Autocorrelacao Do Residuo

Econometria I - 1
0
. Semestre de 2010 - Prof. Braga

No h nenhuma originalidade nestas notas para aula. Elas foram extradas da bibliografia indicada para
2010 Gujarati, Carter Hill, Pindyck e Wooldridge, bem como de textos disponveis para consulta e
download na Internet.

Autocorrelao do resduo

Nos modelos de regresso linear, principalmente onde as variveis so
compostas por sries temporais, do tipo

Y = |
0
+|
1
X
1
+ |
2
X
2
+ e
t

uma das hipteses clssicas que devem ser observadas, sob risco de resultados
esprios, a de que os resduos, ei, so serialmente independentes, isto , o valor de
et no tem nenhuma influncia sobre os valores de e t+1.

Essa hiptese expressa de forma sinttica por

cov (e
i
, e
j
) = 0, i = j

Entretanto, essa hiptese pode no se verificar em virtude de uma srie de
fatores, dentre os quais podem ser citados: omisso de varivel explicativa, erro de
especificao da funo, por hbitos dos agentes econmicos que podem agir
influenciados por fatos ocorridos em perodos anteriores, ou at mesmo por erros de
medida da varivel Y.

Como conseqncia, os estimadores de mnimos quadrados, embora no
viesados, passaro a ser ineficientes ( o clculo da varincia desses estimadores no
ser adequado, sendo bastante provvel um vis no sentido de se subestimar a
verdadeira varincia). Em decorrncia desse vis, os testes de t e de F no teriam
mais validade.

Vamos usar como exemplo os valores da taxa SELIC, mdias mensais, no
perodo de janeiro de 1995 a dezembro de 1997, num total de 36 observaes.

Utilizando-se as mdias mensais como varivel dependente e o tempo como
varivel independente, podemos efetuar uma regresso entre essas variveis que
apresentaria as estimativas dos parmetros como a seguir,

Page 1 of 12
Econometria I - 1
0


Dependent Variable: SELIC
Method: Least Squares
Date: 05/04/10 Time: 10:28
Sample: 1995M01 1997M12
Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob.

T 2.000982 0.604130 3.312170 0.0022
C 122.3832 12.81791 9.547829 0.0000

R-squared 0.243948 Mean dependent var 159.4014
Adjusted R-squared 0.221711 S.D. dependent var 42.68308
S.E. of regression 37.65530 Akaike info criterion 10.14878
Sum squared resid 48209.34 Schwarz criterion 10.23675
Log likelihood -180.6780 F-statistic 10.97047
Durbin-Watson stat 0.288043 Prob(F-statistic) 0.002203

bem como o seguinte grfico com a plotagem dos resduos,

Page 2 of 12
Econometria I - 1
0


-80
-40
0
40
80
120
95M01 95M07 96M01 96M07 97M01 97M07
SELIC Residuals

O grfico anterior sugere a existncia de uma forma bastante forte de autocorrelao
residual na funo estimada.

Teste de Durbin-Watson

O teste mais usualmente empregado na deteco da autocorrelao o teste
desenvolvido por dois estatsticos, Durbin e Watson, mais popularmente conhecido
como estatstica d de Durbin-Watson, que simplesmente a razo entre a soma das
diferenas ao quadrado dos sucessivos resduos e a soma dos quadrados residuais.
Note-se que na estatstica d o numerador abrange n-1 observaes, pois perde-se
uma quando se calculam as sucessivas diferenas.

O uso da estatstica d tem hipteses que precisam ser observadas:

O modelo de regresso tem que possuir intercepto
Os erros so gerados pelo esquema auto-regressivo de primeira ordem
O modelo de regresso no pode incluir variveis defasadas

Voltando ao exemplo da taxa SELIC, o clculo da estatstica d envolveria os
seguintes passos:

Page 3 of 12
Econometria I - 1
0


TAXA SELIC - MDIAS MENSAIS

PERODO Taxas Taxas
previstas
Erro (e
t
) (e
t
)
2
(e
t-1
)

(e
t
) - (e
t-
1
)

