monitoria_VAR (4) (1).docx
description
Transcript of monitoria_VAR (4) (1).docx
NOMEN USP
Cibele Borges 7600972
Tabiner Domingues Marques7185351
MODELO VAREstime o modelo VAR para a 1 diferena das variveis. 1. Selecione a ordem do VAR. Coloque abaixo os resultados do EViews e os comente.
VAR Lag Order Selection Criteria
Endogenous variables: D_LEMPREGO D_LPIB
Exogenous variables: C
Date: 05/29/15 Time: 12:42
Sample: 2000M01 2015M01
Included observations: 165
LagLogLLRFPEAICSCHQ
0938.9536NA4.01e-08-11.35701-11.31937-11.34173
1968.378457.779572.94e-08-11.66519-11.55225-11.61934
2991.652145.136842.33e-08-11.89881-11.71057-11.82240
31005.99527.468832.06e-08-12.02418-11.76065-11.91720
41042.21668.490411.39e-08-12.41474-12.07591-12.27719
51057.19727.965361.22e-08-12.54785-12.13372-12.37974
61062.1159.0613591.21e-08-12.55898-12.06955-12.36030
71073.06419.906911.11e-08-12.64320-12.07849-12.41397
81078.2319.2689381.09e-08-12.65735-12.01733-12.39754
91096.98233.184029.15e-09-12.83615-12.12084-12.54578
101121.73543.204597.12e-09-13.08770-12.29709-12.76676
111138.53528.915676.10e-09-13.24284-12.37694-12.89134
121210.833122.68892.67e-09-14.07071-13.12951-13.68864
131226.65226.460032.32e-09-14.21396-13.19747-13.80133
141240.95523.57873*2.05e-09*-14.33885*-13.24706*-13.89566*
151242.4322.3988852.11e-09-14.30827-13.14118-13.83451
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Atendendo aos critrios de Akaike, Schwarz e Hannan-Quinn foi estipulado um VAR(14).
Vector Autoregression Estimates
Date: 05/29/15 Time: 12:43
Sample (adjusted): 2001M04 2015M01
Included observations: 166 after adjustments
Standard errors in ( ) & t-statistics in [ ]
D_LEMPREGOD_LPIB
D_LEMPREGO(-1)0.4202362.246863
(0.08122)(0.76895)
[ 5.17379][ 2.92200]
D_LEMPREGO(-2)0.3062232.505688
(0.08690)(0.82267)
[ 3.52392][ 3.04580]
D_LEMPREGO(-3)0.038839-0.130295
(0.05931)(0.56149)
[ 0.65485][-0.23205]
D_LEMPREGO(-4)-0.005670-0.233854
(0.05791)(0.54823)
[-0.09791][-0.42656]
D_LEMPREGO(-5)-0.117758-1.701452
(0.05607)(0.53080)
[-2.10025][-3.20544]
D_LEMPREGO(-6)0.0137860.468603
(0.05501)(0.52075)
[ 0.25063][ 0.89987]
D_LEMPREGO(-7)-0.148551-0.377702
(0.05449)(0.51581)
[-2.72645][-0.73225]
D_LEMPREGO(-8)0.0457780.046825
(0.05471)(0.51798)
[ 0.83667][ 0.09040]
D_LEMPREGO(-9)0.0368970.984093
(0.05415)(0.51266)
[ 0.68136][ 1.91959]
D_LEMPREGO(-10)-0.097806-1.038063
(0.05474)(0.51820)
[-1.78683][-2.00322]
D_LEMPREGO(-11)-0.009019-0.857626
(0.05575)(0.52783)
[-0.16176][-1.62481]
D_LEMPREGO(-12)0.832191-1.023265
(0.05356)(0.50709)
[ 15.5363][-2.01790]
D_LEMPREGO(-13)-0.2771640.468138
(0.08832)(0.83617)
[-3.13801][ 0.55986]
D_LEMPREGO(-14)-0.317496-0.428567
(0.08796)(0.83275)
[-3.60941][-0.51464]
D_LPIB(-1)0.007137-0.459094
(0.00919)(0.08697)
[ 0.77696][-5.27900]
D_LPIB(-2)-0.001386-0.487328
(0.01007)(0.09534)
[-0.13766][-5.11161]
D_LPIB(-3)0.003999-0.175721
(0.01091)(0.10327)
[ 0.36665][-1.70164]
D_LPIB(-4)0.003167-0.367107
(0.01086)(0.10277)
[ 0.29175][-3.57212]
D_LPIB(-5)0.006581-0.136939
(0.01108)(0.10487)
[ 0.59414][-1.30583]
D_LPIB(-6)0.009150-0.136934
(0.01094)(0.10358)
[ 0.83627][-1.32203]
D_LPIB(-7)-0.001904-0.168424
(0.01091)(0.10325)
[-0.17458][-1.63124]
D_LPIB(-8)0.004720-0.167270
(0.01078)(0.10207)
[ 0.43782][-1.63878]
D_LPIB(-9)-0.004296-0.151663
