.
Formalmente uma ST dita uma realizao de um processo estocstico.
Srie temporal como realizao de um PE
Processo Estocstico Realizaes
Na prtica somente observamos uma nica realizao de um PE, i.e., uma nica ST
(inflao, cmbio etc).
A partir desta nica realizao temos que determinar/estimar o processo que gerou
a ST.
Para que este procedimento seja factvel necessrio impor algumas restries ao
PE, sendo estacionariedade uma destas condies.
Estacionariedade

O conceito de estacionariedade tem a ver com a estabilidade do processo que est
gerando a ST.
Se o processo estacionrio (forte) ento suas caractersticas estatsticas

fundamentais (momentos) permanecem inalterados no tempo.
Observe que, naturalmente, a ST gerada por um processo estacionrio muda no

tempo, permanecendo inalterados os seus momentos.
Do ponto de vista estatstico-matemtico bem mais adequado trabalhar com

processos estacionrios.
Um PE dito estacionrio de 2a ordem (ou estacionariedade fraca) se alguns dos

seus momentos (incondicionais) permanecem inalterados ao longo do tempo.
Especificamente:
i. E [ yt ]
= t
ii. E ( yt ) = (0) = y2
2
t

iii. E ( yt )( yt k ) = (k ) t
a mdia e a varincia (incondicionais) do processo so constantes no tempo (i e

ii);
a estrutura de dependncia linear (k) depende apenas da distncia entre os

perodos e diminui com esta distncia (iii).
Assim sendo para saber se um dado processo estocstico estacionrio de 2 ordem

temos que dispor da expresso matemtica que descreve o processo, e ento
calcular as expresses i, ii e iii, verificando se elas satisfazem as condies
supracitadas.

yt = yt-1 + et et ~NID(0,2)
Se | | < 1 ento este processo ser sempre estacionrio, pois neste caso pode-
se mostrar que:
E(yt) = 0
Var(yt) = 2 /(1 - 2)
(k) = k 2 /(1 - 2), k=1,2,...
E assim podemos verificar que este processo satisfaz todas as condies de

estacionariedade .
Entretanto se = 1, pode-se mostrar que este processo no mais ser estacionrio,

pois agora:
yt = yt-1 + et et ~NID(0,2)
e assim:
E(yt) = 0
Var(yt) = t 2
(k) = (t k)2
Este processo no estacionrio pois a varincia e autocovarincia dependem

explicitamente do tempo.
conhecido na literatura matemtica como passeio aleatrio (random walk)

sendo relevante:
na construo de testes estatsticos de estacionariedade;

na modelagem de sries de preos em finanas.
A seguir apresentamos um grfico de uma ST gerada a partir do processo de passeio

aleatrio, onde yt = yt-1 + et et ~NID(0,1) e yo = 0.

5
-5
-10
-15
-20
-25
50 100 150 200 250 300
PASSEIO ALEATRIO
A ttulo de comparao, observe o grfico da srie do Ibovespa, (fechamento) no

perodo de 02/01/1995 a 28/04/2006.
50000
40000
30000
20000
10000
0
95 96 97 98 99 00 01 02 03 04 05
IBOV
A similaridade entre a realizao de um passeio aleatrio e a srie do ndice da

Bovespa sugere que esta srie possa ser modelada por um processo de passeio
aleatrio.

Na verdade os processos de passeio aleatrio (em tempo discreto e contnuo)
formam a base de modelos de apreamento em Finanas.
Modelo / Processo Estocstico

versus Srie Temporal
importante observar que embora utilizemos a mesma notao yt para designar o
processo/modelo e a ST observada, trata-se de duas entidades diferentes, embora,
espera-se, associadas.
Exemplo:
yt = yt-1 + et et ~NID(0,2) o modelo
yt = a srie Selic
A partir da expresso matemtica do modelo podemos obter as frmulas para os

seus momentos (mdia, varincia autocovarincia etc), estabelecendo se este
processo estacionrio; se o processo for estacionrio obter a funo de
autocorrelao, autocorrelao do quadrado etc, observando o seu padro.
De forma equivalente, dada uma ST real, podemos estimar a sua mdia, varincia, o
seu correlograma, o correlograma do quadrado da srie, testar se a srie
estacionria, se tem dependncia linear e no linear etc
A existncia de similaridades entre os padres dos momentos e da autocorrelaes

de um determinado modelo com as respectivas quantidades estimadas para uma ST
a chave que permite utilizarmos este modelo para descrever a ST.
Formalmente, considerando processos estacionrios, a relao entre os momentos

tericos e empricos mais importantes dada por:

MODELO SRIE
momentos tericos momentos empricos
T
= E(y t ) y = (1/T) y t
t=1
T _
2y =Var(y t ) s 2y = (1/(T-1)) (y t - y ) 2
t=1
E[(y t - )(y t-k -)] 1 T _ _

(k) =
2y
r(k) =
(T-k-1) t = k +1
(y t - y ) (y t-k - y )/s 2y
T _
S = E[(y t - )3 ] / 3y s = (1/(T-1)) (y t - y )3 /s3/2
y
t= 1
T _
K = E[(y t - ) 4 ] / 4y k = (1/(T-1)) (y t - y ) 4 /s 4y
t= 1
Funo de Autocorrelao (FAC)
Como veremos a FAC e a FACP juntas representam a impresso digital de

determinados processos estocsticos estacionrios conhecidos como AR(p) e
MA(q), a serem apresentados:
cada processo AR(p) e MA(q) possui

um padro FAC / FACP nico.
A FAC e a FACP tambm podem ser estimadas para uma srie temporal real, da
mesma forma que estimamos a sua mdia e outros momentos amostrais.
Ambas a FAC e a FACP representam maneiras diferentes de se calcular a

dependncia linear de um processo/ST:
FAC : no controla pelas dependncias intermedirias
FACP : controla pelas dependncias intermedirias
Comparando a FAC/FACP de uma ST com a FAC/FACP de vrios processos AR(p) e

MA(q) podemos ento identificar para uma ST real, o processo estocstico mais
adequado para model-la:

o processo AR(p) ou MA(q) que tiver o par FAC/FACP mais
parecido com o par FAC/FACP da srie, ser escolhido,
provisoriamente, como o modelo mais adequado para a srie
temporal.
A FAC, ou (k), calculada obtendo-se, a partir da expresso do processo para yt,

o coeficiente de correlao linear entre yt e yt-k, para vrios valores de k, onde k a
estrutura de defasagem ou lag.
Na prtica a FAC expressa atravs do grfico de (k)

versus k, k = 1,2,3,..., onde
(k) = corr(yt yt-k) k = 1,2,3, ...
corr(yt yt-k) = (k) / Var(yt)
(k) = E [(yt - ) ( yt-k - )]
admitindo que o processo seja estacionrio de 2 ordem
Propriedades da FAC
1. | (k) | < 1, pois (k) uma correlao.
2. se (k) = 0 para todo k, ento o processo totalmente descorrelatado, e dito

um rudo branco. Observar que descorrelatado significa apenas ausncia de
dependncia linear entre a srie e o seu passado. Um processo pode ser
descorrelatado e ainda assim apresentar outros tipos de dependncia
dependncia no linear.
Considere o processo AR(1):

yt = yt-1 + et et ~NID(0,2) , ||< 1
Utilizando a equao acima, mostra-se que:
E(yt) = 0
E(yt yt-1) = Var(yt)
E(yt yt-2) = 2 Var(yt)
E(yt yt-k) = k Var(yt ), de forma que
(k) = E(yt yt-k) / Var(yt) = k , k = 1,2,3,...
Fazendo o grfico de (k) x k, obtemos a FAC (supor > 0 ):
1.0
0.8
0.6
0.4
0.2
0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
FAC do AR(1)

Funo de Autocorrelao Parcial (FACP)
A FACP a estimativa da autocorrelao entre a srie yt e a srie yt-k,

controlando-se pelas sries intermedirias entre yt e yt-k.
Mede assim, a autocorrelao lquida entre yt e yt-k.
Para ilustrar a FACP, considere um processo AR(1)
yt = yt-1 + et et ~NID(0,2) , ||< 1
Vimos que o grfico da FAC para este processo dado por
(0 < < 1 ) :
1.0
0.8
0.6
0.4
0.2
0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
FAC do AR(1)
Observe que o processo AR(1) tem apenas dependncia explcita entre

observaes distantes uma unidade de tempo, pois:
yt = yt-1 + et
Entretanto o grfico da FAC mostra que a dependncia no nula para

observaes distantes de 2, 3, 4,... unidades de tempo (embora a fora da
dependncia decresa com a distncia k).

Por que este comportamento ocorre?
No difcil entender: a dependncia entre observaes distantes de uma

unidade de tempo faz com que, por transitividade, observaes distantes k
unidades de tempo tambm sejam dependentes linear-mente.
... yt-4 yt-3 yt-2 yt-1 yt
Um pouco de reflexo mostra que para estimar a dependncia lquida entre as

sries distantes de k unidades de tempo, devemos filtrar a contribuio dada
pelas sries intermedirias: yt-1, yt-2, yt-3, ... , yt-k+1.
O coeficiente de correlao parcial faz exatamente isso: calcula a correlao

entre yt e yt-k eliminando as influncias de yt-1 yt-2 ... yt-k+1. Formalmente:
kk = corr(yt , yt-k| yt-1 yt-2 ... yt-k+1) k=1,2,3,...
Se agruparmos num grfico estes coeficientes para vrios valores de k obtemos a

FACP.
possvel mostrar que o coeficiente de correlao parcial de ordem k coincide

com o ltimo parmetro de um modelo AR(k), o que faz sentido pois, por
construo kk o efeito linear de yt-k em yt, controlando-se pelas variveis
intermedirias: yt-1 yt-2 ... yt-k+1.
Por exemplo, se o processo verdadeiro que est gerando a nossa ST um

AR(1), ento:
yt = yt-1 + et
Assim sendo para este processo kk = 0, k >1, pois todos os ltimos

coeficientes em modelos AR(k), k > 1, sero nulos, uma vez que no existem os
termos yt-k, k > 1 num processo AR(1).

Por exemplo, para um processo AR(1) gerado artificialmente obtemos as
seguintes FAC e FACP estimadas:
FAC e FACP estimadas para uma realizao do processo AR(1)
Observe que na FACP terica a correlao parcial para k > 1 exatamente zero,
enquanto que na FACP estimada no exatamente zero, mas estatisticamente
no discernvel de zero.

Investigao da Estacionariedade de Sries
Temporais
Aqui aprenderemos como identificar se uma ST real estacionria, atravs da
utilizao de recursos grficos e de testes estatsticos.
Grfico da srie no tempo
Se a srie for estacionria ento as observaes variam em torno de um

valor de equilbrio, a mdia (incondicional) da srie, no apresentando perodos
de crescimento e decrescimento sustentado.
Srie de retornos do Ibovespa
A srie de retornos do Ibovespa varia em torno de um ponto de equilbrio, em

torno de zero.

