ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

MANUAL STATA 10.1: TESTES DE AUTOCORRELAO, ESTACIONARIDADE,

CO-INTEGRAO, CAUSALIDADE DE GRANGER E MODELOS ARIMA
Renata Rojas Guerra*

PASSO 1: Gerando as variveis

Varivel Logartimica: gen logvar = log(var1)

Varivel de tempo anual: gen time = y(1980)+_n-1
Varivel de tempo mensal: gen time = m(1980m1)+_n-1
Varivel de tempo trimestral: gen time = q(1980q1)+_n-1

PASSO 2: Declarar que srie temporal

Statistics > Time Series > Setup and Utilities > Declarare dataset to be time-series data
Selecionar Time variable (varivel de tempo) e periodicidade (daily, weekly, monthly,
quarterly, half-yearly, yearly generic dirio, semanal, mensal, trimestral, semestral,
anual)
Comando: tsset time, yearly

PASSO 3: Rodar regresso

Comando: reg var1 var2

PASSO 4: Teste d de Durbin Watson para auto-correlao

Comando: dwstat
Output 01: Exemplo baseado na regresso reg logrpd logdcp logpib tabela 21.1
Gujarati 4 edio

Estudante do curso de Cincias Econmicas da Universidade Federal de Santa Maria e integrante do Grupo de
Pesquisa em Agronegcios - UFSM. E-mail: renata.objetivajr@yahoo.com.br

importante destacar que as variveis so nomeadas a critrio do pesquisador, sendo as nomeaes utilizadas
no presente manual apenas ilustrativas.

Este exemplo trata apenas de sries anuais. Assim, ao utilizar o comando para declarar a srie temporal
importante lembrar que este varia de acordo com a periodicidade das mesmas.

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

. dwstat
Durbin-Watson d-statistic(

3,

88) =

.5613739

Ho: Ausncia de Autocorrelao

Compara-se o valor calculado da estatstica d com os valores crticos dL e dU,

encontrados na Tabela D.5 do Apndice D Gujarati.
Se dcalc<dL h autocorrelao positiva
Se dL<dcalc<dU zona de indeciso
Se dU<dcalc<4-dU no h autocorrelao
Se 4-dU<dcalc<4-dL zona de indeciso
Se 4-dL<dcalc h autocorrelao negativa

No exemplo dcalc 0,56 menor que dL 1,575, ou seja, h autocorrelao positiva.

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

PASSO 5: Regresso espria

. reg logrpd logdcp logpib
Source

SS

df

MS

Model
Residual

2.58463385
.014330049

2
85

1.29231692
.000168589

Total

2.5989639

87

.029873148

logrpd

Coef.

logdcp
logpib
_cons

.8943569
.0491394
.5217883

Number of obs
F( 2,
85)
Prob > F
R-squared
Adj R-squared
Root MSE

=
88
= 7665.50
= 0.0000
= 0.9945
= 0.9944
= .01298

Std. Err.

P>|t|

[95% Conf. Interval]

.1104107
.124155
.1727425

8.10
0.40
3.02

0.000
0.693
0.003

.6748308
-.197714
.1783299

1.113883
.2959929
.8652467

Compara-se o valor do R com a estatstica d de Durbin-Watson pois um R>d uma boa

regra de bolso para se suspeitar que a regresso seja espria.
No exemplo, como o valor de R = 0,9945 maior que d= 0,5613 h fortes razes para se
acreditar que a regresso espria.
PASSO 6: Teste Breusch-Godfrey ou teste LM uma alternativa ao teste d

Gerar resduo: predict u, residuals

Verificar nmero de defasagem do resduo atravs dos critrios de informao de Akaiki e
Schwarz: varsoc u
Selection-order criteria
Sample: 1971q1 - 1991q4
lag
0
1
2
3
4

LL

LR

246.989
276.76
278.482
278.54
278.659

Endogenous:
Exogenous:

59.541*
3.4444
.11599
.23668

Number of obs
df
1
1
1
1

p
0.000
0.063
0.733
0.627

FPE
.000167
.000084
.000083*
.000085
.000087

AIC
-5.85689
-6.54191
-6.5591*
-6.53667
-6.51568

HQIC
-5.84526
-6.51864
-6.5242*
-6.49014
-6.45752

84
SBIC
-5.82795
-6.48403*
-6.47229
-6.42092
-6.37099

u
_cons

Para o caso de divergncia entre estes resultados opta-se, embasado pelo princpio da
parcimnia, pela utilizao da menor defasagem indicada por um destes critrios, neste caso
uma defasagem.

