Notes

Análise Multivariada I
Graduação em Ciências Atuariais

Henrique Castro
hcastro@usp.br

Universidade de São Paulo

2017

1 of 30

Notes

Lecture 11
Análise de regressão com dados de séries
temporais: forma funcional, variáveis dummy,
números índice, tendência e sazonalidade

2 of 30

Notes
Formas funcionais
Lecture 11: Forma funcional, variáveis dummy e números índice

• Todas as formas funcionais que vimos nos modelos para dados em

cross-section se aplicam aos dados em séries temporais.
• A transformação logarítmica é a mais importante, pois regressões
de séries temporais com efeitos percentuais constantes são comuns
na pesquisa aplicada.

3 of 30

Notes
Exemplo 1: emprego e salário mínimo
Lecture 11: Forma funcional, variáveis dummy e números índice

• Pesquisadores usaram dados sobre o salário mínimo americano e outras

variáveis para estimar a taxa de emprego em Porto Rico.
• Uma versão simplificada do modelo usado é:
log(prepopt ) = β0 + β1 log(mincovt ) + β2 log(usgnpt ) + ut , (L11.1)
tal que prepopt é a taxa de emprego em Porto Rico no ano t, usgnpt é o
PIB americano em bilhões de dólares (valores reais), e mincovt mede a
importância do salário mínimo em relação ao salário médio (nos Estados
Unidos).
• Usando os dados em PRMINWGE para os anos de 1950 a 1987, temos:
\ = −1.05 − 0.154 lmincov − 0.012 lusgnp
lprepop
(0.77) (0.065) (0.089)

T = 38 R 2 = 0.661.
4 of 30
 Notes
Exemplo 1: perguntas
Lecture 11: Forma funcional, variáveis dummy e números índice

• Qual o papel da importância do salário mínimo nos Estados Unidos

sobre a taxa de emprego em Porto Rico?
• Qual o paper do PIB dos Estados Unidos sobre a taxa de emprego
em Porto Rico?

5 of 30

Notes
Elasticidades de curto e longo prazo
Lecture 11: Forma funcional, variáveis dummy e números índice

• Podemos também usar transformações logarítmicas em modelos DDF.

• Suponha, para dados trimestrais, que a demanda por moeda (Mt ) e o
produto interno bruto (GDPt ) sejam relacionados por:

log(Mt ) = α0 + δ0 log(GDPt ) + δ1 log(GDPt−1 ) + δ2 log(GDPt−2 )

+ δ3 log(GDPt−3 ) + δ4 log(GDPt−4 ) + ut .

• A propensão de impacto, δ0 , é também chamada de elasticidade de

curto prazo: mede a mudança percentual imediata na demanda por
moeda, dado um aumento de 1% no PIB.
• A propensão de longo prazo, δ0 + δ1 + δ2 + δ3 + δ4 é chamada de
elasticidade de longo prazo: mede o aumento percentual na demanda
por moeda após quatro trimestres, dado um aumento permanente de 1%
no PIB.
6 of 30

Notes
Variáveis dummy
Lecture 11: Forma funcional, variáveis dummy e números índice

• Variáveis binárias ou dummies também são bastante úteis em

aplicações de séries temporais.
• Como a unidade de observação é o tempo, uma dummy indica, em
cada período de tempo, se determinado evento ocorreu.
• Por exemplo, para dados anuais, podemos indicar em cada ano se
um democrata ou um republicano é o presidente dos Estados
Unidos definindo a variável democt , que será 1 se o presidente for
democrata ou 0 caso contrário.
• Em muitas aplicações, as dummies são usadas para isolar certos
períodos que possam ser sistematicamente diferentes de outros
períodos dentro do banco de dados.

7 of 30

Notes
Exemplo 2: fertilidade
Lecture 11: Forma funcional, variáveis dummy e números índice

• A taxa geral de fertilidade (gfr ) é a quantidade de crianças

nascidas para cada 1000 mulheres em idade fértil.
• Para os anos 1913 a 1984, a equação

gfrt = β0 + β1 pet + β2 ww 2t + β3 pillt + ut ,

explica gfr em termos do valor real da dedução no imposto de

renda por dependente (pe) e duas variáveis binárias.
• A variável ww 2 assume valor 1 durante os anos de 1941 a 1945,
quando os Estados Unidos estavam na Segunda Guerra Mundial.
• A variável pill é igual a 1 a partir de 1963, quando pílulas
anticoncepcionais passaram a ser disponíveis.
8 of 30
 Notes
Exemplo 2: fertilidade
Lecture 11: Forma funcional, variáveis dummy e números índice

• Usando os dados em FERTIL3, obtemos:

c = 98.68 + 0.083 pe − 24.24 ww2 − 31.59 pill

gfr
(3.21) (0.030) (7.46) (4.08)

T = 72 R 2 = 0.473.

