Aulas 5 e 6: Tópicos adicionais sobre séries temporais

As séries temporais são usadas na prática com muita frequência e elas representam um desafio
para econometristas e pessoas que trabalham em economia aplicada.

Vamos resumir alguns tópicos importantes que vamos abordar sobre séries temporais:

1) O trabalho empírico baseado em séries temporais pressupõe que a série seja estacionária.

2) Muitas vezes uma série temporal apresenta forte autocorrelação justamente porque ela é
não-estacionária.

3) Ao estimar uma regressão de uma variável que é uma série temporal em relação a outra série
temporal, com frequência obtemos um R² muito elevado embora não exista entre elas uma
relação que faça sentido.

4) Algumas séries temporais financeiras exibem o que é conhecido como o fenômeno do passeio
aleatório, ou seja, a melhor previsão do valor da variável no próximo período é igual ao seu valor
no período atual mais um choque puramente aleatório (ou termo de erro).

5) Muitas vezes se usam modelos de regressões envolvendo séries temporais para fazer
previsões, mas é preciso ser cauteloso nessa previsão quando a série é não-estacionária.

6) Os testes de causalidade pressupõem que as séries temporais envolvidas na análise são

estacionárias. Por isso, os testes para verificar se elas são ou não estacionárias devem preceder
os testes de causalidade.

7) O estudo das séries temporais é bastante vasto e sofre evoluções ao longo do tempo.

 Processos Estocásticos Estacionários

Um processo estocástico é estacionário quando a sua média e a sua variância são constantes ao
longo do tempo e quando o valor da covariância entre dois períodos de tempo depende apenas
da distância, do intervalo ou da defasagem entre os dois períodos de tempo, e não do próprio
tempo em que a covariância é calculada.

Seja Yt uma série temporal estocástica com as seguintes propriedades:

Média: E(Yt) = µ

Variância: var(Yt) = E(Yt – µ)² = σ²

Covariância: γk = E[(Yt – μ).(Yt+k – μ)]

No qual γk é a covariância (ou autocovariância) na defasagem k, isto é, a covariância entre os

valores de Yt e Yt+k, ou seja, entre dois valores de Y separados por k períodos. Assim, se mudamos
a origem de Yt para Yt+m, a média, a variância e as autocovariâncias de Yt+m têm de ser as mesmas

1
que as de Yt, não importa qual seja o ponto em que as medimos, se a série é estacionária. Uma
série desse tipo tenderá a retornar para sua média (a chamada reversão à média) e as flutuações
ao redor da média (medidas por sua variância) terão uma amplitude mais ou menos constante.

Uma série temporal não-estacionária terá uma média que varia com o tempo ou uma variância
que varia com o tempo, ou ambas as coisas.

Mas por que as séries temporais estacionárias são tão importantes?

Porque se uma série temporal for não-estacionária, só poderemos estudar seu comportamento
para o período considerado. Cada conjunto de dados da série temporal será, portanto, um
episódio específico. Em consequência, não é possível generalizá-lo para outros períodos de
tempo e, para se fazer previsões, essas séries não-estacionárias terão pouco valor prático.

Definição: um processo estocástico (ou série temporal) é chamado de puramente aleatório ou

de ruído branco (white noise) quando sua média é zero, sua variância σ² é constante e ele é serial
não correlacionado, com o termo de erro ut independente, com distribuição normal de média
zero e variância constante.

 Processos estocásticos não-estacionários

Embora nosso interesse sejam as séries temporais estacionárias, com frequência encontramos
séries temporais não-estacionárias, dentre as quais o exemplo clássico é o modelo de passeio
aleatório (random walk), por exemplo os preços dos ativos, como as ações ou a taxa de câmbio.
Existem dois tipos de passeio aleatório, com deslocamento e sem deslocamento:

a) Passeio aleatório sem deslocamento

Suponha que ut é um termo de erro de ruído branco. A série Yt é um passeio aleatório se:

Yt = Yt-1 + ut

Assim, o valor de Yt é igual ao seu valor no tempo t – 1 mais um choque aleatório. Sendo assim,
esse é um modelo auto-regressivo AR (1).