Comando: qui regress log logrpd logdcp logpib

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

Comando para o teste LM: estat bgodfrey, lags(1)

Breusch-Godfrey LM test for autocorrelation

lags(p)

chi2

45.182

df

Prob > chi2

0.0000

H0: no serial correlation

Para este exemplo, ao observar que existe 0% de probabilidades de aceitar a hiptese nula de
ausncia de autocorrelao, a mesma pode ser rejeitada. Observa-se que esse resultado
converge com aqueles obtidos atravs do teste d de Durbin-Watson.
PASSO 7: Procedimento Iterativo de Cochrane-Orccut Medida corretiva para
autocorrelao

Statistics > timeseries > prais winstein regression

Selecionar varivel dependente e independente, dentre as Options selecionar Single-lag OLS
of residuals e marcar o quadro Cochrane-Orccut transformation

Comando: Orccut prais logrpd logdcp logpib, rhotype(regress) corc

. prais logrpd logdcp logpib, rhotype(regress) corc
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration
Iteration

0:
1:
2:
3:
4:
5:
6:
7:
8:
9:

rho
rho
rho
rho
rho
rho
rho
rho
rho
rho

=
=
=
=
=
=
=
=
=
=

0 .0 000
0 .7 043
0 .7 418
0 .7 474
0 .7 485
0 .7 487
0 .7 487
0 .7 487
0 .7 487
0 .7 487

Cochrane-Orcutt AR(1) regression -- iterated estimates

Source

SS

df

MS

Model
Residual

. 14 98 37 762
. 00 63 73 248

2
84

.0 74 91 88 81
.0 00 07 58 72

Total

.1 56 21 101

86

.0 01 81 64 07

Coef.

Std. Err.

logrpd
logdcp
logpib
_cons

.5 98 73 03
.3 61 59 25
.2 58 86 02

rho

.7 48 70 09

.1 24 31 59
.1 37 49 01
.2 39 15 71

Durbin-Watson statistic (original)

Durbin-Watson statistic (transformed)
.

Number of obs =
F( 2,
84) =
Prob > F
=
R-squared
=
Adj R-squared =
Root MSE
=
P>|t|

4 .8 2
2 .6 3
1 .0 8

0. 56 13 74
2. 25 41 37

0. 00 0
0. 01 0
0. 28 2

87
987 .4 4
0.0 00 0
0.9 59 2
0.9 58 2
.00 87 1

[95% Conf. Interval]

.3 51 51 44
.0 88 17 84
- .2 16 73

.8 459 46 2
.6 350 06 6
.7 344 50 3

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

O valor em destaque refere-se estatstica d de Durbin-Watson aps a aplicao do

procedimento iterativo de Cochrane-Orccut. Neste exemplo, como dcalc= 2,25 maior que o
limite crtico dU=1,721, conclu-se que este procedimento corrigiu o problema de
autocorrelao do modelo, caso contrario seria necessria a busca de outras medidas de
correo.
PASSO 8: Teste Dickey Fuller Aumentado (ADF) teste de estacionaridade

Primeiramente necessrio saber o nmero de defasagens da srie atravs dos critrios de

informao de Akaiki e Schwarz. Aqui novamente, se houver divergncias entre AIC e BIC
opta-se, embasado pelo princpio da parcimnia, pela utilizao da menor defasagem indicada
por um destes critrios.
Comando: varsoc logrpd
Selection-order criteria
Sample: 1971q1 - 1991q4
lag
0
1
2
3
4

LL

LR

33.8402
263.812
264.011
264.047
264.966

Endogenous:
Exogenous:

459.94*
.3967
.07358
1.8373

Number of obs
df
1
1
1
1

FPE

0.000
0.529
0.786
0.175

.026788
.000115*
.000117
.00012
.00012

AIC

HQIC

-.781909
-6.23363*
-6.21454
-6.19161
-6.18967

84
SBIC

-.770276
-6.21036*
-6.17964
-6.14507
-6.1315

-.752971
-6.17575*
-6.12772
-6.07585
-6.04498

logrpd
_cons

Como ambos os critrios apontaram para a utilizao de uma defasagem, aplica-se o teste.
Comando: dfuller logrpd, lags(1)
Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-1.531

-3.530

Number of obs

86

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-2.901

-2.586

MacKinnon approximate p-value for Z(t) = 0.5182

Lags = nmero de defasagens, atribudas atravs dos critrios AIC e BIC

H0: h uma raiz unitria, a srie temporal no estacionria.

