ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 1

MANUAL STATA 10.1: TESTES DE AUTOCORRELAO, ESTACIONARIDADE,

CO-INTEGRAO, CAUSALIDADE DE GRANGER E MODELOS ARIMA
Renata Rojas Guerra*

PASSO 1: Gerando as variveis

Varivel Logartimica: gen logvar = log(var1)

Varivel de tempo anual: gen time = y(1980)+_n-1
Varivel de tempo mensal: gen time = m(1980m1)+_n-1
Varivel de tempo trimestral: gen time = q(1980q1)+_n-1

PASSO 2: Declarar que srie temporal

Statistics > Time Series > Setup and Utilities > Declarare dataset to be time-series data
Selecionar Time variable (varivel de tempo) e periodicidade (daily, weekly, monthly,
quarterly, half-yearly, yearly generic dirio, semanal, mensal, trimestral, semestral,
anual)

Comando: tsset time, yearly

PASSO 3: Rodar regresso

Comando: reg var1 var2

PASSO 4: Teste d de Durbin Watson para auto-correlao

Comando: dwstat
Output 01: Exemplo baseado na regresso reg logrpd logdcp logpib tabela 21.1
Gujarati 4 edio

*
Estudante do curso de Cincias Econmicas da Universidade Federal de Santa Maria e integrante do Grupo de
Pesquisa em Agronegcios - UFSM. E-mail: renata.objetivajr@yahoo.com.br

importante destacar que as variveis so nomeadas a critrio do pesquisador, sendo as nomeaes utilizadas
no presente manual apenas ilustrativas.

Este exemplo trata apenas de sries anuais. Assim, ao utilizar o comando para declarar a srie temporal
importante lembrar que este varia de acordo com a periodicidade das mesmas.
ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 2

. dwstat

Durbin-Watson d-statistic( 3, 88) = .5613739

Ho: Ausncia de Autocorrelao

Compara-se o valor calculado da estatstica d com os valores crticos dL e dU,

encontrados na Tabela D.5 do Apndice D Gujarati.

Se dcalc<dL h autocorrelao positiva

Se dL<dcalc<dU zona de indeciso
Se dU<dcalc<4-dU no h autocorrelao
Se 4-dU<dcalc<4-dL zona de indeciso
Se 4-dL<dcalc h autocorrelao negativa

No exemplo dcalc 0,56 menor que dL 1,575, ou seja, h autocorrelao positiva.

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 3

PASSO 5: Regresso espria

. reg logrpd logdcp logpib

Source SS df MS Number of obs = 88

F( 2, 85) = 7665.50
Model 2.58463385 2 1.29231692 Prob > F = 0.0000
Residual .014330049 85 .000168589 R-squared = 0.9945
Adj R-squared = 0.9944
Total 2.5989639 87 .029873148 Root MSE = .01298

logrpd Coef. Std. Err. t P>|t| [95% Conf. Interval]

logdcp .8943569 .1104107 8.10 0.000 .6748308 1.113883

logpib .0491394 .124155 0.40 0.693 -.197714 .2959929
_cons .5217883 .1727425 3.02 0.003 .1783299 .8652467

Compara-se o valor do R com a estatstica d de Durbin-Watson pois um R>d uma boa

regra de bolso para se suspeitar que a regresso seja espria.
No exemplo, como o valor de R = 0,9945 maior que d= 0,5613 h fortes razes para se
acreditar que a regresso espria.

PASSO 6: Teste Breusch-Godfrey ou teste LM uma alternativa ao teste d

Gerar resduo: predict u, residuals

Verificar nmero de defasagem do resduo atravs dos critrios de informao de Akaiki e
Schwarz: varsoc u

Selection-order criteria
Sample: 1971q1 - 1991q4 Number of obs = 84

lag LL LR df p FPE AIC HQIC SBIC

0 246.989 .000167 -5.85689 -5.84526 -5.82795

1 276.76 59.541* 1 0.000 .000084 -6.54191 -6.51864 -6.48403*
2 278.482 3.4444 1 0.063 .000083* -6.5591* -6.5242* -6.47229
3 278.54 .11599 1 0.733 .000085 -6.53667 -6.49014 -6.42092
4 278.659 .23668 1 0.627 .000087 -6.51568 -6.45752 -6.37099

Endogenous: u
Exogenous: _cons

Para o caso de divergncia entre estes resultados opta-se, embasado pelo princpio da
parcimnia, pela utilizao da menor defasagem indicada por um destes critrios, neste caso
uma defasagem.

