Manual de Solues Econometria Bsica Gujarati

CAPTULO 17
MODELOS ECONOMTRICOS DINMICOS: MODELOS AUTO-REGRESSIVOS E
COM DEFASAGENS DISTRIBUDAS

17.1 (a) Falsa. Modelos economtricos so dinmicos se descrevem a trajetria no

tempo da varivel dependente em relao a seus valores passados. Os que utilizam
dados em cortes transversais no so dinmicos, a menos que sejam usados modelos
de regresso em painel com valores do regressando defasados.
(b) Verdadeira. O modelo Koyck presume que todos os coeficientes de defasagem
distribuda tm o mesmo sinal.
(c) Falsa. Os estimadores so tendenciosos e tambm inconsistentes.
(d) Verdadeira. Para demonstrao, veja o texto de Johnston citado na nota de rodap
nmero 30 do livro-texto.
(e) Falsa. O mtodo gera estimativas consistentes, embora sejam tendenciosas
aquelas obtidas com pequenas amostras.
(f) Verdadeira. Em tais situaes, aplique a estatstica h de Durbin. Para calcul-la, no
entanto, pode-se usar a estatstica d de Durbin.
(g) Falsa. vlido para grandes amostras, estritamente falando.
(h) Verdadeira. O teste de Granger uma medida de precedncia e contedo da
informao, mas por si s no indica causalidade, no sentido trivial da palavra.
17.2 Use as Equaes (17.7.1), (17.6.2) e (17.5.2).

Yt* = 0 + 1 X t* + ut

(1)

Yt Yt 1 = (Yt * Yt 1 )

(2)

X t* X t*1 = ( X t X t*1 )

(3)

Reescreva a Equao (2) assim: Yt = Yt + (1 )Yt 1

*

Reescreva a Equao (3) assim: X t =

*

Xt
1 (1 ) L
em que L o operador de defasagem, tal que LX t = X t 1 .

(4)
(5)

Substitua a Equao (1) na Equao (4) para obter:

Yt = 0 + 1 X t* + ut + (1 )Yt 1
Substitua a Equao (5) na (6) para obter:

(6)

Manual de Solues Econometria Bsica Gujarati

Yt = 0 + 1
X t + (1 )Yt 1 + ut
1 (1 ) L

(7)

Simplificando a Equao (7), temos:

Yt = 1 + 2 X t + 3Yt 1 + 4Yt 2 (17.7.2), em que os so combinaes (nolineares) dos diversos parmetros da Equao (7).

]} , j que E (ut ) = 0 .
Yt 1 E (Yt 1 ) = ut 1 .

17.3 cov Yt 1 , ( ut ut 1 ) = E Yt 1 E (Yt 1 ) ut ut 1

cov Yt 1 , ( ut ut 1 ) = E ( ut 1 )( ut ut 1 ) , j que

2
cov Yt 1 , ( ut ut 1 ) = E ( ut 1 ) , j que no h correlao serial.

2
cov Yt 1 , ( ut ut 1 ) = , como queramos demonstrar.

17.4 Os valores para P* so, respectivamente, 100, 105, 115, 135 e 160.
17.5 (a) Os valores estimados de Y, que so funo linear da varivel no-estocstica
X, no so assintoticamente correlacionas com v, o termo de erro da populao.
(b) Pode diminuir a gravidade do problema da colinearidade.
17.6 (a) A defasagem mediana o tempo para se completar metade da frao de
ajustamento. No caso do modelo de Koyck, resolva a expresso a seguir para
encontr-la:

0 1 t (1 ) 1
resposta no perodo t
1
=
= , que simplificada d t = . Portanto,
resposta de longo prazo
0 (1 )
2
2
2 ln 2
1
, que a resposta solicitada.
t ln = ln = ln 2 . Logo, t =
ln
2
(b)

0,2
0,4
0,6
0,8

ln
1,6094
0,9163
0,5108
0,2231

ln2

Defasagem
mediana

0,6932

0,4307

0,6932

0,7565

0,6932

1,3569

0,6932

3,1063

Manual de Solues Econometria Bsica Gujarati

17.7 (a) Como

k = 0 k ; 0 < < 1; k = 0,1, 2... , a defasagem mediana :

0
k

0 k k (1 2 )

=
=
=
k
0
1 (1 ) 1

(b) Se for muito grande, a velocidade do ajustamento ser lenta.