Correlograma
Se a srie for estacionria ento o correlograma decai rapidamente para

zero com o aumento de k, ou estatisticamente nulo para todo k (se a srie for
rudo branco).
Correlograma da srie de retornos do Ibovespa
Conclui-se que a srie do Ibovespa estacionria, pois a FAC decai rapidamente

com k, e que particularmente uma ST estacionria descorrelatada, pois no h
estrutura de dependncia linear.

Conforme alertamos antes, observar que nem sempre a ausncia de
autocorrelao em uma ST implica em que a srie seja independente!!
Correlograma do quadrado dos retornos do Ibovespa
Conclui-se que h presena de dependncia no linear na srie de retornos do

Ibovespa, e, como veremos, este tipo de dependncia explica a volatilidade
observada nas sries de retornos financeiros.
Testes de raiz unitria (RU)
Num teste de RU, geralmente, a hiptese nula que a srie no estacionria

ou possui uma raiz unitria e a hiptese alternativa que a srie estacionria
Ho: a ST no estacionria (ou possui uma raiz unitria)
Ha: a ST estacionria
A idia bsica atrs de um teste de RU estimar um modelo AR(1) para a ST sob

investigao, e testar se o parmetro auto-regressivo deste modelo igual a um.
As seguintes opes de teste de RU esto disponveis no EViews (a partir da

verso 4.0):
Augmented Dickey Fuller (ADF)

Dickey Fuller GLS (DF-GLS)
Phillips-Perron (PP)
Kwiatkowski-Phillips-Schmidt-Shin (KPSS)
ElliotRothenberg-Stock point optimal (ERS)
Ng-Perron (NP)
Apenas no teste KPSS, a hiptese nula da ST ser estacionria.
Para implementar um teste de RU estimamos para a srie o modelo:
yt = yt-1 + et (I)
Ho: = 1 a ST possui uma RU
Ha: < 1 a ST estacionria
Pois, como vimos, se = 1 ento este processo no-estacionrio.
Como mais usual testar se o parmetro nulo, o teste de RU efetuado

subtraindo-se yt-1 de ambos os lados da equao I, resul-tando em:
yt = a1yt-1 + et (II)
a1 = -1
Portanto nesta nova parametrizao o teste ser:
Ho: a1 = 0 a ST possui uma RU
Ha: a1 < 0 a ST estacionria
Um pouco de reflexo indica que existem outras equaes compatveis com a

srie sendo no estacionria. Por exemplo, adicionando-se ao processo AR(1)
um intercepto a0 ou um intercepto mais uma tendncia determinstica, a0 + a1t,
resultam em outros proces-sos adequados para testar RU.

Como existem vrias especificaes consistentes com no-estacionariedade ou
RU, vo existir vrias formas de testar RU.
A questo importante na prtica escolher a forma do teste de RU adequada

para a ST em questo.
As seguintes formas para teste de RU se apresentam:
I: Yt = a1Yt-1 + et, et ~ NID (0,2)
Ho: a1=0 Yt ~ no-estacionria (RW)

Ha: a1< 0 Yt ~ estacionria
II: Yt = ao+ a1Yt-1 + et, et ~ NID(0,2)
Ho: a1=0 Yt ~ RW + drift

III: Yt = ao + a1Yt-1 + a2 t + et,
Ho: a1=0 Yt ~ RW + drift em torno de uma tendncia

determinstica.
Na prtica 2 para testar se uma determinada ST estacionria ou no, temos

que escolher entre as formas, (i, ii ou iii ) aquela que acomode, como casos
especiais, as hipteses nula e alternativa mais plausveis com o
comportamento da srie sendo testada.
Assim, ao realizarmos o teste utilizamos nosso conhecimento a priori sobre a

possvel estacionariedade ou n0-estacionariedade da srie, obtida pela
inspeo do grfico srie, para escolher, entra as estruturas I, II e III a mais
adequada para o teste de RU.
Por exemplo:
2
A maneira formal de se testar RU por demais intricada, envolvendo uma sucesso de testes mltiplos e simples,
com distribuies no-padres, at se forma adequada do teste de RU. Na maioria dos casos deve coincidir com o
procedimento prtico aqui apresentado.

se a srie tem cara de estacionria com mdia nula a estrutura adequada
ADF-I ;
se a srie tem cara de estacionria com mdia no nula, ento a forma

mais adequada ser a ADF-II;
se a srie tem cara de no-estacionria, mas sem tendncia sustentada,

positiva ou negativa, ento a estrutura adequada ADF-II.
se a srie tem cara de no-estacionria, com tendncia sustentada, positiva

ou negativa, ento a estrutura adequada ADF-II ou ADF-III.
Nos teste ADF, para corrigir a possvel presena de autocorrelao dos resduos
nas equaes I, II ou III, adicionado o seguinte somatrio em cada uma destas
equaes, transformando-as em ADF-I, ADF-II e ADF-III, respectivamente:
P
ADF-I: yt = a1yt-1 + y
i =1
i t i + et
P
ADF-II: yt = ao+ a1yt-1 + y
i =1
i t i + et
P
ADF-III: yt = ao + a1yt-1 + y
i =1
i t i + a 2 t + et
A ordem p, da autoregresso, geralmente determinada automaticamente por

um dos critrios de informao (AIC, BIC etc).
A estatstica de teste para o teste ADF :
^ ^
t = ( a1 - 0) / se( a 1 )
Problema: a distribuio desta estatstica no mais a t de Student!

Possui uma forma no-padro, obtida por simulao Monte Carlo: Dickey &
Fuller (79) e MacKinnon (91).
Regra de deciso: no se rejeita a Hiptese Nula ao nvel de % se:
| t | = < i% i= 1,2,3 (valores tabelados)
Ou seja, o valor crtico da estatstica de teste muda com a forma do teste de RU:
I, II ou III.
OBS: sabendo-se de antemo que as sries financeiras apresentam

heterocedasticidade condicional, o teste de RU mais adequado seria o
PP, o qual corrige por heterocedasticidade.
Realizao de testes de RU no EViews
1. Clique duas vezes no cone da srie a ser testada
2. Em View selecione Unit Root Test
3. Abre-se a janela Unit Root Test na qual voc deve selecionar

o teste da sua escolha e as opes adequadas.
Procedendo assim, voc obter a seguinte sequencia de janelas:

Para realizar os testes ADF selecionamos o teste Augmented Dickey Fuller entre
as opes de testes:

none: p/ ADF-I
intercept: p/ ADF-II
trend and intercept: p/ ADF-III
Exemplo
Srie do Ibovespa
50000
40000
30000
20000
10000
0
95 96 97 98 99 00 01 02 03 04 05
IBOV
Uma simples inspeo visual mostra que a srie no estacionria, e que a

estrutura mais adequada para o teste a ADF-II.
Observando a magnitude do p-valor conclumos que o teste ADF aceita fortemente

a hiptese de no estacionariedade da srie do Ibovespa, confirmando a nossa
expectativa.

Srie de retornos do Ibovespa
bvio que a srie estacionria com mdia praticamente nula, e assim sendo a
forma adequada para o teste ser o ADF-I, cujo resultado apresentamos a seguir:
ADF-I
Concluso: no se rejeita no-estacionariedade para srie Ibovespa e rejeita-se

no-estacionariedade para srie de retornos do Ibovespa. Portanto a e evidncia
emprica advinda desses testes indica que a srie do Ibovespa no estacionria,
enquanto que a srie de retornos do Ibovespa estacionria.

Como Tornar uma Srie No Estacionria
em Estacionria?
Como vimos, muitas sries temporais de interesse em economia e finanas so

originalmente no estacionrias.
Exemplos: sries de exportao, cmbio, PIB, preo de ativos etc
Entretanto nos modelos a serem vistos, modelos ARMA e em algumas situaes em

regresso dinmica, necessrio que a ST seja estacionria.
Assim sendo, antes de ser utilizada em modelos, algumas sries devem ser
transformadas em estacionrias.
Para a maioria dos casos de interesse a estacionarizao da srie atingida obtendo

a primeira diferena da srie.
Formalmente:
se yt uma ST no estacionria (de ordem 1) ento
zt = yt yt-1 = yt ser uma srie estacionria.
Se calcularmos a primeira diferena em cima do log da srie, ento a srie

resultante multiplicada por 100 ser, aproximadamente a srie de variao
percentual, i.e.:
% yt = 100 log yt, se yt << yt-1
Obter esta srie transformada trivial no EViews:
selecione Quick, Generate Series e digitar na janela a seguinte expresso

nome da srie transformada = d(nome da srie)
se quiser calcular a variao percentual da srie:
nome da srie transformada = 100* dlog (nome da srie)
se a srie transformada vai ser utilizada num modelo voc no deve colocar na
janela do modelo o nome da srie transformada e sim o comando que cria esta
srie. Por exemplo:
dlog(srie) c dlog(x2) d(x3)
realiza uma regresso com a variao mensal relativa das exportaes com a
variao mensal na taxa de cmbio e variao absoluta da taxa Selic.
Outras operaes de diferenciao mais complexas podem ser obtidas facilmente no

EViews. Por exemplo:
d(srie,2) = 2 srie= srie - 2*srie (-1) + srie(-2) : tira a diferena duas

vezes, e assim adequada para sries com crescimento exponencial.
d(srie,1,12) = (srie - srie(-12)) : tira a primeira diferena da diferena

sazonal. Adequada para modelos SARIMA.

Exemplo
Srie mensal de Exportao, a primeira diferena das exportaes, e a diferena sazonal da
variao mensal das exportaes .
Exportao
7000
6000
5000
4000
3000
2000
1000
95 96 97 98 99 00 01 02 03 04 05
Primeira Diferena da Exportao

d(exp)
1500
1000
500
-500
-1000
-1500
95 96 97 98 99 00 01 02 03 04 05
Diferena sazonal da variao % da Exportao

dlog(exp,1,12)
.4
.3
.2
.1
.0
-.1
-.2
-.3
95 96 97 98 99 00 01 02 03 04 05

3. Modelos Autoregressivos
AR(p)
Introduo
Os modelos autorregressivos so modelos de regresso onde:
a varivel dependente uma srie estacionria;

cada varivel explicativa a prpria srie defasada de m unidades, m=
1,2,...,p. Portanto a expresso geral do modelo dada por:
y t = c + 1y t-1+ 2 y t-2 + ...+ p y t-p + t , t ~ N(0, 2 )
Como veremos, para que um modelo AR(p) seja estacionrio necessrio que
sejam impostas restries nos seus parmetros.
A interpretao dos parmetros direta:
se j > 0 ento, ceteris paribus, aumentado o valor de y

defasado em j unidades de tempo, o valor corrente de y
aumenta em j unidades; caso contrrio diminui.