• As variáveis são significantes?

• Interprete os coeficientes das dummies, comparando com os valores
médios da variável gfr na amostra.
• Calcule o valor médio de pe na amostra. Quanto deve aumentar
pe para que a taxa de fertilidade caia em 1 criança por 1000
mulheres em idade fértil?

9 of 30

Notes
Exemplo 2: modelo com defasagens
Lecture 11: Forma funcional, variáveis dummy e números índice

• Como é possível que os incentivos econômicos tenham efeito retardado

sobre as decisões das pessoas, vamos estimar um modelo com defasagens
da variável pe:
c = 95.87 + 0.073 pe − 0.0058 pe_1 + 0.034 pe_2
gfr
(3.28) (0.126) (0.156) (0.126)

− 22.13 ww2 − 31.31 pill, T = 70 R 2 = 0.499.

(10.73) (3.98)

• Note a diferença do tamanho da amostra em relação ao modelo anterior.

• As variáveis pet , pet−1 e pet−2 são individualmente significantes?
• Conjuntamente, elas são estatisticamente significantes (p-valor = 0.012).
Você diria que pe tem efeito sobre gfr ?
• O teste conjunto das duas defasagens não é significante (p-valor = 0.95).
O que você faria?
10 of 30

Notes
Estudo de evento
Lecture 11: Forma funcional, variáveis dummy e números índice

• Variáveis explicativas binárias são chave para realizar estudos de evento.

• No estudo de evento, queremos saber se determinado evento influencia
algum resultado.
• Rose (1985) estudou os efeitos de uma nova regulamentação do setor de
transporte rodoviário sobre os preços das ações das transportadoras.
• Uma versão simplificada da equação usada nesse estudo de evento é:

Rtf = β0 + β1 Rtm + β2 dt + ut ,

tal que Rtf é o retorno das ações da empresa f no tempo t, Rtm é o

retorno de mercado no instante t, e dt é uma dummy indicando quando
ocorreu o evento.

11 of 30

Notes
Múltiplas dummies
Lecture 11: Forma funcional, variáveis dummy e números índice

• Algumas vezes usamos múltiplas dummies para controlar os efeitos

do evento em diferentes instantes de tempo.
• Suponha a imposição de uma nova regulamentação que pode
afetar determinada empresa; podemos incluir uma dummy que
assume valor 1 algumas semanas antes da regulamentação ter sido
publicada e uma segunda dummy que assume valor 1 algumas
semanas após o anúncio.
• A primeira dummy detecta a presença (ou não) de informações
privilegiadas.

12 of 30
 Notes
Exemplo 3: suspeita de dumping
Lecture 11: Forma funcional, variáveis dummy e números índice

• Vamos analisar os efeitos de queixas de dumping na indústria

química americana. Especificamente, o composto cloreto de bário,
usado para limpeza e na produção de gasolina.
• No início da década de 1980, produtores americanos acusaram
empresas chinesas de dumping e apresentaram queixa na US-ITC
em outubro de 1983.
• A US-ITC deu ganho de causa às empresas americanas em outubro
de 1984.

13 of 30

Notes
Exemplo 3: perguntas
Lecture 11: Forma funcional, variáveis dummy e números índice

• Queremos responder estas três perguntas:

1. As importações estavam estranhamente altas no período
imediatamente anterior à apresentação da queixa?
2. As importações mudaram significativamente após a apresentação da
queixa?
3. Qual foi a redução das importações após a decisão em favor da
indústria americana?

