Aulas 7 e 8: A Regressão Espúria e mais sobre o teste DF

 O Fenômeno da Regressão Espúria

Para ver porque séries temporais estacionárias são tão importantes, considere os dois modelos
de passeio aleatório seguintes:

Yt = Yt-1 + ut

Xt = Xt-1 + vt

Para eles, geramos 500 observações de ut a partir de ut ~N(0,1) e 500 observações de vt a partir
de vt~N(0,1) e estamos supondo que o valor inicial tanto de Y como de X é zero. Pressupomos
também que ut e vt não apresentam correlação serial nem correlação mútua. Como já sabemos,
ambas essas séries temporais são não-estacionárias, isto é, elas são do tipo I(1) ou exibem
tendências estocásticas.

Suponha que fazemos a regressão de Yt em relação a Xt. Como eles são processos não
correlacionados, o R² da regressão de Y contra X deveria tender para zero, isto é, não deveria
existir qualquer relação entre essas duas variáveis. Mas veja os resultados da regressão:

Variável Coeficiente Erro-padrão Estatística t

C -13,2556 0,6203 -21,36856
X 0,3376 0,0443 7,61223
R² = 0,1044 d = 0,0121

Como se pode ver, o coeficiente de X tem elevada significância estatística e, embora o valor de
R² seja baixo, ele é significativamente diferente de zero. Com base nesses resultados,
poderíamos ficar tentados a concluir que existe uma relação estatística significativa entre Y e X,
enquanto a priori não deveria haver relação alguma. Esse é, em resumo, o fenômeno da
regressão espúria, ou da regressão sem sentido, que foi inicialmente descoberto por Yule. Ele
mostrou que a correlação (espúria) pode persistir em séries temporais não-estacionárias mesmo
quando a amostra é muito grande. O baixo valor de Durbin-Watson dessa regressão é um
indicativo de que existe algo de errado, sugerindo uma forte autocorrelação serial. Segundo
Granger e Newbold, um R² > d é um bom método empírico para suspeitar que a regressão
estimada é espúria, como nesse exemplo.

Quando estimamos as primeiras diferenças ΔYt em relação às primeiras diferenças ΔXt

podemos ver facilmente que os resultados da regressão apresentados não têm sentido. Recorde
que, embora Yt e Xt sejam não-estacionários, suas primeiras diferenças são estacionárias. Em tal
regressão, verificamos que o R² é praticamente zero, como deveria ser, e que o d de Durbin-
Watson está em torno de 2.

Exercício 1: Dados econômicos para o Canadá, no período 1971-I a 1988-IV foram obtidos e os
seguintes resultados de regressão foram calculados:

(i) LnM1t = -10,2571 + 1,5975.LnPIBt

1
t= (-12,9422) (25,8865)

R² = 0,9463 d = 0,3254

(ii) ΔLnM1t = 0,0095 + 0,5833.ΔLnPIBt

t= (2,4954) (1,8958)

R² = 0,0885 d = 1,7399

a) Interprete a regressão (i). Você diria que ela é espúria? Por quê?

Interpretação: M1 e PIB são positivamente correlacionados. O parâmetro de PIB representa a

elasticidade PIB da oferta de moeda, já que a regressão é logarítmica. Nesse caso, temos uma
relação elástica que aponta que 1% de crescimento do PIB provoca crescimento de 1,6% na
oferta de moeda. O R² é alto e indica que 94,6% da variação da oferta de moeda é provocada
pela variação do PIB. A estatística t do parâmetro de PIB é bastante alta, indicando forte
dependência de M1 sobre PIB. Contudo, o d de Durbin-Watson é baixo, indicando possível
presença de autocorrelação dos termos de erro.

(i) Sim

(ii) Porque R² > d, o que é um forte indício de regressão espúria segundo Granger e Newbold.
Ademais, possivelmente as séries de M1 e de PIB sejam não estacionárias.

b) Interprete a regressão (ii). Analise os resultados.

Em primeiras diferenças, vemos que PIB e M1 têm uma correlação muito baixa, devido ao
resultado de R² (0,088). A estatística t do parâmetro de PIB caiu drasticamente e a estatística d
de Durbin-Watson ficou próxima de 2, que é o resultado esperado para ela. Esses resultados
reforçam a ideia de que a primeira regressão é espúria.