17.8 Aplique a frmula

que, com os dados da Tabela 17.1 torna-se

11,316
= 10,986 10,959 .
1, 03
17.9 (a) Seguindo o procedimento adotado no Exerccio 17.2, podemos escrever a
equao para M t como segue: M t = +

1 (1 1 )
(1 2 )
Yt + 2
Rt + ut ,
1 1L
1 2L

que pode ser

reescrita assim:

M t = 0 + 1 (1 1 ) Yt 12 (1 1 ) Yt 1 + 2 (1 2 ) Rt
M t = 2 1 (1 2 ) Rt 1 + ( 1 + 2 ) M t 1 ( 1 2 ) M t 2 + ut ( 1 + 2 ) ut 1 + ( 1 2 ) ut 2 ,
que

uma combinao de

, 1

2.

Observe que se

1 = 2 = ,

em

o modelo pode

ser ainda mais simplificado.

(b) O modelo que acabamos de desenvolver muito no-linear nos parmetros e tem
de ser estimado com o emprego de alguma das tcnicas iterativas no-lineares
examinadas no Captulo 14.
17.10 A Equao (17.7.2) apresenta o mesmo problema de estimao que o modelo
de Koyck e o das expectativas adaptativas, pois so auto-regressivos com estruturas
de erro similares. Trata-se de um modelo de regresso intrinsecamente no-linear,
exigindo, portanto, tcnicas no-lineares de estimao.
17.11 Conforme explanado por Griliches, como o modelo de correlao serial inclui
valores defasados dos regressores, o que no acontece nos de Koyck e de ajustamento
parcial, possvel que ele seja apropriado mesmo que se assemelhe a estes ltimos
em situaes em que estejamos transformando um modelo para nos vermos livres
da correlao serial de primeira ordem.

Manual de Solues Econometria Bsica Gujarati

17.12 (a) Sim, o modelo de Koyck pode, nesse caso, ser estimado com os MQO.
(b) Haver um vis de amostra finita devido ao regressando defasado, mas as
estimativas sero consistentes. Pode-se achar a demonstrao disso nas pginas 408 a
411 do livro Principles of Econometrics, de Henry Thiel, publicado por John Wiley &
Sons, New York, 1971.
(c) A pressuposio de que e sejam iguais plausvel, pois os valores de ambos
situam-se, por premissa, entre 0 e 1.
17.13 De forma anloga aos modelos de Koyck, Alt, Tinbergen e outros, essa uma
abordagem ad hoc e tem pouca sustentao terica. O modelo pressupe que a
importncia dos valores passados declina continuamente desde o incio, o que pode ser
uma pressuposio razovel em alguns casos. Pela utilizao da mdia ponderada das
variveis explanatrias atuais e passadas, esse modelo triangular anula os problemas
de multicolinearidade que possam existir em outros.
17.14 (a) Em mdia, ao longo do perodo estudado, a variao do nvel de emprego
est positivamente relacionada produo e negativamente ao nvel de emprego no
perodo anterior e ao tempo. Os sinais negativos no coeficiente da varivel tempo e na
varivel tempo ao quadrado indicam que a variao no nvel de emprego vem
declinando ao longo do perodo, mas mais rapidamente. Repare que o coeficiente de
tempo no significativo no nvel de 5%, mas o de tempo ao quadrado o .
(b) 0,297.
(c) Para obter a curva de demanda de longo prazo, divida a de curto prazo por e
exclua o termo defasado do nvel de emprego, o que resultar na funo 47,879 +
0,579Qt + 0,094t + 0,002t.
(d) O teste estatstico apropriado o h de Durbin. Dado que n = 44 e d = 1,37,
obtemos:

n
44
d
1
h = 1
= 1 d
= 2, 414 .
2 1 n var(coef de Et -1 ) 2 1 44(0, 001089)
J que o h segue assintoticamente a distribuio normal, seu valor crtico a 5% 1,96.
Pressupondo que a amostra de 44 observaes seja razoavelmente grande, podemos
concluir que h nos dados evidncia de autocorrelao positiva de primeira ordem.
17.15 (a) (1 - 0,0864) = 0,136.
(b) A elasticidade preo de curto prazo 0,218, e a de longo prazo (0,218/0,136)
= 1,602.
(c) A elasticidade juro de curto prazo 0,855, e a de longo prazo (0,855/0,136) =
6,287.

