Introduo s Sries Temporais

Nuno Sobreira

Universidade Eduardo Mondlane - Faculdade de

Economia

1/72
Informao til

Sejam muito bem-vindos!

Professor: Nuno Sobreira

Contato: nsobreira@iseg.ulisboa.pt

Professor: Paulo Mole

Contato: mpaulo@tvcabo.co.mz

Avaliao
Nmero Avaliao Ponderao
1. Trabalho de grupo 20%
2. Exame Final 80%

2/72
Objetivos do Curso
No final do curso, o aluno dever:
Conhecer exaustivamente os principais modelos economtricos
utilizados na anlise de sries macroeconmicas e financeiras.
Compreender a componente terica que serve de base e valida
a utilizao de modelos univariados e multivariados.
Estar familiarizado com softwares economtricos que permitam
analisar de forma completa os modelos de Sries Temporais.
Interpretar criticamente os resultados de estudos empricos.
Ser capaz de fazer um estudo de previso da evoluo de
variveis econmicas/financeiras e formular testes de hipteses
que validem ou contrariem teorias econmicas. Dever
conhecer tambm as potenciais limitaes do mtodo
economtrico utilizado.
Compreender, pelo menos intuitivamente, modelos
macroeconomtricos emergentes que estejam na fronteira da
investigao e cuja aplicao se comea a disseminar na
comunidade cientfica.

3/72
Contedo Programtico

Cap. 1: Introduo s Sries Temporais. Conceitos fundamentais.

Cap. 2: Modelos para sries temporais estacionrias: Modelos
ARMA
Cap. 3: Metodologia Box-Jenkins: estratgia para construo do
modelo economtrico
Cap. 4: Modelos para sries temporais no estacionrias:
modelos ARIMA. Testes de razes unitrias
Cap. 5: Previso com modelos ARIMA
Cap. 6: Sazonalidade e modelos SARIMA
Cap. 7: Modelos para a volatilidade: modelos GARCH
Cap. 8: Previso com mtodos de alisamento exponencial
Cap. 9: Introduo aos modelos para sries temporais
multivariadas: modelos VAR (se houver tempo)

4/72
Bibliografia Principal

Bueno, R. (2008). Econometria de Sries Temporais, Cengage

Learning.
Tsay, R. S. (2005). Analysis of Financial Time Series, Wiley.
Enders, W. (2009). Applied Econometric Time Series, Wiley.
Morettin P. A., e C. M. C. Toloi (2004). Anlise de Sries
Temporais, Editora Edgard Blcher.
Morettin P. A. (2011). Econometria Financeira: um curso em
sries temporais financeiras, Editora Edgard Blcher.
Costa, A. A. (1998). Notes on pragmatic forecasting procedures
and exponential smoothing, CEMAPRE working paper.

5/72
Mais bibliografia I

Se em algum momento precisar de bibliografia mais simples

(NO SUBSTITUI!) sobre os tpicos abordados na aula, recomendo
a leitura dos captulos seguintes:
Wooldridge, J.M. (2011). Introduo Econometria, Uma
Abordagem Moderna, caps. 10, 11, 12 e 18, Cengage Learning.
Verbeek, M. (2012). A guide to Modern Econometrics, caps. 4, 8
e 9, Wiley.

6/72
Mais bibliografia II
Se quiser aprofundar os seus conhecimentos para alm da matria
leccionada, recomendo a leitura de (alguns/todos!) dos seguintes
livros:
Banerjee, A., J.J. Dolado, J.W. Galbraith, e D.F. Hendry (1993).
Co-integration, Error Correction and the Econometric Analysis of
Non-Stationary Data. Oxford: Oxford University Press.
Box, G. E. P., G. M. Jenkins, e G. C. Reinsel (2008). Time Series
Analysis: Forecasting and Control, Wiley Series in Probability
and Statistics.
Brockwell, P. J., e R. A. Davis (1989). Time Series: Theory and
Methods, Springer.
Favero, C.A. (2001). Applied Macroeconometrics, Oxford
University Press.
Franses, P. H., e D. van Dijk (2003). Non-linear time series
models in empirical finance, Cambridge University Press.
Hamilton, J. (1994). Time Series Analysis, Princeton University
Press.
7/72
Mais bibliografia III

Harvey, A. C. (1991). Forecasting, structural time series models

and the Kalman filter, Cambridge University Press.
Juselius, K. (2006). The Cointegrated VAR Model: Theory and
Applications, Oxford University Press.
Johansen, S. (1995). Likelihood-Based Inference in Cointegrated
Vector Autoregressive Models, Oxford University Press.
Ltkepohl, H. (2005). New Introduction to Multiple Time Series
Analysis, Springer.
Maddala, G.S. and I.-M. Kim (1999). Unit Roots, Cointegration,
and Structural Change, Cambridge University Press.