{(e
t
) - (e
t-
1
)}
2
jan/95
160,04 124,38 35,65 1271,06
fev/95
157,28 126,38 30,89 954,29 35,65 -4,76 22,66
mar/95
168,04 128,39 39,66 1572,74 30,89 8,77 76,85
abr/95
163,60 130,39 33,21 1102,94 39,66 -6,45 41,57
mai/95
160,99 132,39 28,60 818,02 33,21 -4,61 21,25
jun/95
150,60 134,39 16,21 262,88 28,60 -12,39 153,45
jul/95
149,30 136,39 12,91 166,68 16,21 -3,30 10,91
ago/95
152,16 138,39 13,77 189,68 12,91 0,86 0,74
set/95
129,59 140,39 -10,80 116,73 13,77 -24,58 604,00
out/95
118,77 142,39 -23,62 557,89 -10,80 -12,82 164,24
nov/95
120,43 144,39 -23,96 574,31 -23,62 -0,35 0,12
dez/95
103,70 146,39 -42,69 1822,81 -23,96 -18,73 350,80
jan/96
109,44 148,40 -38,95 1517,27 -42,69 3,74 14,00
fev/96
126,88 150,40 -23,51 552,94 -38,95 15,44 238,31
mar/96
125,06 152,40 -27,34 747,35 -23,51 -3,82 14,62
abr/96
128,19 154,40 -26,21 686,85 -27,34 1,13 1,28
mai/96
134,85 156,40 -21,55 464,57 -26,21 4,65 21,66
jun/96
139,09 158,40 -19,31 372,98 -21,55 2,24 5,02
jul/96
132,88 160,40 -27,52 757,36 -19,31 -8,21 67,36
ago/96
141,23 162,40 -21,17 448,37 -27,52 6,35 40,26
set/96
127,58 164,40 -36,83 1356,30 -21,17 -15,65 245,02
out/96
120,91 166,40 -45,49 2069,43 -36,83 -8,66 75,05
nov/96
127,43 168,40 -40,98 1679,36 -45,49 4,51 20,35
dez/96
129,67 170,41 -40,74 1659,69 -40,98 0,24 0,06
jan/97
145,27 172,41 -27,13 736,26 -40,74 13,61 185,10
fev/97
181,26 174,41 6,86 47,00 -27,13 33,99 1155,28
mar/97
218,98 176,41 42,57 1811,88 6,86 35,71 1275,27
abr/97
234,23 178,41 55,82 3115,60 42,57 13,25 175,60
mai/97
288,79 180,41 108,38 11745,1 55,82 52,56 2762,29
jun/97
254,00 182,41 71,59 5124,89 108,38 -36,79 1353,26
jul/97
209,41 184,41 25,00 624,82 71,59 -46,59 2170,80
ago/97
213,25 186,41 26,84 720,19 25,00 1,84 3,39
set/97
212,71 188,41 24,30 590,48 26,84 -2,54 6,43
out/97
167,09 190,42 -23,33 544,22 24,30 -47,63 2268,45
nov/97
159,11 192,42 -33,31 1109,25 -23,33 -9,98 99,54
dez/97
176,64 194,42 -17,78 316,17 -33,31 15,52 241,00

SOMAS 48208,3 13885,99

Page 4 of 12
Econometria I - 1
0


A estatstica d ser encontrada dividindo-se

E ( et et-1 )
2

d = _________________ = (13885,99 / 48208,3 ) = 0,288041049

E ( et )
2

Como regra compara-se o valor calculado com valores tabelados, dado um nvel
de significncia usualmente 5%, dado o nmero de k variveis explicativas ou,
analogamente, dependendo da tabela, dados A = nmero de parmetros estimados e
dado n, nmero de observaes, encontramos as estatsticas dl e du.

Testa-se
H
0
: = 0 ( No existe autocorrelao )
H
a
: = 0 ( Existe autocorrelao )

Como d =E ( et et-1 )
2
/ E et
2
, ou

d =E et
2
2 E (et - et-1) + E et-1
2
/ E et
2
, temos que

d = 1 - 2 + 1

Se = 0, d = 2
Se = 1, d = 0
Se = 1, d = 4

sendo, para k=1 (nmero de variveis explicativas ) e n = 36, dl = 1,41 e du = 1,52:

h regio regio h
autocorrelao de no h autocorrelao de autocorrelao
positiva incerteza incerteza negativa

0 dl du 2 4-du 4-dl 4
1,41 1,52 2,48 2,59

Page 5 of 12
Econometria I - 1
0


Como no exemplo a estatstica d apresentou valor 0,288, podemos presumir
que h autocorrelao positiva no modelo analisado.

Para a soluo do problema, utiliza-se critrios diversos: funes das diferenas
das variveis (sem intercepto), modelo autoregressivo, (ARCH), etc..