Manual de Solues Econometria Bsica Gujarati

(d) A taxa de ajustamento de 0,136 relativamente baixa, e isso pode ser por causa
do tipo de tecnologia desse mercado. Lembre-se de que tratores so bens durveis
com vida til razoavelmente longa.
17.16 O termo defasado representa as influncias combinadas de todos os valores
defasados do(s) regressor(es) do modelo, como vimos ao explorar a abordagem de
Koyck.
17.17 O grau do polinmio deve ser pelo menos um a mais do que os pontos de
inflexo da srie temporal observada representada graficamente ao longo do tempo.
Assim, use um polinmio de 4 grau para o primeiro grfico no canto superior
esquerdo, um de 2 grau para o do canto superior direito, um de 6 grau para o do
canto inferior esquerdo e outro de 2 grau para o do canto inferior direito.

17.18 (a) var( i ) =

j =0

j< p

i 2 j var( j ) + 2 i j + p cov( j , p ) .

Segue uma expresso anloga, a no ser por um termo adicional.

(b) No necessariamente assim, porque, como visto em (a), as varincias das
estimativas de i envolvem tanto as varincias como as covarincias dos coeficientes
estimados , e estas ltimas podem ser negativas.

17.19 Dado que i = 0 + 1i + 2 i , se 0 = 0 0 = 0 e

quando 4 = 0 0 + 41 + 16 2 = 0 1 = 4 2 .
Portanto, o modelo transformado :

Yt = + ( i X i ) + ut = + 0 + 1i + 2i 2 X t i + ut = + 2 4 iX t i + i 2 X t i + ut .
i =0

17.20 Yt = +

X
i =0

k/2

t i

+ ut = + i X t i +
i =0

k
i = +1
2

( k i ) X t i + ut

Yt = + iX t i + ( k i ) X t i + ut = + Z t + ut .
17.21 No caso, n = 19 e d = 2,54. Embora a amostra no seja muito grande, vamos
fazer o teste h a ttulo de ilustrao:

Manual de Solues Econometria Bsica Gujarati

h = 1

d
n
19
2, 54
= 1
= 1, 3773 , valor que

2 1 ( n) var(coeficiente de PFt -1 )
2 1 19(0, 0142)

no significativo no nvel de 5%. No h, portanto, evidncia de correlao serial

positiva de primeira ordem, no esquecendo que nossa amostra pode no ser
suficientemente grande para aceitarmos esse resultado.
Problemas
17.22 Empregando o modelo de ajustamento de estoques ou de ajustamento parcial
(MAP), a funo de gastos no curto prazo pode ser escrita da seguinte forma, em que
Y so os gastos em novas instalaes e equipamentos e X as vendas (veja Equao
17.6.5) :

Yt = 0 + 1 X t + (1 ) X t 1 + ut

(1).

De acordo com os dados, seguem os resultados da regresso:

Yt = 15,104 + 0,629Xt + 0,272Yt-1

t = (3,194)

(6,433)

(2)

(2,365)

R = 0,987; F = 690,056; d = 1,519.

Pelo coeficiente do valor de Y defasado, encontramos que = 0,728.
A funo de gastos no longo prazo

Yt* = 20,738 + 0,864 Xt , obtida dividindo (2) por

0,728 e excluindo o termo Y defasado.

Temos de empregar a estatstica h para ver se h correlao no problema. Aplicando a
devida frmula, pode-se constatar que h = 1,364, valor que, assintoticamente, no
significativo no nvel de 5%. Ento, tambm assintoticamente, no h correlao serial
nos dados.
17.23 Aplicando a mesma notao usada no Exerccio 17.22, a funo de gastos no
curto prazo :

ln Yt = ln 0 + 1 ln X t + (1 )Yt 1 + ut

(1)

Os resultados da regresso so:

ln Yt

= 1,078 + 0,905 lnXt + 0,260 lnYt-1

t = (5,854)

(8,131)

(2,962)

R = 0,994; F = 1425,219; d = 1,479.

Da, achamos = 0,740.