(0.01068)(0.10109)
[-0.40229][-1.50023]
D_LPIB(-10)0.021374-0.029377
(0.01016)(0.09616)
[ 2.10429][-0.30551]
D_LPIB(-11)-0.006412-0.060416
(0.00987)(0.09347)
[-0.64946][-0.64635]
D_LPIB(-12)-0.0194250.101941
(0.00949)(0.08983)
[-2.04720][ 1.13484]
D_LPIB(-13)-0.006397-0.005593
(0.00871)(0.08250)
[-0.73409][-0.06779]
D_LPIB(-14)-0.0188090.106902
(0.00836)(0.07913)
[-2.25021][ 1.35094]
C0.0009010.024382
(0.00065)(0.00619)
[ 1.37712][ 3.93586]
R-squared0.8865230.766663
Adj. R-squared0.8633300.718974
Sum sq. resids0.0005740.051401
S.E. equation0.0020460.019370
F-statistic38.2245916.07624
Log likelihood808.2400435.1031
Akaike AIC-9.388434-4.892808
Schwarz SC-8.844773-4.349148
Mean dependent0.0031610.008489
S.D. dependent0.0055340.036539
Determinant resid covariance (dof adj.)1.46E-09
Determinant resid covariance9.98E-10
Log likelihood1249.149
Akaike information criterion-14.35119
Schwarz criterion-13.26387
2. Estime o modelo com a ordem selecionada e:a. Verifique se ele estvel (apresente as razes e comente).O teste de estabilidade do modelo VAR permite analisar se todas as razes so, em mdulo, menores que um, ou seja, se esto dentro do crculo unitrio. Neste contexto o grfico apresenta os resultados que corroboram com a no condio de estabilidade do modelo, j que h raizes na fronteira do circulo, e portanto, em modulo iguais a um.
b. Faa o teste LM para autocorrelao/correlao no contempornea dos resduos (apresente os resultados e comente).
O teste LM nos indicou que h autocorrelao nos lags 12 e 14. Ainda que para a determinao da ordem do modelo VAR seja necessrio que no haja correlao dos resduos, observa-se que frequente a autocorelao no lag 12, indicando que pode ser uma caracterstica da srie, devido provavelmente a sazonalidade.
Teste LM
VAR Residual Serial Correlation LM Tests
Null Hypothesis: no serial correlation at lag order h
Date: 05/29/15 Time: 12:38
Sample: 2000M01 2015M01
Included observations: 166
LagsLM-StatProb
12.7391600.6024
21.0171190.9072
33.4857240.4801
42.2961390.6815
54.2182030.3773
62.2328250.6930
72.2917280.6823
85.1566540.2716
96.6744860.1541
101.8321800.7666
111.5980920.8091
1229.619530.0000
133.8928080.4207
1415.430590.0039
150.6212100.9607
161.2455220.8705
Probs from chi-square with 4 df.
c. Faa o teste de normalidade dos resduos (apresente os resultados e comente).
Date: 05/29/15 Time: 12:47
Sample: 2000M01 2015M01
RESID03RESID04
Mean8.45E-193.70E-18
Median1.17E-050.002744
Maximum0.0046820.049746
Minimum-0.006572-0.072923
Std. Dev.0.0018640.017650
Skewness-0.357963-1.070157
Kurtosis3.8344246.147632
Jarque-Bera8.360970100.2123
Probability0.0152910.000000
Sum1.46E-166.09E-16
Sum Sq. Dev.0.0005740.051401
Observations166166
Para a primeira varivel, EMPREGO, observamos que simetria aproxima-se de zero, o que desejvel. A curtose tambm prxima de 3, que o valor referencia. Entretanto a probabilidade Jarque-Bera pequena, que indica que h apenas 1% de chance de a distribuio ser normal. J a segunda varivel apresenta simetria diferente de zero, curtose tambm excede o valor ideal, e a probabilidade de Jarque-Bera zero, o que indica que no segue distribuio normal. Portanto, os testes de normalidade dos resduos nos revelou que para as variveis deve haver problema de no normalidade dos resduos.
