Guia Completo de Análise de Cointegração e Modelagem de Séries Temporais

- Ver se as duas séries são estacionárias:

- apresenta média Constante ao longo do tempo

- apresenta Variância constante ao longo do tempo

- covariância Temporal nula

- Não sendo estacionária, ainda pode ter tendência estocástica ou Determinística

- estocástica tem Uma tendência com variações

- determinística é Quase uma linha reta, e é considerada estacionária na tendência, pois na Variação do tempo não vai impactar

- Após a análise visual, é preciso testar as duas séries pára ver se São estacionárias ou integradas de ordem 1 ou 2 à I(0), I(1) e I(2) à fazer o teste de raiz unitária

-Teste de raiz unitária (se a série for exponencial, transformá-lá em Log)

- view / unit root test

- testar em level E “trend and intercept”

- Se não der Certo, testar com “trend” e se não der novamente, com “none”

- Não dando certo, Ela já não é estocástica e então faz os mesmos processos pára “1st difference” E depois pára “2nd difference”, e onde der certo, é o número da integrada

- pára dar certo:

- Ver se os interceptos tem suficiência estatística menor de 0,05 (5%)

- o Coeficiente da primeira linha tem que ser negativo

- a Probability também tem que ter suficiência estatística menor de 0,05 (5%)

- depois De olhar a parte de baixo, olhar o prob da parte de cima da análise, e se for Menor que 0,05 (5%), o teste é conclusivo e permite-se ignorar a hipótese nula, Ou seja, não tem raiz unitária. (SE TEM RAIZ UNITÁRIA ELA NÃO É ESTACIONÁRIA)

- Após ver a ordem de integração das duas variáveis, segue a análise Pára ver se elas são co-integradas

- condições pára existir co-integração:

- as variáveis tem Que ser integradas de mesma ordem

- o resíduo da regressão entre as variáveis Deve ser integrado de ordem inferior (depois de feita a regressão, o teste pára Este ponto será feito)

- testes de co-integração (Johansen Cointegration Test e Engle Granger):

- Selecionar as duas Variáveis / “quick” / “group statistics” / “johansen cointegration test” / “ok” / “summary 6”

- leitura: pelo Menos um número da linha “trance” tem que ser diferente de 0 (zero) pára ser Possível a co-integração

- se possível, Seguir pára o Engle Granger

- “view” / “co-integration test” / “single Equation” / “engle granger” / “linear trend” (se depois o teste der errado, Fazer pára as outras opções) / “ok”

- Leitura: o prob Das variáveis dependentes deve ser menor que 0,05 (5%), e então se permite Rejeitar a hipótese nula, portanto, existe co-integração

- Fazer o teste do Resíduo (pendente anteriormente):

- selecionar as duas Variáveis / “open as equation” / “proc” / “make a residual series” / salvar o Resíduo / “view” / “unit root test” / os probs devem dar menor que 0,05 (5%), Permitindo rejeitar a hipótese nula, dando estacionariedade

- O Resíduo deve ter integração de uma ordem menor do que as variáveis

- Ter Co-integração indica que existe equilíbrio de longo-prazo entre as variáveis

- Salvar o modelo de regressão de longo prazo com “NAME” (sem resíduo)

- Tendo equilíbrio de longo prazo das variáveis (existe co-integração), Fazer um modelo de previsão de curto prazo pára ver qual é o melhor modelo (no Curto-prazo se inclui o resíduo)

- selecionar as variáveis e O resíduo / botão direito / “open as equation” / acrescentar “D(variável)” nas Duas variáveis e “(-1)” após o erro

- Leitura: ver se O prob do intercepto (C) é menor que 0,05 (5%) / se não for, repetir o passo Anterior deletando “C”

- Leitura: se o prob Do “resid” for maior que 0,05 (5%), é porque no curto-prazo não existe Mecanismo de correção do longo prazo / se não existir, repetir o passo anterior Sem o resid

- Leitura: se a Variável principal tiver prob maior do que 0,05 (5%), não existe modelo de Curto prazo

- Salvar o modelo de regressão de curto-prazo com “NAME” (com resíduo)

- Agora é preciso testar (4 testes) os dois modelos pára ver qual é Melhor:

- Fazer os testes Nos dois modelos (fazer um de cada vez é melhor)

- Teste Blue (pára ser blue, não se pode rejeitar nenhuma das hipóteses Nulas, prob > 0,05):

- Normalidade da Distribuição do resíduo:

- abrir o modelo / “view” / “residual Diagnostic” / “histogram – normality test”

- Leitura: o prob tem que ser maior Que 0,05 (5%), não permitindo rejeitar a hipótese nula, ou seja, tem Distribuição normal

- Sem Autoregressão em (-1):

- Abrir o modelo / “view” / “residual diagnostic” / “serial correlation “ / 1

- Leitura: o prob tem que ser maior que 0,05 (5%), não permitindo rejeitar a hipótese nula, ou seja, sem auto-regressão

- Variância residual Constante:

- abrir O modelo / “view” / “residual diagnostic” / “Heteroelasticity” / “White”

- Leitura: o prob tem que ser maior que 0,05 (5%), não permitindo rejeitar a hipótese nula, ou seja, homoscedástico

- Leitura: se um Dos testes não for Blue e o outro for, dar preferência pára o que é, mas seguir Com os demais testes, e se nenhum der, também seguir com os testes

- Teste de causalidade granger (ver qual variável mais explica a outra):

- marcar as variáveis / “quick” / “group Statistic” / “granger causality test” (pára curto prazo, colocar “d(variávei)” Nas variáveis

- prob tem que ser Menor que 0,05 (5%) pára permitir rejeitar a hipótese nula, ou seja, ter Causalidade da primeira variável na segunda

- “view” / “granger causality test” / aumentar os lags pára ver se mantêm a tendencia

- Leitura: o ideal É ter causalidade de uma variável na que queremos prever

- Leitura: se os Dois derem menor que 0,05 (5%), os dois tem causalidade

- Olhar a tendência do gráfico de longo-prazo da variável a ser Prevista / quanto “melhor” a tendência (sem quebras de tendência), maior a Probabilidade de ser explicada

- Olhar o R² ajustado dos modelos:

- pára Curto-prazo, um R² de pelo menos 0,35 (35%) já é bom

- pára Longo-prazo, um R² de pelo menos 0,95 (95%) já é bom

- Ver quais dos dois modelos mais atende aós testes anteriores e Indicar como melhor modelo

- Fazer a previsão conforme cenário dado do período seguinte e comparar Com o dado real, calculando o erro:

- abrir modelos de Regressão / “view” / “representation” / substituir os valores com os dados que Já temos (pára o curto prazo, o resultado será a variação, portanto somar ao valor Do período anterior) / dividir pelo dado real e ver qual foi o erro do modelo

- este erro não Serve de padrão de tomada de decisão, apenas validação posterior