(2)

Manual de Solues Econometria Bsica Gujarati

A funo de gastos no longo prazo ln Yt

= 0,376 + 1,222 ln Xt

A estatstica h para este problema 1,34. Assintoticamente, portanto, rejeitamos a

hiptese de que existe correlao positiva de primeira ordem no termo de erro.
Ambos os modelos do resultados anlogos, sendo a vantagem do logartmico que os
seus coeficientes angulares estimados fornecem estimativas diretas dos coeficientes de
elasticidade, ao passo que os do linear apenas medem a taxa de variao.
17.24 Os resultados estatsticos so os mesmos do Problema 17.22. No entanto, como
este um modelo de expectativas adaptativas, a interpretao diferente. O
estimado agora interpretado como a frao com que as expectativas de
investimentos em instalaes e equipamentos so revistas a cada perodo. A estrutura
de erro da populao tambm diferente, conforme observado no texto.
17.25 Neste caso, empregamos uma combinao dos modelos de expectativas
adaptativas e MAP. Segue a equao, em que vt = ut + (1 ) ut 1 :

Yt = 0 + 1 X t + (1 ) + (1 ) Yt 1 + (1 ) + (1 ) Yt 2 + vt ,
que,
por
convenincia, escrevemos Yt = 0 + 1 X t + 2Yt 1 + 3Yt 2 + vt . Com base nos dados,
seguem os resultados da regresso:

Yt = 19,7701 + 0,715Xt + 0,565Yt-1 0,409Yt-2

t = (4,467)

(8,323)

(4,250)

(3,460)

R = 0,992; F = 5653,234; d = 1,367.

Os coeficientes estimados so todos estatisticamente significativos, mas como so
combinaes no-lineares dos originais, fica difcil obter suas estimativas diretas.
Teoricamente, devemos estimar esse modelo empregando os mtodos no-lineares
apresentados no Captulo 14, os quais daro estimativas diretas dos diversos
parmetros que sero ento comparados queles obtidos nos Problemas 17.22, 17.23
e 17.24.
17.26 Hiptese nula H0: as vendas no causam, no sentido de Granger, os
investimentos em instalaes e equipamentos. Seguem os resultados do teste de
Granger:
N de
defasagens
2
3

Estatstica
F
17,394
5,687

3,309

0,0628

2,379

0,1606

1,307

0,4463

Valor p

Concluso

0,0001
0,0117

rejeitar H0
rejeitar H0
no rejeitar
H0
no rejeitar
H0
no rejeitar
H0

Manual de Solues Econometria Bsica Gujarati

Hiptese nula H0: os investimentos em instalaes e equipamentos no causam, no
sentido de Granger, as vendas. Seguem os resultados do teste de Granger:
N de
defasagens
2
3
4
5

Estatstica
F
22,865
13,009
7,346
5,867

3,053

Valor p

Concluso

0,0001
0,0004
0,0065
0,0262

rejeitar H0
rejeitar H0
rejeitar H0
rejeitar H0
no rejeitar
H0

0,1939

Como se v por esses resultados, o teste de causalidade de Granger sensvel ao

nmero de termos defasados includos no modelo. At trs defasagens, a causalidade
bilateral, at cinco, de investimento para vendas, e at 6, nenhuma das duas
variveis causa a outra.
17.27 Um modelo elucidativo que se ajustou neste caso foi um polinomial de segundo
grau com quatro defasagens. Empregando o formato da Equao (17.13.15) e fazendo
Y representar os investimentos e X as vendas, os resultados da regresso so:

Yt = 35,4923 + 0,8910Xt + 0,3255Xt-1 0,0312Xt-2 0,1792Xt-3 0,1183 Xt-4

t = (4,3321)

(5,1042)

(3,6176)

(0,2530)

(2,1109)

(0,6562).

Exortamos o leitor a experimentar outras combinaes de defasagens e polinmios de

outros graus. Pode-se aplicar o critrio de informao de Akaike para fazer a escolha
entre os modelos concorrentes.
17.28 Obtivemos os seguintes resultados com o software Eviews 4.
COEFICIENTE
Intercepto

Xt
Xt-1
Xt-2
Xt-3
Xt-4

NER
23,3844
(2,3578)
0,3188
(3,5791)
0,4414
(3,9542)
0,3677
(5,4213)
0,0976
(2,1948)
-0,3686
(1,6678)

FER

BER

-36,0936

-5,9303

(-4,6740)

(-0,8799)

0,8712
(5,5205)
0,3515
(10,4464)
0,0045
(0,0993)
-0,1697
(-2,2065)
-0,1712

0,1215
(19,9423)
0,1945
(19,9423)
0,2188
(19,9423)
0,1945
(19,9423)
0,1215

(-2,7730)

(19,9423)