3. Se forem identificados problemas, tente corrigi-los e apresente os novos resultados:
Frente ao problema de no normalidade, a anlise grfica das sries e dos resduos nos permite inferir que o problema pode ser causado por oultiers. Ento, estipula-se a incluso de dummies para a varivel pib para os perodos 06/2001, 01/2010 e 03/2014; e para a varivel emprego para 10/2008, 11/2008 e 12/2008.Estimou-se um novo modelo, incluindo as dummies para os outliers. E obteve-se o mesmo numero de lags pelos critrios AIC, SC e HQ, e portanto um VAR(14)
LAGS
VAR Lag Order Selection Criteria
Endogenous variables: D_LEMPREGO D_LPIB
Exogenous variables: C DUMMY
Date: 05/29/15 Time: 12:48
Sample: 2000M01 2015M01
Included observations: 164
LagLogLLRFPEAICSCHQ
0939.1218NA3.82e-08-11.40392-11.32832-11.37323
1969.023458.344442.79e-08-11.71980-11.56858-11.65841
2997.620355.101482.07e-08-12.01976-11.79294-11.92768
31012.78228.843871.80e-08-12.15588-11.85345-12.03310
41052.73575.034391.16e-08-12.59433-12.21630-12.44087
51067.12626.676071.02e-08-12.72105-12.26741-12.53689
61071.9838.8838741.01e-08-12.73150-12.20225-12.51664
71086.37125.968618.94e-09-12.85818-12.25333-12.61263
81091.4789.0940388.83e-09-12.87169-12.19123-12.59545
91113.81639.226957.06e-09-13.09532-12.33925-12.78838
101140.18945.670385.38e-09-13.36816-12.53649-13.03053
111156.40927.692734.64e-09-13.51718-12.60991-13.14886
121232.561128.15881.93e-09-14.39709-13.41420-13.99808
131248.03325.659881.68e-09-14.53698-13.47849-14.10728
141263.38725.09078*1.46e-09*-14.67545*-13.54135*-14.21505*
151264.1341.2032221.52e-09-14.63578-13.42608-14.14469
161267.3935.1669061.54e-09-14.62675-13.34144-14.10496
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
VAR(14)
Vector Autoregression Estimates
Date: 05/29/15 Time: 12:48
Sample (adjusted): 2001M04 2015M01
Included observations: 166 after adjustments
Standard errors in ( ) & t-statistics in [ ]
D_LEMPREGOD_LPIB
D_LEMPREGO(-1)0.3724261.669449
(0.07588)(0.67797)
[ 4.90832][ 2.46243]
D_LEMPREGO(-2)0.3132362.590380
(0.08051)(0.71934)
[ 3.89081][ 3.60105]
D_LEMPREGO(-3)0.043880-0.069420
(0.05495)(0.49097)
[ 0.79856][-0.14139]
D_LEMPREGO(-4)0.012029-0.020094
(0.05376)(0.48040)
[ 0.22374][-0.04183]
D_LEMPREGO(-5)-0.112723-1.640642
(0.05195)(0.46415)
[-2.16999][-3.53473]
D_LEMPREGO(-6)-0.0036770.257690
(0.05108)(0.45640)
[-0.07199][ 0.56462]
D_LEMPREGO(-7)-0.169634-0.632319
(0.05066)(0.45261)
[-3.34880][-1.39705]
D_LEMPREGO(-8)0.039077-0.034110
(0.05070)(0.45302)
[ 0.77074][-0.07530]
D_LEMPREGO(-9)0.0440031.069918
(0.05018)(0.44839)
[ 0.87687][ 2.38616]
D_LEMPREGO(-10)-0.094483-0.997930
(0.05071)(0.45308)
[-1.86329][-2.20256]
D_LEMPREGO(-11)-0.011121-0.883014
(0.05165)(0.46148)
[-0.21532][-1.91346]
D_LEMPREGO(-12)0.823949-1.122804
(0.04965)(0.44359)
[ 16.5967][-2.53118]
D_LEMPREGO(-13)-0.2384150.936119
(0.08220)(0.73449)
[-2.90037][ 1.27452]
D_LEMPREGO(-14)-0.317002-0.422591
(0.08148)(0.72804)
[-3.89053][-0.58045]
D_LPIB(-1)0.012753-0.391274
(0.00859)(0.07673)
[ 1.48513][-5.09956]
D_LPIB(-2)0.001998-0.446453
(0.00935)(0.08358)
[ 0.21361][-5.34157]
D_LPIB(-3)0.006080-0.150596
(0.01011)(0.09036)
[ 0.60118][-1.66659]
D_LPIB(-4)0.008109-0.307418
(0.01011)(0.09030)
[ 0.80238][-3.40422]
D_LPIB(-5)0.015221-0.032598
(0.01041)(0.09304)
[ 1.46168][-0.35035]
D_LPIB(-6)0.017275-0.038808
(0.01027)(0.09178)
