24/09/2021 19:38 Econometria - Semana 1

Econometria - Semana 1
Estacionariedade
Hudson Torrent
2021/1

Estacionariedade
Será importante neste curso o conceito de estacionariedade fraca ou estacionariedade em
covariância.

Uma série temporal {yt }∞

t=1
é estacionária em covariância se:

E(yt ) = μ,  para todo t;

2
V ar(yt ) = σ y ,  para todo t;

C ov(yt , yt−h ) = γ(h),  para todo t.

NOTE: Em palavras, as três condições acima nos dizem que:

tanto a média quanto a variância de yt são constantes, ou seja, não dependem de t .

A auto-covariância, além de não depender de t , depende apenas de h.

Séries Fracamente Dependentes

Uma série estacionária {yt }∞
t=1
é fracamente dependente se

C ov(yt , yt−h ) → 0,  quando h → ∞.

Em outras palavras, a correlação entre dois pontos da mesma série diminui à medida que esses dois pontos
se distanciam no tempo.

Exemplos

https://moodle.ufrgs.br/pluginfile.php/4239471/mod_resource/content/3/Estacionariedade_s1.html 1/4
24/09/2021 19:38 Econometria - Semana 1

Vemos no gráfico da esquerda a série do Índice FTSE, denotada por y.

Pode-se notar que essa série não é estacionária, pois sua média varia com o tempo.
A série da direita é a série dos retornos, r t , definida por r t = log(yt ) − log(yt−1 ) , onde yt é a série
de preços no tempo t .
Pode-se notar que sua média é constante;
Mas sua variância não é constante. Há períodos de alta volatilidade e períodos de volatilidade
menor.
Portanto, a série dos retornos também não é estacionária.

Alguns processos estocásticos importantes

Ruído Branco
Uma série {et }t≥1 é um ruído branco, denotado por et ∼ RB(0, σ e )
2
, se:

E(et ) = 0,  para todo t;

2
V ar(et ) = σ e ,  para todo t;

C ov(et , et−h ) = 0,  para todo t e todo h ≥ 1.

Note que E(et ) = 0 implica V ar(et ) = E(e )

2
t
e C ov(et , et−h ) = E(et et−h ) .

Pela definição, fica claro que o processo ruído branco é um processo fracamente estacionário, com
média e covariância iguais a zero, não importando o valor de h.

Um processo ruído branco com distribuição Gaussiana é conhecido como processo ruído branco
Gaussiano e é denotado por et ∼ N (0, σ 2e ) . Esse processo é simplesmente o erro clássico de
regressão sob a hipótese de normalidade, visto na disciplina de Estatística Econômica.

https://moodle.ufrgs.br/pluginfile.php/4239471/mod_resource/content/3/Estacionariedade_s1.html 2/4
24/09/2021 19:38 Econometria - Semana 1

Processo MA(1)
Dentre os processos estacionários, nos interessam os autoregressivos (AR) e os de médias móveis
(MA). Um processo, {yt } de média móvel de ordem 1, denotado por MA(1) é definido por:

yt = α 0 + et + α 1 et−1 ;

2
et ∼ RB(0, σ e ).

O processo MA(1) pode ser visto como uma média móvel de dois processos ruído branco.

Podemos calcular média, variância e estrutura de covariância de yt :

média

E(yt ) = E(α 0 ) + E(et ) + E(α 1 et−1 )

= α0 + 0 + α1 . 0

= α0 .

note que aqui estamos usando as propriedades da esperança e as hipóteses do modelo.

variância

V ar(yt ) = V ar(α 0 + et + α 1 et−1 )

2 2 2
= 0 + σe + α σe
1

2 2
= (1 + α )σ e .
1

note que aqui estamos usando as propriedades da variância e a hipótese de ausência de

autocovariância do processo ruído branco.

autocovariância de ordem 1

Queremos calcular

C ov(yt , yt−1 ) = E[(yt − E(yt ))(yt−1 − E(yt−1 ))].

Note que

E(yt ) = E(yt−1 ) = α 0 .

Além disso, pela especificação do modelo MA(1),

yt = α 0 + et + α 1 et−1

e defasando esse modelo 1 período,

yt−1 = α 0 + et−1 + α 1 et−2 .

Temos, portanto,

C ov(yt , yt−1 ) = E[(et + α 1 et−1 )(et−1 + α 1 et−2 )]

2 2
= E[et et−1 + α 1 et et−2 + α 1 e + α et−1 et−2 ]
t−1 1

Note que
2
et ∼ RB(0, σ e ) ⇒ C ov(et , et−h ) = E(et et−h ) = 0,  para todo h ≥ 1.

Logo,

2 2
C ov(yt , yt−1 ) = α 1 E[e ] = α1 σ e .
t−1

https://moodle.ufrgs.br/pluginfile.php/4239471/mod_resource/content/3/Estacionariedade_s1.html 3/4
24/09/2021 19:38 Econometria - Semana 1

autocovariância de ordem 2

Em relação ao caso anterior, temos agora o interesse em

C ov(yt , yt−2 ),  onde yt−2 = α 0 + et−2 + α 1 et−3 .

Temos, portanto,

C ov(yt , yt−2 ) = E[(et + α 1 et−1 )(et−2 + α 1 et−3 )]

2
= E[et et−2 + α 1 et et−3 + α 1 et−1 et−2 + α et−1 et−3 ]
1

= 0.

autocovariância de ordem h

Percebemos que a autocovariância é igual a zero para h ≥ 2 .

Estacionaridade do processo MA(1)

Note que a média e a variância não dependem de t sendo, portanto, constantes. A covariância não
depende de t , dependendo apenas de h. Portanto, o processo MA(1) definido acima é fracamente
estacionário.

Note que ele também é fracamente dependente, pois a covariância é igual a zero para todo h ≥ 2 .

Autocorrelação

A correlação entre duas variáveis aleatórias X e Y é dada por:

C ov(X, Y )
C or(X, Y ) = .
− −−−−−−−−−−−
√ V ar(X)V ar(Y )

Para processos fracamente estacionários, a autocorrelação de ordem h simplifica da seguinte forma

C ov(yt , yt−h ) estac.f raca γ(h)

C or(yt , yt−h ) = = ,
− −−−−−−−−−−−−−
√ V ar(yt )V ar(yt−h ) γ0

onde γ(h) representa a autocovariância de ordem h e γ0 a variância da série {yt } .

É comum denotar a autocorrelação de ordem h de um processo fracamente estacionário por ρ(h).

γ
Note que ρ(0) := γ = 1 , que representamos mais simplesmente por ρ0 .
0

Para o processo MA(1) em questão, pode-se notar que:

2
α1 σ e α1
ρ(1) := C or(yt , yt−1 ) = = ,
2 2 2
(1 + α )σ e (1 + α )
1 1

ρ(h) := C or(yt , yt−h ) = 0,  para todo h ≥ 2.

Sugestão de leitura
Quem desejar acompanhar por algum livro, sugiro, para esta parte, as seções 2.1 a 2.8 do livro

BUENO, R.L.S.. Econometria de Séries Temporais. São Paulo: Cengage Learning, 2011. ISBN
978-85-221-1157-2. (Disponível no SABI+)
A leitura do livro não é obrigatória.

A leitura das notas de aula é fortemente recomendada, visto que as questões da lista e as avaliações
são formuladas com base nas notas de aula.

https://moodle.ufrgs.br/pluginfile.php/4239471/mod_resource/content/3/Estacionariedade_s1.html 4/4