8/72
Srie Temporal

Sries Temporais
Observaes de uma nica entidade (indivduo, firma, pas,. . . )
coletadas ao longo do tempo, em intervalos temporais fixos (dias,
meses, trimestres, anos,. . . )

denotada como xt , t = 1, . . . , T em que t = 1 e t = T

representam, respetivamente, a primeira e a ltima observaes.
t Data Taxa de desemprego EUA
1 01/1959 6
2 02/1959 5.9
3 03/1959 5.6
. . .
. . .
. . .
576 12/2006 4.5
t Data Taxa de Cmbio Real\Euro
Nvel Variao Percentual
1 13/01/2000 1.87 -
2 14/01/2000 1.84 -1.57
3 17/01/2000 1.81 -1.61
. . . .
. . . .
. . . .
3312 21/09/2012 2.63 0.02

9/72
Principais objetivos da anlise de Sries
Temporais
Anlise descritiva dos dados

Construo de um modelo que descreva

adequadamente o comportamento temporal

dos dados
Construo de previses sobre o

comportamento futuro da srie temporal de

interesse
Para a anlise multivariada, investigar as

relaes entre duas ou mais variveis

observadas. Ainda avaliar a pertinncia de
usar os valores de uma ou mais variveis
para prever o valor de outras.
10/72
Motivao: Como modelar e prever a taxa de
inflao?

Figura 1: Grfico da inflao mensal nos EUA

11/72
Motivao: Como modelar e prever o PIB?

Figura 2: Grfico do PIB trimestral nos EUA

12/72
 Essas previses so importantes?

Utilizando o exemplo da inflao:

Os traders em Wall Street confiam nas previses sobre inflao
nas suas decises de investimento.
Economistas em Bancos Centrais utilizam as previses de
inflao para definirem a poltica monetria.
As empresas usam as previses de inflao para prever as
vendas dos seus produtos.
O Governo precisa de previses de inflao para construir o
Oramento Geral do Estado.

E como construir um modelo economtrico para a srie

temporal de interesse?

Precisamos de especificar um modelo que seja compatvel com

as principais caractersticas das Sries Temporais em anlise.

13/72
Caracterstica comum a estas Sries Temporais?

(a) Taxa de desemprego (b) Taxa de Inflao

(c) Novas habitaes (d) ndice de Expetativas do

em construo Consumidor
Figura 3: Variveis macroeconmicas EUA, frequncia: mensal

14/72
Caracterstica comum a estas Sries Temporais?

(a) PIB (b) Investimento Privado

(c) Consumo Privado (d) Exportaes

Figura 4: Variveis macroeconmicas EUA a preos constantes e logaritmizadas,
frequncia: trimestral

15/72
Caracterstica comum a estas Sries Temporais?

(a) Volume vendas gasolina (b) Vendas licor (Milhes$)

(c) Novas habitaes

em construo (d) Tx. desemprego
Figura 5: Algumas sries temporais dos EUA no ajustadas sazonalidade

16/72
Caracterstica comum a estas Sries Temporais?

(a) Taxas de juro (b) Cmbio e Rcio Preos EUA-Alem.

(c) Inflao homloga e Desemprego (d) Consumo e Rendimento Disponvel

Figura 6: Variveis macroeconmicas EUA, frequncia: trimestral

17/72
Caracterstica comum a estas Sries Temporais?

(a) S&P 500 (b) FTSE100

(c) IBX50 (d) NASDAQ

Figura 7: Retornos de alguns dos principais ndices Bolsistas mundiais, frequncia: diria

18/72
Principais caractersticas de Sries Temporais
econmicas I

Quando comparamos duas ou mais Sries Temporais

econmicas possvel que estas apresentem um
comportamento bastante diferente ao longo do tempo.
No entanto, podemos dizer que a generalidade das
Sries Temporais econmicas apresenta,
pelo menos, uma das seguintes caractersticas:
Nvel de persistncia alto
Tendncia temporal
Sazonalidade
Clusters de volatilidade
Dinmica comum e inter-relao entre
as sries temporais

19/72
Principais caractersticas de Sries Temporais
econmicas II

to comum observar, pelo menos, uma dessas tais

caractersticas em Sries Temporais econmicas (tal
como veremos de seguida) que se tornaram fatos
estilizados.
A especificao e seleo de modelos economtricos
sempre guiada por esses fatos estilizados.
A capacidade de um modelo reproduzir estes fatos
uma caracterstica desejvel e, por outro lado, a sua
incapacidade de reproduzir um critrio para
descartar esse tal modelo.

