Modelos multivariados de séries temporais

CAPTULO 7
MODELOS MULTIVARIADOS DE SRIES TEMPORAIS

7.1 Introduo
Aps ter trabalhado nos captulos anteriores com modelos univariados de sries
temporais procura-se, neste captulo, abordar os modelos multivariados. Trataremos de
modelos que analisam duas ou mais sries temporais em conjunto tentando captar a
dinmica temporal de cada uma e as relaes dinmicas entre elas.
Dentre as diversas abordagens multivariadas destacam-se os modelos VAR e
VAR Estrutural, para sries estacionrias, e anlise de co-integrao e o modelo de
correo de erro (VEC), para sries no estacionrias.
7.2 Modelo de Auto-regresso Vetorial (VAR)

7.2.1 Definio e Especificao
O modelo de auto-regresso vetorial ( VAR ) uma extenso do modelo autoregressivo ( AR ) para mais de uma srie. Conceitualmente, um modelo multiequacional composto de uma equao para cada varivel em que cada equao funo
de valores defasados daquela varivel e de valores defasados das outras variveis do
sistema.
Um modelo VAR tem duas dimenses: a) nmero de variveis = k e b) nmero
de defasagens = p . Considerando trs sries temporais, Wt , X t e Z t , e p = 1 temos
um modelo VAR(1) dado por,
Wt = 1 + 11Wt 1 + 12 X t 1 + 13 Z t 1 + 1t
X t = 2 + 21Wt 1 + 22 X t 1 + 23 Z t 1 + 2t
Z = + W + X + Z +
3
31 t 1
32
t 1
33 t 1
3t
t
(7.1)
Em forma matricial, podemos escrever

W t 1 11
X = +
t 2 21
Z t 3 31
12
22
32
13 W t 1 1t
23 . X t 1 + 2 t
33 Z t 1 3t
que pode ser representado por
Yt = + 1Yt 1 + t ,
(7.2)
que a notao matricial para um VAR(1) . interessante observar as relaes

dinmicas captadas pelo sistema (7.1). Por exemplo, 11 representa o efeito de Wt 1
Joo Eustquio de Lima

DER/UFV
sobre Wt , na presena X t 1 e Z t 1 . J 12 representa o efeito de X t 1 sobre Wt , dado
Wt 1 e Z t 1 , ou o efeito de X t sobre Wt +1 , dado Wt e Z t . Um choque em Wt por meio

de 1t tem efeito contemporneo sobre Wt . No perodo seguinte, este efeito se torna
Wt 1 e afeta X t que no perodo seguinte se torna X t 1 e afeta Wt , e assim

sucessivamente. Em um modelo estacionrio este efeito do choque desaparece aps
alguns perodos.
O modelo VAR(2) para as variveis Wt , X t e Z t definido por
Wt = 1 + 11Wt 1 + 12 X t 1 + 13 Z t 1 + 14Wt 2 + 15 X t 2 + 16 Z t 2 + 1t
X t = 2 + 21Wt 1 + 22 X t 1 + 23 Z t 1 + 24Wt 2 + 25 X t 2 + 26 Z t 2 + 2t
Z = + W + X + Z + W + X + Z +
t 1
t 2
3
31 t 1
32
33 t 1
34 t 2
35
36 t 2
3t
t
que em termos matriciais fica

W t 1
X = +
t 2
Z t 3
11
21
31
12
22
32
13 Wt 1 14
23 . X t 1 + 24
33 Z t 1 34
15
25
35
16 W t 2 1t
26 . X t 2 + 2 t
36 Z t 2 3t
que pode ser escrito como
Yt = + 1Yt 1 + 2Yt 2 + t .
(7.3)
No modelo VAR todas as variveis so consideradas endgenas e determinadas

de forma dinmica pelos valores defasados. Tem-se uma equao para cada varivel em
funo de seus valores defasados e dos valores defasados das outras variveis.
Generalizando, um VAR( p) com k variveis representado, em forma matricial,
por
Yt = + 1Yt 1 + 2Yt 2 + ....... + p Yt p + t
(7.4)
em que Yt um vetor k x 1 de variveis endgenas, Yt j , j = 1,2,3,........, p so vetores

k x 1 de variveis defasadas, um vetor k x 1 de interceptos, i , i = 1,2,3,........, p
so matrizes k x k de coeficientes a serem estimados e t um vetor k x 1 de erros

aleatrios com mdia zero, E ( t ) = 0 , e matriz de varincias e covarincias
E ( t t' ) = .
A equao (7.4) pode ser escrita de forma mais compacta fazendo uso do
operador de defasagem L , isto ,
Yt = + 1 LYt + 2 L2Yt + ....... + p L p Yt + t

( I 1 L 2 L2 ....... p Lp )Yt = + t
( L)Yt = + t ,
(7.5)
em (L) um polinmio matricial de ordem p em L .

DER/UFV
O modelo VAR simples e operacional. O estimador de MQO pode ser aplicado

a cada equao individualmente e fornece estimativas no tendenciosas e consistentes.
As variveis a serem includas no VAR so definidas pelo modelo econmico e
todas so consideradas endgenas. No entanto, a equao (7.4) pode conter variveis
tipicamente exgenas ou determinsticas como tendncia e dummies.
O modelo VAR tambm pode ser definido como uma forma reduzida de um
modelo estrutural de equaes simultneas dinmicas. Esta idia ficar clara quando
analisarmos o modelo VAR estrutural. Por enquanto, vamos definir e analisar o VAR
como uma forma reduzida sem se preocupar com sua relao com um modelo
estrutural. Ou seja, sem se preocupar com as restries para identificar o VAR com um
modelo estrutural. Vamos analisar primeiro uma forma reduzida irrestrita ou VAR no
identificado.
7.2.2 Condies de Estabilidade
Um modelo estvel aquele em que o efeito de um choque (inovao)

eventualmente desaparece ao longo do tempo voltando as variveis ao equilbrio de
longo prazo (estado estacionrio).
Considere um modelo VAR ( p ) em k variveis como na equao (7.4)
Yt = + 1Yt 1 + 2Yt 2 + L + p Yt p + t .
Aplicando o operador de defasagem, temos

Yt = + 1 LYt + 2 L2Yt + L + p L p Yt + t
(I L
1
L2 L p L p Yt = t + t
Para o VAR ser estvel ou estacionrio todas as kp razes da equao caracterstica

I 1 L 2 L2 L p L p = 0
(7.6)
devem ser > 1 , em mdulo. Se a soluo fornecer uma raiz unitria uma ou mais
variveis so no estacionrias e o modelo no deve ser estimado na forma como se
apresenta em (7.4). O nmero de razes igual a kp sendo k o nmero de variveis e
p o nmero de defasagens.
Em um modelo estvel:
a) efeitos de choques (inovaes) eventualmente desaparecem ao longo do tempo; o
modelo volta ao equilbrio;
b) Os impactos de choques so finitos e calculveis;
c) Um modelo estvel estacionrio.
Considere,
como
exemplo,
um
VAR (1)

DER/UFV
com
variveis
em
4
que
0,008 0,461
1 =
, (Judge et al, 1988). Assim,
0,232 0,297
1 0
0,008 0,461
0 1 L 0,232 0,297 = 0
1 0,008L
0,461L
0,232 L
1 0,297 L
=0
(1 0,008)(1 0,297 L ) (0,461L )(0,232 L ) = 0

1 0,297 L 0,008L + 0,002376 L2 0,106952 L2 = 0
1 0,305L 0,104576 L2 = 0
L=
0,305
(0,305)2 + 0,418304
0,209152
L1 = 4,877 e L2 = 1,961 .
Como | L1 |> 1 e L2 > 1 , o VAR estvel.

Com base na anlise de estabilidade devemos proceder da seguinte maneira:
1. Ser o VAR estacionrio (estvel), proceder anlise com variveis em nvel.
2. Se o VAR no estacionrio, existem razes unitrias. Neste caso, devemos
analisar cointegrao:
a) Se as variveis so no estacionrias mas cointegradas, estimar e analisar um
VEC (modelo de correo de erro vetorial). Um VEC um VAR com as
restries de cointegrao entre as variveis que possui dinmica de curto

prazo e ajuste para o equilbrio.
b) Se as variveis no so cointegradas ajustar o VAR em diferena.
7.2.3 Estimao
O modelo VAR de especificao simples e fcil de ser estimado. As variveis

explicativas so todas pr determinadas e o mtodo dos mnimos quadrados ordinrios
(MQO) aplicados em cada equao fornece estimadores consistentes e eficientes, dado
erros com mdia zero, varincia constante e no auto-correlacionados. Se os erros so
normalmente distribudos o mtodo de mxima verossimilhana fornece estimadores
iguais aos do MQO. Para se chegar a um modelo adequado para anlise existem vrios
procedimentos relacionados com determinao do nmero de defasagens e testes de
especificao. Observa-se que as variveis explicativas so as mesmas em todas as
equaes e que todas elas tm o mesmo nmero de lags. Conceitualmente, poderamos

DER/UFV
ter um VAR incompleto (com restries) com diferentes defasagens para as equaes.
No entanto, isto no comum. Certamente no se dispe de teoria para dar suporte s
restries de excluso de lags e, por outro lado, mesmo que a defasagem no seja
significativa sua manuteno no prejudica as propriedades do estimador e pode
aumentar o poder de previso do modelo uma vez que esto sendo consideradas toda a
dinmica de inter-relaes entre as variveis.
7.2.4 Definio da ordem do VAR
No caso univariado a definio da ordem do modelo AR feita com base na

funo de autocorrelao parcial. Para o VAR esta funo so matrizes e a escolha da
ordem pela anlise dessas matrizes no simples. A alternativa usar testes e critrios.
1. Teste de Razo de Verossimilhana

Este teste compara o valor da funo de verossimilhana de um modelo de p
lags com um modelo com p 1 lags. Inicia-se com um p-mximo pr-estabelecido e
testa sequencialmente at rejeitar a hiptese nula. um teste de restries em que se
compara um modelo restrito com um irrestrito. Supondo que os coeficientes de um
VAR(p) relacionados com as variveis defasadas sejam dados pela matriz
A = A1
A2 L Ap
o teste de razo de verossimilhana consiste em testar
seqencialmente as seguintes hipteses, iniciando com um p razoavelmente alto

designado por pmax (Ltkepohl, 1993):
H 0 : Ap max = 0 contra H1 : Ap max 0 ,
H 0 : Ap max 1 = 0 contra H1 : Ap max 1 0, dado que Ap max = 0 ,
H 0 : Ap max 2 = 0 contra H1 : Ap max 2 0, dado que Ap max = Ap max 1 = 0
M
H 0 : A1 = 0 contra H1 : A1 0, dado que Ap max = Ap max 1 = L = A2 = 0 .
O teste interrompido quando a hiptese nula for rejeitada e a ordem do VAR ser pelo
p correspondente. A deciso do p max pode ser baseada na freqncia dos dados. Para
dados mensais pode usar 12 lags e para dados trimestrais, 4 lags. O teste semelhante
ao caso univariado. A diferena que ao invs de usar a soma de quadrados dos
resduos usa-se o determinante da matriz de varincias e covarincias dos resduos, | | .
A estatstica de teste

DER/UFV
LR = (T c )[ln | R | ln | IR |] ~ r2
(7.7)
em que T igual ao nmero de observaes, c o nmero de parmetros estimados no

modelo irrestrito, r o nmero de restries dado pela quantidade de parmetros que se
deixa de estimar no modelo restrito, IR e R so as matrizes de varncias e
covarincias dos modelos irrestrito e restrito, respectivamente.
O teste de razo de verossimilhana tende a indicar valor alto para o nmero de
lags do VAR e por isso menos prtico que os critrios de informao. Quando se
adiciona lags ao modelo o ajuste melhora e o valor da funo de verossimilhana
aumenta e a razo de verossimilhana no capta adequadamente o custo de parmetros
adicionais.
2. Critrios de Seleo
A determinao do nmero de defasagens pode se basear nos critrios de
informao que procuram um balano entre ajuste do modelo e parcimnia em termos
de nmero de parmetros. Eles se baseiam no valor mximo da funo de
verossimilhana penalizada pelo nmero de parmetros. Os critrios se diferenciam pela
penalidade aplicada por parmetros adicionais. Tem-se os seguintes critrios
(Ltkepohl, 2006):
2k 2 p
a) Critrio de Akaike: AIC ( p ) = ln | p | +
,
T
(7.8)
k 2 p ln T
b) Critrio de Schwartz: SC ( p ) = ln | p | +
,
T
(7.9)
2 ln ln T
pk 2 ,
c) Critrio de Hannan-Quinn: HQ( p ) = ln | p | +
T
(7.10)
em que k = nmero de variveis, T = tamanho da amostra, p = o nmero de lags e p =

matriz de varincias e covarincias dos resduos. Ajusta-se o modelo para diferentes
valores de p e escolhe-se o que minimiza o critrio. Segundo Ltkepohl e Krtzig
(2004), para T 16 existe uma relao entre os critrios dada por
p (SC ) p (HQ ) p ( AIC ) .
(7.11)
7.2.5 Testes de Avaliao do Modelo
Depois de definido o nmero apropriado de defasagens o modelo estimado

e, em seguida, deve ser avaliado antes de ser usado em anlises.
1. Testes de auto-correlao

DER/UFV
O VAR estimado deve apresentar resduos no auto-correlacionados ao longo do

tempo. Dentre as diferentes formas de analisar os resduos a mais prtica aplicao de
testes estatsticos para os quais a hiptese nula que os resduos estimados no so
auto-correlacionados at o lag h .
a) Teste de Ljung-Box
Testa-se
H 0 : E ( t t j ) = 0, para todo j = 1,2,3,..., h > p

H1 : E ( t t j ) 0, para algum j = 1,2,3,..., h > p
Podem ser calculadas duas estatsticas:
h
(i) Q = T tr ( j 01 j 01 ) ~ k22 ( h p )
(7.12)
j =1
1
tr ( j 01 j 01 ) ~ k22 ( h p )
T
h
j =1
(ii) Q = T 2
(7.13)
em que tr ( ) significa trao da matriz, j a matriz de varincias e covarincias

estimada dos resduos no tempo t com os do tempo t j , 0 a matriz de varincias e
covarincias contempornea, h a defasagem para a qual a correlao nos resduos est
sendo avaliada, k o nmero de variveis e T o nmero de observaes. As matrizes
T
t = j +1
t =1
de varincias e covarincias so dadas por j = T 1 tt j e 0 = T 1 tt , em que
t o vetor de resduos do modelo VAR. A segunda estatstica est ajustada para graus
de liberdade e mais apropriada para amostras pequenas.
b) Teste de Breusch-Godfrey
Um teste alternativo para auto-correlao o de multiplicador de Lagrange
onde se estima um VAR auxiliar dos resduos em funo das variveis defasadas e dos
resduos defasados representado por
t = A1Yt 1 + A2Yt 2 + ... + ApYt p + 1t 1 + 2t 2 + ... + ht h + ut
(7.14)
e testa-se a hiptese H 0 : 1 = 2 = ... = h = 0 contra H1 : pelo menos um i 0 . Neste

modelo admite-se que os resduos do VAR so auto-correlacionados. O teste feito em
quatro etapas:
a) Estima-se o VAR dado por (7.14);
b) Estima-se um VAR restrito em que 1 = 2 = ... = h = 0 , isto , os resduos no so
auto-correlacionados, dado por

DER/UFV
t = A1Yt 1 + A2Yt 2 + ... + ApYt p + utR ;

(7.15)
c) Constri-se as matrizes de varincias e covarincias dos resduos das equaes (7.14)
e (7.15) definidas por
T
IR = T 1 utut
t =1
R = T 1 utR utR
t =1
em que IR significa irrestrito e R restrito.

d) Calcula-se a estatstica de teste 2 LM dada por
LM (h) = T [k tr ( IR R1 )] ~ hk2 2 .
(7.16)
e compara com o valor da tabela com hk 2 graus de liberdade. Se a hiptese nula no for
aceita h evidncia de auto-correlao e a necessidade de acrescentar mais defasagens
no modelo VAR.
2. Teste de Normalidade
Testes de normalidade so, na maioria dos casos, baseados em medidas de
assimetria (terceiro momento em relao mdia) e de curtose (quarto momento em
relao mdia). A idia bsica comparar os valores calculados com os da
distribuio normal que so assimetria igual a zero e curtose igual a trs. Estas medidas
so definidas, para cada varivel i , por
T
Assimetriai : m3i =

t =1
3
it
(7.17)
T
T
Curtosei :
m4i =

t =1
4
it
(7.18)
em que t so resduos padronizados, normalmente por uma decomposio de Choleski

da matriz de varincia e covarincia dos resduos originais. Sob a hiptese nula de erros
normalmente distribudos, a assimetria e a curtose dos resduos tm distribuio normal
dadas por
T (m3i 0)~N (0,6)
T (m4i 3)~N (0,24) .