Exemplo
yt = per_exp, a srie de variao relativa no valor das

exportaes
yt-1 = per_exp_1
yt-4 = per_exp_4

Modos Condicional e Incondicional
dos Modelos de ST
Inicialmente, importante distinguir entre os modos condicional e

incondicional de um modelo para ST:
o modo condicional explora a dependncia existente na srie, sendo

utilizado para previso de curto prazo e estimao dos parmetros do
modelo.
o modo incondicional est associado s caractersticas estatsticas da

srie observada (mdia, varincia, distribuio, FAC etc) e s existe para
sries/processos estacionrios.
Se a srie for iid, isto totalmente aleatria (um rudo branco), ento s haver
o modo incondicional.
Processo AR(1)
Considere um processo AR(1) com mdia no nula:
y t = c + 1y t-1+ t , t ~ N(0, 2 )
A seguir apresentaremos, de forma sucinta, as propriedades estatsticas deste

modelo.
Propriedades Estatsticas
Condio de estacionariedade
|1| < 1
Modo condicional
E(yt | Yt-1) = c + 1 yt-1

Var (yt |Yt-1 ) = 2
f(yt | Yt-1) ~ N(c + 1 yt-1, 2 )
Modo incondicional
E(yt) = c / (1 - 1) = .
2
Var(yt ) =
1 - 12
2
f(yt ) ~ N(, )
1 - 12
FAC
(k) = 1k , k = 1,2,3,... ou seja, apresenta sempre forma de

decaimento exponencial (0 < 1 < 1)
ou senide amortecida (-1< 1 < 0)
1.0
1.2
0.8
0.8
0.6 0.4
0.4 0.0
0.2 -0.4
0.0 -0.8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
FAC do AR(1) FAC
(a) 0 < 1 < 1 (b) -1 <1 < 0

FACP
0, k > 1
kk =
1 , k = 1
A FACP para um processo AR(1) se anula aps o lag do processo.
.8
.7
.6
.5
.4
.3
.2
.1
.0
2 4 6 8 10 12 14
FACP do AR(1)
1.0
(a) 0 <1 < 1 (b) -1 <1 < 0
Processo AR(2)
O processo AR(2) obtido adicionando-se a varivel y defasada de duas

unidades ao processo AR(1):
y t = c + 1y t-1+ 2 y t-2 + t , t ~ N(0, 2 )
Condies de estacionariedade
As condies de estacionariedade de um AR(2) podem ser obtidas resolvendo o

polinmio ( -2
)
1 - 2 = 0 e observando se as ra-zes |i| > 1, i= 1,2. Essas
condies podem ento ser traduzidas em termos de restries para os

parmetros do AR(2), as quais so dada por:

2 + 1 < 1
2 - 1 < 1
-1 < 2 < 1
Modo condicional
E(yt | Yt-1) = c + 1 yt-1 + 2 yt-2
Var (yt |Yt-1 ) = 2
f(yt | Yt-1) ~ N(c + 1 yt-1+ 2 yt-2, 2 )
Modo incondicional
E(yt) = c /(1- 1 - 2 )
Var(y t ) = 2 /(1 12 22 )
f(y t ) ~ N (c /(1 1 2 ), 2 /(1 12 22 ))
FAC: Pode-se mostrar quer a FAC do AR(2) ser dada por:
(k) = A1 (1/1)k + A2 (1/2)k k= 1,2,3,...
onde A1 e A2 so determinadas a partir de condies de contorno, e os s so as
(
razes do polinmio 2 - 1 - 2 = 0 )
O importante observar que a forma da FAC de uma AR(2) indistinguvel
da FAC de um AR(1): apresentar sempre forma de decaimento exponencial
ou de senide amortecida, dependendo do sinal dos s.

Exemplo: FAC de um AR(2) com s positivos
1.0
0.8
0.6
0.4
0.2
0.0
2 4 6 8 10 12 14
FAC do AR(2)
FACP: A FACP de um AR(2) se anula aps o lag 2, pois no existem termos de

defasagem superior a 2 num processo AR(2).
0, k =
1, 2
kk
= 0,= k 3, 4,...
Observao: as expresses da FACP p/ k=1 e 2 so funes

dos parmetros do AR(2).

Exemplo: FACP de um AR(2) com s positivos
1.0
0.8
0.6
0.4
0.2
0.0
2 4 6 8 10 12 14
FACP do AR(2)
Processo AR(p)
O processo AR(p) definido por:
y t = c + 1y t-1 + 2 y t-2 + ... + p y t-p + t , t ~ N(0, 2 )
Quais so as condies de estacionariedade (assinttica) para o processo AR(p)?
Pode-se mostrar que a condio de estacionariedade de um processo AR(p) ser

garantida se as razes s do seguinte polinmio
( - p
1p-1- 2p-2 ... - p = 0 )
satisfazerem |i| > 1, i = 1,2, ... , p.
FAC: de forma anloga aos processos AR(1) e AR(2) , a FAC de um processo

AR(p) genrico tem comportamento de exponencial amor-tecida ou senide
amortecida

FACP: Como era de se esperar, a FACP de um processo AR(p) se anula aps o
lag k= p, i.e.:
0, k =
1, 2,..., p
kk
=0, k =p + 1, p + 2, ...
Estimao
A estimao de processos AR pode ser efetuada por MQO ou por mxima

verossimilhana.
Seja = [c, 1, ... , p, 2] o vetor de parmetros desconhecidos de um

modelo AR(p).
A ttulo de ilustrao considere a funo verossimilhana para um modelo AR(1)

:
T
f ( y1, y 2 ,, yT ; ) = p( y t | Yt-1 )
t =1
onde p( y t | Yt-1 ) ~ N (c + 1y t-1+ 2 y t-2 +... + p y t-p , 2 )
Por razes prticas, maximiza-se o logaritmo da verossimilhana (a

verossimilhana e o seu log possuem o mesmo mximo), obtendo o estimador de
MV:

= mx log L()
Para um AR(1), fixando y1, o log da verossimilhana dada por:

T
l ( ) = log
t =2
p( y t | Yt-1)

T
1 1
= log
t =2 2 2
exp[ 2 ( y t (c 1y t 1))2 ]
2

(T 1)/ 2
1 1 T
= log
2 2
e xp[ (
2 2 t =2 t
y ( c
y
1 t 1 ))2

T (y c y
(T 1) (T 1) 1 t 1)
2
=
log(2 ) log( 2 ) t
2 2 t =2 2 2
fcil de ver que a derivando em termos de c e 1, e igualando a zero,

encontramos:
T
y t 1 y t 1 =
c = (1 1 ), m
m yt
=
t =1
T
(y t m
)( y t 1 m
)
1 = t =2
T
(y
t =2
t 1 m
)2
fcil de ver que esta soluo coincide, para y1 fixo, com a soluo de Mnimos
Quadrados Ordinrios.
Testes de Hipteses
Os testes de hiptese e intervalos de confiana para um processo AR podem ser

realizados como na regresso, desde que o tamanho da amostra seja grande.
Se o tamanho T da srie suficientemente grande, ento para testar no modelo

AR(p)

y t = c + 1y t-1 + 2 y t-2 + ... + p y t-p + t , t ~ N(0, 2 )
hipteses do tipo
Ho: j = 0 j = 1,2, ... , p
Ha: j 0

Basta que utilizemos que z j = j / se( j ) ~ N (0,1) , e assim se | zj | > 1,96
pode-se rejeitar Ho ao nvel 5%.
Exemplo
Considere a srie mensal do IGP-DI no perodo de julho de 1994 a abril de 2006

(agosto de 1994=100; fonte IPEADATA).
O grfico da srie indica claramente no estacionariedade.
350
300
250
200
150
100
50
95 96 97 98 99 00 01 02 03 04 05
IGP_DI
O teste de RU confirma a no-estacionariedade da srie:

Agora obtemos o grfico para a variao percentual do IGP_DI, % IGP DI =
100*dlog(IGP_DI). O comportamento da srie indica estacionariedade.
-1
-2
95 96 97 98 99 00 01 02 03 04 05
% IGP DI
O teste ADF-II para RU confirma a estacionariedade da srie acima:

Portanto a srie a ser modelada ser % IGP_DI.
Para identificar a ordem AR precisamos observar o padro do par FAC e FACP.
A FAC decai exponencialmente, enquanto que FACP se

anula bruscamente aps o lag 1, indicando o padro FAC/
FACP de um processo AR(1).

Portanto, iremos, provisoriamente, adotar um modelo AR(1) :
% IGP_DIt = c + 1 % IGP_DIt-1 + t , t ~ N(0, 2 )
Estimar um modelo AR(p) no EViews bastante simples basta adicionar

seqencialmente aps o nome da varivel, os termos AR(1), AR(2),..., AR(p),
como se fossem variveis explicativas. Neste caso:
100*dlog(IGP_DI) c AR(1)
( y c AR(1) AR(2) ... )
Detalhadamente:
Os resultados da estimao mostram que o coeficiente AR(1) estatisticamente

significante.

Ao adicionar uma componente AR(2) verificamos que esta no
estatisticamente significante, apontando o processo AR(1) como o mais plausvel
para descrever a srie.
Observar que a estimao de processos AR pode ser obtida de forma equivalente

utilizando os valores defasados da varivel dependente como regressores. No
caso em questo seria:
100*dlog(IGP_DI) c 100*dlog(IGP_DI(-1))
( y c y(-1) y(-2) ... )
Pode-se mostrar que as duas formas de estimao produzem estimativas iguais

para os coeficientes ARs, com exceo da da estimativa do intercepto.

4. Modelos Mdias Mveis - MA(q)
Introduo
Os modelos ou processos do tipo mdias mveis ou MA so construdos a partir
da constatao de que, ao somarmos um rudo branco ao seu valor defasado de
um perodo , obtemos um processo com autocorrelao:
sriet = rudo brancot + rudo brancot-1
yt= t + t-1, t ~ N(0,2)
onde rudo branco t = um processo descorrelatado;

sriet = um processo correlatado, por construo.
A generalizao deste processo obtida considerando uma combinao linear de

rudos brancos defasados de m perodos, m=1,2,..., q, ou processo MA(q), o
qual formalmente dado pela seguinte expresso:
y t = + 1 t-1 + 2 t-2 +...+ q t-q + t , t ~ N(0, 2 )
Iniciamos a nossa exposio pelo processo MA mais simples, o MA(1).

Processo MA(1)
Considere o processo MA(1) com intercepto:
y t = c + 1 t-1 + t t ~N(0, 2 )
Vamos ilustrar uma realizao deste processo e a sua FAC estimada, de modo
que fique constatada a afirmao de que uma srie assim gerada apresenta
autocorrelao.
O processo gerador dado por
y t = 0.6 t-1 + t t ~N(0,4), 0 = 0
12
-4
-8
50 100 150 200 250 300
MA(1)
Observe que a FAC apresenta pico no lag = 1, implicando a pre-sena de

autocorrelao na srie.

Apresentamos agora uma sntese das propriedades estatsticas do modelo.
Modo condicional
E(yt | Yt-1) = c + 1 t-1
Var (yt |Yt-1 ) = 2
f(yt | Yt-1) ~ N(c + 1 t-1 , 2 )
Modo incondicional: Para processos MA os momentos incondi-cionais

podem ser obtido de forma direta uma vez que a distribuio de t independe do
passado:
- E(y t ) = c =
- Var(y t ) = 2 (1 + 12 )
- f(y t ) ~ N( c, 2 (1 + 12 ))
Observe que no h necessidade de se impor restries nos parmetros para que

o modelo seja estacionrio, entretanto os processos MA devem ser inversveis, e
para que isto ocorra necessrio impor que |1 | < 1.