20/72
Modelos Univariados
para a Mdia

21/72
Nvel de persistncia alto
Forte dependncia temporal refletida pela correlao alta entre
observaes no perodo t e no perodo t k (Corr (Xt , Xtk ) 6= 0).

(a) Taxa de desemprego (b) Taxa de Inflao

(c) Novas habitaes (d) ndice de Expetativas do

em construo Consumidor
Figura 8: Variveis macroeconmicas EUA, frequncia: mensal
22/72
Modelos ARMA I
As sries temporais apresentadas no slide anterior parecem ter
uma persistncia alta. Tal acontece pois muito frequente
observar o seguinte fenmeno:
Se em alguns perodos anteriores,t 1, t 2, ..., o valor assumido
estava acima/abaixo da mdia ento no momento presente, t, o
valor da srie temporal se apresenta tambm acima/abaixo da
mdia.
Tal constatao visual sugere que Corr (Xt , Xtk ) > 0, pelo
menos, para as primeiras desfasamentos k = 1, 2, . . .
Para alm disso, tambm podemos conjeturar que o valor da
srie temporal em um dado momento, Xt , vai depender do valor
que esta assumiu no momento anterior, Xt1 , ou at do passado
mais distante, Xt2 , Xt3 , Xt4 , . . .
Um classe bastante importante de modelos de Sries Temporais
que procura explorar, ao mximo, a informao contida no
passado da prpria varivel de interesse a famlia de Modelos
Autorregressivos de Mdias Mveis.

23/72
Modelos ARMA II

Na nomenclatura internacional, AutoRegressive Moving

Average, abreviadamente, ARMA(p,q):

Xt = 0 + 1 Xt1 + . . . + p Xtp + t 1 t1 . . . q tq

em que p e q so o nmero de desfasamentos da varivel Xt e

da termo do erro t , respetivamente.
A primeira parte do curso ser dedicada ao estudo desta classe
de modelos.

24/72
Tendncia temporal
Tendncia para crescer ou decrescer ao longo do tempo de forma
sistemtica.

(a) PIB (b) Investimento Privado

(c) Consumo Privado (d) Exportaes

Figura 9: Variveis macroeconmicas EUA a preos constantes e logaritmizadas,
frequncia: trimestral
25/72
Modelos ARIMA I
A inspeo visual das sries temporais apresentadas no slide
anterior permite acrescentar mais uma caracterstica s Sries
Temporais: a existncia de uma tendncia temporal.
Neste caso particular, as sries apresentadas parecem crescer
continuamente ao longo do tempo. No entanto, bem possvel
termos sries com tendncias positivas e negativas.
Assim, poderemos ter variveis com uma tendncia
determinstica, ou seja, no aleatria e constante ao longo do
tempo. Ou podemos ter variveis com uma tendncia
estocstica, ou seja, aleatria e variando no tempo.
A presena de tendncia e a classificao dessa tendncia
como estocstica ou determinstica to importante que ser
estudada formalmente atravs da classe dos Testes
de Razes Unitrias.
Esse estudo de fundamental importncia pois se a srie
temporal de interesse tem tendncia, ento ser no
estacionria.
26/72
Modelos ARIMA II
Se uma srie temporal no estacionria ento no ser
possvel confiar nem nos valores crticos dos testes de hipteses
nem nos intervalos de confiana e as previses sero
fortemente imprecisas.
Felizmente existem estratgias para estacionarizar a srie
temporal sendo que a forma mais popular tirar as primeiras
diferenas quantas vezes for necessrio e analisar a srie
transformada, d Xt em que Xt = Xt Xt1 , 2 Xt = Xt ,
d Xt = d1 Xt .
A existncia de sries temporais no estacionrias to
frequente que se expandiu a classe de modelos ARMA(p,q) para
modelos ARIMA(p,d,q):

d Xt = 0 + 1 d Xt1 + . . . + p d Xtp + t 1 t1 . . . q tq

em que d o nmero de vezes que tiramos as primeiras

diferenas varivel Xt .

27/72
Sazonalidade
Padres especficos que se repetem sistematicamente num dado
perodo de tempo.