As estatsticas de teste so:
a) Para teste da assimetria conjunta: S32 = T

b) Para teste da curtose conjunta: S42 = T
(m 3 m 3 )
~ k2
6

DER/UFV
(m 4 3)(m 4 3)
~ k2
24
c) Para teste da assimetria e curtose conjunto: JBM = S32 + S 42 ~ 22k
(7.19)
(7.20)
(7.21)
O EViews reporta o teste de assimetria e curtose para cada varivel, o teste de

assimetria e curtose multivariado e o teste de Jarque-Bera para cada varivel e para o
conjunto de variveis.
3. Teste de heterocedasticidade condicional

O teste para verificar heterocedasticidade condicional ou efeito ARCH no
modelo VAR pode ser feito para cada varivel ou em conjunto. Ambas as formas j
foram descritas no Captulo 6.
7.2.6 Anlises feitas com o VAR
Os modelos VAR com variveis estacionrias permitem realizar as seguintes

anlises com dados de sries temporais:
1. Analisar os efeitos de choques nas variveis por meio de Funo Impulso
Resposta (FIR)
2. Analisar a importncia das variveis para explicar a Varincia do Erro de
Previso de cada varivel
3. Testar Causalidade de Granger
4. Fazer Previses
5. Analisar relaes contemporneas (teoria) entre as variveis com o VAR
Estrutural
As anlises de impulso resposta e decomposio de varincia servem para se
conhecer o sentido do fluxo de informao entre as variveis. A funo impulso
resposta mostra os efeitos de choques nas variveis do sistema; possibilita calcular o
impacto (sinal e magnitude) dinmico de mudana em uma varivel sobre ela e sobre as
outras ao longo do tempo. A anlise de decomposio de varincia indica quanto da
varincia do erro de previso de uma varivel pode ser atribudo a mudanas na prpria
varivel e nas outras do sistema. Os modelos VAR permitem, tambm, a anlise de
relaes de causalidade no sentido de Granger entre as variveis e, de forma semelhante
aos modelos ARMA, podem ser usados para realizar previses de valores futuros das
variveis. A anlise de relaes contemporneas procura relacionar o VAR com uma
forma estrutural que representa a teoria.

DER/UFV
10
Os modelos VAR com variveis integradas incorporam informaes de curto e

longo prazo nas relaes entre as sries temporais e so usados para anlise de
cointegrao, modelo de correo de erro, alm das anlises anteriormente
mencionadas.
Os modelos VAR podem tambm incorporar variveis tipicamente exgenas
como dummies sazonais e tendncia. Assim,
Yt = BX t + 1Yt 1 + 2Yt 2 + L + p Yt p + t
(7.22)
em que B uma matriz de coeficientes e X um vetor de variveis exgenas podendo

incluir interceptos, dummies, tendncia, varivel climtica ou qualquer outra de
natureza exgena.
A seguir vamos abordar as questes bsicas relacionadas com funo impulso
resposta, decomposio de varincia, causalidade de Granger e VAR Estrutural. No
ser abordada a parte de previses por ser uma simples extenso do que j foi visto para
os modelos ARMA.
7.2.7 Funes de Impulso-Resposta
Funes impulso resposta so funes de resposta do sistema a choques

(inovaes) nas variveis atravs dos erros aleatrios t . Procura-se medir o efeito de
um choque unitrio em uma varivel no perodo t sobre todas variveis em perodos
subseqentes. Os coeficientes da funo impulso resposta so os coeficientes VMA()
obtido da inverso do VAR( p ) .
Seja um VAR( p ) com as variveis medidas em termos de desvios das mdias,
Yt = 1Yt 1 + 2Yt 2 + L + p Yt p + t .
Aplicando o operador de defasagem temos
(I L
1
L2 L p Lp Yt = t
(L )Yt = t .
(7.23)
Se o VAR estacionrio pode-se invert-lo obtendo-se um VMA() . Ou seja,

Yt = 1 (L ) t = M (L ) t
Yt = t + M 1 t 1 + M 2 t 2 + L
(7.24)
em que M i so matrizes que fornecem os efeitos de choques nas variveis do modelo.

Para melhor visualizar a FIR, considere um VAR( p ) estacionrio com duas
variveis. Logo podemos escreve-lo na forma de mdias mveis

DER/UFV
Y1t 1 0 1t a11.1 a12.1 1t 1 a11.2

Y = 0 1 + a
+
2t 21.1 a22.1 2t 1 a21.2

2t
a12.2 1t 2 a11.3
+
a22.2 2t 2 a21.3
11
a12.3 1t 3
+ ...
a22.3 2t 3
Pode-se verificar que a i-sima coluna da matriz M k mede o efeito de um choque

unitrio no i-simo componente do vetor de inovaes no perodo t k sobre as
variveis no perodo t .
De forma mais especfica, para um VAR (1) a FIR pode ser definida da seguinte
maneira. Seja
Yt = 1Yt 1 + t
Logo,
Y1 = 1Y0 + 1
Y2 = 1 (1Y0 + 1 ) + 2
Y2 = 12Y0 + 1 1 + 2
Y3 = 1 12Y0 + 1 1 + 2 + 3
Y3 = 13Y0 + 12 1 + 1 2 + 3
M
Yt = 1tY0 + t + 1 t 1 + 12 t 2 + 13 t 3 + LL
t 1
Yt = 1t Y0 + 1i t i .
(7.25)
i =0
Como o VAR estacionrio, 1i 0 , t e

t 1
Yt = 1t t i , com 10 = I ,
(7.26)
i =0
que a representao VMA() do VAR(1) . Assim, observa-se que os efeitos M i so

relacionados com o parmetro 1 .
Com o VMA() calcula-se o efeito de choques em uma varivel sobre ela e
sobre as outras do sistema. Pode-se racionar tanto em termos de choques em t 1 t ,
t 2 t , t 3 t , etc., ou choques em t t + 1 , t t + 2 , t t + 3 , etc..
A interpretao da funo impulso resposta dada por

Yt + s
= Ms
t
em que o elemento ij de M s mostra o efeito de uma unidade de aumento na inovao
da varivel j no tempo t sobre a varivel i no tempo t + s , mantendo-se constante

DER/UFV
12
todas as outras inovaes e tempos constantes. A Funo Impulso Resposta o grfico

de
y i ,t + s
jt
em funo de s que um lapso de tempo ou defasagem.
Os choques devem ser analisados de forma isolada. Por exemplo, para o VAR (1) ,
Y3 = 13Y0 + 12 1 + 1 2 + 3
Y4 = 14Y0 + 13 1 + 12 2 + 1 3 + 4 .
Se Y0 = 0 e todos os erros para t 1 forem iguais a zero, um choque no perodo 1

resulta em
Y1 = 1Y0 + 1 = 1
Y2 = 1Y1 + 2 = 1 1 + 0 = 1 1
Y3 = 1Y2 + 3 = 11 1 + 0 = 1 1
2
Y4 = 1Y3 + 4 = 11 1 + 0 = 1 1
2
M
Para um tempo t
Yt = 1t 1 1 ,
que o efeito de um choque no perodo 1. Resta especificar em qual varivel este

choque ocorre. Se for na varivel 1, tem-se o efeito deste choque sobre ela e sobre as
outras.
7.2.8 Funes Impulso Resposta Ortogonalizadas
Seja um VAR (1) com 2 variveis,
Yt = AYt 1 + t
Y1t = a11Y1t 1 + a12Y2t 1 + 1t
Y2t = a 21Y1t 1 + a 22Y2t 1 + 2t

em que E ( t ) = 0 e E ( t t) = . A matriz a matriz de varincias e covarincias
dos erros. Esta constante ao longo do tempo (estacionariedade). Em geral esta matriz
no diagonal, ou seja, existe correlao contempornea entre os erros das diferentes
equaes (variveis). As inovaes (choques) so contemporaneamente correlacionadas.
Um choque em Y1 no perodo t representado por uma variao em 1t tem efeito
imediato sobre Y1 . Por exemplo, se 1t = 1 no perodo t = 0 e Yt = 0 para t < 0 , Y1t = 1 .
Este choque no tem efeito imediato sobre Y2 . No perodo t + 1 , o choque em Y1t afeta
Y1t +1 pela primeira equao e Y2t +1 pela segunda. Estes efeitos ocorrem nos perodos
t + 2 , t + 3 , etc. Ento, um choque em uma varivel em dado perodo desenvolve uma

DER/UFV
13
reao em cadeia ao longo do tempo em todas as variveis do sistema. As funes

impulso resposta calculam estes efeitos em cadeia.
O choque pode ser de uma unidade da varivel ou de um desvio padro ou de
qualquer valor definido. Se as variveis tm unidades de medida diferentes mais
indicado usar choque de um desvio padro. Se as variveis esto medidas nos
logartmos os valores da funo impulso reposta podem ser interpretados como
elasticidades. Normalmente a anlise da FIR se prende ao valor da resposta ao choque
unitrio, ao sinal e quantos perodos leva para o efeito do choque desaparecer. Para um
VAR estvel a FIR eventualmente decresce at atingir zero.
No entanto, o fato de existir correlao contempornea entre os erros impede
que se tenha o efeito puro/lquido de cada choque. Quando ocorre choque em uma
varivel do sistema seu efeito se confunde com o efeito advindo da correlao dos erros
de outras variveis. No h como garantir que o choque ocorre em cada varivel
isoladamente. Correlao entre os erros pode indicar que um choque em uma varivel
provvel de ser acompanhado por choques nas outras no mesmo perodo.
Para contornar este problema necessrio transformar os erros em erros
ortogonais que tero matriz de varincias e covarincias diagonal. Esta operao pode
ser denominada de ortogonalizao dos erros ou diagonalizao da matriz de varincias
e covarincias. A base para esta operao est no conceito de decomposio de
matrizes.
7.2.9 Decomposio de matrizes
Uma matriz quadrada Amxm definida positiva se: a) A for simtrica, e b) todas
as razes caractersticas (autovalores) de A forem positivos. Alternativamente, A
definida positiva se, para qualquer vetor b 0 , bAb > 0 .
Propriedades importantes de matrizes definidas positivas incluem: a) todos os
autovalores so reais e positivos, e b) a matriz pode ser tranformada como A = PP ,
em que uma matriz diagonal com os autovalores de A e P uma matriz ortogonal
formada com os autovetores de A . Esta decomposio denominada decomposio
espectral.
Existem diversas formas de decompor matrizes. Uma que tem grande aplicao
a decomposio de Cholesky. Esta diz que, para uma matriz simtrica A , existe uma
matriz L triangular inferior com uns na diagonal principal e uma matriz diagonal G tal
que A = LGL . Se A definida positiva so elementos da diagonal de G so positivos e
podemos escrever A = L G G L = ( L G )( L G ) , em que L G triangular inferior

DER/UFV
14
e a raiz quadrada tomada elemento por elemento da diagonal. Pela relao A = LGL
tem-se que L1 A( L) 1 = L1 A( L1 ) = G que uma operao de diagonalizao de A
(Tsay, 2005).
Esta operao pode ser aplicada no modelo VAR para gerar erros ortogonais
com matriz de varincias e covarincias diagonal e funes impulso resposta isentas do
problema de correlao entre os erros.
Dado o modelo
Yt = 1Yt 1 + 2Yt 2 + L + p Yt p + t
com E ( t ) = 0 e E ( t t) = e sendo uma matriz simtrica positiva definida, existe

uma matriz D no singular tal que = DGD e que ( D 1 )( D1 ) = G em que G uma
matriz diagonal.
No entanto, a operao de ortogonalizao dos erros implica em transformar
todo o modelo. Sendo assim, multiplicando o modelo por D 1 , temos
D 1Yt = D 11Yt 1 + D 1 2Yt 2 + L + D 1 pYt p + D 1 t
D 1Yt = D 11Yt 1 + D 1 2Yt 2 + L + D 1 pYt p + vt
(7.27)
vt = D 1 t
Pela decomposio de Cholesky o modelo transformado tem erros ortogonais pois

E (vt vt ) = E[ D 1 t tD1 ] = D 1E ( t t) D1 = D 1D1 = G .
Portanto a matriz de varincias e covarincias das inovaes transformadas

diagonal. As covarincias entre os choques no existem e a varincia de cada erro
dada pelos elementos da diagonal. Se G = I os erros tm varincia igual a unidade.
Invertendo-se o modelo para a representao de mdias mveis obtm-se a FIR com
choques ortogonais.
O modelo transformado denominado forma estrutural ou modelo estrutural.
Assim, da forma reduzida que o VAR inicial obtm-se a forma estrutural pela
transformao dos erros com uma decomposio de Cholesky.
No entanto, deve-se observar que em (7.27) todos os termos do modelo foram
tranformados. Os coeficientes das variveis defasadas so agora dados por D 1 i ,
i = 1,2,3,..., p e fornecem os efeitos dos choques para diferentes defasagens. Contudo,

do lado esquerdo da equao o termo D 1Yt define relaes contemporneas entre as
variveis e apresenta importantes implicaes para as anlises do VAR, implicaes
estas inerentes na forma de ortogonalizao dos erros.