14 of 30

Notes
Exemplo 3: metodologia
Lecture 11: Forma funcional, variáveis dummy e números índice

• Para responder estas três perguntas, vamos criar um estudo de

evento usando três dummies:
◦ befile6: igual a 1 nos seis meses antes da apresentação da queixa;
◦ affile6: igual a 1 nos seis meses posteriores à apresentação da queixa;
◦ afdec6: igual a 1 nos seis meses após a decisão favorável à indústria
americana.
• A variável dependente é o volume de importações de cloreto de
bário da China, chnimp, na forma logarítmica.
• Variáveis explicativas: índice de produção química (chempi),
volume de produção de gasolina (gas), e taxa de câmbio (rtwex ).
• As duas primeiras variáveis controlam a demanda por cloreto de
bário e a terceira mede a força do dólar em relação a uma cesta de
moedas estrangeiras.
15 of 30

Notes
Exemplo 3: resultado
Lecture 11: Forma funcional, variáveis dummy e números índice

• Usando dados do arquivo BARIUM de fevereiro de 1978 a dezembro

de 1988, obtemos:

\ = −17.80 + 3.12 lchempi + 0.196 lgas + 0.983 lrtwex

lchnimp
(21.05) (0.48) (0.907) (0.400)

+ 0.060 befile6 − 0.032 affile6 − 0.565 afdec6

(0.261) (0.264) (0.286)

T = 131 R 2 = 0.305

• Há evidências de alta de importações nos 6 meses anteriores à

queixa?
• Após a queixa, o que houve com as importações?
• E o que houve após a decisão favorável?
16 of 30
 Notes
Tendência em séries temporais
Lecture 11: Tendência e sazonalidade

• Muitas séries de tempo têm uma tendência comum de crescer ao

longo do tempo.
• Quando duas variáveis possuem tendência, podemos erroneamente
concluir que alterações em uma variável são causadas por
alterações na outra variável.
• Em muitos casos, dois processos estocásticos parecem ser
correlacionados somente porque ambos apresentam tendência (por
razões relacionadas com outros fatores não observados).
• Isso recebe o nome de correlação espúria.

17 of 30

Notes
Modelo com tendência linear
Lecture 11: Tendência e sazonalidade

• Para capturar adequadamente uma tendência, um modelo

estatístico pode ter a seguinte formulação:

yt = α0 + α1 t + et , t = 1, 2, . . . , (L11.2)

tal que {et } é uma sequência iid com E(et ) = 0 e V(et ) = σe2 .
• O parâmetro α1 que multiplica o tempo t captura a tendência
temporal linear.
• Este parâmetro mede a mudança em y , de um período para o
próximo, motivada pela passagem do tempo.
• Se α1 > 0, então, em média, yt tem uma tendência ascendente. Se
α1 < 0, então yt tem uma tendência descendente.
18 of 30

Notes
Modelo com tendência exponencial
Lecture 11: Tendência e sazonalidade

• Muitas séries temporais econômicas são melhor aproximadas por

uma tendência exponencial.
• Na prática, uma tendência exponencial em uma série temporal é
captada pela modelagem do logaritmo natural da série como uma
tendência linear (assumindo que yt > 0):

ln(yt ) = β0 + β1 t + et , t = 1, 2, . . . . (L11.3)

• A exponenciação mostra que yt tem uma tendência exponencial:

yt = exp(β0 + β1 t + et ).
• O coeficiente β1 é aproximadamente a taxa média de crescimento
de y por período.
19 of 30

Notes
Outras tendências temporais
Lecture 11: Tendência e sazonalidade

• Embora tendências lineares e exponenciais sejam mais comuns, as

tendências temporais podem ser mais complicadas.
• Por exemplo, poderíamos ter uma tendência temporal
quadrática:

yt = α0 + α1 t + α2 t 2 + et , t = 1, 2, . . . . (L11.4)

• Os sinais de α1 e α2 determinarão o comportamento da tendência

da variável y ao longo do tempo.

20 of 30
 Notes
Exemplo 4: investimento imobiliário
Lecture 11: Tendência e sazonalidade

• Os dados HSEINV são observações anuais de investimento

imobiliário e preços de imóveis nos Estados Unidos de 1947 a 1988.
• A variável invpc é o investimento imobiliário per capita real (em
milhares de dólares) e price é um índice dos preços dos imóveis
(igual a 1 em 1982).
• Uma regressão simples que mede a elasticidade é:

\ = −0.550 + 1.241 lprice

linvpc
(0.043) (0.382)

T = 42 R 2 = 0.208.

• Interprete a elasticidade encontrada. É coerente?