Comando: qui regress log logrpd logdcp logpib

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 4

Comando para o teste LM: estat bgodfrey, lags(1)

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

1 45.182 1 0.0000

H0: no serial correlation

Para este exemplo, ao observar que existe 0% de probabilidades de aceitar a hiptese nula de
ausncia de autocorrelao, a mesma pode ser rejeitada. Observa-se que esse resultado
converge com aqueles obtidos atravs do teste d de Durbin-Watson.

PASSO 7: Procedimento Iterativo de Cochrane-Orccut Medida corretiva para

autocorrelao

Statistics > timeseries > prais winstein regression

Selecionar varivel dependente e independente, dentre as Options selecionar Single-lag OLS
of residuals e marcar o quadro Cochrane-Orccut transformation

Comando: Orccut prais logrpd logdcp logpib, rhotype(regress) corc

. prais logrpd logdcp logpib, rhotype(regress) corc

Iteration 0: rho = 0 .0 000

Iteration 1: rho = 0 .7 043
Iteration 2: rho = 0 .7 418
Iteration 3: rho = 0 .7 474
Iteration 4: rho = 0 .7 485
Iteration 5: rho = 0 .7 487
Iteration 6: rho = 0 .7 487
Iteration 7: rho = 0 .7 487
Iteration 8: rho = 0 .7 487
Iteration 9: rho = 0 .7 487

Cochrane-Orcutt AR(1) regression -- iterated estimates

Source SS df MS Number of obs = 87

F( 2, 84) = 987 .4 4
Model . 14 98 37 762 2 .0 74 91 88 81 Prob > F = 0.0 00 0
Residual . 00 63 73 248 84 .0 00 07 58 72 R-squared = 0.9 59 2
Adj R-squared = 0.9 58 2
Total .1 56 21 101 86 .0 01 81 64 07 Root MSE = .00 87 1

logrpd Coef. Std. Err. t P>|t| [95% Conf. Interval]

logdcp .5 98 73 03 .1 24 31 59 4 .8 2 0. 00 0 .3 51 51 44 .8 459 46 2
logpib .3 61 59 25 .1 37 49 01 2 .6 3 0. 01 0 .0 88 17 84 .6 350 06 6
_cons .2 58 86 02 .2 39 15 71 1 .0 8 0. 28 2 - .2 16 73 .7 344 50 3

rho .7 48 70 09

Durbin-Watson statistic (original) 0. 56 13 74

Durbin-Watson statistic (transformed) 2. 25 41 37

.
ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 5

O valor em destaque refere-se estatstica d de Durbin-Watson aps a aplicao do

procedimento iterativo de Cochrane-Orccut. Neste exemplo, como dcalc= 2,25 maior que o
limite crtico dU=1,721, conclu-se que este procedimento corrigiu o problema de
autocorrelao do modelo, caso contrario seria necessria a busca de outras medidas de
correo.

PASSO 8: Teste Dickey Fuller Aumentado (ADF) teste de estacionaridade

Primeiramente necessrio saber o nmero de defasagens da srie atravs dos critrios de

informao de Akaiki e Schwarz. Aqui novamente, se houver divergncias entre AIC e BIC
opta-se, embasado pelo princpio da parcimnia, pela utilizao da menor defasagem indicada
por um destes critrios.
Comando: varsoc logrpd

Selection-order criteria
Sample: 1971q1 - 1991q4 Number of obs = 84

lag LL LR df p FPE AIC HQIC SBIC

0 33.8402 .026788 -.781909 -.770276 -.752971

1 263.812 459.94* 1 0.000 .000115* -6.23363* -6.21036* -6.17575*
2 264.011 .3967 1 0.529 .000117 -6.21454 -6.17964 -6.12772
3 264.047 .07358 1 0.786 .00012 -6.19161 -6.14507 -6.07585
4 264.966 1.8373 1 0.175 .00012 -6.18967 -6.1315 -6.04498

Endogenous: logrpd
Exogenous: _cons

Como ambos os critrios apontaram para a utilizao de uma defasagem, aplica-se o teste.
Comando: dfuller logrpd, lags(1)
Augmented Dickey-Fuller test for unit root Number of obs = 86

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -1.531 -3.530 -2.901 -2.586

MacKinnon approximate p-value for Z(t) = 0.5182

Lags = nmero de defasagens, atribudas atravs dos critrios AIC e BIC

H0: h uma raiz unitria, a srie temporal no estacionria.