Com o uso do software E-views, o valor da estatstica de Durbin-Watson
apresentado conjuntamente com os demais resultados da regresso, como na sada
anterior.


T 2.000982 0.604130 3.312170 0.0022
C 122.3832 12.81791 9.547829 0.0000


Tratamento da correlao serial

Nenhum procedimento pode garantir a eliminao da autocorrelao numa srie
temporal, porque sua natureza e causa so usualmente desconhecidos.

Muitas vezes ela decorrente de uma m especificao do modelo; suponha
que Y tem uma relao funcional quadrtica com X, e portanto devamos estimar Y = f(
X, X
2
). A medida em que X cresa (ou decresa) sistematicamente ao longo do tempo,
a regresso de Y contra X ir apresentar apenas correlao serial. Nenhuma
procedimento de estimao sofisticado estar apto para corrigir o problema, que
decorrente de incorreta especificao do modelo. A soluo seria reformular o modelo,
incluindo a forma quadrtica.

Outra maneira de tentar corrigir a autocorrelao seria atravs do uso de duplo-
log, ou ainda se insuficiente, adotar-se o procedimento iterativo de Cochrane-Orcutt.

Page 6 of 12
Econometria I - 1
0


Procedimento de Cochrane-Orcutt

Uma maneira de corrigirmos a autocorrelao serial consiste no uso
de mnimos quadrados generalizados - (GLS). Imagine um modelo com duas
variveis para o qual se constata autocorrelao ( ):

Y = |
0
+|
1
X
1
+ |
2
X
2
+ e
t

onde et = f (et-1) + vt

A mesma equao, reescrita para o perodo t-1 apresentaria o seguinte
formato:

Y t-1 = | 0
+|
1
X
1 (t-1) + |
2
X
2 (t-1) + e (t-1)

Multiplicando-se esta ltima equao, termo a termo por ( ) e subtraindo-se
da anterior gera:

(Y - Y t-1) = | 0
( 1- ) + |
1
(X
1
- X
1 (t-1) ) + |
2
(X
2
-X
2 (t-1) ) + e t

Esta equao pode ser reescrita como

Y*t = |
0*
+ |
1
X
t1
* + |
2
X
t2
* + e t

Onde

Y*t = Y ( Y t-1)

|
0
* = | 0
( 1 - )

|
1
X
t1
* = |
1
(X
1
- X
1 (t-1) )

|
2
X
t2
* = |
2
(X
2
-X
2 (t-1) )

As transformaes que geram as variveis com (*) so conhecidas como quase-
diferenas ou diferenas generalizadas.

Os procedimentos a serem seguidos so ento::

Passo 1: estimamos a equao Y = |
0
+|
1
X
1
+ |
2
X
2
+ e
t
e calculamos o
residuo,
t

Page 7 of 12
Econometria I - 1
0


Passo 2: estimamos o coeficiente de correlao serial, , entre et e (et-1)

Passo 3: calculamos as variveis defasadas e efetuamos as seguintes
transformaes: Y*t = Y ( Y t-1), X
t1
* = (X
1
- X
1 (t-1) ), e assim por
diante, j que a autocorrelao positiva (se negativa, somaramos).

Passo 4: Regredimos Y* contra as variveis X* e fazemos novamente o teste de
DW.

Se o problema ainda no desaparecer, repetimos o procedimento criando as
variveis (**).

Exemplo de aplicao

A aplicao do mtodo de Cochrane-Orcutt pode ser ilustrado com o exemplo de
consumo de carne de frango, (Y) como funo do preo da carne de frango, (PC),
preo da carne bovina, (PB) e renda disponvel, (YD).

O arquivo correspondente, extrado da bibliografia utilizada, o chicken.wf1.

Regredindo-se o modelo, teremos a seguinte sada:

Dependent Variable: Y
Date: 05/04/10 Time: 11:17
Sample: 1951 1994
Included observations: 44


PC -0.729695 0.080020 -9.118941 0.0000
PB 0.114148 0.045686 2.498536 0.0167
YD 0.233830 0.016447 14.21738 0.0000
C 31.49604 1.312586 23.99541 0.0000

Page 8 of 12
Econometria I - 1
0



Comparando-se a estatstica DW anterior com os valores crticos da tabela DW,
onde nivel de significncia de 95%, K=3 e n=44, encontraremos:

dl=1,383, du=1,666

Constata-se, portanto, que existe autocorrelao positiva na estimao da
equao.