Neste caso aceita-se a hiptese nula de ausncia de estacionaridade pois dfuller calculado
menor que dfuller crtico, at mesmo para o nvel de significncia de 10%.

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

PASSO 9: Teste Phillips-Perron outro teste de estacionaridade

Comando: pperron var1, lags(1)

Phillips-Perron test for unit root

Number of obs
=
Newey-West lags =

Test
Statistic

1% Critical
Value

-0.911
-1.649

-19.566
-3.528

Z(rho)
Z(t)

87
1

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-13.596
-2.900

-10.922
-2.585

MacKinnon approximate p-value for Z(t) = 0.4576

O teste tambm aceitou a hiptese nula de ausncia de estacionaridade a 10%, convergindo

com os resultados do ADF, porm nem sempre isto ocorre.

PASSO 10: Gerando variveis diferenciadas

Os modelos diferenciados so uma das mais comuns medidas corretivas a serem aplicadas
quando a srie no estacionria em nvel, desta forma preciso gerar a varivel
diferenciada, encontrar o novo nmero de defasagens e reaplicar o teste de Dickey-Fuller para
as mesmas.

Comando para gerar varivel diferenciada: gen diflogrpd = d1.logrpd

Comando para identificar novas defasagens: varsoc diflogrpd
Comando para o novo ADF: dfuller diflogrpd, lags(0)
. dfuller dlogrpd
Dickey-Fuller test for unit root

Z(t)

Number of obs

Test
Statistic

1% Critical
Value

-9.681

-3.530

86

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-2.901

-2.586

MacKinnon approximate p-value for Z(t) = 0.0000

Como possvel observar no Output, no exemplo a srie no possui raiz unitria em sua
primeira diferena, pois, as estatsticas calculadas so maiores as crticas, at mesmo para o

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

nvel de significncia de 1%. Assim, rejeita-se H0, a srie estacionria em primeira

diferena, I(1).

PASSO 11: Teste de Co-integrao de Johansen

Para que duas sries sejam co-integradas necessrio que estas tenham a mesma
ordem de integrao. Assim, antes da realizao de qualquer teste afim de verificar a
existncia de uma relao de longo prazo entre as variveis, necessrio certificar-se de que
as mesmas so integradas de mesma ordem (atravs de testes de estacionaridade como ADF e
Phillips-Perron).
Aps esta apurao passa-se aplicao do teste de Johansen o qual baseado no teste
do Trao e no Teste de Mximo Autovalor.

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

Teste Trao
Hiptese Nula

Hiptese Alternativa

r=0
r1
Teste do Mximo Autovalor
Hiptese Nula

Hiptese Alternativa

r=0

r=1

r1

r=2

A existncia de co-integrao depende do rank da matriz, se r = 0, no h combinaes

lineares entre as variveis, ou seja, no h co-integrao. Se r = pleno, a soluo dada por n
equaes, sendo cada uma delas uma restrio independente da soluo de longo prazo. Neste
contexto, a estatstica trao mostra-se til medida que atravs desta podemos testar a
hiptese nula de que r = 0 contra a hiptese alternativa de que r

1. Esta, juntamente com a

estatstica de mximo autovalor, que testa a hiptese nula de que r = 0 contra a hiptese
alternativa especifica de que r = 1, renem evidncias estatsticas suficientes para encontrar o
numero de vetores de co-integrao do modelo.