Neste caso aceita-se a hiptese nula de ausncia de estacionaridade pois dfuller calculado
menor que dfuller crtico, at mesmo para o nvel de significncia de 10%.
ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 6

PASSO 9: Teste Phillips-Perron outro teste de estacionaridade

Comando: pperron var1, lags(1)

Phillips-Perron test for unit root Number of obs = 87

Newey-West lags = 1

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(rho) -0.911 -19.566 -13.596 -10.922

Z(t) -1.649 -3.528 -2.900 -2.585

MacKinnon approximate p-value for Z(t) = 0.4576

O teste tambm aceitou a hiptese nula de ausncia de estacionaridade a 10%, convergindo

com os resultados do ADF, porm nem sempre isto ocorre.

PASSO 10: Gerando variveis diferenciadas

Os modelos diferenciados so uma das mais comuns medidas corretivas a serem aplicadas
quando a srie no estacionria em nvel, desta forma preciso gerar a varivel
diferenciada, encontrar o novo nmero de defasagens e reaplicar o teste de Dickey-Fuller para
as mesmas.

Comando para gerar varivel diferenciada: gen diflogrpd = d1.logrpd

Comando para identificar novas defasagens: varsoc diflogrpd
Comando para o novo ADF: dfuller diflogrpd, lags(0)

. dfuller dlogrpd

Dickey-Fuller test for unit root Number of obs = 86

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -9.681 -3.530 -2.901 -2.586

MacKinnon approximate p-value for Z(t) = 0.0000

Como possvel observar no Output, no exemplo a srie no possui raiz unitria em sua
primeira diferena, pois, as estatsticas calculadas so maiores as crticas, at mesmo para o
ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 7

nvel de significncia de 1%. Assim, rejeita-se H0, a srie estacionria em primeira

diferena, I(1).

PASSO 11: Teste de Co-integrao de Johansen

Para que duas sries sejam co-integradas necessrio que estas tenham a mesma
ordem de integrao. Assim, antes da realizao de qualquer teste afim de verificar a
existncia de uma relao de longo prazo entre as variveis, necessrio certificar-se de que
as mesmas so integradas de mesma ordem (atravs de testes de estacionaridade como ADF e
Phillips-Perron).
Aps esta apurao passa-se aplicao do teste de Johansen o qual baseado no teste
do Trao e no Teste de Mximo Autovalor.
ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 8

Teste Trao
Hiptese Nula Hiptese Alternativa
r=0
r1
Teste do Mximo Autovalor
Hiptese Nula Hiptese Alternativa
r=0 r=1
r1 r=2

A existncia de co-integrao depende do rank da matriz, se r = 0, no h combinaes

lineares entre as variveis, ou seja, no h co-integrao. Se r = pleno, a soluo dada por n
equaes, sendo cada uma delas uma restrio independente da soluo de longo prazo. Neste
contexto, a estatstica trao mostra-se til medida que atravs desta podemos testar a
hiptese nula de que r = 0 contra a hiptese alternativa de que r 1. Esta, juntamente com a
estatstica de mximo autovalor, que testa a hiptese nula de que r = 0 contra a hiptese
alternativa especifica de que r = 1, renem evidncias estatsticas suficientes para encontrar o
numero de vetores de co-integrao do modelo.