FAC: Contrrio aos processos AR, pode-se mostrar que a FAC dos processos MA
se anulam bruscamente aps o lag que coincide com a ordem do processo. Assim
para um processo MA(1) a FAC se anula aps o lag 1.
1
, k =1
(k) = (k) / (0)= (1 + 12 )
0,
, k >1
As figuras a seguir ilustram a FAC para o processo MA(1):
.9 1.0
.8
.7 0.5
.6
.5
0.0
.4
.3
.2 -0.5
.1
.0 -1.0
2 4 6 8 10 12 14 2 4 6 8 10 12 14
FAC do MA(1) FAC do MA(1)
(a) 1 > 0 (b) 1 < 0
FACP: Pode-se mostrar que um MA(1) equivale a um AR com infinitos termos,

e assim sendo segue que a FACP de um MA(1) ser equivalente FACP de uma
AR com p muito grande. Ou seja apresentar padro de decaimento exponencial
ou de senide amor-tecida.
As figuras a seguir ilustram a FACP para o processo MA(1):

.9 1.0
.8
.7
0.5
.6
.5
0.0
.4
.3
.2 -0.5
.1
.0 -1.0
2 4 6 8 10 12 14 2 4 6 8 10 12 14
FACP do MA(1) FACP do MA(1)
(a) 1 < 0 (b) 1 > 0
Estimao
A estimao dos parmetros desconhecidos de um modelo MA(1),

= (, 1, 2 ), , 1 ( 1,1), 2 + , efetuada maximizando o log da
verossimilhana.
A funo log da verossimilhana para o MA(1) dada por:
T
l( )= log
t=1p(y t |Yt-1, 0 = 0)

T 1 1
= log
t=1 2 2
exp[- 2 (y t - ( + 1 t-1)]2
2

T/2
1 1 T 2
2 2
= log exp[- (, )]
2 2 t=1
t 1

T
T T 1
= log(2 ) log( 2 )- 2 2t (,1)
2 2 2 t=1
Para maximizar esta funo em relao aos parmetros desconhecidos

necessrio utilizar um algoritmo de otimizao numrica para a sua soluo, o
que feito internamente pelo EViews.

Generalizao
Um processo MA(q) dado por:
y t = + 1 t-1 + 2 t-2 +...+ q t-q + t , t ~ N(0, 2 )
A distribuio condicional dada por:
f(y t |Yt-1 ) ~ N( + 1 t-1 + 2 t-2 +...+q t-q , 2 )
A distribuio incondicional dada por:
f(y t ) ~ N( , 2 (1 + 12 + 22 +...+2q ) )
A FAC se anular bruscamente aps o ordem q do processo, sendo dada por:
( k + k+11 + ... + q q-k )

0< k q
(k)= (
1 + 12 + ... + q2 )

0 k>q
Enquanto que a FACP seguir uma exponencial amortecida ou senide

amortecida.
A condio de invertibilidade de um processo MA pode ser investigada

observando se | i| > 1 i=1,2,..., q onde i raiz do polinmio MA :
(
f(z) = z q + 1z q-1 + 2 z q-2 +... + q )
Dualidade AR x MA
O leitor atento j ter observado que existe uma dualidade entre os processos AR
e MA, a qual se evidencia atravs das assinaturas reveladas nas FAC e FACP
destes processos:

Processo AR(P) Processo MA(q)
Decai exponencialmente, ou Corte alm da ordem q do
FAC como senide amortecida processo
(k) 0, k =1, 2,...,q

(k) =0, k = q+1, q+2,...
Corte alm da ordem p do Decai exponencialmente
FACP processo ou como senide amortecida

(k) 0, k= 1, 2,...,p
(k)= 0, k= p+1, p+2,...
No jargo estatstico a identificao de um modelo AR(p) ou MA(q) consiste no

processo de, a partir da FAC e FACP de uma srie real, inferir se o modelo que
est gerando a srie do tipo AR ou do tipo MA, e tambm descobrir a ordem do
modelo, o valor de p ou o de q:
Se o padro da FAC e FACP de uma srie real no se enquadrar no padro de

um processo AR ou MA, ento esta srie pode estar sendo gerada por um
processo misto do tipo ARMA, que ser visto no prximo captulo.

5. Modelos ARMA
Introduo
Um processo ARMA(p,q) um processo misto o qual combina num mesmo
modelo a parte AR e a parte MA, sendo dado por:
y t = c + 1 y t-1 +...+ p y t-p + 1 t-1 +...+ q t-q + t , t ~ N(0, 2 )
AR MA
Os processos AR e MA so, portanto, casos particulares do processo geral

ARMA.
Processo ARMA(1,1)
Considere o processo ARMA(1,1) com intercepto:
y t = c + 1 y t-1 + 1 t-1 + t , t ~ N(0, 2 )
A seguir apresentamos uma sntese das suas propriedades estatsticas mais

importantes.
Modo condicional:
E(yt | Yt-1) = c + 1 y t-1 + 1 t-1

Var (yt |Yt-1 ) = 2
f(yt | Yt-1) ~ N( c + 1 y t-1 + 1 t-1 , 2 )
Modo incondicional: supondo o modelo estacionrio e inversvel, pode-se

provar que:

c
- E(y t ) = =
(1 - 1)
1+211+12 2
- Var(y t )=
(1-12 )
c 1+211+12 2
- f(y t ) ~ N( , )
(1 - 1) (1-12 )
FAC: O padro da FAC dos processos ARMA um misto de padro de FAC de

processos AR e MA:
(1+ 11)(1+ 1) 2
,k=1
(k) = (1- 12 )
k-1
1 (k -1), k > 1
A forma da FAC ser portanto, uma exponencial ou senide amortecida, que

a forma da FAC para processos AR.

FACP: Usando que para um processo ARMA(1,1) (y t - ) =
j=0
j t-j, ~ MA( ) ,
segue que a FACP de um processo ARMA(1,1) ser aquela de um processo MA

com infinitos termos. Portanto apresentar forma exponencial ou senide
amortecida.
A ttulo de ilustrao apresentamos uma realizao do processo

y t = 0.6 y t-1 + 0.6 t-1 + t , t ~ N(0,4),y 0 = 0, 0 = 0 e sua FAC e FACP.

12
-4
-8
-12
50 100 150 200 250 300
ARMA (1,1)

Estacionariedade
A estacionariedade de um processo ARMA(p,q) ser determinada pela
estacionariedade da parte AR do processo.
Invertibilidade
Como era de se esperar a invertibilidade do processo ARMA ser determinada
pela invertibilidade da parte MA do processo.
Estimao
Estimao dos parmetros desconhecidos de um modelo ARMA(1,1) efetuada
por MV, atravs de mtodos numricos de otimizao.
Identificao
Identificao consiste em determinar para uma dada ST estacionria, as ordens
p e q do processo ARMA(p,q) mais adequado para a srie.
Como vimos, para processos puros AR ou MA, estas ordens podem ser inferidas
atravs da inspeo simultnea da FAC e FACP, uma vez que seus
comportamentos so nicos para estes processos.
Entretanto, para processos mistos a inspeo forma da FAC e FACP no nos
permite identificar as ordens p e q do processo. Por qu?
Pode-se ver que no haver uma relao nica entre o par FAC / FACP e um
processo ARMA(p,q) misto.
Como conseqncia da no unicidade da FAC/FACP para processos mistos, uma
ST estacionria real que produz FAC/ FACP fora do padro de processos
puros, ser considerada como sido gerada por um processo misto ARMA(p,q),
com p e q desconhecidos.
A identificao das ordens p e q de processos mistos (ou puros) utilizando ST

reais realizada atravs de critrios de informao (CI).

Critrios de Informao (CI)
Dado um conjunto de modelos possveis para uma ST, os CI selecionam, entre
estes modelos, aquele que minimiza, simultaneamente:
a discrepncia (entre os modelos e os dados);
a complexidade do modelo: nmero de parmetros.
A complexidade penalizada atravs de uma funo de penalizao f(k,T), a

qual envolve k, o nmero de parmetros estimados em um modelo.
Formalmente, os CI so expressos pela seguinte relao geral:
CI(k) = discrepncia + complexidade
/ T* + f(k,T*) / T*
= - 2 log L()
onde:
k = nmero de parmetros independentes estimados.

Para modelos ARMA com mdia no nula, k = p + q + 1;
T* = nmero de observaes efetivamente utilizadas na

estimao do modelo;
= a verossimilhana avaliada no mximo.

L()
Os critrios mais conhecidos e suas funes de penalizao so dados a seguir:
Critrio de Akaike (AIC) : f(k,T) = 2k / T*

Critrio de Schwarz (BIC): f(k,T) = k lnT* / T*
Na prtica: dada uma ST estimamos vrios modelos ARMA(p,q), calculamos o

AIC/BIC para cada um deles e ento escolhemos como o modelo mais
apropriado para a ST aquele que minimizar um dos critrios.

Assintoticamente (T), o AIC tende a sobre identificar os modelos (indicar
um ordem maior do que a verdadeira), enquanto que BIC tende a identificar
corretamente o modelo (consistente).
Processos ARIMA(p,d,q)
Um processo ARIMA um processo ARMA onde a srie original no

estacionria, e assim, necessita de ser diferenciada d vezes para ser modelada
pelo processo ARMA.
O nmero de vezes d que a srie necessita de ser diferenciada para se tornar

estacionria denominado da ordem de integrao da srie. Assim sendo:
se d= 0, a srie j estacionria
se d > 1, a srie no estacionria
Para saber a ordem d de uma srie real, realizamos testes de raiz unitria:
Ho: a ST possui raiz unitria
Ha: a ST estacionria
se rejeitamos a hiptese de raiz unitria para a srie original, ento a srie j

estacionria, e assim d= 0;
se aceitamos a hiptese de raiz unitria para a srie original, ento a srie
no estacionria, e assim d > 1. Tomamos a primeira diferena desta srie
e realizamos um teste de RU nesta srie. Se rejeitarmos Ho ento d=1, e se
aceitarmos Ho, d > 2 (na prtica mx d = 2).
Se a srie de interesse no estacionria, embora o modelo ARMA ajustado seja

para a primeira diferena da srie (assumindo d=1), a previso deve ser efetuada
para a srie original.