[ 1.68183][-0.42285]
D_LPIB(-7)0.006014-0.072793
(0.01023)(0.09143)
[ 0.58775][-0.79616]
D_LPIB(-8)0.012159-0.077428
(0.01010)(0.09028)
[ 1.20349][-0.85769]
D_LPIB(-9)-0.000152-0.101612
(0.00993)(0.08871)
[-0.01528][-1.14546]
D_LPIB(-10)0.0267060.035018
(0.00947)(0.08464)
[ 2.81938][ 0.41375]
D_LPIB(-11)-0.001538-0.001545
(0.00920)(0.08221)
[-0.16716][-0.01880]
D_LPIB(-12)-0.0153300.151396
(0.00883)(0.07889)
[-1.73625][ 1.91902]
D_LPIB(-13)-0.009285-0.040470
(0.00809)(0.07232)
[-1.14717][-0.55960]
D_LPIB(-14)-0.0193620.100215
(0.00774)(0.06919)
[-2.50050][ 1.44843]
C0.0005540.020190
(0.00061)(0.00545)
[ 0.90771][ 3.70227]
DUMMY-0.004089-0.049388
(0.00084)(0.00751)
[-4.86512][-6.57594]
R-squared0.9033440.822957
Adj. R-squared0.8827340.785205
Sum sq. resids0.0004890.039000
S.E. equation0.0018950.016934
F-statistic43.8296021.79910
Log likelihood821.5574458.0184
Akaike AIC-9.536836-5.156848
Schwarz SC-8.974428-4.594441
Mean dependent0.0031610.008489
S.D. dependent0.0055340.036539
Determinant resid covariance (dof adj.)1.02E-09
Determinant resid covariance6.86E-10
Log likelihood1280.222
Akaike information criterion-14.70147
Schwarz criterion-13.57666
a. Condio de estacionariedade (apresente as razes e comente).
A condio de estacionariedade exige que as razes do polinmio autorregresivo devem estar fora do crculo unitrio. Ou ento, que os autovalores devem estar dentro do crculo unitrio. Entretanto a observao grfica nos d que h autovalores no limtrofe do crculo unitrio, o que permite afirmar que o modelo no atende a condio de estacionariedade.
b.Teste LM para autocorrelao/correlao no contempornea dos resduos (apresente os resultados e comente).O teste LM retornou que o problema de autocorrelao dos resduos foi corrigido no lag 14 com a incluso de dummies. Entretanto persiste o problema associado ao lag 12.
VAR Residual Serial Correlation LM Tests
Null Hypothesis: no serial correlation at lag order h
Date: 05/29/15 Time: 12:52
Sample: 2000M01 2015M01
Included observations: 166
LagsLM-StatProb
14.0941710.3934
21.2996020.8614
31.5776650.8128
42.7474690.6009
55.8864430.2078
63.0247850.5537
73.0158410.5552
85.4478610.2444
91.8545710.7625
109.1870500.0566
113.6189500.4600
1226.389670.0000
135.7593680.2179
149.1071410.0585
150.9389170.9189
Probs from chi-square with 4 df.
b. Teste de normalidade dos resduos (apresente os resultados e comente)
Date: 05/29/15 Time: 12:49
Sample: 2000M01 2015M01
RESID01RESID02
Mean9.63E-199.88E-18
Median-8.12E-050.001707
Maximum0.0045280.051058
Minimum-0.005584-0.040425
Std. Dev.0.0017210.015374
Skewness0.100624-0.036962
Kurtosis3.1404013.367766
Jarque-Bera0.4164740.973289
Probability0.8120150.614686
Sum1.77E-161.65E-15
Sum Sq. Dev.0.0004890.039000
Observations166166
O teste de normalidade nos revela que a incluso de dummies no modelo corrigiu o problema de no normalidade dos resduos. As variveis revelaram com a transformao caractersticas de normalidade. Apresentam, agora, simetria, curtose prxima de 3, e a probabilidade Jarque-Bera reafirma ao rejeitar a hiptese de no normalidade do modelo. De fato, a normalidade no uma caracterstica necessria, entretanto desejvel nas estimaes do modelo.
4. Faa a Funo Impulso-Resposta para o modelo final: apresente os grficos e comente.Dado que o problema de autocorrelao foi corrigido, adota-se o modelo com correo por dummies.