Comando: vecrank lnrpd lndcp lnpib, max levela

Johansen tests for cointegration

Trend: constant Number of obs = 56
Sample: 1970q3 - 1984q2 Lags = 2

maximum trace 5% critical 1% critical

rank parms LL eigenvalue statistic value value
0 12 580.68728 40.8441 29.68 35.65
1 17 593.52075 0.36767 15.1771*1*5 15.41 20.04
2 20 600.89774 0.23161 0.4231 3.76 6.65
3 21 601.10931 0.00753

maximum max 5% critical 1% critical

rank parms LL eigenvalue statistic value value
0 12 580.68728 25.6669 20.97 25.52
1 17 593.52075 0.36767 14.7540 14.07 18.63
2 20 600.89774 0.23161 0.4231 3.76 6.65
3 21 601.10931 0.00753

Os dois asteriscos azuis indicam os resultados significativos do teste trao, o qual

indca o nmero de vetores de co-integrao a nveis de significncia de 1% e 5%
respectvamente. Estes, para o caso acima, permitem concluir que existe um vetor de co-
integrao no modelo sob anlise.
ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 9

Isto pode ser verificado atravs do rank, o qual leva a rejeitar a hiptese nula de que
no h nenhum vetor de co-integrao (r=0), ao considerar a estatstica calculada maior do
que a tabelada ao nvel de confiana de 99%. Enquanto a hiptese nula de que existe um vetor
de co-integrao deve ser aceita ao nvel de 99%, pois, o valor desta estatstica menor do
que a tabelada, confirmando assim a existncia de um vetor de co-integrao no modelo.
No que diz respeito ao teste de mximo auto-valor, este leva a rejeitar a hiptese nula
de que no h nenhum vetor de co-integrao (r=0), ao considerar a estatstica calculada
maior do que a tabelada ao nvel de confiana de 99%. J a hiptese nula de que existem dois
vetores de co-integrao deve ser tambm rejeitada ao nvel de 99%, confirmando assim a
existncia de um vetor de co-integrao no modelo. Confirmada a existncia de coi-ntegrao
no modelo parte-se para a estimao do modelo de longo prazo.

Comando para ver o nmero de defasagens para o modelo como um todo:. varsoc lnrpd lndcp
lnpib

Comando para estimar a regresso de longo prazo normalizada por Johansen: vec lnrpd lndcp
lnpib, lags(1)
ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 10

Vector error-correction model

Sample: 1970q3 - 1984q2 No. of obs = 56

AIC = -20.59003
Log likelihood = 593.5207 HQIC = -20.35165
Det(Sigma_ml) = 1.25e-13 SBIC = -19.97519

Equation Parms RMSE R-sq chi2 P>chi2

D_lnrpd 5 .010384 0.4735 45.85919 0.0000

D_lndcp 5 .006603 0.6700 103.555 0.0000
D_lnpib 5 .008989 0.5855 72.03793 0.0000

Coef. Std. Err. z P>|z| [95% Conf. Interval]

D_lnrpd
_ce1
L1. -.0490594 .0387051 -1.27 0.205 -.12492 .0268012
lnrpd
LD. -.2116217 .1555801 -1.36 0.174 -.516553 .0933096
lndcp
LD. .7072258 .3468671 2.04 0.041 .0273787 1.387073
lnpib
LD. -.2319255 .1978513 -1.17 0.241 -.6197069 .1558559
_cons .0027918 .0022049 1.27 0.205 -.0015298 .0071134

D_lndcp
_ce1
L1. -.1219048 .0246142 -4.95 0.000 -.1701477 -.0736619
lnrpd
LD. .0746956 .0989398 0.75 0.450 -.1192229 .2686142
lndcp
LD. -.2897811 .2205872 -1.31 0.189 -.7221241 .142562
lnpib
LD. .1127606 .1258219 0.90 0.370 -.1338457 .359367
_cons .0018629 .0014022 1.33 0.184 -.0008854 .0046111

D_lnpib
_ce1
L1. -.1319114 .0335047 -3.94 0.000 -.1975794 -.0662434
lnrpd
LD. .1367296 .1346765 1.02 0.310 -.1272314 .4006907
lndcp
LD. .1776466 .3002624 0.59 0.554 -.4108569 .76615
lnpib
LD. .0209356 .1712682 0.12 0.903 -.3147439 .356615
_cons -.0027599 .0019087 -1.45 0.148 -.0065008 .0009811

Cointegrating equations

Equation Parms chi2 P>chi2

_ce1 2 281.8366 0.0000

Identification: beta is exactly identified

Johansen normalization restriction imposed

beta Coef. Std. Err. z P>|z| [95% Conf. Interval]

_ce1
lnrpd 1 . . . . .
lndcp -4.011826 .5896917 -6.80 0.000 -5.1676 -2.856051
lnpib 3.537045 .6755388 5.24 0.000 2.213014 4.861077
_cons -5.757113 . . . . .