O EViews efetua automaticamente a previso para a srie original (no
transformada), desde que ao entrar o nome da srie diferenciada na janela de
estimao voc utilize a notao:
d(srie,d) ou d(srie) (se d=1)
onde: srie o nome da sua srie
d a ordem de diferenciao adequada
Por exemplo, se estamos modelando a primeira diferena da srie atravs de um

ARMA(1,1) ento devemos digitar na janela de estimao:
d(srie) c AR(1) MA(1)

6. Modelos para Sries Sazonais:
SARIMA
e Sazonalidade
por dummies
Introduo
Muitas sries econmicas, fsicas e mesmo financeiras, apresentam flutuaes

que se repetem no perodo de um ano, uma semana, ou 24 horas.
Exemplos
exportao: picos em julho/agosto e outubro.
energia residencial: picos em dezembro e janeiro
volatilidade intradiria (realizada) de retornos de ativos

e cmbio: picos na abertura e fechamento do mercado.
Estas flutuaes peridicas, ou sazonalidade, ocorrem no perodo mximo de

um ano, estando associadas, entre outros fatores a:
variaes climticas: estaes do ano;

convenes sociais: Carnaval, Pscoa, Natal, Dia das Mes etc;
convenes institucionais: dias de pagamentos etc
, portanto, mandatrio que ao se modelar sries com sazonalidade, leve-se em

conta as variaes sazonais da srie.
Faremos uma breve exposio de duas maneiras de se incorporar sazonalidade

no arcabouo dos modelos ARIMA, a saber:
utilizando variveis dummies;

estendendo os modelos para a formulao SARIMA.

Sazonalidade com Variveis Dummies
Este tipo de arcabouo adequado se o padro sazonal no estiver variando ao

longo dos anos, ou seja, se o efeito de cada ms mudar muito pouco ao longo
dos anos.
Inicialmente devemos definir s como o perodo de sazonalidade, ou seja, o

nmero de repeties do padro sazonal dentro de um ano:
s = 2, sries semestrais;
s = 4, sries trimestrais;
s = 12, sries mensais ;
s = 52, sries semanais;
s = 365, sries dirias.
A maneira mais fcil de se verificar se uma srie tem sazonalidade estimar a

sua FAC e observar se existem picos significativos nos lags s, 2s, etc.
Se persistir a dvida, modele a sazonalidade e faa um teste de significncia

adequado nos coeficientes sazonais do modelo.
Na sazonalidade por variveis dummies, associa-se a cada trimestre, ms,

semana, dia etc, uma varivel dummy, com exceo do perodo de referncia, o
qual no possuir dummy.
Por construo, o coeficiente de cada varivel dummy representa o fator

sazonal do respectivo ms, trimestre etc.
O EViews cria dummies automaticamente no processo de estimao de um

modelo, bastando utilizar o comando
@seas(j) j=1,2,...,s-1
onde cada varivel @seas(j) representa a dummy para o ms j, i.e.
1, se t = j, j = 1,2,...,s-1; t=1,2,...,T
@seas(j)=
0, se t j

Exemplo
Suponha que se deseja estimar um modelo ARMA(1,1) para uma srie mensal,
onde janeiro foi arbitrado como ms de referncia. Os comandos do EViews seriam
os seguintes:
serie c AR(1) MA(1) @seas(2) @seas(3) @seas(4) @seas(5)

@seas(6) @seas(7) @seas(8) @seas(9) @seas(10) @seas(11)
@seas(12)
Portanto, numa situao real, a modelagem sazonal por variveis dummies de uma
srie zt, diferenciada ou no, realizada utilizando o seguinte arcabouo geral:
s-1
zt = c + d
j=1
j j,t + t onde t ~ ARMA(p,q)
Exemplo
Considere a srie mensal de exportaes de manufaturados. Como j sabemos que

esta uma srie no estacionria, devemos transform-la. Escolhemos trabalhar
com a variao percentual das exportaes, definindo:
% Exp = 100*dlog( exp_manuf)
O grfico da srie mostra claramente que se trata de uma srie estacionria.

40
30
20
10
-10
-20
-30
-40
95 96 97 98 99 00 01 02 03 04 05
% EXP
A seguir apresentamos os grficos da FAC e FACP para esta srie.

A inspeo visual destes grficos aponta trs comportamentos dignos de nota:
existncia de dependncia de curto alcance entre as observaes, evidenciada

por uma FAC que decai como senide amortecida e uma FACP que se anula aps
o lag 2 (em azul) sugerindo um modelo AR(2);
existncia de dependncia sazonal na srie, evidenciada pelos picos nos lags 12

e 24 (em vermelho). Esta ser capturada pelas dummies sazonais;
o decaimento da FAC de 12 para 24 lento, sugerindo a possibilidade de no-

estacionariedade sazonal, a qual pode ser eliminada por diferenciao sazonal e
adotando-se um modelo SARIMA (a ser visto posteriormente).
Assim sendo, o modelo inicial a ser ajustado ser:
11
100*dlog(exp_manuf)= c + d
j=1
j j,t + t
onde t = 1 t-1 + 2 t-2 + t t ~ N(0, 2 )
A seguir apresentamos os comandos no EViews necessrios para ajustar este

modelo (observar que o ms de referncia escolhido foi dezembro).

O resultado da estimao foi o seguinte:
O modelo parece fazer sentido pois possui um R2 razovel e o padro sazonal

significativo. Entretanto ainda no podemos concluir que seja adequado pois no
passou pelos diagnsticos (a serem vistos).
No Estacionariedade Sazonal
Deve-se notar que, em se tratando de sries com tendncia estocstica e

sazonalidade, a no-estacionariedade pode se manifestar atravs de duas
formas:
atravs da tendncia estocstica que pode ser removida por um nmero

adequado de diferenas:
z1t = yt = yt - yt 1

atravs de sazonalidade no estacionria, o que pode ser investigada
observando se na FAC os lags sazonais k= s, 2s, 3s etc apresentam picos
que decaem lentamente. Este comportamento pode ser removido/atenuado
pela operao de diferenciao sazonal:
z2t = syt = yt - yt s
Assim, na prtica, a srie a ser estimada pode ter que ser diferenciada duas
vezes: uma para retirar a no estacionariedade na tendncia e outra no
comportamento sazonal.
Para obter no EViews uma srie j diferenciada nos dois modos digitamos em
Quick, Generate series:
srie nova= d(srie,d,s)
srie nova a srie transformada;

srie a srie original;
d a ordem de integrao da srie (d=1 ou 2);
s o perodo sazonal (s= 4, 12 etc)
Sazonalidade com Modelos SARIMA
Inicialmente considere um modelo AR(1) que foi ajustado a uma srie temporal
sabidamente sazonal:
y t = c + 1 y t-1+ t , | 1 | < 1
de esperar que os resduos deste modelo apresentem correlao relevante nos

lags sazonais k=s,2s,3s, pois a sazonalidade, ou dependncia serial entre meses
de anos consecutivos no foi capturada pela parte estrutural do modelo, e o que
no capturada pelo modelo aparece no resduo.
Assim sendo podemos supor que o erro na equao acima apresenta

dependncia sazonal, ou seja:

t = 12 t-12 + t , t ~ N(0, 2 )
Substituindo esta expresso na equao anterior obtemos a seguinte equao:
y t = 1 y t-1+ 12 y t-12 - 112 y t-13 + t
O modelo anterior um caso particular de uma classe geral de modelos

denominada de SARMA (p,q) x (P,Q)s, modelos do tipo ARMA onde a parte
sazonal e a no sazonal so combinadas multiplicativamente.
Se houver necessidade de pr-diferenciar a srie para eliminar tendncia e/ou

sazonalidade estocstica, ento o modelo conhecido como SARIMA (p,d,q) x
(P,D,Q).
Identificao de Modelos SARIMA(p,d,q)

x (P,D,Q)s
A identificao de modelos SARIMA exige muita habilidade do usurio, pois

deve-se tentar separar na leitura dos pares FAC/ FACP das sries originais e
diferenciadas, a informao no sazonal(p,d,q) da informao sazonal do
modelo (P,D,Q), e isto nem sempre fcil.
Iremos apresentar um procedimento que permita a identificao de um modelo
de partida, o qual deve ser eventualmente modificado utilizando-se os critrios
de informao (AIC, BIC etc): estima-se vrios modelos SARIMA(p,d,q) x
(P,D,Q), obtidos por variaes em torno do modelo de partida, e escolhe-se
aquele que minimizar um dos critrios de informao.
Identificao de d e D
d = conforme j visto, pode ser determinado atravs de um teste de raiz
unitria, ou pela inspeo da FAC da srie original e da srie diferenciada: o
decaimento da FAC nos lags no sazonais tem que ser rpido. Geralmente d=0
(srie estacionria) ou d=1 (srie no estacionria).

D = o nmero de vezes que a srie deve ser diferenciada sazonalmente de
forma que a FAC apresente decaimento rpido nos lags sazonais k= s,2s,3s etc.
Se o decaimento for lento, geralmente com D=1, resolve-se o problema.
Identificao de p e q
Devem ser identificados como nos modelos AR e MA, observando se o par
FAC/FACP apresenta, fora dos lags sazonais, padro de AR puro ou de MA
puro. Se no houver um padro claro deve-se tentar um modelo misto ARMA.
Identificao de P e Q
Devem ser identificados como nos processos AR e MA, s que observando o
padro da FAC e FACP nos lags sazonais (s, 2s, 3s etc). Se tambm houver na
FAC lags significativos em torno dos lags sazonais (k= s-1, s+1, 2s-1, 2s+1 etc)
isto indica que o modelo do tipo multiplicativo. A ausncia de padres claros
nessas funes pode sugerir um modelo misto na parte no sazonal.
A experincia mostra que em muitos casos uma boa estratgia para identificao
de modelos SARIMA ajustar inicialmente o modelo SARIMA(0,1,1) x (0,1,1)s
conhecido como modelo airline, o qual tem a forma:
s y t = 1 t-1 + 1 t-12 + 1 1 t-13 + t , t ~ N(0, 2 )
Embora a equao acima no deixe aparente, este modelo obtido pela

multiplicao de um MA no sazonal com um MA sazonal , e sua FAC tal que,
alm de apresentar pico em k= 12, apresenta tambm picos nos lags em torno
dos lags sazonais, k= 11 e 13.
Se o modelo de partida no for adequado, a partir da anlise dos seus resduos

obtm-se uma direo para modificao, gerando um ou mais modelos
competidores, e no final o modelo escolhido ser aquele com menor valor dos
critrios de informao e que apresente resduos aproximadamente rudo
branco.
Para obter a estimao do modelo airline no EViews digita-se:

d(srie,1,12) c ma(1) sma(12).
Exemplo
Inicialmente apresentamos a FAC/FACP para a srie da primeira diferena do log

das exportaes, % Exp= dlog(ex_man_fob).
Observando a FAC fica aparente um decaimento lento nos lags sazonais, k =12, 24
e 36, implicando assim que a srie necessita tambm de uma diferenciao sazonal
(D=1).
Apresentamos agora a FAC/FACP para a srie com o acrscimo da diferenciao

sazonal, % Exp_seas= dlog(ex_man_fob,1,12).