Um exemplo comumente usado desse tipo de passeio aleatório é o mercado de ações. Os que
acreditam na hipótese do mercado de capital eficiente argumentam que os preços das ações
são essencialmente aleatórios e, portanto, não há margem para especulação lucrativa na bolsa
de valores: se pudéssemos prever o preço de amanhã com base no preço de hoje, seríamos
todos milionários. Há controvérsias sobre essa hipótese e muitos não a consideram válida ou
têm restrições à sua aplicação.

Uma série que geralmente é bem caracterizada como um passeio aleatório é a taxa de juros das
letras do Tesouro norte-americano de três meses. Os dados anuais estão no gráfico abaixo:

2
Geralmente não é fácil olhar para um gráfico de série temporal e determinar se ela é ou não um
passeio aleatório. Nós discutiremos mais adiante um método formal chamado teste DF.

Baseado na definição de passeio aleatório, podemos escrever:

Y1 = Y0 + u1

Y2 = Y1 + u2 = Y0 + u1 + u2

Y3 = Y2 + u3 = Y0 + u1 + u2 + u3

...

Yt = Y0 + Σut (i)

Dessa forma: E(Yt) = E(Y0 + Σut) = Y0 e var(Yt) = t.σ²

Como mostramos, a média de Y é igual ao seu valor inicial, mas à medida que t aumenta, sua
variância aumenta indefinidamente, violando assim a condição de estacionariedade. Em
resumo, o passeio aleatório sem deslocamento é um processo estocástico não-estacionário.

Uma característica desse modelo é a persistência dos choques aleatórios, o que significa que o
impacto de um choque inicial não vai desaparecer, como se nota em (i). Nesse sentido, diz-se
que o passeio aleatório tem memória infinita.

b) Passeio aleatório com deslocamento

Vamos modificar o modelo anterior da seguinte maneira:

3
 Yt = δ + Yt-1 + ut

Nesse modelo, δ é conhecido como parâmetro de deslocamento. Assim, temos:

Yt – Yt-1 = δ + ut

Esse modelo também é auto-regressivo (AR) e, para ele, temos:

E(Yt) = Y0 + t.δ e var(Yt) = t.σ²

Como se pode notar, a média e a variância aumentam com o tempo, violando a condição de
estacionariedade.

O passeio aleatório com deslocamento costuma apresentar uma clara tendência, que pode ser
de alta (se  > 0) ou de baixa (se  < 0).

No gráfico abaixo, apresentamos uma realização do passeio aleatório com deslocamento Yt = 2

+ Yt-1 + ut, com Y0 = 0; ut ~ Normal (0,9) e n = 50. A linha tracejada é o valor esperado de Yt, E(Yt)
= 2.t

Como pode ser visto no gráfico, Yt tende a crescer ao longo do tempo, mas a série não retorna
de forma regular à linha de tendência.

Um passeio aleatório com deslocamento também é um exemplo de modelo auto-regressivo

AR(1) com um intercepto.

4
Exemplo: Vamos testar uma versão da hipótese de mercados eficientes (HME). Seja Yt o retorno
percentual semanal (de uma quarta feira à outra, no encerramento) do índice composto da
Bolsa de Valores de NY1. Uma forma estrita da HME estabelece que as informações observáveis
do mercado anteriores à semana t não devem ajudar a prever o retorno durante a semana t. Se
utilizarmos somente informações passadas de Y, a HME, segundo um modelo AR(1), pode ser
especificada como:

retôrnot = β0 + β1.retornot-1

Considere os retornos semanais registrados no arquivo NYSE.

a) Obtenha o modelo acima e teste H0: β1 = 0 contra H1: β1 ≠ 0 usando como parâmetro a
estatística t. Analise o resultado.

b) A utilização do modelo AR (1) para testar a HME pode não detectar correlação entre retornos
semanais que estejam separados por mais de uma semana. Sendo assim, utilize um modelo
AR(2) e analise os resultados.