(a) Volume vendas gasolina (b) Vendas licor (Milhes$)

(c) Novas habitaes

em construo (d) Tx. desemprego
Figura 10: Algumas sries temporais dos EUA no ajustadas sazonalidade
28/72
Modelos SARIMA I
De acordo com a inspeo visual das sries temporais
apresentadas no slide anterior, a srie temporal aparenta ter
padres especficos que se repetem sistematicamente num
dado perodo de tempo como, por exemplo, numa dada estao
do ano ou em sentido mais amplo num dado dia, semana, ms
ou trimestre.
Este comportamento peridico muito comum em sries
temporais e chamado de sazonalidade.
H muitos e bons motivos para pensar que sries temporais
econmicas tm uma componente sazonal:
1. O consumo de gasolina aumenta no Vero devido ao aumento de
viagens de automvel durante o perodo de frias;
2. O nmero de passagens areas internacionais aumentam no
Vero via aumento do turismo durante o perodo de frias;
3. A construo bem como o emprego associado a esta atividade
diminui no Inverno devido s precaues que necessrio tomar
em condies climatricas adversas.
4. . . .

29/72
Modelos SARIMA II

Existem diversos procedimentos para dessazonalizar uma srie

de forma automtica (TramoSeats, Census X12-ARIMA).
Se a srie estiver j dessazonalizada e no apresentar algum
padro restante de sazonalizade ento a analise pode ficar
limitada aos modelos ARIMA.
No entanto, se a srie temporal apresentar componente sazonal
ento a classe de modelos relevante corresponde aos
modelos SARIMA.

30/72
Mtodos de alisamento exponencial para sries
temporais I

uma abordagem alternativa aos modelos da classe ARIMA

para fazer uma anlise estrutural e previso da srie temporal.
Esta abordagem d menos importncia anlise dos vrios
aspetos estatsticos utilizados para especificar o modelo
(S)ARIMA que se ajusta melhor srie de interesse.
Antes a nfase dada sobre o conhecimento terico da srie
temporal, nomeadamente, quais as caractersticas principais
que determinam o comportamento da srie de interesse.
Estas caractersticas so depois formuladas como componentes
que, por sua vez, so estimadas por algum mtodo automtico e
simples e depois projetadas para o futuro.

31/72
Mtodos de alisamento exponencial para sries
temporais II
A decomposio mais comum e geral assumir que a srie
pode ser decomposta de acordo com o seguinte modelo aditivo:

Xt = Tt + St + Ct + t

em que:
Tt corresponde componente da tendncia.
St a componente de Sazonalidade.
Ct a componente de Ciclo.
t o termo irregular que representa os erros de medida ou os
desvios de Xt em relao vrias componentes.
Cada uma das componentes apresentadas anteriormente ser
obtida atravs do mtodo de alisamento exponencial. A previso
consistir na projeo para diante de cada uma dessas
componentes.

32/72
Modelos Univariados
para a Volatilidade

33/72
Modelos Univariados para a Volatilidade

O risco desempenha um papel central em muitas reas das

finanas:
- Gesto do risco
- Preo dos ativos financeiros
- Hedging
- Preo das opes
- ...
Assim construir uma previso tambm para a volatilidade de
alguma varivel macroeconmica ou financeira de vital
importncia para a tomada de decises em Economia e
Finanas.
Mas como construir um modelo economtrico adequado que
permita realizar previses para a volatilidade?

34/72
Clusters de volatilidade
A varincia altera-se ao longo do tempo alternando perodos
agrupados de tranquilidade (baixa volatilidade) com perodos
agrupados de forte agitao (alta volatilidade).

(a) S&P 500 (b) FTSE100

(c) IBX50 (d) NASDAQ

Figura 11: Retornos de alguns dos principais ndices Bolsistas mundiais, frequncia: diria
35/72
Modelos GARCH I

Tal como podemos observar nas sries temporais apresentadas

no slide anterior, a volatilidade de vrias variveis financeiras
muda bastante ao longo do tempo.
Por exemplo, os retornos do ndice SP500 exibe perodos de alta
volatilidade nos anos de 2002 e 2008 e outros de baixa
volatilidade em 1993.
Como estes perodos de alta e baixa volatilidade se apresentam
agrupados durante vrios perodos, este fenmeno foi
denominado de agrupamento de volatilidade ou volatility
clustering".
Assim, como a volatilidade apresenta tambm persistncia ou
dependncia temporal, faz sentido que, no modelo
economtrico, a varincia no perodo passado ou em perodos
passados est relacionada com a varincia apresentada pela
varivel no presente.