Observando a FAC conclumos que agora o decaimento rpido nos lags sazonais
k= 12,24 e 36, e assim a srie dever ser utilizada nesta forma diferenciada.
Fica ento claro que o modelo SARIMA deve ser ajustado na seguinte srie:
% Exp_seas = dlog(ex_man_fob,1,12)
que corresponde diferena sazonal da srie de variao proporcional das exportaes

de manufaturados.
O resultado da estimao foi o seguinte:

Ambos os coeficientes so estatisticamente significantes, mas ainda no podemos
concluir que o modelo adequado na sua forma presente, pois ele ainda no
passou pelos diagnsticos.
Os diagnsticos dos modelos sero vistos no prximo captulo.

7. Avaliao do Modelo
Introduo
Uma vez ajustado um modelo SARIMA para uma ST pertinente avaliarmos se o

modelo escolhido adequado srie temporal.
Um modelo de ST adequado aquele que apresenta bons resultados ao ser

submetido a uma avaliao estatstica fundamentada em alguns critrios de
qualidade, a saber:
medidas de aderncia (goodness of fit): investigam a aderncia do modelo

aos dados.
diagnsticos: investigam se os pressupostos assumidos na definio do

modelo so observados na prtica: erros descorrelatados, normais e
homocedsticos.
A avaliao de um modelo SARIMA segue a metodologia Box-Jenkins (B&J) ,

um processo iterativo de ajuste e modificao de um modelo, que finalizado ao
chegar-se a um modelo que passe pelos diagnsticos e possua aderncia aceitvel e
seja parcimonioso.
Esquematicamente a metodologia B&J pode ser resumida como no diagrama

seguinte:

Medidas de Aderncia
As medidas de aderncia so baseadas na discrepncia entre a previso obtida do

modelo e a observao da srie. Sejam:
sriet = o valor da srie no tempot

previsot = a previso obtida a partir de um modelo, utilizando
observaes at o tempo t -1.
rest = resduo ou inovao no perodot.

Ento, possvel medir a discrepncia entre o modelo e a srie atravs de diversas
formas, a saber:
- res t = srie t - previso t
- res t > 0 srie t > previso t sub - avalia

- res t < 0 srie t < previso t super - avalia
- res absoluto t = | srie t - previso t |
srie - previso
- res absoluto t % = .100%
srie
A partir das discrepncias previamente definidas, podemos gerar medidas que

sintetizam o grau de ajuste de um modelo a uma ST (goodness of fit), as quais
podem ser calculadas em um perodo arbitrrio contendo m observaes:
m 2
i. RMSE = 1 /m (srie t - previso t )

t=1
m
ii. MAD = 1/m | (srie t - previso t ) |
t=1
m
srie t - previso t
iii. MAPE = 1/m .100%
t=1 srie t
n
2 / (srie t mdia)2 , 0 < R 2 < 1
iv. R 2 =
i=1

2 a varincia do erro de previso
do modelo em uso.
Observe que quanto maior for o nmero de parmetros em um modelo (ou a

complexidade) maior ser a sua aderncia potencial srie.

portanto adequado introduzir medidas de aderncia que penalizem a
complexidade de um modelo:
n -1
i. R 2 = 1- (1- R 2 )
n-k
m
ii. AIC = ln[ 1/n (srie t - previso t )2 ] + 2k / n
t=1
m
iii BIC = ln[ 1/n ( srie t - previso t )2 ] + k ln (n) / n
t=1
n = nmero de obs. utilizadas na estimao do modelo;

k = p + q + P + Q + 1 (nmero de parmetros estimados
no SARIMA)
R 2 = R 2 ajustado
AIC = Critrio de Informao de Akaike
BIC = Critrio de Informao Bayesiano ou de Schwarzt
O modelo escolhido aquele que maximiza (i) ou minimiza (ii) / (iii).
possvel que a aplicao desses critrios produza resultados contraditrios. Nesta

situao deve-se optar pelo critrio BIC.
Diagnsticos
Os diagnsticos do modelo tambm so efetuados nos resduos, ou inovaes

estimadas, as quais so dadas por:
rest = sriet - previsot , ou formalmente:

t = y t - y
t|t-1, onde y
t|t-1=E(y t |Yt-1 ).
No EViews os diagnsticos de um modelo para ST (ARMA,GARCH etc) podem

ser facilmente obtidos, bastando que seja selecionada uma das opes na planilha
de resultados (Equation) selecionando View, seguido de Residual Tests e da
opo desejada.

A seguir descreveremos os diagnsticos mais utilizados na prtica.
Normalidade
Em modelos de ST a hiptese de normalidade do erro importante na prtica pois

garante que:
a construo de testes de hiptese e intervalos de confiana possa ser efetuada

utilizando os procedimentos padres, aqui apresentados;
o estimador de mxima verossimilhana tenha varincia mnima absoluta.
A normalidade dos erros investigada atravs dos resduos do modelo de regresso

atravs dos seguintes procedimentos:
Q-Q plot
teste de Jarque-Bera
QQ plot
Se os resduos seguem distribuio normal, ento o QQ plot deve resultar numa

reta.
Exemplo
A seguir apresentamos o QQ plot dos resduos do modelo SARIMA ajustado srie %

Exp_seas.

QQ PLOT DO RESDUO
Theoretical Quantile-Quantile
3
Normal Quantile
0
-1
-2
-3
-4
-.3 -.2 -.1 .0 .1 .2
RESID
A inspeo do grfico mostra que a hiptese de normalidade dos resduos parece ter
sustentao emprica, pois a maioria dos pontos est concentrada em torno da reta.
Teste de Jarque-Bera
Formalmente a normalidade do erro do modelo de regresso pode ser investigada

aplicando o teste de Jarque-Bera nos resduos do modelo.
Esse teste investiga a normalidade de uma varivel aleatria arbitrria w com

mdia e varincia 2 atravs de duas propriedades:
assimetria da distribuio, medida pelo coeficiente de assimetria
S = E(w - )3 /3
se os resduos possuem distribuio simtrica ento S = 0. Como a
distribuio normal simtrica ento S = 0.
maior massa no lado esquerdo S > 0, c.c. S < 0.
largura da cauda, medida pelo coeficiente de curtose

K= E(w - )4 /4
se os resduos so normais ento K=3 (mesocrtico).
caudas mais leves do que a normal, ou leptocrticas K > 3.
Portanto no teste JB temos:
Ho: os resduos so normais (S=0 e K=3)
Ha: caso contrrio
e a sua expresso dada por:
S '2 ( K '3) 2 D
JB = n + 22
6 24
onde:
S: a estimativa amostral do coeficiente de assimetria dos

resduos.
K: a estimativa amostral do coeficiente de curtose dos resduos.
Portanto, se os resduos so normais JB deve ser pequeno, e para testar

significncia deve ser comparado com valor crtico da 2(2).
Exemplo
Apresentamos os resultados do teste Jarque Bera aplicado aos resduos do modelo

SARIMA ajustado srie % Exp_seas.

30
Series: RESID
Sample 1994M07 2006M04
25
Observations 139
20 Mean 0.006695
Median 0.007694
15 Maximum 0.182724
Minimum -0.222491
Std. Dev. 0.070427
10 Skewness -0.166400
Kurtosis 3.338595
5
Jarque-Bera 1.305456
Probability 0.520624
0
-0.2 -0.1 -0.0 0.1 0.2
Confirmando o QQ plot, o teste JB indica que a hiptese de normalidade no deve ser

rejeitada.
OBSERVAO: para pequenas amostras foi demonstrado que a

distribuio qui-quadrado no uma boa aproximao para a
estatstica JB. Os valores crticos dados abaixo, obtidos
levantando a distribuio correta por simulao, devem ento
ser utilizados (n o tamanho da amostra).
n 5% 10%
30 3.71 2.49
50 4.26 2.90
75 4.27 3.09
100 4.29 3.14
300 4.60 3.68
500 4.82 3.91
5.99 4.61
O que fazer se a normalidade dos resduos rejeitada?
No existe uma resposta padro para esta situao. Os quatro procedimentos mais
utilizados na literatura so:
1. Eliminar alguns resduos atpicos atravs da anlise de interveno;
2. Transformar a srie para escala logartmica;
3. Tentar uma nova distribuio para o erro;
4. Utilizar o procedimento de bootstrap para construir intervalos de confiana e
realizar testes de hipteses.

Correlao serial
Se o modelo SARIMA ajustado adequado para a srie, ento os resduos do modelo

no podem apresentar estrutura de dependncia, quer seja linear (autocorrelao)
ou no-linear
A estrutura de dependncia dos resduos pode ser investigada atravs dos seguintes
procedimentos, que sero apresentados a seguir:
FAC (correlograma)
Teste de Box-Ljung
Teste LM para correlao serial

FAC do quadrado dos resduos
FAC
Idealmente a FAC dos resduos de um modelo bem ajustado deveria apresentar

todas as autocorrelaes desprezveis.
particularmente indicado observar na FAC a existncia de picos significativos nos

lags sazonais, k= s, 2s etc (s=4, 12 etc), pois neste caso o diagnstico indica
presena de sazonalidade na ST, e assim o modelo deve ser modificado.
Para testar se uma autocorrelao nula, i.e.,
Ho: (k) = 0, k =1,2,3,...
Ha: (k) 0
rejeita-se Ho ao nvel de 5% se | r(k)| > 2/ T , onde r(k) autocorrelao

estimada e T o tamanho da amostra.
No EViews este intervalo encontra-se delimitado atravs de linhas pontilhadas

desenhadas na FAC, e assim para saber se um determinado lag possui correlao

significativa basta observar se o pico da FAC para este lag encontra-se fora deste
intervalo.
Teste Box-Ljung
O teste Q(m) de Box-Ljung investiga se as primeiras m autocorrelaes dos

resduos so conjuntamente nulas:
Ho: (1) = (2) = ... = (m) = 0

Ha: caso contrrio
Evidncias favorveis Ho indicam que no h dependncia linear nos resduos do

modelo.
Sob Ho, e para n grande Q(m) ~ 2(m-k), k= n0 de parmetros estimados do

modelo.
No EViews esse teste apresentado em conjunto com a FAC e FACP dos resduos.
Exemplo
Apresentamos as FAC e FACP, e o teste Box-Ljung para os resduos do modelo

SARIMA ajustado srie % Exp_seas.

Inicialmente fcil de constatar que, individualmente, os lags 3, 10 e 16, entre
outros, apresentam correlaes significativas, implicando que o modelo ajustado
no satisfatrio.
Este resultado tambm capturado pelo teste Box-Ljung que aparece na mesma
figura da FAC e FACP:
AC a autocorrelao do lag correspondente;

PAC a autocorrelao parcial para o lag k;
Q-Stat o valor do teste de Box-Ljung;
Prob o p-valor do teste de Box-Ljung.
Por exemplo, para o lag k=16:
o valor da autocorrelao r(16) = 0.327, que preocupante;

a estatstica de Box-Ljung Q(14)=60.254, com
p-valor=0.000, indicando que no podemos aceitar a hiptese de que todas as
autocorrelaes de 1 a 16 sejam nulas.

