A utilização de modelos univariados é limitada para expressar modelos econômicos, pois grande parte da macroeconomia se preocupa com múltiplas relações. Os modelos de Vetores Autorregressivos (VAR), que contemplam múltiplas variáveis, surgem, então, como uma alternativa menos restritiva à análise macroeconômica.

Nesses modelos,

Nas últimas décadas, a maior disponibilidade de bases de dados tem implicado uso crescente da metodologia de dados em painéis, que combinam dados de corte transversal com séries temporais, destacando-se os estimadores desenvolvidos por Arellano e Bond, Arellano e Bover e Blundell e Bond. No entanto, a consistência desses estimadores depende de alguns testes de robustez. Sobre esses testes considere as afirmativas abaixo.

I - O teste de Hansen investiga a exogeneidade dos instrumentos e a sua hipótese nula é que o modelo é corretamente especificado e os instrumentos em conjunto são válidos.

II - O teste Arellano-Bond AR (2) testa a autocorrelação serial, para o qual se deve rejeitar a hipótese nula de ausência de correlação serial de primeira e segunda ordem no termo de erro.

III - O teste Arellano-Bond AR (2) testa a autocorrelação serial, sob hipótese nula de ausência de correlação serial de segunda ordem no termo de erro.

Está correto o que se afirma em

Ao fazer escolhas entre cursos de ação alternativas, os tomadores de decisão, em diferentes níveis, necessitam frequentemente de previsões de variáveis econômicas. Se as observações de séries temporais estão disponíveis para uma variável de interesse e se os dados do passado contêm informações sobre o desenvolvimento futuro de uma variável, é plausível usar como previsão alguma função dos dados coletados no passado.

Nesse contexto, as principais metodologias utilizadas para a previsão de séries econômicas estacionárias, considerando- se a utilização de uma única série temporal ou de diversas séries temporais, são as seguintes:

Muitas teorias econômicas implicam que a combinação linear de algumas variáveis não estacionárias é estacionária, sendo a função consumo e a função de demanda por moeda alguns exemplos. Quando isso acontecer, as séries são cointegradas ao longo do tempo.

As formas mais utilizadas para testar a existência de cointegração entre as séries são:

No Texto para Discussão do Ipea, é apresentada a seguinte Tabela que sumariza o resultado do teste de causalidade de Granger entre duas variáveis: Expectativa de Dívida Líquida do Setor Público (EDLSP) e a diferença da Expectativa de Superávit Primário (dESP), em que d representa a primeira diferença da série, entre janeiro de 2001 e junho de 2006.

Tabela 4
Teste de causalidade de Granger

PIRES, M. C. C. Uma análise de credibilidade na política fiscal brasileira. Brasília, DF. set. 2006 (Texto para Discussão, n. 1222). Disponível em: https://repositorio.ipea.gov.br/bitstream/11058/1962/1/TD_1222.pdf.

As informações da Tabela permitem inferir o seguinte resultado:

O modelo do Método de Momentos Generalizados de Arellano-Bond (GMM) é um método estatístico utilizado em econometria para abordar o problema de endogeneidade em modelos de dados em painel.

Os modelos dinâmicos de dados em painel envolvem tanto dados de séries temporais quanto de seção transversal. Esses modelos frequentemente incorporam variáveis dependentes defasadas e regressores endógenos, o que pode levar a problemas de endogeneidade.

O modelo GMM aborda problemas de endogeneidade e autocorrelação em modelos dinâmicos de dados em painel. Ele faz isso utilizando variáveis instrumentais (IVs) e explorando a estrutura dos dados, para criar condições de momento que auxiliam na estimativa consistente de parâmetros.

Um dos principais testes usados para avaliar a adequação do modelo é o teste de Sargan-Hansen.

O teste de Sargan-Hansen

Os Gráficos Acíclicos Direcionais (Directed Acyclic Graph – DAG) são ferramentas gráficas muito utilizadas para identificar fatores de confusão, colisores e mediadores, permitindo, assim, uma melhor identificação dos efeitos causais diretos e indiretos.

Considere que a análise DAG foi utilizada para auxiliar na definição das restrições na identificação de um modelo VAR estrutural (SVAR) aplicado à política monetária. O modelo é constituído a partir das seguintes variáveis: Taxa Selic, PIB, câmbio nominal e taxa de inflação. Considere o DAG abaixo.

Nesse contexto, verifica-se que

Considere um cenário hipotético em que um país, País Z, implementou uma política para reduzir os benefícios de seguro-desemprego em 2017, e que um pesquisador quer avaliar o seu impacto. O método utilizado pelo pesquisador para estimar o efeito dessa política é o controle sintético. Dito isso, considere as seguintes informações:

• taxa de desemprego do País Z em 2016 = 7%;
• taxa de desemprego do País Z em 2018 = 5%;
• taxas de desemprego das Unidades de Controle (Países P, Q, R, S, T) em 2016 = variando de 6% a 8%;
• taxas de desemprego das Unidades de Controle (Países P, Q, R, S, T) em 2018 = variando de 4% a 6%;
• taxa de desemprego sintética do País Z em 2016 = 6,5%;
• taxa de desemprego prevista para o controle sintético em 2018: 6%.

Nessa situação, qual foi o efeito estimado da política sobre a taxa de desemprego do País Z no ano seguinte à implementação da política de redução do seguro-desemprego?

Seja um modelo autorregressivo de ordem 1, AR(1), para uma variável Y_t estacionária, conforme a seguinte especificação:

Y_t = 3 + 0,5Y_t-1 + u_t,

onde E(u_t) =0 e Var(u_t) = 6. Assuma, também, que u_t e Y_t-1 são independentes.

Nesse cenário, qual é a variância de Y_t?

O modelo de Regressão com Descontinuidade (RDD) é uma técnica estatística usada para avaliar o impacto causal de uma variável independente em uma variável dependente, quando essa variável independente ultrapassa um certo limite ou ponto de corte.

Suponha que se esteja investigando o efeito do número de horas de estudo (variável independente) no desempenho em um teste (variável dependente). Assumindo-se que haja um ponto de corte de 5 horas de estudo e que se deseje verificar se há algum efeito no resultado do teste ao se ultrapassar esse ponto de corte.

A equação para esse modelo pode ser expressa da seguinte forma:

Y_i = 60 + 5X_i + 8D_i + !$ \epsilon !$_i

onde

• Y_i é o desempenho no teste para o indivíduo i;
• X_i é o número de horas de estudo para o indivíduo i;
• D_i é uma variável indicadora que vale 1 se Xi > 5 horas e 0 caso contrário para o indivíduo i;
• !$ \epsilon !$_i é o termo de erro para o indivíduo i.

Ao se comparar um estudante que estuda 6 horas para um teste com um outro que estuda 4 horas, de acordo com o modelo RDD apresentado acima, verifica-se que o