DER/UFV
15
A seguir, mostra-se, atravs de um exemplo, baseado em Tsay (2005), que a

ortogonalizao dos erros (diagonalizao de ) pela decomposio de Cholesky gera
uma forma estrutural recursiva nas variveis do modelo e que as funes impulso
resposta so afetadas pela ordem em que as variveis aparecem na anlise. Seja o
modelo VAR (1) com duas variveis na forma reduzida
r1t = 0.2 + 0.2r1t 1 + 0.3r2t 1 + a1t
r2t = 0.4 0.6r1t 1 + 1.1r2t 1 + a2t
(7.28)
r1t 0.2 0.2 0.3 r1t 1 a1t

2 1
r = 0.4 + 0.6 1.1.r + a e = 1 1 .
2t 2 2t
2t
Para a matriz de varincias e covarincias dada, a decomposio de Cholesky obtida
0
1
com D 1 =
. Multiplicando o modelo por D 1 obtm-se
0.5 1
0 r1t 1
0 0.2 1
0 0.2 0.3 r1t 1 1
0 a1t
1
0.5 1 r = 0.5 1 0.4 + 0.5 1 0.6 1.1.r + 0.5 1 a
2t
2t 2
2t
2 0
e L1L1 = G =
.
0 0.5
Assim, o modelo estrutural fica
r1t
0.3 r1t 1 b1t
0.2 0.2
0.5r + r = 0.3 + 0.7 0.95.r + b

2t 2 2t
1t
2t
r1t = 0.2 + 0.2r1t 1 + 0.3r2t 1 + b1t
r2t = 0.3 + 0.5r1t 0.7r1t 1 + 0.95r2t 1 + b2t
(7.29)
O modelo estrutural (7.29) apresenta uma forma recursiva. A relao contempornea se

d de r1 para r2 e no de r2 para r1 . A primeira varivel afeta a segunda mas a segunda
no afeta a primeira, contemporaneamente. Isto acontece devido a: a) tipo de
decomposio usada (Cholesky), e b) a ordem das variveis, r1 vem antes de r2 .
Mudando a ordem das variveis no VAR, temos
r2t = 0.4 0.6r1t 1 + 1.1r2t 1 + a2t
r1t = 0.2 + 0.2r1t 1 + 0.3r2t 1 + a1t

r2t 0.4 1.1 0.6 r2t 1 a2t
1 1
r = 0.2 + 0.3 0.2 .r + a e = 1 2
1t 2 1t
1t

DER/UFV
16
1 0
Agora a matriz triangular inferior para a decomposio de Cholesky L1 =
.
1 1
Pr-multiplicando o modelo por L1 temos
1 0 r2t 1 0 0.4 1 0 1.1 0.6 r2t 1 1 0 a1t

1 1 r = 1 1 0.2 + 1 1 0.3 0.2 .r + 1 1 a
1t

1t 2
2t
1 0
e L1L1 = G =
.
0 1
Agora a forma estrutural ser dada por
r2t = 0.4 0.6r1t 1 + 1.1r2t 1 + c1t

.
r1t = 0.2 + 1.0r2t + 0.8r1t 1 0.8r2t 1 + c2t

O modelo estrutural apresenta uma forma recursiva porm com relao contempornea
diferente em que r2 (a primeira varivel) afeta r1 mas r1 no afeta r2 . A primeira
varivel afeta a segunda mas a segunda no afeta a primeira, contemporaneamente. A
simples mudana na ordem das variveis no modelo altera o sentido da relao
contempornea (teoria) entre as variveis e consequentemente as funes impulso
resposta e a decomposio de varincia. A sada para este problema : a) usar uma
ordem das variveis que tenha boa justificativa tendo como base a teoria e
conhecimento do setor; b) usar outro tipo de decomposio; c) usar funes impulso
resposta generalizadas, e d) usar procedimento de estimao da matriz de relaes
contemporneas que seja compatvel com a teoria e que fornea erros ortogonais para a
forma estrutural.
No processo de ortogonalizao dos erros (diagonalizao de ) ficou evidente
que os erros ortogonais so erros de um modelo estrutural que contm relaes
contemporneas entre as variveis e que a todo VAR forma reduzida corresponde uma
forma estrutural que deve ser compatvel com a teoria relativa ao estudo. Para melhor
entender a relao entre VAR (forma reduzida) e VAR Estrutural (forma estrutural)
pode-se fazer as seguintes observaes:
a) A ortogonalizao dos erros do modelo VAR (diagonalizao de ) conduz a uma
forma estrutural que tem como caracterstica importante as relaes contemporneas
entre as variveis.
b) A um VAR ( p ) com erro correlacionados corresponde um modelo estrutural com
erros no correlacionados. Erros estruturais so considerados no correlacionados.
c) A decomposio de Cholesky gera relaes contemporneas recursivas de acordo
com a ordem em que as variveis aparecem no modelo.

DER/UFV
17
d) Mudando a ordem das variveis no vetor Yt que compe o VAR, as relaes

contemporneas se alteram.
e) Relaes contemporneas representam teoria. Assim, antes de estimar o modelo
deve-se certificar de que a estrutura recursiva tem respaldo na teoria.
f) As funes impulso resposta e decomposio de varincia obtidas com decomposio
de Cholesky esto sujeitas ordenao das variveis.
g) Dada a matriz de varincias e covarincias aplica-se a transformao de Cholesky
para obter a matriz de relaes contemporneas. Existem outras formas de obter esta
matriz com relaes contemporneas no recursivas. Esta a idia bsica do VAR
Estrutural. Dada a estimativa de , procura-se obter uma matriz de relaes
contemporneas que represente uma teoria mais flexvel que a recursiva.
h) Deve-se observar que o processo de identificao do VAR (forma reduzida) para o
VAR Estrutural (forma estrutural) impe naturalmente restries na matriz de relaes
contemporneas. No possvel estimar uma matriz cheia com relaes entre todas as
variveis. Ser necessrio definir restries de excluso que tenham respaldo na teoria e
dem validade ao modelo.
i) A idia bsica do VAR Estrutural estimar a matriz de relaes contemporneas com
o nmero mnimo de restries e com relaes teoricamente relevantes. Combina-se a
diagonalizao de com a matriz de relaes contemporneas especificada de acordo
com a teoria.
7.2.10 Decomposio da Varincia do Erro de Previso
Uma anlise complementar funo impulso resposta a decomposio da

varincia do erro de previso que procura determinar qual a percentagem da varincia
do erro de previso de uma varivel que devido a ela e qual percentagem devido a
cada uma das outras variveis do modelo ao longo do horizonte de previso. Esta
anlise fornece elementos para se inferir sobre causalidade ao longo de um perodo
temporal e sobre qual varivel mais exgena no sistema.
A anlise se baseia nos desvios da previso das variveis. As previses obtidas
com o modelo VAR contm dois elementos: o valor esperado para a varivel e o choque
inesperado em cada equao. A decomposio de varincia inicia com o clculo da
varincia do erro de previso do VAR na forma de mdias mveis, isto , na foram
invertida VMA() . Assim, o erro de previso h perodos frente no modelo VAR( p) na
forma de VMA() dado por
Yt + h E (Yt + h | T ) = t + h + 1 t + h 1 + 2 t + h 2 + ... .
(7.30)

DER/UFV
18
O lado esquerdo de (7.30) a diferena entre o valor observado do vetor de variveis

endgenas no tempo t + h e o valor previsto pelo VAR. O lado direito a representao
VMA() dos erros de previso. Observe que o erro de previso corrente ou inovaes
no modelo dependem de inovaes passadas.
A anlise precisa ser feita com or erros ortogonais. Assim, a equao (7.30)
pode ser expressa em termos de choques ortogonais por
Yt + h E (Yt + h | T ) = ut + h + 1ut + h 1 + 2ut + h 2 + ... .
(7.31)
Denotando o ij-simo elemento de n por ij , n e considerando o erro de previso da

varivel k temos
yT + h E ( yT + h | T ) = 0,11u y1t + h + 1,11u y1t + h 1 + ... + h 1,11u y1t +1 + 0,12u y2 t + h + 1,12u y 2 t + h 1 +

... + h 1,12u y 2 t +1 + ...
Dado que os erros no so correlacionados a varincia do erro de previso da varivel k
dada por
k2 (h) = k2 ( 02,11 + 12,11 + ... + h21,11 ) + 2k ( 02,11 + 12,11 + ... + h21,11 )
(7.32)
Cada termo interpretado como a contribuio da respectiva varivel para a varincia

do erro de previso h perodos frente da varivel k . Dividindo ambos os lados por
k2 ( h) obtm-se a contribuio percentual de cada varivel (Ltkepohl e Krtzig, 2004,

Bueno, 2008).
Deve-se lembrar que a ortogonalizao dos erros estabelece relaes
contemporneas entre os erros de previso da mesma forma que foi visto nas funes
impulso resposta e est diretamente ligada pressuposio que feita sobre as relaes
contemporneas entre as variveis na identificao do VAR. Se for usada a
decomposio de Cholesky a ordem das variveis importante e oredens diferentes
fornecem decomposio de varincia diferente.
A decomposio da varincia do erro de previso , normalmente, apresentada
em forma de tabela que indica a precentagem do erro de previso de uma varivel que
pode ser atribuda a ela e a cada uma das outras do sistema h perodos frente depois
da inovao. Uma varivel tipicamente exgena ter alta percentagem explicada por ela
prpria por um longo perodo. Se uma varivel importante para a dinmica temporal
de outra varivel, um erro de previso na primeira varivel ter efeito sobre o erro de
previso na segunda varivel. A anlise pode indicar, tambm, relaes de causalidade
de Granger mostrando os impactos de mudanas e como as variveis so relacionadas
ao longo de certo horizonte de tempo. Analisa-se, basicamente, o percentual da
varincia do erro de previso de uma varivel que decorre dela e decada uma das outras,

DER/UFV
19
se o percentual varia ao longo do horizonte e por quantos perodos uma varivel

permanece importante para explicar outra.
7.3 VAR Estrutural
7.3.1 Introduo
Nesta parte vamos apresentar o modelo VAR Estrutural como uma extenso
lgica do VAR que foi definido como um modelo auto-regressivo vetorial capaz de
captar as caractersticas dinmicas dos dados econmicos, como originalmente
especificado por Sims (1980). Aps apresentar a especificao do modelo,
identificamos a necessidade de transformar a matriz de varincias e covarincias dos
erros para se ter choques ortogonais, isto , no correlacionados, para a anlise correta
das funes impulso resposta e decomposio da varincia do erro de previso.
Contudo, mesmo tendo erros ortogonais surge a dificuldade de como interpretar
as funes impulso resposta sem referncia teoria econmica, ou seja, fica difcil
interpretar o VAR sem referncia a uma estrutura econmica especfica.
Na seqencia, vimos que a decomposio de Cholesky da matriz de varincias e
covarincias dos erros gera erros ortogonais, mas impe uma estrutura recursiva nas
relaes contemporneas entre as variveis uma vez que a transformao ocorre em
todo o modelo. Nesta estrutura a primeira varivel do vetor Yt
no ,
contemporaneamente, afetada por nenhuma das outras, a segunda afetada pela

primeira, a terceira afetada pela primeira e pela segunda, e assim sucessivamente. A
varivel mais exgena no modelo, isto , a que no afetada por nenhuma, vem
primeiro e a mais endgena, isto , a que afetada por todas, vem por ltimo na
ordenao.
Dessa forma, a menos que exista uma justificativa terica para esta estrutura
recursiva a anlise dos efeitos de choques se torna arbitrria. Alm disso, vimos que, em
geral, mudando a ordem das variveis no vetor Yt muda os resultados dos choques e,
logicamente, muda as relaes contemporneas. Surge o problema de como definir a
ordem das variveis no modelo. Diante disto, Sims (1981) sugere estimar com vrias
ordenaes de variveis e verificar a robusts dos resultados em relao ordenao se
nenhuma ordem for sugerida pela teoria. Mas, esta no uma soluo prtica.
A incorporao da teoria para definir as relaes contemporneas entre as
variveis como alternativa relao recursiva conduz ao VAR Estrutural (SVAR), ou

DER/UFV
20
VAR identificado como foi definido por Sims (1986), Bernanke (1986) e Shapiro e
Watson (1986).
Inicialmente o VAR foi definido como um modelo cujo objetivo era captar as
relaes dinmicas entre as variveis e fazer previses. Ele apresentava bom
desempenho para previso, mas sofria crticas com relao a interpretao dos efeitos
dos choques devido seu carter aterico. Como interpretar as funes impulso resposta
sem uma referncia teoria econmica? Assim, avanou-se na idia de que existe um
modelo estrutural por traz do VAR irrestrito. Como veremos adiante, o VAR passa a ser
considerado formalmente como uma Forma Reduzida (FR) para o qual existe uma
Forma Estrutural (FE) que especifica relaes contemporneas entre as variveis de
acordo com a teoria. Greene (2003) salienta que assim a literatura fecha um crculo
porque a anlise recente baseada no VAR com identificao estrutural se torna muito
semelhante anlise com modelos de equaes simultneos dinmicos.
Considerar o VAR como uma FR de um modelo estrutural exige analisar o
problema da identificao em que se procura verificar se as informaes da FR so
suficientes para identificar a FE. Diferentemente dos modelos de equaes simultneas
onde se pode estimar a FE, neste caso estima-se a FR e a partir dela se obtm os
parmetros estruturais. Para isso necessrio impor restries suficientes para
identificar a FE. A decomposio de Cholesky impe nmero suficiente de restries
mas gera uma estrutura recursiva na FE. Existem procedimentos mais flexveis que
possibilitam identificar FEs mais gerais que representam relaes econmicas
coerentes com a teoria.
A relao entre VAR e VAR estrutural pode ser estabelecida de outra forma.
Alguns livros iniciam definindo um modelo estrutural tipo equaes simultneas
dinmico, que na verdade um VAR estrutural, e obtm a forma reduzida que o VAR
padro. Passa a descrever o VAR e depois volta a analisar o VAR Estrutural com nfase
nas relaes contemporneas entre as variveis e no problema da identificao. Alguns
chamam o Var Estrutural de sistema primitivo e o VAR de forma padro (Enders,
1995). Outros livros definem primeiro o VAR como um modelo auto-regressivo vetorial
e, aps caracterizar a nessecidade de decomposio da matriz de varincias e
covarincias dos erros para se ter choques ortogonais chega no VAR Estrutural
caracterizado pelas relaes contemporneas que aparecem entre as variveis em
conseqencia da decomposio. Esta a abordagem que estamos seguindo. Neste
processo fica claro o problema da identificao do modelo estrutural atravs da forma
reduzida. Relacionado com o VAR forma reduzida existe um modelo estrutural sempre

DER/UFV
21
que uma transformao feita. A decomposio de Cholesky gera um VAR Estrutural

recursivo, mas outras formas so possveis.
Erros estruturais so ortogonais por pressuposio e erros da forma reduzida so
correlacionados. A anlise de impulso resposta e decomposio de varincia que
mostram o efeito de inovao nas variveis deve ser feita com choques estruturais.
Assim, a decomposio ortogonaliza os erros da forma reduzida e gera erros estruturais
que devem ser relacionados com um modelo estrutural que tenha base terica.
7.3.2 Especificao
Nesta parte vamos apresentar a especificao do modelo VAR Estrutural (SVAR)

com nfase na especificao da matriz de relaes contemporneas e nas restries
necessrias para identificar o sistema estrutural (SVAR) a partir da forma reduzida
(VAR) de acordo com o procedimento de Bernanke (1986) que uma alternativa
especificao recursiva obtida com a decomposio de Cholesky. Em seguida, so
apresentados alguns exemplos de especificaes encontradas em trabalhos publicados
ou em livro texto.
Do VAR para o SVAR
Considere um VAR( p) com k variveis estacionrias