Teste LM para autocorrelao
O teste LM para autocorrelao, tambm conhecido como o teste Breusch-Godfrey,

uma alternativa ao teste de Box-Ljung para testar correlao serial nos resduos
de um modelo:
Ho: os erros so descorrelatados at a ordem p

Ha: os erros seguem um processo ARMA(v,q), p= mx(v,q)
p = designado pelo usurio
O teste construdo obtendo-se o R2 da regresso dos resduos nos resduos

defasados at o lag p adicionado dos termos SARIMA includos no modelo.
Sob Ho, e para n grande LM = n R2 ~ 2(p).
Evidncias favorveis Ho indicam que no h dependncia linear nos resduos do

modelo SARIMA.
Exemplo
Escolhendo p=3, efetuamos o teste LM para os resduos do modelo SARIMA ajustado

srie % Exp_seas:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 6.186436 Prob. F(3,123) 0.000597

Obs*R-squared 14.96572 Prob. Chi-Square(3) 0.001846
Como o p-valor pequeno, h evidncias de presena de auto-correlao serial no

modelo, confirmando a informao dos outros testes.
Aps a anlise judiciosa da FAC dos resduos do modelo ajustado srie % Exp_seas,
e algumas experimentaes, chegamos ao seguinte modelo final:
dlog(ex_man_fob,1,12) c ma(1) sma(12) ma(3) ma(16) ar(4)
Estimando este modelo no EViews obtivemos o seguinte resultado:

Este modelo, denominado do modelo final, apresenta todos os coeficientes
estatisticamente significantes ao nvel 5% e melhores estatsticas de aderncia do que
o modelo airline, previamente ajustado, inclusive as medidas que incluem
penalizao, como o AIC e Schwarz, como pode ser visto na prxima tabela.
Tabela comparativa entre os modelos airline e o modelo final
modelo R2 AIC BIC

airline 0.6043 -2.4079 -2.3414
final 0.71 -2.6464 -2.5106
Entretanto melhora na aderncia no suficiente para qualificar o modelo final como

sendo adequado do ponto de vista estatstico. Resta saber se os resduos no possuem
auto dependncia.
Apresentamos a FAC dos resduos do modelo final ajustado srie % Exp_seas, a
seguir:

Pode-se portanto concluir que o modelo final foi apto em explicar a estrutura de
autocorrelao da srie % Exp_seas, uma vez que seus resduos no apresentam
dependncia linear significativa.
FAC do quadrado dos resduos
A existncia de picos significativos nos primeiros lags da FAC do quadrado dos

resduos indica a presena de auto dependncia no-linear na srie dos resduos.
Este tipo de autodependncia responsvel pela existncia de efeito GARCH na

srie, isto , presena de volatilidade.
O teste feito como na FAC padro e pode-se tambm utilizar a estatstica de Box-
Ljung para uma maior formalizao.
A rejeio da hiptese nula indica que deve-se incorporar uma estrutura GARCH ao
modelo (a ser visto).

Exemplo
Apresentamos as FAC e FACP estimadas, bem como o teste Box-Ljung para os

resduos ao quadrado do modelo final ajustado srie
%Exp_seas. Os resultados indicam que no h presena de estrutura GARCH nos
resduos deste modelo.
Anlise de interveno
Muitas vezes o ajuste de um modelo de ST bastante discrepante para algumas

observaes, produzindo resduos atpicos ou aberrantes (outliers).
Exemplo:
inflao = subida localizada da inflao em um determinado

ms, em decorrncia de uma geada que afeta a oferta de um
produto agrcola da cesta bsica.
cmbio = alta do cmbio em uma determinada semana em

funo de especulaes polticas que so rapidamente
dissipadas.

Para identificar observaes com resduos atpicos mais conveniente se trabalhar
com os resduos padronizados, os quais, sob a hiptese de normalidade do erro dos
modelos SARIMA, possuem distribuio normal padro:
*t = t / ~ N(0,1)
Assim sendo valores atpicos do resduo so mais facilmente detectados usando

uma regra emprica do tipo:
se | *t | >c, c = 2,3 etc
ento a observao em t= t* atpica
Estes resduos atpicos devem ser vistos com ateno, pois, geralmente:
pioram os diagnsticos do modelo: normalidade, FAC etc;

pioram as medidas de aderncia;
podem influenciar desproporcionalmente algumas estimativas dos
parmetros do modelo.
Para capturar essas observaes atpicas necessrio adicionar intervenes ao

modelo, de forma que estes resduos atpicos sejam eliminados.
Os resduos atpicos de um modelo de ST podem ser capturado adicionando-se,

para cada resduo atpico, um efeito do tipo parmetro *dummy .
A varivel dummy toma valor 1 para a observao associada ao resduo atpico

ocorrido em t = t*, e zero para as outras observaes:
1, se t = t *
Dumt =
0, se t t
Introduzindo esta varivel no modelo SARIMA, esquematicamente teremos:
y t = c + Dumt + t

1, t = t
*
t ~ SARIMA Dt =
0, t t

*

Pode-se mostrar que este tipo de interveno no modelo de ST resulta nas seguintes
conseqncias:
o resduo em t= t* vai ser nulo, melhorando assim as medidas de aderncia do

modelo e a normalidade dos resduos.
as estimativas dos outros coeficientes no vo incluir a observao yt*, e assim

pode ser que para as outras observaes, o ajuste se modifique.
Deve-se observar que, dada as conseqncias supracitadas, o trata-mento de uma

determinada observao atravs de anlise de interveno deve ser justificada, pois
caso contrrio introduz modificaes arbitrrias no modelo.
Exemplo
Apresentamos a seguir o grfico no tempo do resduo padronizado do modelo final

ajustado srie % Exp_seas.
RESDUOS DO MODELO SARIMA FINAL
-1
-2
-3
-4
96 97 98 99 00 01 02 03 04 05
RESDUOS PADRONIZADOS
Uma inspeo mais cuidadosa indica que o maior resduo padronizado est associado
ao perodo de agosto de 1998, possuindo valor -3.198. Portanto, neste ms o modelo
super-avaliou a variao percentual da exportao.

Assim, se soubermos o porqu deste comportamento atpico podemos utilizar uma
varivel dummy para este perodo (suponha que possamos justificar a atipicidade desta
observao).
Aps criar uma dummy para agosto de 1998, dum_98_08, e adicion-la ao modelo
final, o resultado da estimao foi:
O teste de significncia para o coeficiente da dummy indica que ela no significativa,

implicando que esta observao no exige um tratamento especial.

8. Previses
Introduo
O objetivo principal do ajuste de um modelo do tipo SARIMA a uma srie temporal

econmica ou financeira obter previses.
As previses de um modelo de ST so obtidas extrapolando o modelo no futuro e

obtendo, a partir do modelo estimado, a mdia da srie, condicional at a ltima
observao disponvel da srie.
Exemplo: srie % Exp_seas
T = o ltimo instante para o qual se possui observao da srie, abril

de 2006.
T+ k = so os perodos futuros
k = 1 mai 2006
k = 2 jun 2006 etc
YT = {srie de t=ago 95 at t=abr 2006}
Observar que a srie % Exp_seas sendo obtida por primeiras diferen-

as da srie de diferenas sazonal, ento perdera as primeiras 13
observaes, em relao srie original.
A obteno de uma frmula geral de previso para um modelo SARIMA arbitrrio exige
manipulaes algbricas que fogem ao escopo do pr-sente curso.
Para ilustrar a obteno da previso de modelos ARMA, considere o modelo AR(1):
y t = c + 1y t-1+ t , t ~ N(0, 2 )

Fazendo t= T+1, T+2, etc neste modelo e obtendo o valor esperado de yT+k
condicional em YT, o conjunto de observaes de t=1 at t=T, obtemos:
E(yT + k |YT ) = y T + k|T = c(1 + + 2 + ... + k-1 ) + k yT , k = 1,2,3, ...
Pode-se tambm obter uma frmula explcita para o erro quadrtico mdio ou varincia
desta previso (MSE). Para o processo AR(1) mostra-se que:
) 2 (1 + 12 + 14 + 16 + ... + 12( k 1) )
MSE(y T+k|T=
Na prtica o EViews estima, para qualquer modelo SARIMA, as previses e as

varincias das previses:
T+k|T = E( y T+k |YT ) a previso

y
Var(y
T+k|T ) variancia da previso
Uma vez de posse das previses e das suas varincias pode-se construir um intervalo
de confiana de (1-) % para as previses k-passos--frente, o qual dado pela
frmula:
y T+k|T z1 / 2 Var (y T+k|T )
Tipos de Previso
comum, antes de se usar um modelo de ST para fazer previses fora da amostra

disponvel, avaliar a capacidade preditiva do modelo.
Uma das formas de se avaliar a capacidade preditiva de um modelo de ST utilizar

na estimao uma sub-amostra da srie (o perodo in-sample), deixando algumas
observaes do final da srie fora da amostra (previso out-of-sample ou ex-ante).
Aps estimado, utiliza-se o modelo para realizar previses para a parte final da
amostra, a qual foi excluda da estimao. Pode-se ento comparar, utilizando
medidas de aderncia, as previses com os valores realmente observados da srie.

Finalmente, pode-se utilizar toda a amostra disponvel para estimar o modelo, e
projet-lo a partir da ltima observao disponvel (extrapolao ou previso ex-
ante).
Exemplo
A srie % Exp_seas possui 129 observaes (= 142 obs. da srie original, menos 13
observaes perdidas pelas defasagens). Para avaliar a capacidade preditiva do modelo
utilizamos as primeiras 123 observaes para estimar o modelo, e deixamos de fora as
seis ltimas observaes.
ento possvel, ao se estimar um modelo de ST, considerar trs tipos de previso:
Tipos de previso Amostra/previso Procedimento
In-sample jul 94 a nov 05 Estima o modelo com parte da amostra e

compara a previso um passo frente com o
ocorrido.
Out-of-sample dez 05 a abr 06 Utiliza o modelo estimado no in sample e
ou ex-post (6 obs) extrapola o modelo no perodo out-of-sample (a
parte da srie que no foi utilizada na estimao)
e ento compara o ocorrido com o previsto
Extrapolao mai 06 a abr 07 Re-estima o modelo utilizando todas as
ou ex-ante (12 obs) observaes, realiza previses por extrapolao
para um certo horizonte e espera o futuro chegar
para comparar.
Graficamente:
out-of-sample

extrapolao
7000
6000
5000
in-sample
4000
3000
2000
1000
95 96 97 98 99 00 01 02 03 04 05 06
Exportao
No necessrio que voc sempre realize estes trs tipos de previso, principalmente
se voc no tiver uma srie muito longa.
Assim, na prtica possvel descartar o passo out-of-sample e ir direto para a

extrapolao.
Na seqncia iremos descrever os procedimentos necessrios para se obter estas

previses a partir do EViews.
Previso in-sample
Inicialmente o modelo deve ser estimado no perodo in-sample. Voc deve alterar a
data final que aparece em Sample da janela Equation Estimation. No nosso caso a
data final de abr 2006 foi alterada para nov 2005.