A estimao do modelo de longo prazo dada pelos valores contidos no elipse. Assim, temos:

Logrpd = 5,757113 + 4,011826 logdcp 3,537045logpib

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 11

IMPORTANTE!!! Na estimao final do modelo de longo prazo normalizado por Johansen

todos os parmetros devem ter seu sinal invertido.

Os valores contidos no ectgono referem-se varivel do Mecanismo de Correo de Erros

para o curto prazo. O primeiro representa o valor de tal parmetro enquanto o segundo
representa a probabilidade p>|z| de rejeitar H0: O modelo est em equilbrio de curto prazo -
=0.
Assim, como no exemplo p>|z| de 20,5% rejeita-se H0, o modelo no est em equilbrio de
curto prazo. Deve-se interpretar o parmetro da seguinte forma: 4,9% das discrepncias entre
o RPD de longo prazo e o de curto prazo so corrigidas dentro de um trimestre. Alm disso,
cabe ressaltar que para que haja a correo do erro necessrio que o parmetro esteja
contido no intervalo ]-1,1[. Caso contrrio, a srie ser explosiva, ou seja, o valor defasado de
RPD elevado demais para estar em equilbrio.

PASSO 12: Teste de Causalidade de Granger

Para a efetivao do teste a estacionaridade da srie condio necessria. Assim, antes da

realizao de qualquer outro procedimento, preciso aplicar testes de estacionaridade como
ADF e Phillips-Perron. Posteriormente, posteriormente estima-se o modelo por meio do
mtodo de Var.
Comando: var estoquevenda var1
Comando para realizao do teste de causalidade de Granger: vargranger

A partir desses resultados observa-se os valores da estatstica p>chi2, a qual tem por hiptese
nula a afirmao de que no h causalidade de Granger entre as variveis do modelo.
Granger causality Wald tests

Equation Excluded chi2 df Prob > chi2

dfrpd dfdcp 17.795 2 0.000

dfrpd dfpb 11.209 2 0.004
dfrpd ALL 29.849 4 0.000

dfdcp dfrpd .35996 2 0.835

dfdcp dfpb 1.0505 2 0.591
dfdcp ALL 1.2261 4 0.874

dfpb dfrpd 3.9489 2 0.139

dfpb dfdcp 23.747 2 0.000
dfpb ALL 28.166 4 0.000
ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 12

Neste exemplo possvel observar que todas as variveis causam rpd (valores no elipse),
nenhuma causa o dcp (valores no octgono) e apenas o dcp causa o PIB (valores no losango)
no havendo relao de bicausalidade de Granger entre as variveis. A flecha indica a relao
de causalidade, ou seja, testa-se sempre a hiptese que as variveis da segunda coluna causam
as da primeira. Esta valida para todos os quadrantes.

PASSO 13: Metodologia Box-Jenkins Estimao dos Modelos de Previso (ARIMA)

Para a estimao dos modelos ARIMA a estacionaridade da srie condio necessria,.

Assim, antes da realizao de qualquer outro procedimento, preciso realizar testes de
estacionaridade como ADF e Phillips-Perron. Posteriormente, faz-se a Funo de correlao
amostral (FAC) no intuito de identificar as defasagens a serem inclusas no modelo. Segue
abaixo um exemplo onde se utilizam os dados do logaritmo neperiano do PIB Tabela 21.1
do Gujarati.