Yt = A1Yt 1 + A2Yt 2 + ... + A p Yt p + t
(7.33)
em que Yt um vetor kx1 de variveis endgenas, Ai , i = 1,2,3,..., p so matrizes kxk

de coeficientes e t um vetor kx1 de erros com mdia zero e matriz de varincias e
covarincias , isto t ~ (0, ) . Os termos determinsticos (intercepto, tendncia,
dummies e outras variveis exgenas) foram suprimidos para simplificar a notao.
O processo (7.33) tem uma representao de mdias mveis, MA() , dada por
Yt = t + M 1 t 1 + M 2 t 2 + M 3 t 3 ......
(7.34)
em que, M s = M s j A j , s = 1,2,3,... e M 0 = I k .
j =1
Os coeficientes das matrizes M s , s = 1,2,3,... , fornecem as respostas das

variveis a choques no sistema, constituindo as funes impulso resposta. Porm, como
os erros t so contemporaneamente correlacionados esses coeficientes no refletem de
forma adequada os efeitos dos choques nas variveis do sistema. Assim os erros de
(7.33) devem ser ortogonalizados de modo a apresentarem matriz de varincias e
covarincias diagonal (ausncia de covarincia). A ortogonalizao consiste em uma

DER/UFV
22
transformao dos erros em (7.33) gerando outro vetor de erros com matriz de
varincias e covarincias diagonal. No entanto, esta transformao envolve modificar
todo o modelo o que traz conseqncias para o relacionamento contemporneo entre as
variveis.
Dado simtrica e definida positiva, existe uma matriz P no singular tal que
P P uma matriz diagonal. Multiplicando-se (7.33) por P , tem-se,

PYt = PA1Yt 1 + PA2Yt 2 + ... + PA p Yt p + P t
ou
PYt = A1*Yt 1 + A2*Yt 2 + ... + A*p Yt p + u t ,
(7.35)
que constitui um novo modelo, com novo erro u t = P t e com o termo PYt do lado
esquerdo que incorpora relaes contemporneas entre as variveis do sistema.
O modelo (7.35) um VAR Estrutural que permite anlise de funes impulso
resposta ortogonais, decomposio da varincia do erro de previso e estimativas de
coeficientes de relaes contemporneas entre as variveis. A matriz de varincias e
coverincias dos erros estruturais em (7.35) dada por
Var Cov(ut ) u = E (ut ut ) = E ( P t tP) =

= PE ( t t) P = P P (diagonal por definio)
(7.36)
Relacionamos um VAR (equao 7.33) com um SVAR (equao 7.35).
Do SVAR para o VAR
De forma alternativa podemos definir um VAR a partir de um SVAR. Mudando

um pouco a notao, considere um modelo estrutural (SVAR) dado por
AYt = A1*Yt 1 + A2*Yt 2 + ... + A*pYt p + But
(7.37)
em que Yt = vetor (k x 1) de variveis do modelo,
A = matriz (k x k) de relaes contemporneas entre as variveis do modelo,

Ai* (i = 1,2,3,..., p ) = matrizes (k x k) de coeficientes que relacionam os valores
defasados das variveis com seus valores correntes,
B = matriz (k x k) de relaes contemporneas entre os erros estruturais ut ,

u t = vetor (k x 1) de erros/choques estruturais ortogonais com E (u t ) = 0 e
E (u t u t ) = u (diagonal), e
k = o nmero de variveis.
Pr multiplicando-se (7.37) por A 1 , temos

DER/UFV
23
A1 AYt = A1 A1*Yt 1 + A1 A2*Yt 2 + ... + A1 A*pYt p + A1But

Yt = A1Yt 1 + A2Yt 2 + ... + ApYt p + t .
(7.38)
em que (7.38) um VAR padro e
t = A1But
A t = But .
ou
(7.39)
Observe que,
t = erros/choques ou inovaes do modelo VAR (forma reduzida) que

so correlacionados, e
u t = erros/choques ou inovaes estruturais que devem ser ortogonais

(no correlacionados).
A matriz de varincias e covarincias dos erros da forma reduzida em (7.38) dada por
Var Cov( t ) = E ( t t) = E ( A1But utBA1 ) =
A1BE (ut ut) BA1 = A1Bu BA1
(7.40)
Se u for identidade,
= A1BBA1 .
(7.41)
Identificao
O que mostramos anteriormente que o VAR (equao 7.33 ou 7.38) uma

forma reduzida do VAR Estrutural (equao 7.35 ou 7.37). O modelo estrutural no
observvel, mas a forma reduzida pode ser estimada. Realmente, a estratgia ,
primeiro, especificar e estimar o VAR, e depois estimar o VAR Estrutural e concentrar
na anlise de funes impulso resposta, decomposio de varincia e relaes
contemporneas entre as variveis.
Para estimar o SVAR temos que resolver primeiro o problema de identificao.
A partir da estimativa do VAR ser possvel identificar o VAR Estrutural? Mais
especificamente, a partir da estimativa de , ser possvel obter estimativas dos
coeficientes de A e B do modelo estrutural?
Para se ter identificao preciso impor restries nas matrizes A e B . O
nmero de restries necessrio para alcanar identificao depende da relao entre o
nmero de coeficientes estimados na forma reduzida e o nmero de coeficientes a serem
obtidos na forma estrutural; um problema de nmero de incgnitas e de nmero de
equaes (relaes) semelhante condio de ordem1 em equaes simultneas.
1
A condio de ordem uma condio necessria; existe tambm a condio de posto.

DER/UFV
24
O nmero de parmetros do VAR forma reduzida que servem para identificar os

elementos das matrizes A e B o nmero de coeficientes no redundantes da matriz de
varincias e covarincias . Os coeficientes das variveis defasadas no contam.
k (k + 1) k 2 + k
=
coeficientes que o nmero mximo de
Como simtrica, temos
2
2
elementos identificveis em A e B . Se nosso modelo tem 3 variveis, teremos
3(3 + 1)
= 6 elementos em e s podemos identificar 6 elementos em A e B ; se
2
nosso modelo tem 4 variveis, teremos
4(4 + 1)
= 10 elementos em e s podemos
2
identificar 10 elementos em A e B . Assim, temos:

Elementos a serem identificados: So 2k 2 elementos em A e B ;
k (k + 1) k 2 + k
=
Elementos observados/estimados: So os
valores da matriz de
2
2
varincias e covarincias dos erros ( ).
Identificao: Para identificar 2k 2 coeficientes desconhecidos a partir dos
k (k + 1)
k (k 1)
= k2 +
(k 2 + k ) / 2 valores de , ser necessrio impor 2k 2
2
2
restries nas matrizes A e B .
Temos trs situaes com relao condio de
identificao do sistema2:
a) Sistema exatamente identificado quando o nmero de restries em A e B for
igual a k 2 +
k (k 1)
,
2
b) Sistema super identificado quando o nmero de restries em A e B for

maior que k 2 +
k (k 1)
,
2
c) Sistema sub-identificado quando o nmero de restries em A e B for menor

que k 2 +
k (k 1)
.
2
Para a maioria dos casos so usadas restries de excluso com zeros nas posies
que representam ausncia de relao contempornea, ou seja, nas posies de
coeficientes que no sero estimados. Estas restries so definidas pela teoria. Alm
disso, podemos definir A ou B como identidade e impor a restrio de que a matriz
tenha 1 s na diagonal principal, o que reduz o nmero de restries necessrias.
2
Podemos distinguir dois tipos de restries: de curto prazo e de longo prazo. Vamos tratar aqui somente
das restries de curto prazo.

DER/UFV
25
O sistema estrutural estimvel ou identificado quando for exatamente identificado

ou super identificado. Na modelagem de SVAR comum considerar modelos
exatamente identificados, pois estes contm o mnimo de restries necessrias para
identificao.
Para sistemas super identificados existe um teste de razo de verossimilhana para
verificar a validade das restries alm do mnimo necessrio. A hiptese nula que as
restries sovlidas. A estatstica de teste dada por
~
LR = T (ln | | ln | |) ~ r2
(7.42)
~
em que e so as matrizes de varincias e covarincias restrita e irrestrita,
respectivamente, e r o nmero de restries acima do minimo.
Com base na equao 7.39 em que A t = But e dependendo das restries
impostas, trs tipos de modelos SVAR podem ser definidos (Ltkepohl e Krtzig,
2004): a) Modelo-A; b) Modelo-B, e c) Modelo-AB. Esta denominao utilizada na
literatura e implementada pelos programas economtricos.
Modelo-A
Neste modelo a idia modelar as relaes contemporneas entre as variveis

diretamente pela matriz A em (7.37) considerando B = I k , isto ,
A t = ut
(7.43)
o que reduz o nmero de valores desconhecidos de k 2 . Assim, o nmero mnimo de

restries para identificao ser
k (k 1)
.
2
Por exemplo, em um sistema de 4 variveis temos 16 elementos a serem

identificados. Os elementos estimados so 10 da matriz . Logo, temos que impor, no
mnimo, 6 restries. A matriz A teria a seguinte configurao
a11 0
a
a
A = 21 22
a31 a32
a41 a42
0
0
a32
a43
0
0
.
0
a42
Assim, o sistema exatamente identificado. Se colocarmos quatro 1s na diagonal

principal o sistema fica super identificado. Se a teoria indica um relacionamento
contemporneo no recursivo, os zeros podem aparecer em posies diferentes fora da
diagonal principal.

DER/UFV
26
Modelo-B
Neste modelo, ao invs de modelar diretamente as relaes contemporneas

entre as variveis, especifica-se as relaes entre os erros identificando-se os choques
estruturais diretamente pelos choques da forma reduzida. A matriz A considerada
identidade, isto , A = I k . Logo
t = But .
(7.44)
Ou seja, os erros da forma reduzida so funes lineares dos erros estruturais. O nmero
mnimo de restries para identificao , tambm,
k (k 1)
. Neste caso, = B u B e,
2
se u = I k , = BB .
Modelo-AB
De acordo com Amisano e Giannini (1997), possvel considerar os dois tipos

de restries simultaneamente e o modelo resultante ser
A t = But .
Como
2k 2
tm
k2
(7.45)
elementos cada, temos que impor, no mnimo,
k (k + 1)
k (k 1)
= k2 +
restries para identificao.
2
2
Como exemplo, considere o modelo apresentado por Ltkepohl e Krtzig (2004)
envolvendo as variveis produto ( qt ), taxa de juros ( i t ) e moeda ( mt ). Os erros da

forma reduzida so denotados por t = ( tq , ti , tm ) e os erros estruturais por
u t = (u tIS , u tLM , u tm ) . De acordo com uma viso keynesiana a relao entre os erros da
forma reduzida e os erros estruturais dada por
tq = a12 ti + b11u tIS ,
que representa a curva IS
ti = a 21 tq a 23 tm + b22 u tLM
que representa a curva LM
tm = b33 u tm
que representa uma regra de oferta de moeda
A primeira equao representa um curva IS com um parmetro negativo para inovao

na taxa de juros e um efeito de choque estrutural na prpria IS; a segunda equao
melhor entendida resolvendo a demanda por moeda em funo de inovaes na taxa de
juros, ou seja, tm = 1 tq + 2 ti + u tLM , de onde se tira que 1 deve ser positivo porque

DER/UFV
27
mais moeda necessrio para um maior volume de transao e que 2 deve ser
negativo porque quanto mais alta a taxa de juros maior o custo de se reter moeda e,
consequentemente, menor quantidade de moeda ser demandada. Por fim a terceira
equao postula que as inovaes da base monetria so determinadas por choques
exgenos na oferta monetria. As trs equaes formam um modelo AB que pode ser
escrito na forma A t = Bu t
1
a
21
0
a12
1
0
b11
a 23 t = 0
0
1
0
b22
0
u
t
b33
0
0
Como k = 3 , necessrio um mnimo de 2k 2 1 k (k + 1) = 12 restries em A e em

2
B para identificao do modelo. Com 3 uns e 3 zeros em A e 6 zeros em B a condio

satisfeita e o modelo exatamente identificado.
Par fins de estimao, os softwares economtricos consideram o Modelo-AB
uma vez que os outros podem ser considerados casos especiais. O modelo mais comum
o Modelo-AB em que A define as relaes contemporneas entre as variveis e B
diagonal. Na maioria dos softwares os elementos da diagonal de B so estimativas dos
desvios padres dos erros estruturais (QMS, 2009).
Estimao de SVAR no EViews
Primeiro temos que estimar um VAR padro e, em seguida, solicitar a estimao

das matrizes A e B . Antes, porm, temos que criar as matrizes A e B com a opo
Object/New Object...editando-as com zero nas posies de excluso e com NA nas
posies de coeficientes a serem estimados. Por exemplo,

0 0
1
1 0 0
A = NA 1 0 e B = 0 1 0 , que representa um sistema recursivo com B = I .

NA NA 1
0 0 1
Ou,
0 NA NA
0
0
1
NA 0
NA 1
0
0
0 NA 0
0
e B=
A=
, que representa um sistema
0 NA 1
0
0
0 NA 0
0
0 NA
0 NA NA 1
0

DER/UFV
28
estrutural com relaes contemporneas no recursivas entre as variveis e com matriz

B diagonal cujos coeficientes so estimativas dos desvios padres dos erros estruturais.
Depois de criadas estas matrizes e estimado o VAR padro, clica-se, na tela do
VAR, a opo Proc/Estimate Structural Factorization... e seleciona Matrix para
especificar as restries de identificao, depois Short-run pattern para indicar as
matrizes a serem estimadas.
Exemplo
Considere o modelo VAR 1 do Banco Cenral do Brasil usado para prever

inflao e determinar as relaes entre as variveis como descrito em Bueno (2008). O
modelo inclui as seguintes variveis endgenas:
camb = variao da taxa de cmbio nominal;
juro = variao da taxa selic real;
livres = inflaodos preos livres, e
adm = inflao dos preos administrados.
Alm disso, so includas 11 dummies mensais e uma dummy de tendncia para o

perodo de desinflao (janeiro de 1995 a junho de 1998). Ao dados se referem ao
perodo de setembro de 1994 a maio de 2007. O VAR foi estimado com 4 defasagens as
11 dummies e a tendncia. Aps estimar o VAR recuperamos os parmetros estruturais
do Modelo-AB em que A t = Bu t e B diagonal para duas situaes: modelo recursivo
exatamente identificado e modelo no recursivo super-identificado.
1. Modelo recursivo exatamente identificado
A Tabela 7.1 mostra a especificao da matriz A de relaes contemporneas

entre as variveis e a Tabela 7.2 a especificao da matriz B para um modelo recursivo
em que juro a varivel mais exgena e livres a mais endgena. Os coeficientes da
matriz B fornecem as estimativas dos desvios padres dos erros estruturais. Na Tabela
7.3 encontram-se as estimativas do modelo.
Efeito* de
Sobre
juro
camb
adm
livres
juro
camb
a 21

DER/UFV
adm
a31
a32
livres
a 41
a 42
a 43
29
* Coluna afeta linha

Tabela 7.1 Especificao da matriz A de relaes contemporneas.
Efeito* de
Sobre
juro
camb
adm
livres
juro
b11
camb
b22
adm
b33
livres
b44

Tabela 7.2 Especificao da matriz B de relaes contemporneas
entre os erros estruturais.
Identificao: Com 4 variveis temos que impor, pelo menos, k 2 +
k (k 1)
= 22
2
restries nas matrizes A e B. Como so impostas 22 restries, o sistema exatamente

identificado.
Structural VAR Estimates
Date: 10/26/11 Time: 23:18
Sample (adjusted): 1995M01 2007M05
Included observations: 149 after adjustments
Estimation method: method of scoring (analytic derivatives)
Convergence achieved after 12 iterations
Structural VAR is just-identified
Model: Ae = Bu where E[uu']=I
Restriction Type: short-run pattern matrix
A=
1
0
C(1)
1
C(2)
C(4)
C(3)
C(5)
B=
C(7)
0
0
C(8)
0
0
0
0
C(1)
C(2)
C(3)
C(4)
C(5)
C(6)
C(7)
C(8)
0
0
1
C(6)
0
0
0
1
0
0
C(9)
0
0
0
0
C(10)
Coefficient
Std. Error
z-Statistic
Prob.
-0.014491
1.117776
0.536834
0.278796
-0.087125
0.089408
0.370556
0.092047
0.020350
0.200538
0.051062
0.805940
0.186747
0.018975
0.021466
0.005332
-0.712110
5.573877
10.51336
0.345926
-0.466542
4.711893
17.26268
17.26268
0.4764
0.0000
0.0000
0.7294
0.6408
0.0000
0.0000
0.0000

DER/UFV
C(9)
C(10)
0.905538
0.209741
Log likelihood
-94.82972
Estimated A matrix:
1.000000
-0.014491
1.117776
0.536834
Estimated B matrix:
0.370556
0.000000
0.000000
0.000000
0.052456
0.012150
17.26268
17.26268
0.000000
1.000000
0.278796
-0.087125
0.000000
0.000000
1.000000
0.089408
0.000000
0.000000
0.000000
1.000000
0.000000
0.092047
0.000000
0.000000
0.000000
0.000000
0.905538
0.000000
0.000000
0.000000
0.000000
0.209741
30
0.0000
0.0000
Tabela 7.3 Estimativas do modelo SVAR exatamente identificado.