Comando: vecrank lnrpd lndcp lnpib, max levela

Johansen tests for cointegration
Trend: constant
Number of obs =
Sample: 1970q3 - 1984q2
Lags =
maximum
rank
0
1
2
3

parms
12
17
20
21

LL
580.68728
593.52075
600.89774
601.10931

eigenvalue

maximum
rank
0
1
2
3

parms
12
17
20
21

LL
580.68728
593.52075
600.89774
601.10931

eigenvalue

0.36767
0.23161
0.00753

0.36767
0.23161
0.00753

trace
5%
statistic
40.8441
15.1771*1*5
0.4231
max
statistic
25.6669
14.7540
0.4231

56
2

critical
value
29.68
15.41
3.76

1% critical
value
35.65
20.04
6.65

5% critical
value
20.97
14.07
3.76

1% critical
value
25.52
18.63
6.65

Os dois asteriscos azuis indicam os resultados significativos do teste trao, o qual

indca o nmero de vetores de co-integrao a nveis de significncia de 1% e 5%
respectvamente. Estes, para o caso acima, permitem concluir que existe um vetor de cointegrao no modelo sob anlise.

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

Isto pode ser verificado atravs do rank, o qual leva a rejeitar a hiptese nula de que
no h nenhum vetor de co-integrao (r=0), ao considerar a estatstica calculada maior do
que a tabelada ao nvel de confiana de 99%. Enquanto a hiptese nula de que existe um vetor
de co-integrao deve ser aceita ao nvel de 99%, pois, o valor desta estatstica menor do
que a tabelada, confirmando assim a existncia de um vetor de co-integrao no modelo.
No que diz respeito ao teste de mximo auto-valor, este leva a rejeitar a hiptese nula
de que no h nenhum vetor de co-integrao (r=0), ao considerar a estatstica calculada
maior do que a tabelada ao nvel de confiana de 99%. J a hiptese nula de que existem dois
vetores de co-integrao deve ser tambm rejeitada ao nvel de 99%, confirmando assim a
existncia de um vetor de co-integrao no modelo. Confirmada a existncia de coi-ntegrao
no modelo parte-se para a estimao do modelo de longo prazo.

Comando para ver o nmero de defasagens para o modelo como um todo:. varsoc lnrpd lndcp
lnpib

Comando para estimar a regresso de longo prazo normalizada por Johansen: vec lnrpd lndcp
lnpib, lags(1)

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

10

Vector error-correction model

Sample:

1970q3 - 1984q2

Log likelihood =
Det(Sigma_ml) =
Equation

Parms

D_lnrpd
D_lndcp
D_lnpib

No. of obs
AIC
HQIC
SBIC

593.5207
1.25e-13

5
5
5
Coef.

RMSE

R-sq

chi2

P>chi2

.010384
.006603
.008989

0.4735
0.6700
0.5855

45.85919
103.555
72.03793

0.0000
0.0000
0.0000

Std. Err.

P>|z|

=
56
= -20.59003
= -20.35165
= -19.97519

[95% Conf. Interval]

D_lnrpd
_ce1
L1.
lnrpd
LD.
lndcp
LD.
lnpib
LD.
_cons

-.0490594

.0387051

-1.27

0.205

-.12492

.0268012

-.2116217

.1555801

-1.36

0.174

-.516553

.0933096

.7072258

.3468671

2.04

0.041

.0273787

1.387073

-.2319255
.0027918

.1978513
.0022049

-1.17
1.27

0.241
0.205

-.6197069
-.0015298

.1558559
.0071134

-.1219048

.0246142

-4.95

0.000

-.1701477

-.0736619

D_lndcp
_ce1
L1.
lnrpd
LD.
lndcp
LD.
lnpib
LD.
_cons

.0746956

.0989398

0.75

0.450

-.1192229

.2686142

-.2897811

.2205872

-1.31

0.189

-.7221241

.142562

.1127606
.0018629

.1258219
.0014022

0.90
1.33

0.370
0.184

-.1338457
-.0008854

.359367
.0046111

-.1319114

.0335047

-3.94

0.000

-.1975794

-.0662434

.1367296

.1346765

1.02

0.310

-.1272314

.4006907

.1776466

.3002624

0.59

0.554

-.4108569

.76615

.0209356
-.0027599

.1712682
.0019087

0.12
-1.45

0.903
0.148

-.3147439
-.0065008

.356615
.0009811

D_lnpib
_ce1
L1.
lnrpd
LD.
lndcp
LD.
lnpib
LD.
_cons

Cointegrating equations
Equation

Parms

_ce1

Identification:

chi2

P>chi2

281.8366

0.0000

beta is exactly identified

Johansen normalization restriction imposed

beta

Coef.

lnrpd
lndcp
lnpib
_cons

1
-4.011826
3.537045
-5.757113

Std. Err.