Manual de Solues Econometria Bsica Gujarati

Nota: NER, FER e BER denotam restrio near-end, far-end e nos dois extremos,
respectivamente. Os nmeros entre parnteses so as razes t.
Nota-se que a aplicao de restries aos coeficientes dos modelos leva a resultados
muito diferentes. Repare na interessante descoberta de que a imposio de restries
nos dois extremos gerou erros-padro e razes t idnticas. melhor no impor
restrio nenhuma, a menos que haja a priori uma expectativa consistente.
Naturalmente, o que ainda preciso saber em cada caso o nmero de termos
defasados e o grau do polinmio.
17.29 (a)
Direo da
causalidade
YX2
X2Y

Nmero de
defasagens
2
2

Probabilidade

0,0695
2,8771

0,9329
0,0705 *

YX2
X2Y

3
3

0,1338
2,4892

0,9392
0,0793 *

YX2
X2Y

4
0,1407
0,9655
4
1,8239
0,1533
* Significativo no nvel de 10%

A seta indica a direo da causalidade, e a hiptese nula em cada caso de que a

varivel esquerda da seta causa a varivel direita. Parece que nessas situaes o
investimento em equipamento de processamento de informaes no causa vendas, no
sentido de Granger. Mas h evidncia inconcludente de que as vendas causem o
investimento. Experimente outras defasagens e verifique se essa concluso se altera.
(b) Os resultados da causalidade entre investimento e taxa de juros so interessantes
porque no h relao causal entre as duas at cinco defasagens; na sexta, a taxa de
juros causa investimento, mas no vice-versa; e na stima e oitava defasagens no h
correlao causal entre as duas. difcil justificar intuitivamente esses resultados.
(c) Na forma linear no havia efeito de defasagem distribuda discernvel de vendas
sobre o investimento. No modelo log-linear com 4 defasagens, polinmio do segundo
grau e impondo restrio near-end temos os seguintes resultados:
ln Yt

= 15,1508 + 0,2008lnX2t + 0,3288lnX2(t-1) + 0,3841lnX2(t-2) + 0,3665lnX2(t-3) +

0,2762ln X2(t-4)
t = (73,2185)
(2,1921).

(3,8962)

(5,0794)

(9,6896)

(15,0782)

Se representarmos graficamente os coeficientes dos diversos termos lnX2, veremos

que eles aumentam at a segunda defasagem e depois declinam, apresentando uma
curva em forma de U invertido.
17.30 (a) & (b) Pode-se mostrar, mediante a aplicao do teste de causalidade de
Granger, que h causalidade bilateral entre as duas variveis at quatro defasagens,

Manual de Solues Econometria Bsica Gujarati

mas, alm da, no h causalidade unilateral ou bilateral. Por exemplo, na defasagem
3 achamos:
produtividade remunerao, F = 3,84, (valor p = 0,0314)
remunerao produtividade, F = 3,97, (valor p = 0,0284),
e na defasagem 4:
produtividade remunerao, F = 2,27, (valor p = 0,0888)
remunerao produtividade, F = 3,26, (valor p = 0,0265).
(c) Poderamos, por exemplo, regressar a remunerao contra a produtividade e a taxa
de desemprego para ver o efeito (parcial) desta ltima, deduzido o efeito da segunda.
Seguem os resultados da regresso, em que Y a remunerao, a produtividade X2,
e a taxa de desemprego X3:

Yt = 26,7834 + 0,6907X2t + 0,6680X3t

t = (12,8468) (33,2341) (2,7053)
R = 0,9694; d = 0,2427.
Todos os coeficientes estimados parecem estatisticamente significativos. possvel
que o sinal positivo da varivel taxa de desemprego contrarie a intuio, a no ser que
se possa alegar que altas taxas de desemprego incrementem a produtividade, a qual,
por sua vez, levaria a maior remunerao. Como a estatstica d muito baixa no caso
em tela, possvel que haja neste modelo autocorrelao ou vis de especificao, ou
ambos.
17.31 S para dar uma amostra do teste de Sims, regressamos Y (investimento em
novas instalaes e equipamentos) contra X (vendas) com duas defasagens e dois lead
terms X, obtendo os seguintes resultados:

Yt = 2,6549 + 1,4421Xt-1 0,4043Xt-2 + 0,3290Xt+1 0,5576Xt+2

t = (0,4039)

(7,1142)

(2,0425)

(1,6786)

(3,0060).

R = 0,9912; d = 3,0561.
Os resultados lanam dvidas de que as vendas causem investimentos, pois parece
que o lead term Xt+2 estatisticamente significativo. O leitor deve experimentar outras
estruturas com termos defasados e lead terms para ver se essa concluso se mantm.