A matriz A multiplicada pelo vetor de variveis resulta em 4 equaes,
0
0
1
0.014
1
0
A=
1.118
0.279
1
0.537 0.087 0.089
juro
0 juro
0.014 juro + camb

0 camb
1.118 juro + 0.279camb + adm

0 adm
1 livres 0.537 juro 0.087camb + 0.089adm + livres

jurot = termos defasados
camb = 0.014 juro + termos defasados
adm
t = 1.118 juro 0.279camb + termos defasados
livrest = 0.537 juro + 0.087camb 0.089adm + termos defasados
Observe a forma recursiva do modelo. A interpretao desse resultado que, a elevao

de 10% na varivel juro implica aumento no cambio de 0.14%, diminuio dos preos
administrados de 11.18% e diminuio nos preos livres de 5.37%,
contemporaneamente. J o aumento de 10% na varivel camb leva reduo de 2.79%
nos preosadministrados e elevao de 0.87% nos preos livres. A elevao de 10% na
varivel adm leva a uma diminuio de 0.89% nos preos livres. So estas as
informaes das relaes contemporneas. Em seguida, deve-se analisar as funes
impulso resposta e decomposio de varincia.
2. Modelo no recursivo e super identificado
A Tabela 7.4 mostra a especificao da matriz A de relaes contemporneas

entre as variveis com apenas 3 coeficientes diferentes de zero. A matriz B a mesma
especificada antes. Na Tabela 7.5 encontram-se as estimativas do modelo.
Efeito de
Sobre
juro
camb
adm
livres
juro
camb

DER/UFV
adm
a31
livres
a 41
a 43

Tabela 7.4 Especificao da matriz A de relaes contemporneas.
Identificao: Com 4 variveis temos que impor, pelo menos, k 2 +
k (k 1)
= 22
2
restries nas matrizes A e B. Como foram impostas 25 restries, o sistema super

identificado.
Structural VAR Estimates
Date: 10/26/11 Time: 23:18
Sample (adjusted): 1995M01 2007M05
Included observations: 149 after adjustments
Estimation method: method of scoring (analytic derivatives)
Convergence achieved after 10 iterations
Structural VAR is over-identified (3 degrees of freedom)
Model: Ae = Bu where E[uu']=I
Restriction Type: short-run pattern matrix
A=
1
0
0
1
C(1)
0
C(2)
0
B=
C(4)
0
0
C(5)
0
0
0
0
C(1)
C(2)
C(3)
C(4)
C(5)
C(6)
C(7)
0
0
1
C(3)
0
0
0
1
0
0
C(6)
0
0
0
0
C(7)
Coefficient
Std. Error
z-Statistic
Prob.
1.121816
0.535853
0.089659
0.370556
0.092204
0.905902
0.209894
0.200278
0.051056
0.018981
0.021466
0.005341
0.052477
0.012159
5.601286
10.49539
4.723558
17.26268
17.26268
17.26268
17.26268
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Log likelihood
-95.25140
LR test for over-identification:
Chi-square(3)
0.843359
Estimated A matrix:
1.000000
0.000000
1.121816
0.535853
Estimated B matrix:
0.370556
0.000000
0.000000
0.000000
Probability
0.000000
1.000000
0.000000
0.000000
0.000000
0.000000
1.000000
0.089659
0.000000
0.000000
0.000000
1.000000
0.000000
0.092204
0.000000
0.000000
0.000000
0.000000
0.905902
0.000000
0.000000
0.000000
0.000000
0.209894
0.8391
Tabela 7.5 Estimativas do modelo SVAR super identificado.
31

DER/UFV
32
As estimativas fornecem 4 equaes

jurot = termos defasados
camb = termos defasados
admt = 1.122 juro + termos defasados

livrest = 0.536 juro 0.089adm + termos defasados
A interpretao desse resultado que, a elevao de 10% na varivel juro implica

diminuio dos preos administrados de 11.22% e diminuio nos preos livres de
5.36%, contemporaneamente. J o aumento de 10% na varivel adm leva a uma
diminuio de 0.89% nos preos livres.
7.4 Anlise de co-integrao

7.4.1 Introduo
A modelagem de sries temporais pode se orientar pela seguinte estratgia:

A. Caso Univariado
1. Se Yt uma srie estacionria, usa-se um modelo ARMA(p,q).
2. Se Yt no estacionria, usa-se um modelo ARIMA(p,d,q), em que d a
ordem de diferenciao necessria para tornar Yt estacionria. Obtm-se Z t = d Yt e
modela-se a srie diferenciada Z t .
B. Caso Multivariado
Sejam Yt , X t e Z t trs sries temporais e a seguinte relao de interesse
Yt = + X t + Z t + t .
(7.46)
Neste caso temos que considerar as seguintes possibilidades:

1. Se Yt , X t e Z t so estacionrias, podemos estimar (7.46) em nvel.
2. Se Yt , X t e Z t so no estacionrias, temos duas situaes:
a) Se Yt , X t e Z t so no estacionrias, mas cointegradas, deve-se
ajustar um Modelo de Correo de Erro (MCE), na forma uni ou
multivariada, dado por
J
j =0
j =0
Yt = + j X t j + j Z t j + t 1 + ut
(7.47)
em que t 1 so os resduos da equao (7.46).

b) Se Yt , X t e Z t so no estacionrias e no co-integradas, deve-se
ajustar (7.46) em primeiras diferenas, isto ,
Yt = + X t + Z t + vt .

DER/UFV
33
(7.48)
7.4.2 Conceito de Co-integrao
A no estacionariedade de sries temporais uma possvel manifestao de uma

tendncia estocstica nas sries. Do ponto de vista economtrico a no estacionariedade
problemtica porque ela gera regresso espria e no permite o uso da teoria
assinttica para estimao e inferncia. Ou seja, mesmo em amostras grandes o
estimador de MQO ser inconsistente e os testes de t e F no so vlidos. Para contornar
este problema temos que buscar relaes de equilbrio (relaes de cointegrao) entre
as variveis no estacionrias.
A idia intuitiva de cointegrao que variveis no estacionrias podem
caminhar juntas, isto , podem ter trajetrias temporais interligadas, de forma que no
longo prazo apresentem relao de equilbrio. A existncia de uma relao de equilbrio
de longo prazo tem, certamente, implicaes para o comportamento de curto prazo das
variveis; dever haver algum mecanismo que influencia o comportamento das
variveis no curto prazo de maneira a garantir a relao de equilbrio de longo prazo.
Suponha
Yt = Yt 1 + 1t , 1t ~ iid (0, 12 )
X t = X t 1 + 2t , 2t ~ iid (0, 22 ) ,
sendo 1t e 2t independentes. As variveis Yt e X t so passeios aleatrios e portanto

no estacionrios. Ambas apresentam tendncia estocstica. Mesmo no havendo
nenhuma indicao da existncia de uma relao entre Yt e X t , o ajuste de
Yt = + X t + t dever mostrar: a) alto R 2 , b) altamente significativo, c) baixa

estatstica de Durbim-Watson indicando resduos autocorrelacionados. Isto esperado
por causa da tendncia presente em cada varivel. Este resultado indica regresso
espria, caracterizada por relao forte entre as variveis, devido a tendncia estocstica
comum s duas sries, e erro no estacionrio.
7.4.3 Definio de Co-integrao
As sries Y1t , Y2t , Y3t ,..., Ykt so cointegradas de ordem (d , b), isto ,
Y1t , Y2t , Y3t ,..., Ykt ~ CI (d , b) ,

com 0 b d , se:
a) Todas as sries forem integradas de ordem d, I(d), e

DER/UFV
34
b) Existir uma combinao linear dessas variveis,
Z t = a1Y1t + a 2Y2t + a3Y3t + ... + a k Ykt ,

que seja integrada de ordem (d-b).
Dito de outra forma, as variveis3
Y1t ~ I (d ), Y2t ~ I (d ), Y3t ~ I (d ),..., Ykt ~ I (d )

sero CI(d , b) se
Z t = a1Y1t + a 2Y2t + a3Y3t + ... + a k Ykt ~ I (d b) .

O vetor a = [a1
a2
a3 ... a k ] denominado vetor de cointegrao. Este um
conceito estatstico geral em que a combinao linear deve ser integrada de ordem
menor que d.
Os casos de interesse para as relaes econmicas so quando a combinao
linear estacionria, isto , I(0). Temos, ento, duas situaes:
a) Quando b = d,
Y1t , Y2t , Y3t ,..., Ykt ~ CI (d , d ) se

Z t = a1Y1t + a 2Y2t + a3Y3t + ... + a k Ykt ~ I (d d ) ~ I (0) .
b) Quando d = b = 1,
Y1t , Y2t , Y3t ,..., Ykt ~ CI (1,1) se

Z t = a1Y1t + a 2Y2t + a3Y3t + ... + a k Ykt ~ I (1 1) ~ I (0) .
semelhana de Bueno (2008), outros autores afirmam que os casos mais
estudados e de maior interesse so aqueles em que as variveis so integradas de ordem
um ou h algumas integradas de ordem 1 e outras de ordem zero.
7.4.4 Relao de Equilbrio de Longo Prazo
Considere Yt ~ I (1), X t ~ I(1) e Z t ~ I (1) e a relao Yt = 0 + 1 X t + 2 Z t .

Esta relao estar em equilbrio de longo prazo se Yt 0 1 X t 2 Z t = 0 . No
entanto, a relao exata no ocorre e o desvio do equilbrio pode ser representado por
t = Yt 0 1 X t 2 Z t sendo que, para o equilbrio existir e ter significado

econmico, o desvio deve flutuar em torno de zero. Isto significa que t deve ser
estacionrio, isto , t ~ I (0) com E ( t ) = 0 .
Assim, com
3
Existe uma definio de co-integrao mais abrangente apresentada por Campbell e Perron (1991) que
no exige que as variveis tenham a mesma ordem de integrao (Ver Bueno, 2008).

DER/UFV
35
Yt ~ I (1), X t ~ I(1) e Z t ~ I (1) e
t = Yt 0 1 X t 2 Z t ~ I (0)
tem-se Yt , X t e Z t ~ CI (1,1) com vetor de co-integrao = [1 0
2 ] .
Intuitivamente, a anlise de cointegrao consiste em verificar se as variveis

guardam uma relao de equilbrio de longo prazo, isto , se elas possuem uma
dinmica comum que faz com que elas caminhem juntas ao longo do tempo. As Figuras
7.1, 7.2, 7.3 e 7.4 mostram exemplos de sries que podem ser cointegradas. A Figura
7.1 mostra as sries do Indicador Boi Gordo ESALQ-BM&F de valor a prazo (azul) e
valor a vista (vermelho). As duas sries parecem ser no estacionrias mas,
cointegradas, pois caminham juntas ao longo do tempo.
Figura 7.1 Indicador ESALQ-BM&F do Preo doBoi Gordo.
A Figura 7.2 apresenta os preos mdios da arroba de boi gordo nos Estados de
So Paulo, Minas Gerais e Gois que, tambm, podem ser cointegradas, pois
apresentam uma trajetria comum ao longo do tempo.
Na Figura 7.3 so mostrados os preos de caf em trs segmentos do mercado.
Tem-se o preo pago ao produtor brasileiro (PP), preo de exportao (PE) e o preo de
atacado nos Estados Unidos (PA). Aparentemente as sries apresentam tendncia
estocstica (no estacionrias), mas podem ser cointegradas.

DER/UFV
36
A Figura 7.4 apresenta dados sobre taxa de cmbio real efetiva (TC), oferta
monetria (M1), taxa nominal de juros (JN) e preo relativo agricultura/indstria (RP).
As sries podem ser no estacionrias e apresentarem ou no equilbrio de longo prazo.
200
160
120
80
40
0
80
82
84
86
88
90
SP
92
94
MG
96
98
00
02
GO
Figura 7.2 - Preos mdios da arroba de boi gordo nos Estados de So

Paulo, Minas Gerais e Gois.
6,000
5,000
4,000
3,000
2,000
1,000
0
25
50
PP
75
PE
100
125
PA
Figura 7.3 - Preo de caf pago ao produtor brasileiro (PP), preo de

exportao (PE) e preo de atacado nos Estados Unidos (PA).