36/72
Modelos GARCH II

esta intuio que est na base dos modelos GARCH:

t2 = 0 + 1 2t1 + . . . + 1 2tm + 1 t1
2 2
+ . . . + n tn

em que t o erro da regresso do modelo ARMA ajustado aos

retornos da varivel financeira de interesse e t2 a varincia de
t .
Ainda estes modelos conseguem replicar outros fatos estilizados
das sries financeiras ou possvel modific-los de forma
simples de modo a ajustar esses mesmos fatos estilizados.

37/72
Modelos Multivariados
para a Mdia

38/72
Modelos Multivariados

Os modelos multivariados em sries temporais so teis quando

procuramos modelos que expliquem as interaes e os
co-movimentos entre um grupo de sries temporais:
1. Consumo e rendimento disponvel;
2. Produtividade e horas de trabalho;
3. Taxas de juro, inflao, PIB e taxa de cmbio;
4. Preos de aes e dividendos;
5. Retornos de um portfolio de aes;
6. . . . . . . . . .

39/72
Dinmica comum e inter-relaes
Cada srie individualmente aparenta ser no estacionria mas
quando comparamos o comportamento das vrias sries em
conjunto elas parecem se mover de forma similar, sugerindo que
uma varivel pode trazer informao relevante para explicar a outra.

(a) Taxas de juro (b) Cmbio e Rcio Preos EUA-Alem.

(c) Inflao homloga e Desemprego (d) Consumo e Rendimento Disponvel

Figura 12: Variveis macroeconmicas EUA, frequncia: trimestral
40/72
Modelos VAR I

O modelo multivariado mais popular, bem sucedido, flexvel e

user friendly"corresponde aos modelo
Autorregressivo Vetorial ou, na nomenclatura internacional,
Vector AutoRegressive, abreviadamente, VAR.
Esta classe de modelos pode ser vista como a extenso
multivariada natural dos modelos autorregressivos univariados
(AR).
No modelo VAR, cada varivel regredida de forma linear
sobre as desfasamentos dela prpria e das outras variveis de
interesse. No caso mais simples de um VAR de ordem 1
bivariado vamos ter:
        
x1t 12 x1t1
= 10 + 11 + 1t
x2t 11 21 22 x2t1 2t
| {z } | {z } | {z }| {z } | {z }
X t 0 1 X t1 t
e e e e e

41/72
Modelos VAR II
Ou seja, o VAR(1) pode ser escrito de forma compacta usando
linguagem matricial como:

X t = 0 + 1 X t1 + t
e e e e e
Ou o caso mais geral do modelo VAR(p):

X t = 0 + 1 X t1 + . . . + p X tp + t
e e e e e e e
Para alm da construo de previses o modelo VAR vai permitir
responder a questes como:
Relaes dinmicas

Qual o impacto esperado de uma mudana

temporria hoje em alguma varivel explicativa no
valor corrente da varivel explicada? E no
comportamento futuro da varivel explicada?

42/72
Modelos VAR III
Qual o impacto esperado de uma mudana
permanente em alguma varivel explicativa no
valor corrente da varivel explicada? E no
comportamento futuro da varivel explicada?
Previso

Ser que o histrico de outras variveis ,

xt , xt1 , . . . pode conter informao til sobre os
movimentos futuros da varivel de interesse, Xt ?
Relaes de longo prazo e ajustamento

Ser que existe alguma relao de equilbrio no

longo prazo entre a varivel de interesse Xt e as
variveis explicativas zt ? Se sim, como a
poderemos estimar e como podemos caracterizar
o ajustamento de Xt a esse equilbrio?

43/72
Reviso: Estatstica Clssica I

A Estatstica Inferencial ou Inferncia Estatstica um dos

mais importantes ramos da Estatstica.
Esta rea da Estatstica providencia ferramentas que podem ser
usadas para extrair informao sobre as caractersticas da
populao (mdia, varincia, correlao, proporo,...) a partir
de uma dada amostra.