Comando: ac dflnpb
0.40
0.20
0.00
-0.20
-0.40

0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands

Comando: corrgram dflnpb

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 13

-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]

1 0.2770 0.2777 6.907 0.0086

2 0.1883 0.1178 10.137 0.0063
3 0.0348 -0.0470 10.249 0.0166
4 0.0459 0.0332 10.446 0.0336
5 -0.0256 -0.0491 10.508 0.0621
6 -0.0286 -0.0156 10.586 0.1020
7 -0.0935 -0.0828 11.431 0.1209
8 -0.3060 -0.2945 20.606 0.0083
9 -0.0964 0.0969 21.528 0.0105
10 0.0030 0.0961 21.529 0.0177
11 0.0276 0.0052 21.606 0.0276
12 -0.2351 -0.3439 27.313 0.0070
13 -0.1059 0.0287 28.486 0.0077
14 -0.2005 -0.1256 32.751 0.0031
15 -0.1127 -0.0411 34.118 0.0033
16 -0.0501 -0.1436 34.392 0.0048
17 -0.0461 0.0278 34.626 0.0070
18 -0.0032 0.1154 34.627 0.0105
19 -0.0331 -0.0432 34.752 0.0150
20 0.0809 -0.1355 35.508 0.0176
21 0.1194 0.0939 37.182 0.0160
22 0.0684 -0.0494 37.739 0.0196
23 -0.0441 -0.1216 37.974 0.0256
24 -0.0166 -0.1191 38.008 0.0346
25 0.0415 0.1159 38.223 0.0440
26 -0.0476 -0.1630 38.51 0.0543
27 0.0035 -0.1452 38.512 0.0701
28 -0.0048 -0.0230 38.515 0.0890
29 0.0279 0.0888 38.619 0.1092
30 -0.0740 -0.2159 39.363 0.1178
more

Ao observar os dois outputs possvel perceber que as defasagens 1,8 e 12 parecem

estatisticamente diferentes de zero de modo que estas sero acrescentadas no modelo.
Salienta-se ainda que, a partir dos resultados do teste ADF possvel constatar que a srie do
LnPIB integrada de ordem 1 de modo que temos, PROVISORIAMENTE, um modelo ARI
cuja estimao segue abaixo:

Comando: arima dflnpb, ar(1,8,12)

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 14

(setting optimization to BHHH)

Iteration 0: log likelihood = 290.00504
Iteration 1: log likelihood = 290.36949
Iteration 2: log likelihood = 290.41029
Iteration 3: log likelihood = 290.41453
Iteration 4: log likelihood = 290.41518
(switching optimization to BFGS)
Iteration 5: log likelihood = 290.41528
Iteration 6: log likelihood = 290.41531

ARIMA regression

Sample: 1970q2 - 1991q4 Number of obs = 87

Wald chi2(3) = 33.64
Log likelihood = 290.4153 Prob > chi2 = 0.0000

OPG
dflnpb Coef. Std. Err. z P>|z| [95% Conf. Interval]

dflnpb
_cons .0061486 .0007784 7.90 0.000 .004623 .0076743

ARMA
ar
L1. .2574502 .085357 3.02 0.003 .0901536 .4247467
L8. -.3092161 .0854079 -3.62 0.000 -.4766126 -.1418197
L12. -.2773256 .1062478 -2.61 0.009 -.4855675 -.0690837

/sigma .0084799 .0005777 14.68 0.000 .0073477 .0096122

Posteriormente so gerados os resduos e sua respectiva FAC a fim de identificar o nmero de

mdias mveis a serem inclusas no modelo:
-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]

1 -0.0280 -0.0281 .07035 0.7908

2 0.1587 0.1592 2.366 0.3064
3 -0.0509 -0.0510 2.6044 0.4567
4 -0.0707 -0.0866 3.0712 0.5460
5 -0.0945 -0.0898 3.9148 0.5618
6 -0.0210 0.0074 3.9569 0.6825
7 -0.0838 -0.0729 4.6367 0.7042
8 -0.0539 -0.0637 4.9212 0.7660
9 0.0211 0.0217 4.9652 0.8373
10 0.1258 0.1432 6.556 0.7666
11 0.0661 0.0410 7.0017 0.7989
12 -0.0220 -0.0851 7.0517 0.8542
13 0.0714 0.0635 7.5846 0.8696
14 -0.1998 -0.1632 11.817 0.6210
15 -0.1174 -0.1237 13.299 0.5792
16 -0.1524 -0.1312 15.833 0.4647
17 -0.0686 0.0061 16.353 0.4989
18 -0.0485 -0.0363 16.617 0.5495
19 0.0088 -0.0621 16.626 0.6152
20 -0.0774 -0.1867 17.318 0.6323
21 0.0858 0.0723 18.182 0.6375
22 0.0055 -0.0557 18.186 0.6949
23 -0.0264 -0.0792 18.27 0.7427
24 -0.1028 -0.1749 19.568 0.7211
25 0.0094 0.1346 19.579 0.7685
26 -0.1010 -0.1167 20.874 0.7484
27 -0.0525 -0.1481 21.23 0.7754
28 0.0109 -0.0322 21.246 0.8150
29 0.0724 0.1304 21.946 0.8224
30 -0.0845 -0.2330 22.917 0.8186