P>|z|

[95% Conf. Interval]

.
0.000
0.000
.

.
-5.1676
2.213014
.

_ce1
.
.5896917
.6755388
.

.
-6.80
5.24
.

.
-2.856051
4.861077
.

A estimao do modelo de longo prazo dada pelos valores contidos no elipse. Assim, temos:
Logrpd = 5,757113 + 4,011826 logdcp 3,537045logpib

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

11

IMPORTANTE!!! Na estimao final do modelo de longo prazo normalizado por Johansen

todos os parmetros devem ter seu sinal invertido.

Os valores contidos no ectgono referem-se varivel do Mecanismo de Correo de Erros

para o curto prazo. O primeiro representa o valor de tal parmetro enquanto o segundo
representa a probabilidade p>|z| de rejeitar H0: O modelo est em equilbrio de curto prazo =0.
Assim, como no exemplo p>|z| de 20,5% rejeita-se H0, o modelo no est em equilbrio de
curto prazo. Deve-se interpretar o parmetro da seguinte forma: 4,9% das discrepncias entre
o RPD de longo prazo e o de curto prazo so corrigidas dentro de um trimestre. Alm disso,
cabe ressaltar que para que haja a correo do erro necessrio que o parmetro esteja
contido no intervalo ]-1,1[. Caso contrrio, a srie ser explosiva, ou seja, o valor defasado de
RPD elevado demais para estar em equilbrio.

PASSO 12: Teste de Causalidade de Granger

Para a efetivao do teste a estacionaridade da srie condio necessria. Assim, antes da

realizao de qualquer outro procedimento, preciso aplicar testes de estacionaridade como
ADF e Phillips-Perron. Posteriormente, posteriormente estima-se o modelo por meio do
mtodo de Var.
Comando: var estoquevenda var1
Comando para realizao do teste de causalidade de Granger: vargranger

A partir desses resultados observa-se os valores da estatstica p>chi2, a qual tem por hiptese
nula a afirmao de que no h causalidade de Granger entre as variveis do modelo.
Granger causality Wald tests
Equation

Excluded

chi2

df Prob > chi2

dfrpd
dfrpd
dfrpd

dfdcp
dfpb
ALL

17.795
11.209
29.849

2
2
4

0.000
0.004
0.000

dfdcp
dfdcp
dfdcp

dfrpd
dfpb
ALL

.35996
1.0505
1.2261

2
2
4

0.835
0.591
0.874

dfpb
dfpb
dfpb

dfrpd
dfdcp
ALL

3.9489
23.747
28.166

2
2
4

0.139
0.000
0.000

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

12

Neste exemplo possvel observar que todas as variveis causam rpd (valores no elipse),
nenhuma causa o dcp (valores no octgono) e apenas o dcp causa o PIB (valores no losango)
no havendo relao de bicausalidade de Granger entre as variveis. A flecha indica a relao
de causalidade, ou seja, testa-se sempre a hiptese que as variveis da segunda coluna causam
as da primeira. Esta valida para todos os quadrantes.
PASSO 13: Metodologia Box-Jenkins Estimao dos Modelos de Previso (ARIMA)

Para a estimao dos modelos ARIMA a estacionaridade da srie condio necessria,.

Assim, antes da realizao de qualquer outro procedimento, preciso realizar testes de
estacionaridade como ADF e Phillips-Perron. Posteriormente, faz-se a Funo de correlao
amostral (FAC) no intuito de identificar as defasagens a serem inclusas no modelo. Segue
abaixo um exemplo onde se utilizam os dados do logaritmo neperiano do PIB Tabela 21.1
do Gujarati.