Para a aplicao do procedimento de correo, precisamos inicialmente
determinar o valor do coeficiente de autocorrelao, ,que pode ser obtido regredindo
o erro como funo do prprio erro defasado um perodo,

Dependent Variable: ERRO
Date: 05/04/10 Time: 11:49
Sample (adjusted): 1952 1994
Included observations: 43 after adjustments


ERRO(-1) 0.500358 0.135451 3.694016 0.0006
C -0.019618 0.258797 -0.075803 0.9399

R-squared 0.249713 Mean dependent var -0.041758

O coeficiente pode ter seu valor aproximado de uma forma mais simples, onde

= 1-(DW/2)

Substituindo-se o valor encontrado de DW, 0,978 na equao acima, teremos:
Page 9 of 12
Econometria I - 1
0


= 1-(0,978/2) = 0,51

Construindo-se ento as variveis transformadas, onde

Ymod = (Y
t
- 0,51*Y
t-1
)

PCmod = (PC
t
- 0,51*PC
t-1
)

PBmod = (PB
t
- 0,51*PB
t-1
)

YDmod =((YD
t
- 0,51*YD
t-1
)

E regredindo-se com o eviews, teremos:

Dependent Variable: YMOD
Date: 05/04/10 Time: 11:58


PCMOD -0.105533 0.082165 -1.284399 0.2066
PBMOD 0.089457 0.042098 2.124975 0.0400
YDMOD 0.226844 0.035237 6.437669 0.0000
C 1.567860 0.311759 5.029074 0.0000


Page 10 of 12
Econometria I - 1
0


Pela estatstica de DW calculada, comparada com a distribuio terica de DW,
constata-se que a autocorrelao foi eliminada.

Outra maneira de se lidar com modelos de mnimos quadrados generalizados
consiste no uso de modelos AR(1), auto-regressivos de primeira ordem, que num nico
passo estima e os |
i
simultaneamente.

Em sntese, o modelo AR(1) estima a equao com as variveis transformadas
num nico passo, atravs de um mtodo de regresso no linear que ser objeto de
anlise em econometria II.

A vantagem em relao ao mtodo anterior que ele se utiliza de todas as
observaes, e no necessariamente de n-1 observaes por causa da defasagem das
variveis.

Estimando-se LS Y PC PB YD AR(1) C, teremos a seguinte sada no eviews:

Dependent Variable: Y
Date: 05/04/10 Time: 12:16
Convergence achieved after 12 iterations


PC -0.109879 0.084948 -1.293488 0.2037
PB 0.090291 0.043806 2.061158 0.0462
YD 0.242017 0.026519 9.125988 0.0000
C 26.72955 3.994339 6.691859 0.0000
AR(1) 0.902885 0.063700 14.17402 0.0000

Page 11 of 12
Econometria I - 1
0



Inverted AR Roots .90

Comparando-se as duas sadas:

LS YMOD PCMOD PBMOD YDMOD C
YMOD = -0.105*PCMOD + 0.0894*PBMOD + 0.226*YDMOD + 1.567

LS Y PC PB YD AR(1) C
Y = -0.109*PC + 0.0902*PB + 0.242*YD + 26.72955126 + [AR(1)=0.9028852671]

Observa-se que o modelo proposto por Cochrane-Orcutt e o modelo auto-
repressivo produzem resultados muito prximos, sendo que o segundo mais fcil de
usar.

Modelos ARCH E GARCH

possvel que exista correlao da varincia S
2
no perodo t, quando seus
valores esto defasados um ou mais perodos (da mesma forma que o termo erro, e
no perodo t, pode estar correlacionado com o termo erro no perodo t-1).

Esse tipo de autocorrelao muito comum nas sries temporais do mercado
financeiro, taxas de cmbio, taxas de inflao, preos de aes, etc., e tais correlaes
so conhecidas como heteroscedasticidade condicional auto-regressiva, ARCH. Quando
a varincia do erro se correlaciona com o quadrado dos termos do erro do perodo
anterior, o modelo chamado GARCH, heteroscedasticidade condicional auto-
regressiva generalizada.

Este assunto, porm, ser mais bem abordado no curso de Econometria II.

Page 12 of 12

Autocorrelacao Do Residuo

Diunggah oleh

Informasi Dokumen

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

Autocorrelacao Do Residuo

Diunggah oleh

Hak Cipta:

Format Tersedia

Econometria I - 1

Anda mungkin juga menyukai