Solução:

a) R = 0.179633972208 + 0.0588984651232*R(-1)

Dependent Variable: R
Method: Least Squares
Date: 03/08/18 Time: 20:41
Sample (adjusted): 2 690
Included observations: 689 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 0.179634 0.080742 2.224792 0.0264

R(-1) 0.058898 0.038023 1.549019 0.1218

R-squared 0.003481 Mean dependent var 0.191138

Adjusted R-squared 0.002030 S.D. dependent var 2.112540
S.E. of regression 2.110395 Akaike info criterion 4.334526
Sum squared resid 3059.738 Schwarz criterion 4.347691
Log likelihood -1491.244 Hannan-Quinn criter. 4.339619
F-statistic 2.399461 Durbin-Watson stat 1.996912
Prob(F-statistic) 0.121838

A estatística t do coeficiente β1 é 1,55, com p-valor de 0,12. Assim, H0 não pode ser rejeitada
mesmo ao nível de confiança de 10%.

H0: β1 = 0

A estimativa sugere uma leve correlação positiva no retorno da Bolsa de NY entre uma semana
e a seguinte, mas não é suficientemente forte para garantir a rejeição da HME.

1NYSE Composite Index (www.nyse.com). A bolsa de NY foi criada em 1792 e hoje negocia ações de mais de 8.000
empresas.

5
b)

R = 0.185748058811 + 0.0603153021814*R(-1) - 0.0380749363687*R(-2)

Dependent Variable: R
Method: Least Squares
Date: 03/08/18 Time: 20:48
Sample (adjusted): 3 690
Included observations: 688 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 0.185748 0.081150 2.288945 0.0224

R(-1) 0.060315 0.038177 1.579867 0.1146
R(-2) -0.038075 0.038143 -0.998228 0.3185

R-squared 0.004819 Mean dependent var 0.189692

Adjusted R-squared 0.001914 S.D. dependent var 2.113736
S.E. of regression 2.111713 Akaike info criterion 4.337227
Sum squared resid 3054.641 Schwarz criterion 4.356996
Log likelihood -1489.006 Hannan-Quinn criter. 4.344875
F-statistic 1.658576 Durbin-Watson stat 1.997717
Prob(F-statistic) 0.191174

As duas defasagens são individualmente não significantes ao nível de 10%. Ademais, elas
também são conjuntamente não significantes, pois F = 1,65 (p-valor = 0,191). Assim, não
rejeitamos H0, confirmando o resultado anterior.

Vale observar que a hipótese nula para esse caso é

H0: β1 = β2 = 0

Se essa hipótese fosse aceita, a HME seria válida. Foi exatamente o que ocorreu.

 Processo estocástico de raiz unitária

Vamos escrever o modelo de passeio aleatório sem deslocamento como:

Yt = ρ.Yt-1 + ut -1 ≤ ρ ≤ 1

Esse modelo se assemelha ao modelo auto-regressivo de primeira ordem de Markov2. Se ρ = 1,

torna-se um modelo de passeio aleatório sem deslocamento e estaremos diante do que é
conhecido como o problema da raiz unitária, isto é, uma situação de não-estacionariedade pois
já sabemos que nesse caso a variância de Yt não é constante. O nome raiz unitária se deve ao
fato de que ρ = 1. Nesse contexto, os termos não-estacionariedade, passeio aleatório e raiz
unitária podem ser tratados como sinônimos.

Entretanto, se |ρ| < 1, isto é, se o valor absoluto de ρ for menor que 1, a série temporal Yt é
estacionária, com média 0 e variância 1/(1-ρ²).