-0.40

-0.20

0.00

0.20

0.40

Comando: ac dflnpb

10

20
Lag

Bartlett's formula for MA(q) 95% confidence bands

Comando: corrgram dflnpb

30

40

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

LAG
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

AC
0.2770
0.1883
0.0348
0.0459
-0.0256
-0.0286
-0.0935
-0.3060
-0.0964
0.0030
0.0276
-0.2351
-0.1059
-0.2005
-0.1127
-0.0501
-0.0461
-0.0032
-0.0331
0.0809
0.1194
0.0684
-0.0441
-0.0166
0.0415
-0.0476
0.0035
-0.0048
0.0279
-0.0740

PAC
0.2777
0.1178
-0.0470
0.0332
-0.0491
-0.0156
-0.0828
-0.2945
0.0969
0.0961
0.0052
-0.3439
0.0287
-0.1256
-0.0411
-0.1436
0.0278
0.1154
-0.0432
-0.1355
0.0939
-0.0494
-0.1216
-0.1191
0.1159
-0.1630
-0.1452
-0.0230
0.0888
-0.2159

Q
6.907
10.137
10.249
10.446
10.508
10.586
11.431
20.606
21.528
21.529
21.606
27.313
28.486
32.751
34.118
34.392
34.626
34.627
34.752
35.508
37.182
37.739
37.974
38.008
38.223
38.51
38.512
38.515
38.619
39.363

Prob>Q

13

-1
0
1 -1
0
1
[Autocorrelation] [Partial Autocor]

0.0086
0.0063
0.0166
0.0336
0.0621
0.1020
0.1209
0.0083
0.0105
0.0177
0.0276
0.0070
0.0077
0.0031
0.0033
0.0048
0.0070
0.0105
0.0150
0.0176
0.0160
0.0196
0.0256
0.0346
0.0440
0.0543
0.0701
0.0890
0.1092
0.1178

more

Ao observar os dois outputs possvel perceber que as defasagens 1,8 e 12 parecem

estatisticamente diferentes de zero de modo que estas sero acrescentadas no modelo.
Salienta-se ainda que, a partir dos resultados do teste ADF possvel constatar que a srie do
LnPIB integrada de ordem 1 de modo que temos, PROVISORIAMENTE, um modelo ARI
cuja estimao segue abaixo:

Comando: arima dflnpb, ar(1,8,12)

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

(setting optimization to BHHH)
Iteration 0:
log likelihood =
Iteration 1:
log likelihood =
Iteration 2:
log likelihood =
Iteration 3:
log likelihood =
Iteration 4:
log likelihood =
(switching optimization to BFGS)
Iteration 5:
log likelihood =
Iteration 6:
log likelihood =

14

290.00504
290.36949
290.41029
290.41453
290.41518
290.41528
290.41531

ARIMA regression
Sample:

1970q2 - 1991q4

Log likelihood =

Number of obs
Wald chi2(3)
Prob > chi2

290.4153

=
=
=

87
33.64
0.0000

OPG
Std. Err.

P>|z|

.0061486

.0007784

7.90

0.000

.004623

.0076743

ar
L1.
L8.
L12.

.2574502
-.3092161
-.2773256

.085357
.0854079
.1062478

3.02
-3.62
-2.61

0.003
0.000
0.009

.0901536
-.4766126
-.4855675

.4247467
-.1418197
-.0690837

/sigma

.0084799

.0005777

14.68

0.000

.0073477

.0096122

dflnpb

Coef.

_cons

[95% Conf. Interval]

dflnpb
ARMA

Posteriormente so gerados os resduos e sua respectiva FAC a fim de identificar o nmero de

mdias mveis a serem inclusas no modelo:
LAG
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

AC
-0.0280
0.1587
-0.0509
-0.0707
-0.0945
-0.0210
-0.0838
-0.0539
0.0211
0.1258
0.0661
-0.0220
0.0714
-0.1998
-0.1174
-0.1524
-0.0686
-0.0485
0.0088
-0.0774
0.0858
0.0055
-0.0264
-0.1028
0.0094
-0.1010
-0.0525
0.0109
0.0724
-0.0845

PAC
-0.0281
0.1592
-0.0510
-0.0866
-0.0898
0.0074
-0.0729
-0.0637
0.0217
0.1432
0.0410
-0.0851
0.0635
-0.1632
-0.1237
-0.1312
0.0061
-0.0363
-0.0621
-0.1867
0.0723
-0.0557
-0.0792
-0.1749
0.1346
-0.1167
-0.1481
-0.0322
0.1304
-0.2330

Q
.07035
2.366
2.6044
3.0712
3.9148
3.9569
4.6367
4.9212
4.9652
6.556
7.0017
7.0517
7.5846
11.817
13.299
15.833
16.353
16.617
16.626
17.318
18.182
18.186
18.27
19.568
19.579
20.874
21.23
21.246
21.946
22.917