Exercício 2: A figura a seguir mostra a oferta de moeda (M1) para os EUA de janeiro de 1951 a
setembro de 1999, com dados sazonalmente ajustados contidos no arquivo M1.xls. Pelo que se
conhece de estacionariedade, pode-se supor que a série temporal de moeda M1 é não-
estacionária, o que pode ser confirmado ou não por um teste de raiz unitária. Dessa forma,
pede-se:

a) Obtenha a regressão de M1 supondo um passeio aleatório com deslocamento em torno de

uma tendência determinística.
b) Faça o teste DF e verifique se o modelo é ou não uma série estacionária.

2
D(M1) = 0.193013352244 + 0.016173356115*@TREND - 0.00428199917294*M1(-1)

Dependent Variable: D(M1)

Method: Least Squares
Date: 03/15/18 Time: 21:03
Sample (adjusted): 2 492
Included observations: 491 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 0.193013 0.318876 0.605293 0.5453

@TREND 0.016173 0.003494 4.629518 0.0000
M1(-1) -0.004282 0.001416 -3.023700 0.0026

R-squared 0.079368 Mean dependent var 2.002240

Adjusted R-squared 0.075595 S.D. dependent var 3.479998
S.E. of regression 3.345878 Akaike info criterion 5.259427
Sum squared resid 5463.112 Schwarz criterion 5.285067
Log likelihood -1288.189 Hannan-Quinn criter. 5.269496
F-statistic 21.03529 Durbin-Watson stat 0.675173
Prob(F-statistic) 0.000000

H0:  = 0

H1:  < 0

|| = 3,42  |t| < ||  não podemos rejeitar H0  a série é não estacionária ao nível de
significância de 5%.

3
Exercício 3: A figura a seguir mostra o índice de preços ao consumidor (IPC) dos EUA de janeiro
de 1947 a janeiro de 2000. Como se pode ver no gráfico, a série mostra uma tendência
ascendente no período.

a) Obtenha a regressão de IPC supondo um passeio aleatório com deslocamento em torno de

uma tendência determinística.
b) Faça o teste DF e verifique se o modelo é ou não uma série estacionária.

D(IPC) = -0.0177358168817 + 0.00124434946268*@TREND - 0.00208664423512*IPC(-1)

Dependent Variable: D(IPC)

Method: Least Squares
Date: 03/15/18 Time: 21:48
Sample (adjusted): 2 637
Included observations: 636 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C -0.017736 0.049014 -0.361855 0.7176

@TREND 0.001244 0.000381 3.268843 0.0011
IPC(-1) -0.002087 0.001451 -1.437872 0.1510

R-squared 0.050769 Mean dependent var 0.231604

Adjusted R-squared 0.047770 S.D. dependent var 0.614003
S.E. of regression 0.599158 Akaike info criterion 1.818123
Sum squared resid 227.2409 Schwarz criterion 1.839138
Log likelihood -575.1632 Hannan-Quinn criter. 1.826283
F-statistic 16.92782 Durbin-Watson stat 1.816080

4
Prob(F-statistic) 0.000000

H0:  = 0

H1:  < 0

|| = 3,42  |t| < ||  não podemos rejeitar H0  a série é não estacionária ao nível de
significância de 5%.

Exercício 4: Já vimos que a série do PIB norte-americano é não estacionária (exercício 2 da aula
5-6). Considerando o modelo de passeio aleatório com deslocamento, verifique se a série é
estacionária em primeiras diferenças.

D(DPIB) = 17.2549271371 - 0.0282464400072*@TREND - 0.682458720481*DPIB(-1)

Dependent Variable: D(DPIB)

Method: Least Squares
Date: 03/15/18 Time: 22:14
Sample (adjusted): 3 88
Included observations: 86 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 17.25493 7.965990 2.166074 0.0332

@TREND -0.028246 0.149731 -0.188649 0.8508
DPIB(-1) -0.682459 0.103584 -6.588446 0.0000

R-squared 0.343833 Mean dependent var 0.206977

Adjusted R-squared 0.328022 S.D. dependent var 42.04441
S.E. of regression 34.46559 Akaike info criterion 9.952061
Sum squared resid 98593.78 Schwarz criterion 10.03768
Log likelihood -424.9386 Hannan-Quinn criter. 9.986517
F-statistic 21.74613 Durbin-Watson stat 2.035932
Prob(F-statistic) 0.000000

H0:  = 0

H1:  < 0

|| = 3,45  |t| > ||  rejeita-se H0  a série do PIB é estacionária em primeiras
diferenças ao nível de significância de 5%.