2É um AR(1) do tipo ut = ρ.ut-1 + εt, onde ρ é o coeficiente de autocorrelação e εt é o erro estocástico que satisfaz as
hipóteses usuais do MQO, ou seja, ut é um termo de erro de ruído branco.

6
Sendo assim, na prática é importante verificar se uma série temporal possui raiz unitária. Mais
adiante, vamos discutir alguns testes de raiz unitária, ou seja, testes de estacionariedade.

 Processos estocásticos de tendência estacionária e estacionários em diferenças

A distinção entre processos estocásticos estacionários e não-estacionários (ou séries temporais)

tem implicação no fato de a tendência de longo prazo ser determinística ou estocástica.

Se a tendência em uma série temporal for totalmente previsível e não variável, ela é
denominada determinística. Se não for previsível, é denominada tendência estocástica.

Considere o modelo:

Yt = β1 + β2t + β3Yt-1 + ut (ii)

No qual ut é um termo de erro de ruído branco e t é o tempo medido cronologicamente. Temos

as seguintes possibilidades:

a) Passeio aleatório puro: se β1 = 0, β2 = 0 e β3 = 1, donde se obtém: Yt = Yt-1 + ut

Se chamarmos ΔYt = (Yt – Yt-1), temos: ΔYt = ut

Esse modelo se tornou estacionário. Dessa forma, um modelo de passeio aleatório sem
deslocamento é um processo estacionário em diferenças.

b) Passeio aleatório com deslocamento: se em (ii) tivermos β1 ≠ 0, β2 = 0 e β3 = 1, obtemos:

Yt = β1 + Yt-1 + ut

Que é um passeio aleatório com deslocamento e, portanto, é não-estacionário. Podemos

escrevê-lo como: ΔYt = β1 + ut (iii)

Isso significa que Yt exibirá uma tendência positiva (β1 > 0) ou negativa (β1 < 0). Essa tendência é
denominada tendência estocástica. A equação (iii) é um processo estacionário em diferenças
porque a não-estacionariedade de Yt pode ser eliminada tomando-se as primeiras diferenças da
série temporal.

c) Tendência determinística: se β1 ≠ 0, β2 ≠ 0 e β3 = 0, o modelo Yt = β1 + β2.t + ut é denominado

processo estacionário em tendência. Embora a média de Yt não seja constante, sua variância σ2
é. Nesse modelo, se subtrairmos de Yt a sua média, a série resultante será estacionária, daí o
nome estacionário pós remoção de tendência. Esse procedimento de remoção da tendência
(determinística) é denominado remoção de tendência.

d) Tendência determinística e deslocamento: se β1 ≠ 0, β2 ≠ 0 e β3 = 1, o modelo Yt = β1 + β2.t +

Yt-1 + ut é um passeio aleatório com deslocamento e com tendência determinística, que pode
ser escrito como ΔYt = β1 + β2.t + ut, que significa que Yt é não estacionário.

e) Tendência determinística em AR(1): β1 ≠ 0, β2 ≠ 0 e β3 < 1, o modelo Yt = β1 + β2.t + β3Yt-1 + ut

é estacionário em torno de uma tendência determinística.

7
Para ver a diferença entre tendência estocástica e determinística, considere a figura 1 abaixo.

A série nomeada estocástica é gerada por um modelo de passeio aleatório Yt = 0,5 + Yt-1 + ut, no
qual 500 valores de ut foram gerados a partir de uma distribuição normal padrão e no qual o
valor inicial de Y foi estabelecido como 1.

A série denominada determinística é gerada do seguinte modo: Yt = 0,5.t + ut, no qual ut foi
gerado como acima e t é o tempo medido cronologicamente.

Como se pode ver, no caso da tendência determinística, os desvios em torno da linha de

tendência (que representa a média não-estacionária) são puramente aleatórios. Eles não
contribuem para o desenvolvimento de longo prazo da série temporal, que é determinado pelo
componente de tendência 0,5t.