O correlograma sugere que as defasagens 2, 10 e 14 so estatisticamente diferentes de zero,

por conseguinte, as incluiremos no modelo.

Comando: arima dflnpb, ar(1,8,12) ma(2,10,14)

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 15

(setting optimization to BHHH)

Iteration 0: log likelihood = 286.36858
Iteration 1: log likelihood = 292.40567
Iteration 2: log likelihood = 292.98814
Iteration 3: log likelihood = 293.05331
Iteration 4: log likelihood = 293.08025
(switching optimization to BFGS)
Iteration 5: log likelihood = 293.09412
Iteration 6: log likelihood = 293.11152
Iteration 7: log likelihood = 293.11542
Iteration 8: log likelihood = 293.11558
Iteration 9: log likelihood = 293.11561
Iteration 10: log likelihood = 293.11562

ARIMA regression

Sample: 1970q2 - 1991q4 Number of obs = 87

Wald chi2(6) = 43.76
Log likelihood = 293.1156 Prob > chi2 = 0.0000

OPG
dflnpb Coef. Std. Err. z P>|z| [95% Conf. Interval]

dflnpb
_cons .0061309 .0009156 6.70 0.000 .0043362 .0079255

ARMA
ar
L1. .2240765 .0898709 2.49 0.013 .0479328 .4002203
L8. -.335362 .094227 -3.56 0.000 -.5200435 -.1506805
L12. -.266644 .1079606 -2.47 0.014 -.4782428 -.0550452
ma
L2. .1656575 .0947385 1.75 0.080 -.0200265 .3513416
L10. .1333275 .1012232 1.32 0.188 -.0650664 .3317214
L14. -.1227807 .108483 -1.13 0.258 -.3354035 .089842

/sigma .0081897 .0006419 12.76 0.000 .0069316 .0094479

Mas como saber qual dos dois modelos proporciona uma melhor previso?

Para verificar qual modelo melhor se ajusta no sentido de propiciar uma melhor previso,
realizada a estatstica de Akaiki e Schwarz onde so comparados os valores AIC e BIC para
cada regresso estimada e, baseado no critrio da parcimnia, escolhe-se aquele modelo que,
dentre todos estimados, obtiver o menor valor AIC em mdulo.

Comando: estat ic

Exemplo para os modelos ARI(3,1) e ARIMA(3,1,3) respectivamente:

Model Obs ll(null) ll(model) df AIC BIC

. 87 . 290.4153 5 -570.8306 -558.5011

Note: N=Obs used in calculating BIC; see [R] BIC note

Model Obs ll(null) ll(model) df AIC BIC

. 87 . 293.1156 8 -570.2312 -550.504

Note: N=Obs used in calculating BIC; see [R] BIC note

ECONOMIA EM FOCO-Projeto de Extenso Cincias Econmicas UFSM 16

A partir desses resultados e admitindo-se o critrio da parcimnia conclumos que o modelo

ARIMA(3,1,3) ajusta-se melhor.

IMPORTANTE!! A identificao das defasagens dos modelos ARIMA intuitiva, desta

forma, o ideal estimar regresses alternativas como por exemplo arima dflnpb, ar(1,8,12)
ma(2,10,); arima dflnpb, ar(1,8,12) ma(2); arima dflnpb, ar(1,8,12) ma(10,14); arima dflnpb,
ar(1,8)... e verificar a estatistica AIC para cada uma delas, para assim evitar o caso de excluir
alguma varivel importante do modelo, ou de haver alguma que seja desnecessria.

REFERNCIAS
GUJARATI, D. Econometria Bsica. 4 Edio, Rio de Janeiro: Elsevier, 2006.