44/72
Reviso: Estatstica Clssica II

Para fazer inferncia sobre caractersticas fundamentais da

populao (mdia, varincia,...), a estatstica clssica assume
que a amostra aleatria.
Uma amostra aleatria , em termos estatsticos, uma coleo
de variveis aleatrias independentes e identicamente
distribudas.
Este conceito fulcral porque na Estatstica Clssica
assumimos que a amostra aleatria de modo a aplicar os
resultados clssicos fundamentais para fazer Inferncia:
Teorema do Limite Central (TLC)
Lei dos Grandes Nmeros (LGN)

45/72
Reviso: Estatstica Clssica III

Teorema (Lei dos Grandes Nmeros)

Seja X1 , X2 , . . . , Xn uma amostra aleatria com mdia da
populao . Ento a mdia amostral, X , um estimador
consistente para a mdia populacional:
p
plim X = ou X

46/72
Reviso: Estatstica Clssica IV

Teorema (Teorema do Limite Central)

Seja X1 , X2 , . . . , Xn uma amostra aleatria com mdia e
varincia da populao dadas por e 2 , respetivamente.
Ento
X a
Z = N (0, 1)
X
por palavras, a mdia estandardizada segue
aproximadamente ou assimptoticamente uma distribuio
normal estandardizada.

47/72
Reviso: Estatstica Clssica V

Em resumo, se a amostra for aleatria

ento os estimadores habituais (mdia
amostral, varincia, proporo,
correlao,...) so consistentes para os
seus parmetros correspondentes
populacionais. Ainda, as estatsticas
teste habituais (t, F, LM,...) so vlidas
assimptoticamente.

48/72
Diferenas entre a Estatstica clssica e Anlise
de Sries Temporais

Estatstica Clssica
1. A amostra xi , i = 1, . . . , n resulta de experincias independentes e
assumida como uma amostra aleatria.
2. A ordem da amostra xi , i = 1, . . . , n totalmente irrelevante.
3. A amostra observada xi , i = 1, . . . , n vista como uma
concretizao ou uma possvel realizao da populao.
Sries Temporais
1. A dependncia entre observaes de sries temporais
xt , t = 1, . . . , T um facto sistmico.
2. A ordenao das sries temporais xt , t = 1, . . . , T assume uma
importncia considervel.
3. A srie temporal observada xt , t = 1, . . . , T vista como uma
realizao ou uma nica possvel realizao do
processo estocstico que gerou os dados, Xt (mais detalhes a
seguir).

49/72
Processos estocsticos I

Assim, tem de ser criado um novo modelo estatstico que

acomode as caractersticas especficas dos dados em sries
temporais.
Por exemplo, impossvel assumir que as sries temporais
foram coletadas a partir de um processo de amostragem
aleatria. As observaes das sries temporais so claramente
dependentes entre si.
Os modelos estatsticos usados para descrever dados com
sries temporaisso designados de processos estocsticos ou
por vezes apenas de processos".
No contexto das Sries Temporais, um processo estocstico
uma sequncia de variveis aleatrias ordenadas no tempo,
Xt , t = 1, 2, . . . em que t representa o perodo temporal.
Isso significa que X1 uma varivel aleatria bem como X2 ,
X3 ,...

50/72
Processos estocsticos II

Deve ser tambm claro que a ordenao temporal est implcita

esta definio j que X1 , X2 , . . . e X2 , X1 , . . . so processos
estocsticos diferentes.
Exemplos de processos estocsticos so:

i.i.d
Yt = + t , t N 0, 2

i.i.d
Zt = 0 + 1 t + t , t N 0, 2

51/72
Processos estocsticos III
Estatstica clssica usa a hiptese da amostragem aleatria
para garantir a aplicao da LGN e do TLC.
Para fazer inferncia sobre as propriedades bsicas do processo
estocstico Xt (mdia, varincia, autocovarincias,
autocorrelaes,...) com a srie temporal observada
precisamos de adotar algumas hipteses restritivas que
garantam a existncia de uma LGN e de um TLC para sries
temporais:

Identicamente distribudas y estacionaridade

Independentes y estacionaridade

Estatstica clssica Anlise de Sries Temporais

Populao = Processo estocstico
Amostra observada = Sries temporais
Amostra aleatria = Sries temporais estacionrias

52/72
estacionaridade I
Se a distribuio das vrias variveis aleatrias Xt permanecer
idntica ao longo do tempo ento possvel pensar que as T
observaes x1 , . . . , xT foram retiradas da mesma distribuio.
Assim j poderemos fazer inferncia sobre caractersticas da
distribuio de Xt atravs das observaes da srie temporal
que de facto observada ao longo do tempo.
A propriedade que a distribuio de Xt se mantm constante ao
longo do tempo d-se o nome de estacionaridade estrita ou
forte.
A definio formal de estacionaridade estrita a seguinte:

Definio (estacionaridade Estrita)

Uma Srie Temporal X1 , . . . , XT estritamente estacionria se

(Xt , Xt+1 , . . . , Xt+s ) e (Xt+h , Xt+1+h , . . . , Xt+s+h )

tm a mesma distribuio conjunta para todo o t e todo o h.