No caso da tendência estocástica, por outro lado, o componente aleatório ut afeta o curso de
longo prazo da série Yt.

 Processos estocásticos integrados

O modelo de passeio aleatório não passa de um caso específico de uma classe mais geral de
processos estocásticos conhecidos como processos integrados. Recorde que o modelo de
passeio aleatório sem deslocamento é não-estacionário, mas sua primeira diferença, como já
mostramos, é estacionária. Por isso, o modelo de passeio aleatório sem deslocamento é
denominado integrado de ordem 1, que se denota como I(1).

De modo similar, se uma série temporal, para se tornar estacionária, tem de ser diferenciada
duas vezes, dizemos que essa série temporal é integrada de ordem 2.

Genericamente, se uma série temporal precisa ser diferenciada d vezes paras se tornar
estacionária, ela é integrada de ordem d.

8
Por outro lado, se uma série temporal é estacionária desde o início, dizemos que ela é integrada
de ordem 0. Assim, os termos série temporal estacionária e série temporal integrada de ordem
zero tem o mesmo significado.

A maior parte das séries temporais na área de economia é I(1).

 O teste da raiz unitária

Um teste para verificar a estacionariedade (ou não-estacionariedade) de uma série temporal é

o teste da raiz unitária.

Como já vimos, no modelo Yt = ρYt-1 + ut, sendo ut um termo de erro de ruído branco, -1 ≤ ρ ≤ 1.

Sabemos que, quando ρ = 1, isto é, no caso da raiz unitária, o modelo é um passeio aleatório
sem deslocamento, que é um processo estocástico não-estacionário.

Assim, a ideia é propor um modelo de regressão para encontrar o valor de ρ. Para isso, no
modelo acima, vamos subtrair Yt-1:

Yt – Yt-1 = ρYt-1 – Yt-1 + ut

ΔYt = Yt-1(ρ-1) + ut

Fazendo ρ – 1 = δ, temos: ΔYt = δ Yt-1 + ut

Se estimarmos essa última equação, testamos δ = 0 (caso no qual ρ =1), ou seja, testamos se a
raiz é unitária, o que significa que a série temporal em estudo é não-estacionária.

Convém notar que, se δ = 0, ΔYt = ut. Como ut é um termo de erro de ruído branco, ele é
estacionário, o que significa que as primeiras diferenças de uma série temporal de passeio
aleatório são estacionárias.

O teste usado para saber se δ é ou não igual a 0 não é o teste t. Dickey e Fuller mostraram que,
sob a hipótese nula de que δ = 0, o valor t estimado do coeficiente de Yt-1 segue a estatística τ
(tau). Esses autores calcularam os valores críticos dessa estatística com base em simulações de
Monte Carlo3. Uma amostra desses valores críticos está na tabela D7, em anexo. Na literatura
especializada, a estatística ou teste de τ é conhecido como teste Dickey-Fuller (DF).

O teste DF é estimado de três maneiras diversas:

1) Yt é um passeio aleatório: ΔYt = δ Yt-1 + ut

3 O método de Monte Carlo (MMC) é um método estatístico utilizado em simulações estocásticas com diversas
aplicações. O MMC tem sido utilizado há bastante tempo como forma de obter aproximações numéricas de funções
complexas. Ele envolve a geração de observações de alguma distribuição de probabilidades e o uso da amostra obtida
para aproximar a função de interesse.

9
2) Yt é um passeio aleatório com deslocamento: ΔYt = β1 + δ Yt-1 + ut

3) Yt é um passeio aleatório com deslocamento

em torno de uma tendência determinística: ΔYt = β1 + β2t + δ Yt-1 + ut

Em cada caso, a hipótese nula é δ = 0, isto é, há uma raiz unitária, ou seja, a série temporal é
não-estacionária. A hipótese alternativa é δ < 0, isto é, a série temporal é estacionária.