21 of 30

Notes
Exemplo 4: representação gráfica
Lecture 11: Tendência e sazonalidade

lprice
0.05

-0.05

-0.1

-0.15

-0.2
1947 1954 1961 1968 1975 1982

linvpc
-0.3
-0.4
-0.5
-0.6
-0.7
-0.8
-0.9
-1
-1.1
1947 1954 1961 1968 1975 1982

22 of 30

Notes
Exemplo 4: regressão com tendência
Lecture 11: Tendência e sazonalidade

• Levando em conta a presença da tendência das variáveis, temos o

modelo:

\ = −0.913 − 0.381 lprice + 0.0098 t

linvpc
(0.136) (0.679) (0.0035)

T = 42 R 2 = 0.341.

• Interprete a elasticidade: sinal e significância.

• Interprete o coeficiente da tendência.
• O que é possível dizer sobre a regressão que não leva em conta a
tendência?

23 of 30

Notes
Exemplo 2 novamente
Lecture 11: Tendência e sazonalidade

• Quando as variáveis dependente e independente têm tendências

contrárias, a presença da tendência na regressão pode aumentar a
significância dos resultados.
gfr
130
120
110
100
90
80
70
60
1913 1925 1937 1949 1961 1973

pe
250

200

150

100

50

0
1913 1925 1937 1949 1961 1973

24 of 30
 Notes
Exemplo 2: considerando tendência
Lecture 11: Tendência e sazonalidade

• Adicionando uma tendência linear na regressão, temos:

c = 111.77 + 0.279 pe − 35.59 ww2 + 0.997 pill

gfr
(3.36) (0.040) (6.30) (6.262)

− 1.15 t, T = 72, R 2 = 0.662.

(0.19)

• O coeficiente de pe é mais que o triplo do anterior (0.083) e é

mais significante.
• A variável pill deixa de ser significante.

25 of 30

Notes
Exemplo 2: tendência quadrática
Lecture 11: Tendência e sazonalidade

• Vimos no gráfico de gfr que a variável apresenta crescimento e

diminuição ao longo do tempo.
• Um modelo com tendência quadrática fica:

c = 124.09 + 0.348 pe − 35.88 ww2 − 10.12 pill

gfr
(4.36) (0.040) (5.71) (6.34)

− 2.53 t + 0.0196 tsq, T = 72 R 2 = 0.727.

(0.39) (0.0050)

• O coeficiente de pe é ainda maior e mais significante.

• pill volta a ter o sinal correto e é marginalmente significante.

26 of 30

Notes
Removendo a tendência
Lecture 11: Tendência e sazonalidade

• Seja uma variável yt que apresenta uma tendência linear.

• Se quisermos retirar a tendência desta variável, podemos seguir os
seguintes passos:
1. Estime a regressão de yt sobre uma constante e a tendência temporal
linear t;
2. Calcule os resíduos desta regressão. Eles serão a variável yt com a
tendência removida (ÿt ).
• É possível fazer isso com todas as variáveis que apresentam
tendência.

27 of 30

Notes
Sazonalidade
Lecture 11: Tendência e sazonalidade

• Se uma série temporal é observada em intervalos mensais ou

trimestrais (ou mesmo semanais ou diários), ela pode exibir
sazonalidade.
• Muitas séries já são disponibilizadas ao público após uma
dessazonalização (ajustadas sazonalmente).
• Porém, algumas vezes trabalhamos com dados não ajustados e é
bom sabermos que existem métodos simples para tratar a
sazonalidade: podemos incluir um conjunto de variáveis dummy
sazonais.

28 of 30
 Notes
Sazonalidade na regressão
Lecture 11: Tendência e sazonalidade

• Se trabalharmos com dados mensais, podemos incluir uma variável

dummy para cada mês do ano (é necessário escolher um mês base
que ficará de fora da lista de dummies e β0 será o intercepto deste
mês):

yt = β0 + δ1 fevt + δ2 mart + · · · + δ11 dezt

+ β1 x1t + · · · + βk xkt + ut . (L11.5)

• Se não houver sazonalidade em yt , uma vez que xjt tenha sido

controlada, δ1 , . . . , δ11 serão todas iguais a zero. Isso pode ser
facilmente verificado com um teste F .

29 of 30

Notes
Dessazonalização
Lecture 11: Tendência e sazonalidade

• Se houver sazonalidade em uma variável, é possível exclui-la

obtendo os resíduos de uma regressão da variável com sazonalidade
contra um conjunto de dummies de tempo (dias da semana,
meses, trimestres, etc.).

30 of 30

Notes

Notes