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)
12
22
32
13 W t 1 1t
23 . X t 1 + 2 t
33 Z t 1 3t
Yt = + 1Yt 1 + t ,
(7.2)
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
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
Yt = + 1Yt 1 + 2Yt 2 + t .
(7.3)
(7.4)
A equao (7.4) pode ser escrita de forma mais compacta fazendo uso do
operador de defasagem L , isto ,
( L)Yt = + t ,
(7.5)
(I L
1
L2 L p L p Yt = t + t
(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)
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
0,305
(0,305)2 + 0,418304
0,209152
L1 = 4,877 e L2 = 1,961 .
7.2.3 Estimao
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.
A = A1
A2 L Ap
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
LR = (T c )[ln | R | ln | IR |] ~ r2
(7.7)
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)
(7.11)
(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)
t = j +1
t =1
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
(7.14)
IR = T 1 utut
t =1
R = T 1 utR utR
t =1
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)
(m 3 m 3 )
~ k2
6
(m 4 3)(m 4 3)
~ k2
24
(7.19)
(7.20)
(7.21)
10
(7.22)
(I L
1
L2 L p Lp Yt = t
(L )Yt = t .
(7.23)
Yt = t + M 1 t 1 + M 2 t 2 + L
(7.24)
a12.2 1t 2 a11.3
+
a22.2 2t 2 a21.3
11
a12.3 1t 3
+ ...
a22.3 2t 3
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
Yt = 1t t i , com 10 = I ,
(7.26)
i =0
12
y i ,t + s
jt
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 .
Y4 = 1Y3 + 4 = 11 1 + 0 = 1 1
2
M
Para um tempo t
Yt = 1t 1 1 ,
Yt = AYt 1 + t
Y1t = a11Y1t 1 + a12Y2t 1 + 1t
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
13
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
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
(7.27)
vt = D 1 t
15
(7.28)
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
(7.29)
1t
16
1 0
Agora a matriz triangular inferior para a decomposio de Cholesky L1 =
.
1 1
Pr-multiplicando o modelo por L1 temos
1t
1t 2
2t
1 0
e L1L1 = G =
.
0 1
Agora a forma estrutural ser dada por
17
Yt + h E (Yt + h | T ) = t + h + 1 t + h 1 + 2 t + h 2 + ... .
(7.30)
18
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
(7.31)
(7.32)
19
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 ,
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
21
7.3.2 Especificao
(7.33)
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
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
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
(7.36)
(7.37)
23
(7.38)
t = A1But
A t = But .
ou
(7.39)
Observe que,
(7.40)
Se u for identidade,
= A1BBA1 .
(7.41)
Identificao
24
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
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 .
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
k (k 1)
,
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.
25
~
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
A t = ut
(7.43)
k (k 1)
.
2
a41 a42
0
0
a32
a43
0
0
.
0
a42
26
Modelo-B
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
A t = But .
Como
2k 2
tm
k2
(7.45)
k (k + 1)
k (k 1)
= k2 +
restries para identificao.
2
2
Como exemplo, considere o modelo apresentado por Ltkepohl e Krtzig (2004)
ti = a 21 tq a 23 tm + b22 u tLM
tm = b33 u tm
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
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
28
Exemplo
juro
camb
adm
livres
juro
camb
a 21
adm
a31
a32
livres
a 41
a 42
a 43
29
juro
camb
adm
livres
juro
b11
camb
b22
adm
b33
livres
b44
k (k 1)
= 22
2
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
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
juro
0 juro
adm
t = 1.118 juro 0.279camb + termos defasados
juro
camb
adm
livres
juro
camb
adm
a31
livres
a 41
a 43
k (k 1)
= 22
2
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
31
32
Yt = + X t + Z t + t .
(7.46)
j =0
j =0
Yt = + j X t j + j Z t j + t 1 + ut
(7.47)
Yt = + X t + Z t + vt .
33
(7.48)
X t = X t 1 + 2t , 2t ~ iid (0, 22 ) ,
As sries Y1t , Y2t , Y3t ,..., Ykt so cointegradas de ordem (d , b), isto ,
34
a2
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,
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).
35
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 ] .
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.
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
5,000
4,000
3,000
2,000
1,000
0
25
50
PP
75
PE
100
125
PA
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).
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
38
39
t ~ I (0) , Yt e X t so co-integradas.
Procedimento do Teste de Engle-Granger
t = t 1 + vt (DF) ou t = t 1 + i t i + vt (ADF)
i =1
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
^
40
dependente.
Sejam
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 ] .
Yt = f X t j + t 1 + vt .
j =0
(7.49)
(7.50)
(7.51)
(7.52)
em que
p
i = A j
j = i +1
e = Ai = K Ai .
i =1
i =1
Yt = A1Yt 1 + t .
O VAR reparametrizado, no caso, dado por
Yt = Yt 1 + t , em que = ( I A1 ) .
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).
Yt = A1Yt 1 + A2Yt 2 + t .
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 = ( 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 .
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 .
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
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
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.
= 1 8 41 64 5 32
1 4 11 32 3 32 3 x 3
= 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.
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 )
1. Teste do Trao
H 0 : r = r0
H 1 : r > r0 .
A estatstica de teste dada por
Trao = T
ln(1 ) ,
i = r0 +1
(7.53)
H 0 : r = r0
H 1 : r = r0 + 1
e a estatstica de teste
Max = T ln( 1 r
+1
).
(7.54)
Teste do Trao
H0
H1
r=0
r 1
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 )
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.
(ii)
(iii)
(iv)
(v)
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.
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
Yt 1 = Yt 1
Yt 1 = Yt 1
Yt 1 = Yt 1
GOt 1
0,238 0,097
0,114
0,117
5. Estimativas do VEC
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)
iguais
zero,
isto
deve-se
aceitar
hiptese
nula
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
para as
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)
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
Referncias