Se a hipótese nula for rejeitada, temos as seguintes consequências para cada caso acima:

1) Yt é uma série temporal estacionária com média zero.

2) Yt é uma série temporal estacionária com média diferente de zero [=β1/(1-ρ)]
3) Yt é estacionária em torno de uma tendência determinística.

É importante notar que os valores críticos do teste τ diferem para cada uma das especificações
acima.

O procedimento concreto para a estimação é:

a) estima-se (1), (2) ou (3) por MQO, obtendo-se δ;

b) divide-se δ pelo seu desvio padrão para encontrar a estatística τ (que é o mesmo valor da
estatística t);

c) consulta-se a tabela DF para encontrar o valor crítico de τ de acordo com o nível de

significância e o tamanho da amostra;

d) se o valor absoluto do τ calculado exceder o valor crítico, rejeitamos H0 e, nesse caso, a série
é estacionária.

Exercício: Considere a série temporal do PIB norte-americano, disponível no arquivo PIB.xls.

Considerando a variável dependente como ΔPIBt:

a) obtenha os três modelos acima demonstrados;

b) para cada modelo, faça o teste DF, adotando o nível de significância de 5%.

a) Modelo 1: D(PIB) = 0.00576538400735*PIB(-1)

Dependent Variable: D(PIB)

Method: Least Squares
Date: 03/08/18 Time: 22:08
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

PIB(-1) 0.005765 0.000994 5.798077 0.0000

R-squared -0.015192 Mean dependent var 22.93333

Adjusted R-squared -0.015192 S.D. dependent var 35.93448
S.E. of regression 36.20640 Akaike info criterion 10.02778
Sum squared resid 112737.7 Schwarz criterion 10.05612

10
Log likelihood -435.2083 Hannan-Quinn criter. 10.03919
Durbin-Watson stat 1.340574

H0:  = 0

H1:  < 0

 > 0  o teste é não conclusivo

Modelo 2: D(PIB) = 28.2054235663 - 0.0013679230548*PIB(-1)

Dependent Variable: D(PIB)

Method: Least Squares
Date: 03/08/18 Time: 22:15
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 28.20542 24.36532 1.157605 0.2503

PIB(-1) -0.001368 0.006242 -0.219165 0.8270

R-squared 0.000565 Mean dependent var 22.93333

Adjusted R-squared -0.011193 S.D. dependent var 35.93448
S.E. of regression 36.13503 Akaike info criterion 10.03512
Sum squared resid 110987.9 Schwarz criterion 10.09181
Log likelihood -434.5278 Hannan-Quinn criter. 10.05795
F-statistic 0.048033 Durbin-Watson stat 1.351998
Prob(F-statistic) 0.827047

|| = 2,89  |t| < ||  não podemos rejeitar H0  a série é não estacionária

Modelo 3: D(PIB) = 190.383666669 + 1.47764112664*@TREND - 0.0603169387212*PIB(-1)

Dependent Variable: D(PIB)

Method: Least Squares
Date: 03/08/18 Time: 22:19
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 190.3837 103.5257 1.838999 0.0694

@TREND 1.477641 0.917244 1.610958 0.1109
PIB(-1) -0.060317 0.037111 -1.625296 0.1078

R-squared 0.030517 Mean dependent var 22.93333

Adjusted R-squared 0.007434 S.D. dependent var 35.93448
S.E. of regression 35.80066 Akaike info criterion 10.02768
Sum squared resid 107661.7 Schwarz criterion 10.11272
Log likelihood -433.2042 Hannan-Quinn criter. 10.06192
F-statistic 1.322060 Durbin-Watson stat 1.314680
Prob(F-statistic) 0.272075

|| = 3,45  |t| < ||  não podemos rejeitar H0  a série é não estacionária

11
Anexo: Tabela D7: Valores críticos de t (= τ) de Dickey-Fuller a 1% e 5%

e valores de F para testes de raiz unitária

12