53/72
estacionaridade II

Na prtica muito difcil confirmar que uma srie temporal

estritamente estacionria. Teramos de comparar todas as
funes distribuio conjuntas a partir de uma nica srie
temporal observada.
Uma propriedade um pouco mais fraca a estacionaridade.
De acordo com a estacionaridade tanto a mdia como a
varincia do processo tm de ser invariantes no tempo.
Alm disso, a autocovarincia, Cov (Xt , Xtk )), tambm tem de
ser invariante no tempo e, no mximo, pode depender da
defasagem k .

54/72
estacionaridade III
A definio formal de estacionaridade (Fraca) a seguinte:

Definio (estacionaridade)
Uma Srie Temporal X1 , . . . , XT (fracamente) estacionria se:

E (Xt ) = < , ou seja, no depende de t

h i
2
Var (Xt ) = E (Xt ) = 0 < , ou seja, no depende de t

Cov (Xt , Xtk ) = E [(Xt ) (Xtk )] = k , ou seja, no depende de t

e, no mximo, pode depender de k

No dever ser muito difcil de perceber que a estacionaridade

estrita/forte implica estacionaridade fraca mas a implicao
oposta j no se verifica.
No entanto, se o processo for fracamente estacionrio e
Gaussiano (ou seja, com distribuio normal multivariada) ento
estritamente estacionria.

55/72
estacionaridade IV

Na prtica esta ltima noo de

estacionaridade ser suficiente para que
os resultados apresentados ao longo do
curso se verifiquem.

56/72
 A mais importante
distino em Sries
Temporais se a srie
temporal analisada
estacionria ou no.

57/72
Como verificar se a srie estacionria ou
no-estacionria?

1. Anlise do grfico A mdia da srie aparenta ser

relativamente constante ou no? A varincia da srie
parece relativamente constante ou no? Apesar de
til, constitui apenas um mtodo visual e informal.
2. Correlograma Se a srie estacionria ento o
correlograma da srie dever decair
rapidamente"para o valor zero. Mais detalhes so
apresentados nos slides seguintes.
3. Testes de razes unitrias testes estatsticos
cujos detalhes sero apresentados no tpico razes
unitrias".

58/72
Funo Autocorrelao (FAC) e Correlograma I
Uma estatstica que ser bastante til no s para distinguir se
uma srie temporal estacionria ou no mas tambm para
escolher o modelo ARMA apropriado a
Funo Autocorrelao (FAC).
A Funo Autocovarincia (FACV) aquela funo/grfico que
relaciona a Autocovarincias, k = Cov (Xt , Xtk ), com k .
A FAC, denotada por k , obtida dividindo a FACV,
k = Cov (Xt , Xtk ), pela varincia, 0 :

Cov (Xt , Xtk ) k

k = Corr (Xt , Xtk ) = p =
Var (Xt ) Var (Xtk ) 0

Note que tanto k como k dependem apenas de k e no de t

para sries temporais estacionrias.
Na prtica, na presena de um conjunto de dados de sries
temporais no possvel conhecer k nem qualquer outro
momento da distribuio de Xt (mdias, varincias,
covarincias,...).
59/72
Funo Autocorrelao (FAC) e Correlograma II
Assim s podemos obter estimativas das mdias, varincias,
autocovarincias e autocorrelaes:
Mdia Amostral
T
1X
b=x =
xt
T
t=1

Varincia Amostral
T
1X
b2 =
b0 = (xt x)
T
t=1

Autocovarincias Amostrais
T
1 X

bk = (xt x) (xtk x) , k = 1, 2, . . .
T
t=k +1

Autocorrelaes Amostrais

60/72
Funo Autocorrelao (FAC) e Correlograma III

bk
bk = k = 1, 2, . . .

b0

funo/grfico que relaciona bk com k iremos denominar por

FAC amostral ou Correlograma e ser usada exaustivamente
ao longo do curso.
Contudo, para fazer qualquer julgamento em relao ao
comportamento da FAC a partir da FAC amostral devemos
primeiro estudar as propriedades estatsticas da FAC amostral.
Sobre a FAC amostral, possvel demonstrar que se Xt um
processo estacionrio Gaussiano ento bk seguir
aproximadamente uma distribuio normal com mdia k e
varincia:

i=+
1 X
2i + i+k ik 4k i ik + 22k 2i


k )
Var (b
T
i=

61/72
Funo Autocorrelao (FAC) e Correlograma IV
Foi Bartlett (1946) que demonstrou esse resultado e por isso
no de admirar que este seja conhecido como aproximao de
Bartlett.