Prob>Q

-1
0
1 -1
0
1
[Autocorrelation] [Partial Autocor]

0.7908
0.3064
0.4567
0.5460
0.5618
0.6825
0.7042
0.7660
0.8373
0.7666
0.7989
0.8542
0.8696
0.6210
0.5792
0.4647
0.4989
0.5495
0.6152
0.6323
0.6375
0.6949
0.7427
0.7211
0.7685
0.7484
0.7754
0.8150
0.8224
0.8186

O correlograma sugere que as defasagens 2, 10 e 14 so estatisticamente diferentes de zero,

por conseguinte, as incluiremos no modelo.

Comando: arima dflnpb, ar(1,8,12) ma(2,10,14)

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

(setting optimization to BHHH)
Iteration 0:
log likelihood =
Iteration 1:
log likelihood =
Iteration 2:
log likelihood =
Iteration 3:
log likelihood =
Iteration 4:
log likelihood =
(switching optimization to BFGS)
Iteration 5:
log likelihood =
Iteration 6:
log likelihood =
Iteration 7:
log likelihood =
Iteration 8:
log likelihood =
Iteration 9:
log likelihood =
Iteration 10: log likelihood =

15

286.36858
292.40567
292.98814
293.05331
293.08025
293.09412
293.11152
293.11542
293.11558
293.11561
293.11562

ARIMA regression
Sample:

1970q2 - 1991q4

Log likelihood =

Number of obs
Wald chi2(6)
Prob > chi2

293.1156

=
=
=

87
43.76
0.0000

OPG
Std. Err.

P>|z|

[95% Conf. Interval]

.0061309

.0009156

6.70

0.000

.0043362

.0079255

dflnpb

Coef.

_cons

dflnpb
ARMA
ar
L1.
L8.
L12.
ma
L2.
L10.
L14.

.2240765
-.335362
-.266644

.0898709
.094227
.1079606

2.49
-3.56
-2.47

0.013
0.000
0.014

.0479328
-.5200435
-.4782428

.4002203
-.1506805
-.0550452

.1656575
.1333275
-.1227807

.0947385
.1012232
.108483

1.75
1.32
-1.13

0.080
0.188
0.258

-.0200265
-.0650664
-.3354035

.3513416
.3317214
.089842

/sigma

.0081897

.0006419

12.76

0.000

.0069316

.0094479

Mas como saber qual dos dois modelos proporciona uma melhor previso?

Para verificar qual modelo melhor se ajusta no sentido de propiciar uma melhor previso,
realizada a estatstica de Akaiki e Schwarz onde so comparados os valores AIC e BIC para
cada regresso estimada e, baseado no critrio da parcimnia, escolhe-se aquele modelo que,
dentre todos estimados, obtiver o menor valor AIC em mdulo.

Comando: estat ic

Exemplo para os modelos ARI(3,1) e ARIMA(3,1,3) respectivamente:

Model

Obs

ll(null)

ll(model)

df

AIC

BIC

87

290.4153

-570.8306

-558.5011

Note:

Model
.

Obs
87
Note:

N=Obs used in calculating BIC; see [R] BIC note

ll(null)

ll(model)

df

AIC

BIC

293.1156

-570.2312

-550.504

N=Obs used in calculating BIC; see [R] BIC note

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM

16

A partir desses resultados e admitindo-se o critrio da parcimnia conclumos que o modelo

ARIMA(3,1,3) ajusta-se melhor.

IMPORTANTE!! A identificao das defasagens dos modelos ARIMA intuitiva, desta

forma, o ideal estimar regresses alternativas como por exemplo arima dflnpb, ar(1,8,12)
ma(2,10,); arima dflnpb, ar(1,8,12) ma(2); arima dflnpb, ar(1,8,12) ma(10,14); arima dflnpb,
ar(1,8)... e verificar a estatistica AIC para cada uma delas, para assim evitar o caso de excluir
alguma varivel importante do modelo, ou de haver alguma que seja desnecessria.

REFERNCIAS
GUJARATI, D. Econometria Bsica. 4 Edio, Rio de Janeiro: Elsevier, 2006.