Pular para o conteúdo principal

Questão de Estatística — Análise de séries temporais — CESPE / CEBRASPE 2024

EstatísticaAnálise de séries temporais
Código
ce168238
Banca
CESPE / CEBRASPE
Órgão
BACEN
Ano
2024
Nível
Superior
Cargo
Analista – Área: Economia e Finanças
No que se refere a vetores autorregressivos, julgue o item que se segue.Em um modelo de vetor autorregressivo de ordem p, cada variável do sistema é modelada como uma função linear das defasagens de todas as variáveis incluídas no modelo, incluindo as próprias defasagens passadas.
  1. CCerto
  2. EErrado
Revelar gabarito e comentário

GabaritoC — Certo

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Vetores autorregressivos (VAR)

✅ CERTO. Em um modelo VAR(p), cada variável do sistema é, de fato, modelada como uma função linear das defasagens de todas as variáveis incluídas no modelo, incluindo as próprias defasagens passadas. Essa é a definição central de um vetor autorregressivo: um sistema de equações em que cada equação explica uma variável pelas suas próprias defasagens e pelas defasagens das demais variáveis.

O modelo VAR(p) generaliza o modelo autorregressivo univariado AR(p) para múltiplas séries temporais. Enquanto no AR(p) temos uma única equação relacionando a variável às suas próprias defasagens, no VAR(p) temos um sistema de equações simultâneas. Por exemplo, para duas variáveis XtX_t e YtY_t, um VAR(1) seria:

Xt=c1+ϕ11Xt−1+ϕ12Yt−1+ε1tX_t = c_1 + \phi_{11} X_{t-1} + \phi_{12} Y_{t-1} + \varepsilon_{1t}
Yt=c2+ϕ21Xt−1+ϕ22Yt−1+ε2tY_t = c_2 + \phi_{21} X_{t-1} + \phi_{22} Y_{t-1} + \varepsilon_{2t}

Observe que cada equação contém as defasagens de todas as variáveis do sistema, incluindo a própria variável dependente. Essa é a essência do modelo: capturar as interdependências dinâmicas entre as séries.

A banca explora aqui um ponto conceitual simples, mas que exige precisão: a diferença entre um modelo univariado (que usa apenas as defasagens da própria variável) e um modelo multivariado (que usa as defasagens de todas as variáveis). O candidato que confunde VAR com AR pode marcar errado, mas a definição é exatamente a descrita no enunciado.

Alternativa C — ✅ CERTO ⟵ GABARITO

A afirmativa está correta porque descreve com precisão a estrutura de um modelo VAR(p). A palavra-chave é "todas as variáveis": no VAR, cada equação inclui as defasagens de todas as variáveis do sistema, e não apenas da própria variável. Isso é o que distingue o VAR de um simples modelo autorregressivo univariado aplicado a cada série separadamente.

PEGA ESSA DICA!

Para fixar, compare os modelos:

Modelo

Equação típica

Usa defasagens de...

AR(p)

Zt=δ+ϕ1Zt−1+⋯+ϕpZt−p+εtZ_t = \delta + \phi_1 Z_{t-1} + \dots + \phi_p Z_{t-p} + \varepsilon_t

apenas da própria variável

VAR(p)

Yt=c+Φ1Yt−1+⋯+ΦpYt−p+εt\mathbf{Y}_t = \mathbf{c} + \Phi_1 \mathbf{Y}_{t-1} + \dots + \Phi_p \mathbf{Y}_{t-p} + \boldsymbol{\varepsilon}_t

todas as variáveis do sistema

Na prova, se o enunciado disser "cada variável é explicada pelas defasagens de todas as variáveis", é VAR. Se disser "apenas pelas próprias defasagens", é AR univariado.

Gabarito: letra C (CERTO).

Link permanente: /questoes/ce168238