Um facto muito importante que a FAC (terica)

decai rapidamente para o valor zero medida que
aumentamos k em sries temporais estacionrias.

Por outro lado a ACF de um processo no

estacionrio inicia em valores muito prximos de 1 e
apresenta um decaimento muito lento.
Dada a aproximao de Bartlett, esperamos ento que as
propriedades da Correlograma/FAC amostral sejam prximas
das propriedades da ACF terica.
Assim, o Correlograma de Xt providencia informaes
extremamente valiosas sobre a Estacionaridade da Srie
Temporal de interesse.
62/72
Processo Rudo branco\white-noise"
Definio (Rudo branco\white-noise")
Seja t um processo estocstico. Se:

E(t ) = 0

Var (t ) = E(2t ) = 2

Cov (t , tk ) = E(t tk ) = 0, j 6= 0

Ento diz-se que o processo t segue um processo Rudo branco

ou white-noise e representa-se como t RB(0, 2 ) ou
w.n.
t (0, 2 )

Este processo naturalmente estacionrio.

Este processo sumariza algumas das hipteses do modelo de
regresso linear e vai ser muito importante ao longo do curso.
63/72
Rudo Branco
Exemplo do grfico e correlograma de um processo Rudo Branco.

64/72
log PIB real EUA: estacionrio ou no
estacionrio? grfico e correlograma por
enquanto!

Estacionrio?

Figura 13: log PIB real EUA: grfico e correlograma

65/72
Processos estacionrios por diferena

Na maioria dos casos, transformamos um processo no

estacionrio num outro estacionrio tirando as primeiras
diferenas:
Xt = Xt Xt1
Se Xt no estacionrio e a transformao apropriada para o
estacionarizar tirar as primeiras diferenas, ento Xt
denominado de Srie Temporal ou Processo
Estacionrios por Diferena.
No exemplo, se o log PIB real EUA for um
processo estacionrio por diferena precisamos de aplicar as
primeiras diferenas para o tornar estacionrio.

66/72
log PIB real EUA em primeiras diferenas
log GDPt

Estacionrio??

Figura 14: log PIB real EUA em primeiras diferenas: grfico e correlograma
67/72
Processos estacionrios por tendncia
Em alguns casos, possvel que uma srie no estacionria se
torne estacionria aps removermos a tendncia determinstica
temporal.
Para removermos a tendncia linear calculamos os resduos, Xb
t
da seguinte regresso linear:

Xt = 0 + 1 t + Xt (1)

Uma srie cuja transformao apropriada a remoo da

tendncia temporal denominada de Srie Temporal ou
Processo Estacionrio por Tendncia.
No exemplo, tambm podemos conjeturar que o PIB dos EUA
no estacionrio devido a uma tendncia determinstica linear
crescente.
Nesse caso, precisamos de remover a tendncia determinstica
e usar os resduos do modelo de regresso linear em (1) antes
de fazermos uma anlise completa dos dados.

Denotaremos de seguida esses resduos por GDP[ .
t
68/72

[
PIB real EUA depois de detrendado, GDPt

Estacionrio??

Figura 15: PIB real EUA detrendado: grfico e correlograma

69/72
Taxa de desemprego EUA: estacionrio ou no
estacionrio? Inspeo visual e correlograma, por
enquanto!

estacionaridade Tendncia
para regressar frequentemente
Mdia
No-estacionaridade Antes
de 1985 parece estar
sistematicamente abaixo da
mdia e depois de 1985
aparenta estar sistematicamente
acima da mdia

(a) Taxa de desemprego EUA (b) Correlograma Taxa de desemprego

EUA
70/72
Exemplo: Taxa de desemprego EUA em primeiras
diferenas

Figura 16: Taxa de desemprego EUA em nveis, primeiras diferenas

e correlograma da Taxa de desemprego em primeiras diferenas
71/72
Bibliografia

Bueno, R. (2008). Econometria de Sries Temporais, caps. 1,

2.1-2.7.
Enders, W. (2009). W. Applied Econometric Time Series,
chapters 1.1, 3.1
Tsay, R. S. (2005). Analysis of Financial Time Series, chapters 1,
2.1-2.2
Wei, W. W. S. (2005). Time series analysis: Univariate and
Multivariate Methods, chapters 1, 2.1-2.2, 2.4-2.5
Mills, T. C. (1991). Time series techniques for economists,
chapters 2, 5.1

72/72