DER/UFV
37
8
7
6
5
4
3
2
1
0
1983
1984
1985
M1
JN
1986
1987
TC
1988
RP
Figura 7.4 - Taxa de cmbio real efetiva (TC), oferta monetria (M1),
taxa nominal de juros (JN) e preo relativo entre
agricultura e indstria (RP).
7.4.5 Nmero de Vetores de Cointegrao
O vetor de co-integrao formado pelos coeficientes da relao de cointegrao (estacionria) que assegura o equilbrio de longo prazo entre as sries. Os
vetores de cointegrao no so nicos. Podem existir vrias combinaes lineares
estacionrias resultantes da existncia de vrios vetores de cointegrao. A identificao
do nmero de vetores de cointegrao tem implicaes relevantes para a modelagem de
relaes econmicas e para aplicao prtica do conceito de cointegrao.
O nmero de vetores de cointegrao depende do nmero de variveis
envolvidas. Tem-se:
a) Caso de 2 variveis Se Yt ~ I (1) e X t ~ I (1) e t = Yt 0 1 X t ~ I (0) ,
ento, Yt , X t ~ CI (1,1) com vetor de co-integrao = [1 0
1 ] . Neste caso,
existe somente uma combinao linear estacionria que representa uma relao de
equilbrio de longo prazo entre as variveis.
b) Caso de k variveis Se Yt ~ I (1), X 2t ~ I (1), X 3t ~ I (1),..., X kt ~ I (1) e
t = Yt 1 2 X 2t 3 X 3t ... k X kt ~ I (0) , ento, Yt , X 2t , X 3t ,..., X kt ~ CI (1,1)

com vetor de cointegrao = [1 1
... k ] . Neste caso, pode-se

DER/UFV
38
mostrar que existem at k 1 vetores de cointegrao linearmente independentes. Ou

seja, podem existir de 1 at k 1 vetores de cointegrao que representam relaes de
equilbrio de longo prazo entre as variveis.
Deve-se observar que o vetor de cointegrao aparece com o coeficiente da
primeira varivel endgena igual a 1. Diz-se que o vetor est normalizado com relao a
esta varivel. Este procedimento definido pela natureza da relao econmica de
interesse e ajuda a identificar o vetor de cointegrao.
7.4.6 Rank de Co-integrao
O rank de cointegrao ( r ) o nmero de vetores de co-integrao

linearmente independentes. Para k variveis de mesma ordem de integrao e
cointegradas, tem-se que 1 r k 1 . O rank de cointegrao o nmero de relaes

de cointegrao importantes para manter o equilbrio de longo prazo entre as variveis.
7.4.7 Testes de Co-integrao
Para testar a existncia de cointegrao entre variveis, podemos distinguir os

seguintes casos:
1. Testes uniequacionais Baseiamse no ajustamento de uma relao entre as
variveis. Temos que considerar:
a) Caso de 2 variveis
b) Caso de mais de 2 variveis
2. Testes multiequacionais Baseiam-se no ajustamento de um modelo VAR
com as variveis. Pode ser aplicado para duas ou mais variveis.
7.4.7.1 Testes Uniequacionais
O teste mais utilizado, neste caso, o de Engle-Granger que consiste em ajustar

uma relao entre as variveis e realizar um teste de raiz unitria tipo Dickey-Fuller nos
resduos da equao ajustada.
a) Caso de 2 variveis
Considere duas sries econmicas Yt e X t . Para que estas variveis sejam
cointegradas deve existir uma combinao linear estacionria entre elas. Ento, pode-se

DER/UFV
39
considerar a relao Yt = + X t + t e a combinao linear t = Yt X t . Se
t ~ I (0) , Yt e X t so co-integradas.
Procedimento do Teste de Engle-Granger
1. Verificar a ordem de integrao das variveis: a) Se a ordem for a mesma, I(1)

ou I(2), por exemplo, continuar o teste; b) Se a ordem for diferente, pode-se concluir
que as variveis no so cointegradas, e c) Se as variveis so I(0) no h razo para
testar cointegrao.
2. Estimar a relao Yt = + X t + t
3. Testar raiz unitria (no estacionariedade) nos resduos t usando, por
exemplo, DF ou ADF. Ajusta-se
p 1
t = t 1 + vt (DF) ou t = t 1 + i t i + vt (ADF)
i =1
e testa-se H 0 : = 0 t no estacionrio; Y e X no cointegradas, contra

H 1 : < 0 t estacionrio; Y e X so cointegradas.
A equao de teste no deve conter intercepto nem tendncia porque os resduos

de MQO oscilam em torno de zero.
Um detalhe importante que, devido ao fato de que t estimado, as tabelas de
valores crticos de Dickey-Fuller no so apropriadas. Deve-se usar os valores crticos
de uma tabela especfica adaptada para este teste (Tabela 7.6).
No caso de 2 variveis cointegradas, existe uma relao de cointegrao,
t = Yt X t , e um nico vetor de cointegrao, = 1 , dada a

normalizao em relao a Yt .
Exemplo: Teste de cointegrao entre o preo de boi gordo em Gois (GOt ) e em So
Paulo (SPt )
1. Testes de raiz unitria (ADF) aplicados nas sries mensais de preos
indicaram que ambas so I(1).
2. A equao de cointegrao estimada dada por
^
GO t = 3,37 + 0,826SPt , R 2 = 0,96 e DW = 0,98

3. Teste de estacionariedade nos resduos:
Estatstica calculada = -9,766
Valor da tabela: m = 2 , = 1% , fornece c = 3,90

DER/UFV
40
4. Concluso: calculado = 9,766 > c = 3,90 , rejeita-se H 0 ; resduo no tem

raiz unitria; resduo estacionrio; preos de boi gordo de GO e SP so
cointegrados.
^
A relao de cointegrao dada por t = GOt 3,37 0,826 SPt e o vetor de
cointegrao por = [1 3,37 0,826] .
m = nmero de variveis. Valores vlidos para qualquer n (grande)

Fonte: DAVIDSON, R.; MACKINNON, J. G. Estimation and inference
in econometrics. New York, Oxford University Press, 1993. 874p.
Tabela 7.6 Valores Crticos para Teste de Co-integrao de Engle-Granger.
Joo Eustquio de Lima 41

DER/UFV
b) Caso de mais de 2 variveis
Os procedimentos do teste de co-integrao de Engle-Granger para o

caso de mais de 2 variveis so uma extenso do caso anterior. Temos que ajustar uma
relao entre as variveis e testar raiz unitria nos resduos. Em geral, a relao pode ser
com qualquer varivel como dependente. Podem ocorrer incoerncias quando se muda a
varivel
dependente.
Sejam
Yt ~ I (1), X t ~ I(1) e Z t ~ I (1) .
Tem-se
que
Yt , X t e Z t ~ CI (1,1) se t = Yt 0 1 X t 2 Z t ~ I (0) .
O vetor de co-integrao = [1 0
2 ] .
No caso de mais de duas variveis envolvidas, o teste de Engle-Granger

apresenta alguns problemas:
a) Pode-se ter uma ou mais relaes de co-integrao;
b) O teste de Engle-Granger s identifica uma relao;
c) O teste pode apresentar resultados diferentes dependendo de qual varivel
considerada dependente;
d) O teste de Engle-Granger no capaz de identificar o rank de cointegrao,
isto , o nmero de vetores de cointegrao.
Assim, no caso de mais de duas variveis pode ser recomendvel usar testes
multiequcionais.
7.4.7.2 Modelo de Correo de Erro (MCE)
Se as variveis so cointegradas, a relao econmica de interesse deve ser

estimada de forma a incorporar um mecanismo que garanta o equilbrio entre elas. Este
mecanismo representado pelas relaes de cointegrao. Existe uma ou mais relaes
de equilbrio de longo prazo entre as variveis, mas no curto prazo vai existir
desequilbrio que constantemente corrigido pelo erro t .
A dinmica do desequilbrio de curto prazo entre as variveis descrita por um
Modelo de Correo de Erro (MCE) que faz tambm a correo entre a dinmica de
curto prazo e o comportamento de longo prazo.
Tendo concludo que as variveis so cointegradas, a relao de interesse entre
elas deve ser estimada na forma de um MCE que, em geral, dado por
Yt = f X t j + t 1 + vt .
j =0
Por exemplo, Yt = 0 + 1X t 1 + 2 X t 2 + ... + j X t j + t 1 + vt ,
(7.49)
(7.50)

DER/UFV
em que = coeficiente de ajustamento que representa a parcela do desequilbrio que

corrigida em cada perodo. No exemplo dos preos do boi gordo em So Paulo e Gois,
o MCE estimado representado por
^
GO t = 0,179 + 0,507SPt 0,5138 t 1 .

^
Observando que t 1 = GOt 1 3,37 0,826 SPt 1 podemos escrever

^
GO t = 0,179 + 0,507SPt 0,5138(GOt 1 3,37 0,826SPt 1 ) ,

que mostra a relao de cointegrao no perodo anterior afetando a relao entre as
variaes de curto prazo das variveis. Variaes nos preos de GO e SP devem oscilar
em torno dessa relao, mantendo-se o equilbrio de longo prazo entre as variveis.
O coeficiente -0,51 significa que 0,51 (51%) da discrepncia do equilbrio entre
os preos de boi gordo de Gois e So Paulo corrigida em cada perodo de tempo.
Mas, este processo dinmico; em todo perodo existe correo para o equilbrio e
existe desequilbrio. No longo prazo o equilbrio prevalece.
7.4.7.3 Teste Multiequacional
Suponha k variveis I (1) , Y1 , Y2 ,........, Yk e que a teoria, ou qualquer

conhecimento a priori, sugere uma relao de equilbrio de longo prazo entre elas.
Por exemplo:
a) Qd = quantidade demandada, P = preo, R = renda e PS = preo de um
produto substituto.
A teoria da demanda estabelece que Qd = f ( P, R, PS ) .
b) M 1 = oferta monetria, IGP = inflao, PIB = produto e I = taxa de juros.
A teoria macroeconmica estabelece relaes dinmicas entre estas
variveis.
c) PSP = preo em So Paulo, PMG = preo em MG e PGO = preo em
Gois.
O conceito de integrao de mercado procura definir relaes de longo
prazo entre estes preos.
Se as variveis so I (1) , a existncia de combinaes lineares I (0 ) entre elas
indica que estas variveis so cointegradas. Estas combinaes lineares governam o
comportamento de longo prazo (equilbrio) entre as variveis. Em geral, existem

DER/UFV
r k 1 combinaes lineares independentes que so chamadas relaes de co-
integrao e o problema determinar o valor de r . Observa-se que:

a) Quando r = k , as variveis so estacionrias (e no I (1) );
b) Quando r = 0 , no existe relao de longo prazo entre elas;
c) Se 1 r k 1 , existem de 1 at k 1 vetores de cointegrao (ou r combinaes
lineares independentes) e ser de interesse determinar quantas e quais so estas relaes.
O teste multiequacional para determinar o nmero de vetores de cointegrao
(rank de cointegrao) e estimar as relaes de cointegrao mais usado o teste de
Johansen que tem como base um modelo VAR irrestrito (Johansen, 1988, 1991, 1992,
1995).
Testes de Cointegrao de Johansen
Considere um VAR( p) com k variveis,

Yt = A1Yt 1 + A2Yt 2 + A3Yt 3 + ....... + A pYt p + t .
(7.51)
semelhana do teste de Dickey-Fuller aumentado, o teste de Johansen se baseia em

um modelo transformado, denominado de VAR reparametrizado, que permite um
processo autorregressivo de ordem p e no somente de ordem um. A obteno deste
modelo segue procedimento semelhante derivao da equao de teste do DickeyFuller Aumentado (ADF). Partindo-se de (7.51) obtm-se o VAR reparametrizado
representado por
Yt = 1 Yt 1 + 2 Yt 2 + ....... + p 1 Yt ( p 1) + Yt 1 + t .
(7.52)
em que
p
i = A j
j = i +1
e = Ai = K Ai .
i =1
i =1
Para melhor entendimento da obteno do VAR reparametrizado, que constitui a

equao bsica do teste de Johansen, vamos considerar a derivao a partir dos modelos
VAR(1) , VAR(2) e VAR(3) , antes de generalizar para um VAR( p) :

a) Considere um modelo VAR(1) com k variveis
Yt = A1Yt 1 + t .
O VAR reparametrizado, no caso, dado por
Yt = Yt 1 + t , em que = ( I A1 ) .

DER/UFV
Esta forma obtida somando e subtraindo do lado direito da equao o vetor de

variveis defasadas Yt 1 , isto ,
Yt = A1Yt 1 + t + Yt 1 Yt 1 ,
Yt Yt 1 = A1Yt 1 Yt 1 + t
Yt = ( A1 I )Yt 1 + t
Yt = ( I A1 )Yt 1 + t
Yt = Yt 1 + t , em que = ( I A1 )
que o VAR reparametrizado do VAR(1).
b) Considere o modelo VAR(2) com k variveis
Yt = A1Yt 1 + A2Yt 2 + t .
O VAR reparametrizado, no caso, dado por
Yt = Yt 1 + 1 Yt 1 + t , em que = [ I ( A1 + A2 )] e 1 = A2 .
Para obter esta forma, primeiro, some e subtraia A2Yt 1 (segunda matriz de coeficientes
vezes o vetor de variveis com uma defasagem)
Yt = A1Yt 1 + A2Yt 2 + t + A2Yt 1 A2Yt 1

Yt = ( A1 + A2 )Yt 1 A2 (Yt 1 Yt 2 ) + t
Yt = ( A1 + A2 )Yt 1 A2 Yt 1 + t
Agora, some e subtraia Yt 1 ,
Yt = ( A1 + A2 )Yt 1 A2 Yt 1 + t + Yt 1 Yt 1
Yt = ( A1 + A2 I )Yt 1 A2 Yt 1 + t
Yt = [ I ( A1 + A2 )]Yt 1 A2 Yt 1 + t
Yt = Yt 1 + 1 Yt 1 + t , em que = [ I ( A1 + A2 )] e 1 = A2 .
c) Para um VAR (3),
Yt = A1Yt 1 + A2Yt 2 + A3Yt 3 + t ,

DER/UFV
primeiro some e subtraia A3Yt 2 (terceira matriz de coeficientes vezes o vetor de

variveis com duas defasagens)
Yt = A1Yt 1 + ( A2 + A3 )Yt 2 A3 (Yt 2 Yt 3 ) + t

Yt = A1Yt 1 + ( A2 + A3 )Yt 2 A3 Yt 2 + t .
A este resultado, some e subtraia ( A2 + A3 )Yt 1 ,
Yt = ( A1 + A2 + A3 )Yt 1 ( A2 + A3 )Yt 1 A3 Yt 2 + t .
E, por fim, some e subtraia Yt 1
Yt = [ I ( A1 + A2 + A3 )]Yt 1 ( A2 + A3 )Yt 1 A3 Yt 2 + t
Yt = Yt 1 + 1 Yt 1 + 2 Yt 2 + t
em que = [ I ( A1 + A2 + A3 )] , 1 = ( A2 + A3 ) e 2 = A3 .
d) Observando a lgica do procedimento fcil entender que a forma reparametrizada

do modelo VAR( p)
Yt = A1Yt 1 + A2Yt 2 + A3Yt 3 + ....... + A pYt p + t ,
dada por
Yt = 1 Yt 1 + 2 Yt 2 + ....... + p 1 Yt ( p 1) + Yt 1 + t ,
em que
p
i = A j
j = i +1
e = Ai = K Ai .
i =1
i =1
O VAR reparametrizado apresenta-se em forma multivariada, mas semelhante

a equao de teste do Dickey-Fuller Aumentado (ADF). O desenvolvimento do teste de
Johansen inicia com as seguintes observaes a respeito da equao do VAR
reparametrizado:
a) Por definio, todos os termos da equao so estacionrios, exceto Yt 1 .
b) Para o sistema ser estacionrio, Yt 1 deve ser estacionrio e para isso a
matriz deve apresentar estrutura tal que as combinaes lineares sejam
estacionrias.
c) Ento, a matriz controla as propriedades de estacionariedade do sistema.
Se existirem combinaes lineares estacionrias, as variveis so
cointegradas. Inicialmente, o termo Yt 1 representa k combinaes

DER/UFV
lineares das variveis, isto ,
Yt 1
11 12 K 1K Y1t 1
22 K 2 K Y2t 1
= 21
M
M
M M

K 1 K 2 K KK KxK YKt 1
11Y1t 1 + 12Y2t 1 + L + 1K YKt 1

...
=
, k combinaes lineares.
...
K 1Y1t 1 + K 2Y2t 1 + L + KK YKt 1
d) Para as variveis serem cointegradas as linhas de no podem ser todas
linearmente independentes; elas tm que ser dependentes porque no se pode
ter k combinaes lineares (relaes de cointegrao) para k variveis
cointegradas.
e) Assim, deve ser singular, ou seja, det( ) = 0 e, ento, o posto ou rank de
deve ser menor que k , rank () < k , para que as variveis sejam
cointegradas.
f) Temos, ento, trs possibilidades:
1) rank ( ) = 0 :
- significa que = 0
- no h relao de cointegrao entre as variveis; as variveis
no so cointegradas e no existe mecanismo de correo de
erro.
- o modelo VAR pode ser especificado em primeiras diferenas
2) rank () = k :
- as linhas de so linearmente independentes
- existem k combinaes lineares estacionrias das variveis
- significa que as variveis so estacionrias
- o modelo VAR pode ser estimado em nvel
- A questo de cointegrao no pertinente
3) 0 < rank () = r < k :
- existem r , 0 < r < k , combinaes lineares independentes
estacionrias;
- se as variveis so I(1), existem r relaes de cointegrao que
fornecem r vetores de cointegrao;
- O termo Yt 1 fornece as combinaes lineares estacionrias.

