Académique Documents
Professionnel Documents
Culture Documents
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
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.
. dwstat
Durbin-Watson d-statistic(
3,
88) =
.5613739
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|
.1104107
.124155
.1727425
8.10
0.40
3.02
0.000
0.693
0.003
.6748308
-.197714
.1783299
1.113883
.2959929
.8652467
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.
chi2
45.182
df
0.0000
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
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
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
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
.8 459 46 2
.6 350 06 6
.7 344 50 3
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
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%.
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
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.
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
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
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.
Teste Trao
Hiptese Nula
Hiptese Alternativa
r=0
r1
Teste do Mximo Autovalor
Hiptese Nula
Hiptese Alternativa
r=0
r=1
r1
r=2
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.
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
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)
10
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
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
Coef.
lnrpd
lndcp
lnpib
_cons
1
-4.011826
3.537045
-5.757113
Std. Err.
P>|z|
.
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
11
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
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
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)
-0.40
-0.20
0.00
0.20
0.40
Comando: ac dflnpb
10
20
Lag
30
40
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
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
dflnpb
ARMA
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
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|
.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
Model
Obs
ll(null)
ll(model)
df
AIC
BIC
87
290.4153
-570.8306
-558.5011
Note:
Model
.
Obs
87
Note:
ll(null)
ll(model)
df
AIC
BIC
293.1156
-570.2312
-550.504
16
REFERNCIAS
GUJARATI, D. Econometria Bsica. 4 Edio, Rio de Janeiro: Elsevier, 2006.