Os grficos da funo impulso-resposta ilustram que o impacto de um choque aleatrio do PIB provocaria um aumento da varivel emprego. Entretanto, dado que esse aumento est dentro do intervalo de confiana, podemos considerar que o impacto seria estatisticamente igual a zero.J quanto a um choque aleatrio em emprego, h um aumento do PIB at o perodo 3, quando este estabiliza e sofre variaes positivas e negativas. Novamente, como esses valores esto dentro do intervalo, pode-se reafirmar que a resposta diferente de zero apenas no perodo 3, ao qual responde positivamente.De fato, as concluses chegadas reiteram os testes de estacionariedade da srie a 1 diferena a qual, em teoria, deve responder a choques aleatrios convergindo para zero. Isto , sob condio de estacionariedade o choque no deve ser incorporado a srie.
5. Decomposio da Varincia do Erro de Predio: apresente as tabelas e comente.
Variance Decomposition of D_LEMPREGO:
PeriodS.E.D_LEMPREGOD_LPIB
10.001895100.00000.000000
(0.00000)(0.00000)
20.00204098.888531.111471
(1.58510)(1.58510)
30.00223099.051860.948139
(1.65798)(1.65798)
40.00234598.925211.074792
(2.04193)(2.04193)
50.00243898.443771.556226
(3.12383)(3.12383)
60.00247997.487402.512605
(4.44950)(4.44950)
70.00252895.883934.116067
(5.80896)(5.80896)
80.00253395.543704.456295
(6.59126)(6.59126)
90.00254594.806855.193149
(7.30815)(7.30815)
100.00254694.758115.241889
(7.69807)(7.69807)
Variance Decomposition of D_LPIB:
PeriodS.E.D_LEMPREGOD_LPIB
10.0169340.77566999.22433
(1.29621)(1.29621)
20.0183572.63600397.36400
(2.39536)(2.39536)
30.0194377.57859392.42141
(3.02419)(3.02419)
40.0196397.42777292.57223
(2.97218)(2.97218)
50.0198757.33081192.66919
(2.98615)(2.98615)
60.0201588.15840391.84160
(3.14475)(3.14475)
70.0202118.18792591.81208
(3.13310)(3.13310)
80.0203028.24409491.75591
(3.08374)(3.08374)
90.0203308.39651091.60349
(3.11406)(3.11406)
100.0203878.69693091.30307
(3.16301)(3.16301)
Cholesky Ordering: D_LEMPREGO D_LPIB
Standard Errors: Monte Carlo (100 repetitions)
A decomposio da varincia do erro de predio nos retorna o efeito de um choque em uma das variveis sobre a variancia das variaveis que compoem o sistema ao longo do tempo. Nessa perspectiva, constata-se que para o PIB, a maior parte da sua variancia devido a prpria varivel (91.03%) , e devido tambm a emprego(8.69%) no 10 perodo. E para a varivel EMPREGO, maior parte da sua variancia tambm devido a prpria varivel(94.75%) e em parte devido ao PIB(5.24%) no 10 perodo.Observa-se, portanto, que o percentual da variancia prevista ao estimar a varivel devido ao choque estrutural explicada em grande parte pela prpria varivel no caso da tanto da varivel emprego quanto da varivel PIB. E, apesar de menor importancia, a variancia da outra varivel tambm no desprezvel.
6. Teste de Causalidade de Granger: apresente os resultados e comente.
VAR Granger Causality/Block Exogeneity Wald Tests
Date: 06/09/15 Time: 10:51
Sample: 2000M01 2015M01
Included observations: 166
Dependent variable: D_LEMPREGO
ExcludedChi-sqdfProb.
D_LPIB37.85585140.0005
All37.85585140.0005
Dependent variable: D_LPIB
ExcludedChi-sqdfProb.
D_LEMPREGO105.0184140.0000
All105.0184140.0000
O teste de Granger para o modelo VAR procura verificar se a incorporao de valores passados de uma varivel contribui com previses melhores para a outra varivel. A hiptese nula do teste que os coeficientes das observaes defasadas da varivel X no so estatisticamente significativos para explicar a variao de Y. Logo, rejeitar a hiptese nula implica que as variaes passadas de X ajudam a explicar a variao contemporanea de Y. Logo, trata-se de um teste de precedencia temporal e no de investigao de causa e efeito.Pelos resultados, observa-se que possvel rejeitar a hiptese nula tanto quando a varivel dependente PIB quanto quando emprego. A concluso , ento, que tanto o PIB possui precedencia temporal sobre a varivel emprego quanto emprego tem precedencia temporal sobre o PIB. Portanto, na anlise dos testes Granger, constatou-se que existe causalidade no sentido de Granger de forma bidirecional entre as variveis PIB e emprego.