DER/UFV
Complementando, deve-se observar que:

a) A matriz de dimenso k x k e, portanto, tem k razes caractersticas;
b) Para cada raiz caracterstica corresponde um vetor caracterstico;
c) O rank () = r < k , e r o nmero de razes caractersticas diferentes de 0;
d) Os primeiros r vetores caractersticos so os vetores de cointegrao que formam r
combinaes lineares estacionrias independentes, e
e) Existem s = k r combinaes lineares no estacionrias, mas que no so
importantes para manter o equilbrio de longo prazo entre as variveis.
Se rank () = r < k , pode-se mostrar que existem matrizes kxr e kxr tais que
kxk = ( kxr ) ' ( rxk ) .
Substituindo na equao do VAR reparametrizado, obtm-se
Yt = 1 Yt 1 + 2 Yt 2 + ....... + p 1 Yt ( p 1) + 'Yt 1 + t
que o Modelo de Correo de Erro na forma multivariada denominado Modelo de
Correo de Erro Vetorial (VEC). O VEC um VAR (reparametrizado) com as
restries de co-integrao entre as variveis. Tem-se que,
'Yt 1 = so as r relaes de co-integrao que definem a trajetria de longo

prazo (equilbrio) entre as variveis. So relaes em nvel.
= matriz de coeficientes de ajustamento para o equilbrio de longo prazo.

i = matrizes de coeficientes que definem a dinmica de curto prazo.
Como ilustrao, considere um exemplo com k = 3 variveis e matriz dada
por
1 16
5 16
1 2
= 1 8 41 64 5 32
1 4 11 32 3 32 3 x 3
com razes caractersticas 1 = 0 , 2 = 0,4416 e 3 = 0,7928 . Assim, com duas

razes caractersticas diferentes de zero, rank () = 2 e existem 2 relaes de
cointegrao. Pode-se mostrar que,
5 16
1 16
1 2
1 2 1 4
0
1 1 8
= 1 8 41 64 5 32 = 1 8 5 8
1 4 2 x 3
0
1
1 4 11 32 3 32 3 x 3 1 4
3 8 3 x 2
Coefs. de ajustamento
Vetores de co-integrao.

DER/UFV
O modelo VEC, desconsiderando os termos de diferena defasados, i Yt i , ser

Y1t 1
Y1t 1 2 1 4
0
Y = 1 8 5 8.1 1 8
.Y2t 1
2t
0
1
1
4
2 x3
Y3t 1 4
3 8
Y3t 1 3 x1
1 2 1 4
Y1t 1 1 / 8Y2t 1 + 0Y3t 1
= 1 8 5 8
0Y1t 1 + Y2t 1 1 / 4Y3t 1 2 x1
1 4
3 8 3x2
Y1t = 1 2 (Y1t 1 1 8Y2t 1 ) + 1 4 (Y2t 1 1 4Y3t 1 )
Y2t = 1 8 (Y1t 1 1 8Y2t 1 ) 5 8 (Y2t 1 1 4Y3t 1 )

Y = 1 4 (Y 1 8Y ) + 3 8 (Y 1 4Y )
1t 1
2 t 1
2 t 1
3t 1
3t
As expresses Y1t 1 1 8Y2t 1 e Y2t 1 1 4Y3t 1 so as relaes de cointegrao que

entram em cada equao.
Teste do Trao e Teste da Raiz Caracterstica Mxima
O procedimento de Johansen consiste em testar o nmero de razes

caractersticas diferentes de zero na matriz que corresponde ao nmero de relaes e
vetores de cointegrao entre as variveis. So utilizados dois testes: Teste do Trao e
Teste da Raiz Caracterstica Mxima.
1. Teste do Trao
Este teste considera como hiptese nula a existncia de r0 razes caractersticas

diferentes de zero ( r0 vetores de cointegrao) contra a alternativa de r > r0 .
Formalmente,
H 0 : r = r0
H 1 : r > r0 .
A estatstica de teste dada por
Trao = T
ln(1 ) ,
i = r0 +1
(7.53)
em que T o nmero de observaes e i so as razes caractersticas obtidas da matriz

estimada.

DER/UFV
2. Teste da Raiz Caracterstica Mxima
O segundo teste tem como hiptese nula a existncia de r0 razes caractersticas

diferentes de zero ( r0 vetores de cointegrao) contra a alternativa de r = r0 + 1 .
Formalmente,
H 0 : r = r0
H 1 : r = r0 + 1
e a estatstica de teste
Max = T ln( 1 r
+1
).
(7.54)
Os testes so realizados em seqncia, de forma crescente, at que a hiptese

nula no seja rejeitada. Para H 0 : r = 0 , rejeitar H 0 significa que h um ou mais vetores
de cointegrao, pelo teste do trao, e um pelo teste da raiz mxima. Para H 0 : r = 1 ,
rejeitar H 0 significa que h dois ou mais vetores de cointegrao, pelo teste do trao, e
mais um pelo teste da raiz mxima. A Tabela 7.7 mostra como os testes devem ser
realizados.
Teste do Trao
H0
H1
r=0
r 1
Teste da Raiz Mxima
H0
H1
Max
r=0
r =1
T ln(1 1 )
r =1
r=2
T ln(1 2 )
T ln(1 i )
r=2
r =3
T ln(1 3 )
Trao
K
T ln(1 i )
i =1
r =1
r2
T ln(1 i )
i=2
r=2
r3
i =3
...
...
...
...
...
...
r = k 1
r=k
T ln(1 k )
r = k 1
r=k
T ln(1 k )
Tabela 7.7 Forma Sequencial do Teste do Trao e da Raiz Mxima

DER/UFV
Exemplo: Considere os preos mdios mensais de boi gordo nos estados de So
Paulo (SP), Minas Gerais (MG) e Gois (GO) para o perodo de janeiro de 1980 a
setembro de 2002 (273 observaes). Objetivos: a) Verificar a existncia de
relao(es) de equilbrio de longo prazo entre os preos (cointegrao), e b) Estimar
a(s) relao(es) de cointegrao.
Procedimento usando o EViews:
1. Analisar estacionariedade das sries:

Anlise grfica e testes ADF indicaram que as sries so I(1).
2. Definir a ordem do VAR: Como o teste baseado no modelo VAR, temos que
primeiro estimar um VAR e definir sua ordem (nmero de lags). Com as variveis em
nvel estima-se um VAR e seleciona-se a ordem com base nos critrios de
informao.
Estimao: Quick...Estimate VAR...escolher opo Unrestrict VAR...especificar as
variveis...especificar lags...ok. Na tela da sada do VAR...View...Lag Structure...Lag
Length Criteria...ok.
Os critrios de FPE (final prediction error), Akaike, Schwarz e Hannan-Quinn
indicaram um VAR(2).
3. Seqncia do teste no EViews:
a) No EViews temos trs caminhos para chegar no teste de cointegrao:
(i) Quick... Group Statistics...Cointegration Test: Especificar
variveisokespecificar lags e opo de intercepto e tendncia...ok.
(ii) Marcar as variveis e clicar em show ou abrir como um grupo.
Depois clicar em View...Cointegration Test...Especificar lags e opo
de intercepto e tendncia...ok.
(iii) Pela tela de sada do VAR clicar em View...Cointegration
Test...Especificar lags e opo de intercepto e tendncia...ok.
b) A especificao de lags deve ser coerente com a ordem do VAR em nvel.
Deve-se especificar um lag a menos para o teste porque a equao est em
diferenas. Se a ordem do VAR for 2, especificado como 1 2, para o teste
especifica-se 1 1 (Figura 7.5).
c) Especificao da opo de intercepto e tendncia (Figura 7.5):
Um grande problema do teste a especificao de termos determinsticos.
Existem 5 possibilidades relacionadas com a presena de intercepto e
tendncia no nvel das variveis e/ou na equao de cointegrao. Estes
termos afetam a distribuio da estatstica de teste e, consequentemente, os

DER/UFV
valores crticos. Os modelos possveis so (Ver Eviews 7 - Users Guide II, e

Bueno, 2008):
(i)
As variveis em nvel no possuem tendncia determinstica e as

equaes de cointegrao no tm interceptos;
(ii)
As variveis em nvel no possuem tendncia determinstica e as

equaes de cointegrao tm interceptos;
(iii)
As variveis em nvel possuem tendncia linear e as equaes de

cointegrao tm interceptos;
(iv)
As variveis em nvel e as equaes de cointegrao possuem

tendncia linear e as equaes de cointegrao tm interceptos;
(v)
As variveis em nvel tm tendncia quadrtica e as equaes de

cointegrao possuem tendncia linear.
Existem outros casos possveis, mas estes so suficientes para evitar omisso
de varivel relevante no teste. Os caso (i) e (v) so pouco usados. O caso (i)
se refere situao em que todas as sries tm mdia zero e o caso (v) no
fornece boas previses. O caso (ii) usado quando as sries no apresentam
tendncia e o (iii) quando as tendncias so estocsticas (default). O caso
(iv) quando existe tendncia determinstica nas sries.
d) Resumo das Opes Sada do EViews apresentada na Figura 7.6.
O resumo indica, pelos critrios de log verossimilhana, Akaike e Schwarz,
a melhor opo. comum o resumo no ser muito til.

DER/UFV
Figura 7.5 Tela de especificao de lags e opo de intercepto e tendncia

DER/UFV
Figura 7.6 Resumo das Opes de Intercepto e Tendncia
d) Teste de Cointegrao de Johansen Sada do EViews na Figura 7.7.

DER/UFV
Figura 7.7 Sada do EViews para o Teste de Co-integrao de Johansen

DER/UFV
e) Estimao do VEC: O teste indica o nmero de relaes de cointegrao e

fornece estimativa dos vetores de cointegrao e dos vetores de coeficientes
de ajustamento. Pode ser de interesse estimar o modelo VEC que incorpora as
restries de cointegrao. Para isto temos que entrar em
Quick...estimate VAR...,
escolher a opo de Vector Error Correction e especificar a mesma opo de
intercepto e tendncia do teste, um lag a menos que o VAR e o nmero de
relaes de cointegrao (Figuras 7.8 e 7.9). Os resultados para uma e duas
relaes de cointegrao podem ser vistos nas sadas do EViews apresentadas
nas Figuras 7.10 e 7.11.
Figura 7.8 Tela de especificao do Modelo VEC

DER/UFV
Figura 7.9 Tela de especificao do nmero de relaes de cointegrao e

opo de intercepto e tendncia
4. Identificao das Estimativas das Relaes de Cointegrao
O teste de Johansen indica a existncia de 2 relaes de cointegrao (Figura

7.7). Para melhor entendimento, vamos considerar a existncia de 1 e de 2 relaes.
a) Considerando Uma Relao de Cointegrao:
A estimativa do vetor de cointegrao, normalizado para Gois,
= [1 1,390626 0,431387 0,153156] e a relao de longo prazo estimada

dada por (preos em logaritmos)
GO = 0,153156 + 1,390626MG 0,431387SP .

Neste caso, a identificao do termo de correo de erro que garante o equilbrio de
longo prazo das variveis feita da seguinte forma (Figuras 7 ou 10)
Yt 1 = Yt 1
GOt 1
0,104
MG
t 1
= 0,333 [1 1,391 0,431 0,153]
SPt 1
0,044
Yt 1 = Yt 1
0,104
= 0,333 [GOt 1 1,391MGt 1 + 0,431SPt 1 0,153]1x1
0,044 3 x1

DER/UFV
Yt 1 = Yt 1
0,104(GOt 1 1,391MGt 1 + 0,431SPt 1 0,153)

= 0,333(GOt 1 1,391MGt 1 + 0,431SPt 1 0,153)
0,044(GOt 1 1,391MGt 1 + 0,431SPt 1 0,153) 3 x1
So trs relaes sendo a primeira para a equao de preo de Gois, a segunda

para Minas Gerais e a terceira para So Paulo. A relao de cointegrao a
mesma, o que muda o coeficiente de ajustamento.
b) Considerando Duas Relaes de Cointegrao:
Yt 1 = Yt 1
Yt 1 = Yt 1
GOt 1
0,238 0,097
1 0 0,949 0,082 MGt 1

= 0,308 0,473
0 1 0,993 0,051 SPt 1
0,114
0,117
0,238(GOt 1 0,949SPt 1 0,082) + 0,097( MGt 1 0,993SPt 1 + 0,051)

= 0,308(GOt 1 0,949SPt 1 0,082) 0,473( MGt 1 0,993SPt 1 + 0,051)
0,114(GOt 1 0,949SPt 1 0,082) + 0,117( MGt 1 0,993SPt 1 + 0,051) 3 x1
5. Estimativas do VEC
O VEC o VAR reparametrizado com as restries de cointegrao.

a) Considerando 1 Relao de Cointegrao (Figura 10):
GOt = 0,410GOt 1 0,040MGt 1 + 0,694SPt 1 0,104VC t 1
MGt = 0,329GOt 1 0,091MGt 1 + 0,630SPt 1 + 0,333VC t 1

SP = 0,261GO 0,002MG + 0,309SP 0,044VC
t
t 1
t 1
t 1
t 1
VCt 1 = GOt 1 1,391MGt 1 + 0,431SPt 1 0,153
b) Considerando 2 Relaes de Co-integrao (Figura 11):

GOt = 0,371GOt 1 0,017 MGt 1 + 0,599SPt 1 0,238VC1t 1 + 0,097VC 2 t 1
MGt = 0,322GOt 1 0,086MGt 1 + 0,612SPt 1 + 0,308VC1t 1 0,473VC 2 t 1