O resultado da estimao in-sample apresentado a seguir.
Para obter as previses in-sample selecione Forecast na janela dos resultados da

estimao do modelo (vide figura anterior).
A janela Forecast se abre:

Nesta janela escolha/preencha as seguintes opes:
1. Static forecast para produzir previses 1 passo frente, a partir do modelo;
2. Em Series to forecast escolha realizar previses na srie original, a qual no

nosso caso : ex_man_fob;
3. Em Forecast name, coloca-se um nome para a srie de previso 1-passo--frente:

exp_prev;
4. Em S.E., coloca-se um nome para a srie de erro padro da previso:
em Forecast sample: altere o perodo final para coincidir com o perodo

utilizado para estimar o modelo. No nosso caso: 1994m07 2005m10;
desativar a opo: insert actuals for out-of-sample observations.
O EViews produz ento um grfico com a previso da srie original (em azul) e os
limites inferior e superior do intervalo de confiana de 95%, bem como algumas
estatsticas de aderncia do modelo no perodo in-sample.

7000
Forecast: EX_PREV
Actual: EX_MAN_FOB
6000
Forecast sample: 1994M07 2005M10
Adjusted sample: 1995M12 2005M10
5000 Included observations: 119
4000 Root Mean Squared Error 175.3044

Mean Absolute Error 137.8272
Mean Abs. Percent Error 4.811366
3000 Theil Inequality Coefficient 0.027643
Bias Proportion 0.002818
2000 Variance Proportion 0.001938
Covariance Proportion 0.995244
1000
96 97 98 99 00 01 02 03 04 05
Previso in sample
Utilizando as medidas de aderncia apresentadas na janela acima e as sries original

e a previso, obtemos a seguinte tabela:
Tabela 1. Medidas de aderncia no perodo in-sample
RMSE MAD MAPE R2
175.30 137.83 4.81 % 0.98
O MAPE e o R2 indicam que, no perodo in-sample, o modelo SARIMA apresenta um

ajuste razovel.
O R2 foi calculado utilizando o coeficiente de correlao linear entre a srie original

(ex_man_fob) e a previso obtida pelo modelo (ex_prev), atravs da relao: R2=
corr(srie original, previso)2
A seguir apresentamos o grfico da srie de Exportao (ex_man_fob) e da previso

in-sample obtida a partir do modelo SARIMA.

6000
5000
4000
3000
2000
1000
95 96 97 98 99 00 01 02 03 04 05
Exportao Previso in-sample
Caso se deseje produzir um grfico com os intervalos de previso e a srie original,

deve-se utilizar as sries de previso e dos erros padres da previso para construir
as sries do limite inferior (li) e limite superior (ls) dos intervalos de confiana.
No nosso caso, os limites do intervalo de confiana de 95% so criados , definindo

em Quick, Generate series, as seguintes sries:
ls = exp_prev + 1.96*se
li = exp_prev 1.96*se
Previso out-of-sample
Retorne janela Forecast e:
1. Escolha a opo Dynamic forecast para obter a previso por extrapolao no

perodo out-of-sample;
2. Em Series to forecast escolha a srie original, no nosso caso ex_man_fob;
3. Em Forecast name, coloca-se um nome para a srie de previso no perodo out-

of-sample: exp_prev_out;
4. Em S.E., coloca-se o nome da srie do erro padro da previso no perodo out of

sample : se_out;
5. Em Forecast sample: especifica-se o perodo out-of-sample.No nosso caso:

2005m11 2006m04.

Para ilustrar a capacidade preditiva do modelo no perodo out-of-sample
apresentamos uma tabela com os valores da srie neste perodo, as previses e os
erros de previso.
Tabela 2. Medidas de aderncia no perodo out-of-sample
perodo srie previso erro erro %

nov 05 5899.000 5233.147 665.8534 11.29%
dez 05 6237.000 5858.166 378.8337 6.07%
jan 06 5018.000 4529.525 488.4749 9.73%
fev 06 5190.000 4957.399 232.6010 4.48%
mar 06 6414.000 5776.299 637.7015 9.94%
abr 06 5437.000 5420.185 16.81529 0.31%
A partir desta tabela pode-se ento construir algumas medidas de aderncia do

modelo neste perodo, as quais so apresentadas a seguir:
Tabela 3. Medidas de aderncia no perodo out-of-sample
RMSE MAD MAPE
463.06 403.38 6.97 %
Neste caso particularmente interessante criar os limites inferior e superior do

intervalo de previso, e observar se a srie est contida neste intervalo.
7000
6500
6000
5500
5000
4500
4000
3500
2005M11 2005M12 2006M01 2006M02 2006M03 2006M04
Previso out-of-sample
Exportao

Embora as previses sejam um pouco discrepantes dos valores reais, todos os
valores observados esto contidos no intervalo de previso de 95%.
Extrapolao
Esta a situao que ser utilizada com maior freqncia em trabalhos prticos:
voc utiliza todos os dados da srie para estimar o modelo, e extrapola o modelo a
partir da ltima observao disponvel para obter as previses e intervalos de
confiana.
Continuando como nosso exemplo, agora temos que estimar o modelo utilizando
toda a amostra, i. e., at abril de 2006. Este modelo j foi estimado anteriormente,
sendo denominado de modelo final. Os resultados so os seguintes:
Para obter a previso para os prximos 12 meses, i.e., de mai 2006 at abr 2007,
inicialmente ser necessrio expandir a planilha do EViews, de forma a torn-la apta
a receber as previses.
Para expandir a planilha voc deve clicar duas vezes em cima do nome Range que
aparece no workfile:

Abre-se a janela Workfile structure, onde voc deve alterar a End date, no nosso
caso para abril de 2007.
Em seguida, a partir da janela de estimao (Equation) entre na janela Forecast e

escolha :
1. A opo Dynamic forecast para obter a previso por extrapolao no perodo

out-of-sample;
2. Em Series to forecast escolha a srie original, no nosso caso ex_man_fob.
3. Em Forecast name, coloca-se um nome para a srie de previso no perodo:

exp_prev_fora

4. Em S.E., coloca-se o nome da srie do erro padro da previso no perodo out of
sample : se_fora
5. Em Forecast sample: especifica-se o perodo out-of-sample. No nosso caso:

2006m5 2007m04.
Apresentamos o grfico produzido pelo EViews para a previso por extrapolao

para a srie de exportao de manufaturados no perodo de maio de 2006 a abril de
2007:
10000
9000
8000
7000
6000
5000
4000
2006M07 2006M10 2007M01 2007M04
Previso por extrapolao
Bibliografia
1. Box, G.E.P.; Jenkins, G.M.; Reinsel, G.C. (1994). Time Series Analysis, Forecasting and
Control, 3rd Edition. Prentice Hall.
2. Enders, W. (1995). Applied Econometric Time Series. Wiley.
3. EViews 5.0 Users Guide (2004). Quantitative Micro Software.
4. Fernandes, C. (2003). Notas de aula de Sries Temporais. Departamento de Engenharia
Eltrica, PUC-Rio.
5. Patterson, K. (2000) . An Introduction to Applied Econometrics.
St Martins Press.


Modelos ARIMA ST EViews

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelos ARIMA ST EViews

Uploaded by

Copyright:

Available Formats

PUC-Rio

Departamento de Engenharia Eltrica

MODELOS ARIMA PARA SRIES

Prof. Cristiano Fernandes

Professor do Departamento de Engenharia Eltrica da

Modelo ARIMA para Sries Temporais utilizando o software EViews 2

2. SRIES TEMPORAIS E PROCESSOS ESTOCSTICOS ..... 16

PROCESSO ESTOCSTICO .............................................. 16

3. MODELOS AUTOREGRESSIVOS AR(P) ..................... 42

4. MODELOS MDIAS MVEIS - MA(Q) .................... 57

5. MODELOS ARMA ................................................... 64

Modelo ARIMA para Sries Temporais utilizando o software EViews 3

7. AVALIAO DO MODELO ........................................ 83

8. PREVISES ........................................................ 101

INTRODUO ........................................................... 101

Modelo ARIMA para Sries Temporais utilizando o software EViews 4

Srie temporal (ST) um conjunto de observaes, geralmente equiespaadas,

A frequncia de observao/medio de uma ST pode variar dependendo do

Exemplo: STs financeiras e econmicas.

Retornos dirios das cotaes de fechamento do

Exemplo 1: Retornos dirios do Ibovespa (fechamento) no

Exemplo 2: Exportaes mensais de produtos manufaturados

Modelo ARIMA para Sries Temporais utilizando o software EViews 5

Exemplo 3: Taxa de juros mensal (SELIC) (01/74 a 05/06)

Modelo ARIMA para Sries Temporais utilizando o software EViews 6

Este estudo detalhado importante pois a estimao de modelos de regresso

os resduos podem ser no estacionrios: isto pode tornar todos os

os resduos podem apresentar autocorrelao: neste caso as varincias

os resduos podem apresentar heterocedasticidade condicional

Na regresso a seguir procura-se explicar as exportaes mensais brasileiras no

exp (exp_man_fob) = exportaes produtos manufaturados

selic = taxa de juros Over / Selic (% a.m.) ;

Modelo ARIMA para Sries Temporais utilizando o software EViews 7

grfico da varivel dependente: exportaes de manufaturados.

grfico dos regressores: cmbio e selic

Ho: a srie no estacionria ou possui raiz unitria

Os resultados da aplicao do teste ADF foram os seguintes:

Exportao: aceita a hiptese de no-estacionariedade 1

Cmbio: aceita a hiptese de no-estacionariedade

Modelo ARIMA para Sries Temporais utilizando o software EViews 9

Assim sendo, os testes indicaram que as sries de exportao e cmbio so no

A seguir especificamos o seguinte modelo de regresso para explicar as exportaes

exportao = a + b juros + cmbio + u, u~ N(0,2)

Apresentamos os resultados da estimao do modelo:

Modelo ARIMA para Sries Temporais utilizando o software EViews 10

>> os resduos no so estacionrios

Neste caso a no estacionariedade dos resduos pode ser facilmente confirmada

Claramente os resduos no esto em equilbrio-estatstico.

A no estacionariedade dos resduos pode ser formalmente investigada atravs da

Modelo ARIMA para Sries Temporais utilizando o software EViews 11

Como o mdulo de t=1.1254 < 1.942, ento no podemos rejeitar ao nvel de 5% a

os erros possuem varincia constante;

Obviamente que, em relao regresso anterior, uma maneira de garantir a

Modelo ARIMA para Sries Temporais utilizando o software EViews 12

O estudo de sries temporais est dividido em duas reas complementares: anlise

Anlise de Sries Temporais

Anlise de sries temporais a utilizao de ferramentas estatsticas (FAC,

a srie apresenta dependncia?

Modelos de Sries Temporais

A partir da anlise de sries temporais, possvel obter subsdios para a

modelos de sries temporais: utilizam apenas o passado da srie para

Modelo ARIMA para Sries Temporais utilizando o software EViews 13

modelos de regresso dinmica (economtricos): utilizam alm do