SP = 0,307 GO 0,029MG + 0,422SP + 0,114VC1 + 0,117VC 2
t
t 1
t 1
t 1
t 1
t 1
VC1t 1 = GOt 1 0,949SPt 1 0,082
VC 2 t 1 = MGt 1 0,993SPt 1 + 0,051

DER/UFV
Figura 7.10 Estimativa do VEC com uma Relao de Cointegrao

DER/UFV
Figura 7.11 Estimativa do VEC com duas Relaes de Cointegrao

DER/UFV
7.5 Anlise de Causalidade de Granger
O teste de causalidade de Granger baseia-se na idia de que se X causa Y , o

conhecimento de valores passados de X permitem melhores previses de Y . Assim, o
termo causalidade, no sentido estatstico, no significa que uma varivel resultante do
efeito da outra, mas que uma varivel precede a outra. Por isso, o prprio Granger
concorda que se trata de um teste de precedncia temporal e no de causalidade no
sentido de uma relao de causa e efeito.
Considere duas sries temporais Y e X . Na prtica, estamos interessados em

saber se X causa/precede Y , ou se Y causa/precede X , se as duas ocorrem
simultaneamente ou se no existe relao de causalidade entre as variveis.
Formalmente, o teste de causalidade de Granger consiste em estimar as seguintes
regresses:
p
i =1
i =1
Yt = 0 + YiYt i + Xi X t i + 1t
p
i =1
i =1
(7.55)
X t = 0 + Xi X t i + YiYt i + 2t .
(7.56)
A equao (7.55) estabelece que valores correntes de Y esto relacionados a valores

passados de Y e a valores passados de X ; a equao (7.56) estabelece comportamento
semelhante para X . Se X no for importante para prever Y , os coeficientes Xi na
equao (7.55) devem ser estatisticamente iguais a zero, isto , deve-se aceitar a
hiptese nula H 0 : X 1 = X 2 = ... = Xp = 0 . De forma semelhante, se Y no for
importante para prever X , os coeficientes Yi na equao (7.56) devem ser
estatisticamente
iguais
zero,
isto
deve-se
aceitar
hiptese
nula
H 0 : Y 1 = Y 2 = ... = Yp = 0 . O teste desta hiptese um teste de F das restries nas
duas equaes onde se compara um modelo restrito com um irrestrito.
Aps estimao das equaes (7.55) e (7.56), podemos ter quatro situaes:
1. Causalidade unidirecional de X para Y ( X Y ) - se os coeficientes
estimados em (7.55) para as variveis defasadas X t i forem conjuntamente
diferentes de zero e os coeficientes estimados em (7.56) para as variveis

DER/UFV
defasadas Yt i forem conjuntamente iguais a zero. Ou seja, rejeita-se a hiptese

nula em (7.55) e aceita-se em (7.56).
2. Causalidade unidirecional de Y para X ( Y X ) - se os coeficientes
estimados em (7.56) para as variveis defasadas Yt i forem conjuntamente
diferentes de zero e os coeficientes estimados em (7.55) para as variveis
defasadas X t i forem conjuntamente iguais a zero. Ou seja, rejeita-se a hiptese
nula em (7.56) e aceita-se em (7.55).
3. Causalidade bidirecional de X para Y e de Y para X ( X Y ) - se os
coeficientes estimados em (7.55) para as variveis defasadas X t i forem
conjuntamente diferentes de zero e os coeficientes estimados em (7.56) para as
variveis defasadas Yt i forem, tambm, conjuntamente diferentes de zero. Ou
seja, rejeita-se a hiptese nula em (7.55) e em (7.56).
4. Ausncia de Causalidade - se os coeficientes estimados em (7.55)
para as
variveis defasadas X t i forem conjuntamente iguais a zero e os coeficientes

estimados em (7.56) para as variveis defasadas Yt i forem, tambm,
conjuntamente iguais a zero. Ou seja, aceita-se a hiptese nula em (7.55) e
aceita-se em (7.56).
Um ponto importante no teste de causalidade de Granger a determinao do

nmero de defasagens. Isto deve ser feito com critrio porque o teste muito sensvel
ao nmero de defasagens usado. Um nmero pequeno de defasagens pode causar vis
de omisso de variveis relevantes no modelo fazendo com que as estimativas dos
coeficientes das variveis que permanecem sejam tendenciosas. Por outro lado, a
escolha de mais defasagens do que o necessrio pode levar ao vis de incluso de
varivel irrelevante. A sugesto usar os critrios de escolha AIC, SC para definir o
nmero timo de defasagens.
Outro ponto importante que o teste s vlido para variveis estacionrias.
Assim, o teste se concentra em relaes de curto prazo desprezando a informao da
tendncia de longo prazo comum a sries no estacionrias e co-integradas. Granger
mostra que se existe co-integrao tem que existir causalidade de alguma forma entre as
variveis. Engle e Granger (1987) prope identificar relaes de causalidade entre

DER/UFV
variveis no estacionrias, mas co-integradas, por meio de um Modelo de Correo de

Erro Vetorial (Modelo VEC)4.
O VEC explica mudanas nos valores correntes de uma varivel com base em
mudanas defasadas da prpria varivel e das outras e de um termo de correo de erro.
Se duas variveis Y e X so co-integradas parte da mudana corrente em Y , por
exemplo, pode ser o resultado de movimentos corretivos em X para que se atinja
novamente o equilbrio de longo prazo de Y . Dessa forma, desde que Y e X sejam cointegradas, isto , possuem uma tendncia comum, dever existir causalidade entre elas
em alguma direo.
Para testar causalidade quando as variveis so no estacionrias e cointegradas utiliza-se um modelo VEC dado por
p 1
p 1
i =1
i =1
Yt = 10 + Yi Yt i + Xi X t i + 1 t 1 + u1t
p 1
p 1
i =1
i =1
X t = 20 + Xi X t i + Yi Yt i + 2 t 1 + u 2t
(7.57)
(7.58)
em que t 1 e t 1 so valores defasados dos resduos das equaes de co-integrao
Yt = 1 X t + t e X t = 2Yt + t , respectivamente. So termos de correo de erro

defasados obtidos da relao de co-integrao. Os coeficientes i (i = 1,2) representam o
desvio da varivel dependente do equilbrio de longo prazo e u1t e u 2t so erros no
correlacionados e com mdia zero. A existncia de relaes de co-integrao entre as
variveis sugere que deve existir causalidade de Granger em, pelo menos, uma direo.
Alm de indicar a direo de causalidade o VEC possibilita distinguir entre causalidade
de curto e de longo prazo.
Nas equaes (7.57) e (7.58), as variaes na varivel dependente so causadas
por variaes passadas e pelo desequilbrio em nvel do perodo anterior. Assim, podese testar a presena de causalidade de curto e de longo prazo. Considere, por exemplo, a
equao (7.57). Se os coeficientes estimados das variveis defasadas X t i so
estatisticamente significantes, em conjunto, ento X causa Y , no curto prazo. Esta
hiptese pode ser testada por um teste de F conjunto. Se o coeficiente do termo de
correo de erro, 1 , for significativo pelo teste t , existe causalidade de longo prazo de
Se as variveis so no estacionrias e no co-integradas, deve-se fazer o teste padro com as variveis

diferenciadas.

DER/UFV
X para Y . Finalmente, o que se denomina de causalidade de Granger forte pode ser

examinado pelo teste de F conjunto da significncia dos coeficientes Xi e de 1 .
Raciocnio semelhante deve ser feito com a equao (7.58) para determinar a direo de
causalidade.
Resumindo, a causalidade de Granger entre X
e Y no modelo VEC
representado pelas equaes (7.57) e (7.58) pode ser feita identificando-se trs fontes de
causalidade representadas por:
1. Causalidade de Granger fraca ou causalidade de curto prazo teste das
hipteses conjuntas H 0 : Xi = 0 para todo i , na equao (7.57) e teste de
H 0 : Yi = 0 para todo i , na equao (7.58) feito por um teste de Wald de

restries. Se, por exemplo, rejeitarmos a primeira hiptese e aceitarmos a
segunda, conclumos que existe uma relao de causalidade unidirecional de
curto prazo de X para Y .
2. Causalidade de Granger de longo prazo teste de significncia (teste t) dos
coeficientes do termo de correo de erro 1 e 2 . Se, por exemplo, 2 for
estatisticamente igual a zero, X no responde a desvios do equilbrio de longo
prazo no perodo anterior (causados por Y ). Indica que X fracamente
exgeno sugerindo causalidade unidirecional de longo prazo no sentido de X
para Y .
3. Causalidade de Granger forte testes das hipteses conjuntas (teste de Wald)
H 0 : 1 = 0 e Xi = 0 para todo i na equao (7.57) e H 0 : 2 = 0 e Yi = 0

para todo i na equao (7.58).
Como ressalta Bueno (2008, pg. 190), teste de causalidade de Granger no
significa teste de exogeneidade. Para que zt seja exgeno a yt , necessrio que zt no
seja afetado contemporaneamente por yt . O VAR convencional no permite que se faa
este tipo de teste.

DER/UFV
Referncias
1. AMISANO, G.; GIANNINI, C. Topics in Structural VAR Econometrics. 2nd ed.,

Berlin: Springer-Verlag, 1997.
2. BERNANKE, B. Alternative explanations of the money-income correlation.
Carnegie-Rochester Conference Series on public policy, North Holland,
Amsterdam, 1986.
3. BUENO, R. De Losso da S. Econometria de sries temporais. So Paulo: Cengage
Learning, 2008. 299p.
4. BRANDT, P. T. e WILLIAMS, J. T. Multiple time series models. London: Sage
Publications, 2007. 99p.
5. ENDERS, W. Applied econometric time series. New York: John Wiley, 1995.
433p.
6. JUDGE, G.G. et al. Introduction to the theory and practice of econometrics. 2nd.
Ed., New York: John Wiley, 1988. 1024p.
7. LTKEPOHL, H. New Introduction to multiple time series analysis. 2nd Edition.
New York: Springer-Verlag, 1993. 545p.
8. LTKEPOHL, H. e KRTZIG, M. (Ed.) Applied time series econometrics.
Cambridge: Cambridge University Press, 2004. 323p.
9. QMS. EViews 7 Users Guide II. Irvine: QMS, 209.
10. SEDDIGHI, H. R.; LAWLER, K. A.; KATOS, A.V. Econometrics A practical
approach. New York: Routledge, 2000. 396p.
11. SHAPIRO, M.; WATSON,M. W. Sources of business cycle fluctuations. NBER

Macroeconomics Annual 3, 111-156, 1988.
12. SIMS, C. A. Macroeconomics and reality. Econometrica v.48, p.1-48, 1980.
13. SIMS, C. A. An autoregressive index model for the U.S. 1948-1975. In J. Kmenta &
J.B. Ramsey (eds). Large-Scale Macro-Econometric Models. Amsterdam:
North-Holland, pp. 283-327, 1981.
14. SIMS, C. A. Are forecasting models usable for policy analysis? Quarterly Review,
Federal Reserve Bank of Minneapolis v.10, p.2-16, 1986.

Modelos multivariados de séries temporais

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modelos multivariados de séries temporais

Diunggah oleh

Hak Cipta:

Format Tersedia

CAPTULO 7

MODELOS MULTIVARIADOS DE SRIES TEMPORAIS

7.2 Modelo de Auto-regresso Vetorial (VAR)

Em forma matricial, podemos escrever

que pode ser representado por

que a notao matricial para um VAR(1) . interessante observar as relaes

Joo Eustquio de Lima

sobre Wt , na presena X t 1 e Z t 1 . J 12 representa o efeito de X t 1 sobre Wt , dado

Wt 1 e Z t 1 , ou o efeito de X t sobre Wt +1 , dado Wt e Z t . Um choque em Wt por meio

Wt 1 e afeta X t que no perodo seguinte se torna X t 1 e afeta Wt , e assim

que em termos matriciais fica

que pode ser escrito como

No modelo VAR todas as variveis so consideradas endgenas e determinadas

em que Yt um vetor k x 1 de variveis endgenas, Yt j , j = 1,2,3,........, p so vetores

so matrizes k x k de coeficientes a serem estimados e t um vetor k x 1 de erros

Yt = + 1 LYt + 2 L2Yt + ....... + p L p Yt + t

em (L) um polinmio matricial de ordem p em L .

Joo Eustquio de Lima

O modelo VAR simples e operacional. O estimador de MQO pode ser aplicado

7.2.2 Condies de Estabilidade

Um modelo estvel aquele em que o efeito de um choque (inovao)

Aplicando o operador de defasagem, temos

Para o VAR ser estvel ou estacionrio todas as kp razes da equao caracterstica

Joo Eustquio de Lima

(1 0,008)(1 0,297 L ) (0,461L )(0,232 L ) = 0

Como | L1 |> 1 e L2 > 1 , o VAR estvel.

restries de cointegrao entre as variveis que possui dinmica de curto

O modelo VAR de especificao simples e fcil de ser estimado. As variveis

Joo Eustquio de Lima

7.2.4 Definio da ordem do VAR

No caso univariado a definio da ordem do modelo AR feita com base na

1. Teste de Razo de Verossimilhana

o teste de razo de verossimilhana consiste em testar

seqencialmente as seguintes hipteses, iniciando com um p razoavelmente alto

Joo Eustquio de Lima

em que T igual ao nmero de observaes, c o nmero de parmetros estimados no

em que k = nmero de variveis, T = tamanho da amostra, p = o nmero de lags e p =

7.2.5 Testes de Avaliao do Modelo

Depois de definido o nmero apropriado de defasagens o modelo estimado

Joo Eustquio de Lima

O VAR estimado deve apresentar resduos no auto-correlacionados ao longo do

H 0 : E ( t t j ) = 0, para todo j = 1,2,3,..., h > p

em que tr ( ) significa trao da matriz, j a matriz de varincias e covarincias

de varincias e covarincias so dadas por j = T 1 tt j e 0 = T 1 tt , em que

t = A1Yt 1 + A2Yt 2 + ... + ApYt p + 1t 1 + 2t 2 + ... + ht h + ut

e testa-se a hiptese H 0 : 1 = 2 = ... = h = 0 contra H1 : pelo menos um i 0 . Neste

Joo Eustquio de Lima

t = A1Yt 1 + A2Yt 2 + ... + ApYt p + utR ;

em que IR significa irrestrito e R restrito.

em que t so resduos padronizados, normalmente por uma decomposio de Choleski

T (m4i 3)~N (0,24) .

a) Para teste da assimetria conjunta: S32 = T

Joo Eustquio de Lima

c) Para teste da assimetria e curtose conjunto: JBM = S32 + S 42 ~ 22k

O EViews reporta o teste de assimetria e curtose para cada varivel, o teste de

3. Teste de heterocedasticidade condicional

7.2.6 Anlises feitas com o VAR

Os modelos VAR com variveis estacionrias permitem realizar as seguintes

Joo Eustquio de Lima

Os modelos VAR com variveis integradas incorporam informaes de curto e

em que B uma matriz de coeficientes e X um vetor de variveis exgenas podendo

7.2.7 Funes de Impulso-Resposta