Dados e Metodologia

Neste trabalho foi selecionado o horizonte temporal de 1970 a 2019, relativamente Portugal.

O Produto Interno Bruto consiste na produção total de bens e serviços de uma economia ao longo do ano. Para o
calcular são incluídos os lucros e rendimentos de empresas estrangeiras sediadas no país. Este é a soma do valor
acrescentado bruto de todos os produtores residentes na economia com os impostos sobre o produto subtraindo os
subsídios não incluídos no valor dos produtos.

A Taxa de Inflação é medida pelo índice de preços do consumidor e reflete a variação percentual anual do custo
médio para o consumidor de adquirir um cabaz de bens e serviços. A fórmula Laspeyres é geralmente usada.

A Taxa de Desemprego refere-se à percentagem da população ativa desempregada que está disponível para
trabalhar e procurar emprego.

A Exportação de bens e serviços refere-se as transações de bens e serviços (vendas, trocas diretas e ofertas) de
residentes para não residentes. A exportação de bens verifica-se quando há transferências de propriedade
económica de bens entre residentes e não residentes (quer se verifiquem ou não os correspondentes movimentos
físicos de bens através das fronteiras). A exportação de serviços abrange todos os serviços prestados por residentes
a não residentes.

Variável Unidade Fonte

Variável
Produto Interno Bruto (GDP) Constante 2010 World Development Indicators,
dependente

Taxa de Inflação (INF) Percentagem Anual World Development Indicators,

Variáveis
Taxa de Desemprego (U) Percentagem GDP World Development Indicators,
independentes
Exportações de bens e serviços (EBS) Percentagem GDP World Development Indicators,

Procedemos à realização do coeficiente de variação para sabermos se podemos utilizar o

nosso modelo. Como o coeficiente de variação é superior a 0.1, podemos proceder à
realização do trabalho.

U EBS INF GDP

Coeficiente de
0.451830 0.2528072 2.039646 0.230622
Variação
Testes de Raiz Unitária
Teste Aumentado de Dickey–Fuller (ADF): Podemos agora passar a testar a presença de raízes unitárias utilizando o
teste ADF. Relembra-se ainda que a hipótese nula deste teste é igual à do teste DF, ou seja:

• H0: tem raiz unitária (a série não é estacionária);

• H1: não tem raiz unitária (a série é estacionária).

Variável GDP

Como podemos ver pela figura anterior o EViews mostra-nos a estatística do teste ADF na parte superior. A
hipótese nula (tem raiz unitária ou a série não é estacionária) será rejeitada se o valor da estatística ADF for menor
que o valor critico. No nosso caso específico, a hipótese nula não se rejeita, pois, o valor estatístico do teste (-
1.845953) é maior que os valores críticos a 10% (-3.184230), 5% (-3.508508), e 1% (-4.165756). Assim sendo,
podemos dizer que o GDP tem raiz unitária, não é estacionária. I(1) 1º level

Variável Unemployment

Como podemos ver pela figura anterior o EViews mostra-nos a estatística do teste ADF na parte superior. A
hipótese nula (tem raiz unitária ou a série não é estacionária) será rejeitada se o valor da estatística ADF for menor
que o valor critico. No nosso caso específico, a hipótese nula não se rejeita, pois, o valor estatístico do teste (-
2.320328) é maior que os valores críticos a 10% (-2.6158717), 5% (-2.954021), e 1% (-3.646342). Assim sendo,
podemos dizer que a variável tem raiz unitária, não é estacionária. I(1) 1º level

Variável Inflation

Como podemos ver pela figura anterior o EViews mostra-nos a estatística do teste ADF na parte superior. A
hipótese nula (tem raiz unitária ou a série não é estacionária) será rejeitada se o valor da estatística ADF for menor
que o valor critico. No nosso caso específico, a hipótese nula não se rejeita, pois, o valor estatístico do teste (-
1.275594) é maior que os valores críticos a 10% (-2.5999925), 5% (-2.923780), e 1% (-3.574446). Assim sendo,
podemos dizer que a variável tem raiz unitária, não é estacionária. I(1) 1ºlevel
Variável Exports of Goods and services

Como podemos ver pela figura anterior o EViews mostra-nos a estatística do teste ADF na parte superior. A
hipótese nula (tem raiz unitária ou a série não é estacionária) será rejeitada se o valor da estatística ADF for menor
que o valor critico. No nosso caso específico, a hipótese nula não se rejeita, pois, o valor estatístico do teste (-
0.0233051) é maior que os valores críticos a 10% (-2.599925), 5% (-2.923780), e 1% (-3.574446). Assim sendo,
podemos dizer que a variável tem raiz unitária, não é estacionária. I(1) 1º level

Teste de Phillips–Perron (PP): Este teste é uma generalização do teste de Dickey-Fuller e é robusto no caso
de os erros serem correlacionados e heterocedásticos. As hipóteses do teste, tal como no caso do teste ADF, são:

• H0: tem raiz unitária (a série não é estacionária);

• H1: não tem raiz unitária (a série é estacionária).

Variável GDP

Pela Figura anterior, e tal como no caso do teste ADF, o EViews mostra-nos a estatística do teste PP na parte
superior. A hipótese nula (tem raiz unitária ou a série não é estacionária) será rejeitada se o valor da estatística PP
for menor que o valor critico. No nosso caso específico, a hipótese nula não se rejeita, pois, o valor estatístico do
teste (-0.023051) é maior que os valores críticos a 10% (-2.599925), 5% (-2.923780), e 1% (-3.57446). Assim sendo,
podemos dizer que a variável tem raiz unitária, não é estacionária. I(1) 1º level

Variável Unemployment
Pela Figura anterior, e tal como no caso do teste ADF, o EViews mostra-nos a estatística do teste PP na parte
superior. A hipótese nula (tem raiz unitária ou a série não é estacionária) será rejeitada se o valor da estatística PP
for menor que o valor critico. No nosso caso específico, a hipótese nula não se rejeita, pois, o valor estatístico do
teste (-2.154261) é maior que os valores críticos a 10% (-2.611531), 5% (-2.945842), e 1% (-3.626784). Assim sendo,
podemos dizer que a variável tem raiz unitária, não é estacionária. H(0)

Variável Inflation

Pela Figura anterior, e tal como no caso do teste ADF, o EViews mostra-nos a estatística do teste PP na parte
superior. A hipótese nula (tem raiz unitária ou a série não é estacionária) será rejeitada se o valor da estatística PP
for menor que o valor critico. No nosso caso específico, a hipótese nula não se rejeita, pois, o valor estatístico do
teste (-1.34229) é maior que os valores críticos a 10% (-2.5999925), 5% (-2.923780), e 1% (-3.574446). Assim sendo,
podemos dizer que a variável tem raiz unitária, não é estacionária. I(1) 1º level

Variável Exports of Goods and services

Pela Figura anterior, e tal como no caso do teste ADF, o EViews mostra-nos a estatística do teste PP na parte
superior. A hipótese nula (tem raiz unitária ou a série não é estacionária) será rejeitada se o valor da estatística PP
for menor que o valor critico. No nosso caso específico, a hipótese nula não se rejeita, pois, o valor estatístico do
teste (0.421331) é maior que os valores críticos a 10% (-2.5999925), 5% (-2.923780), e 1% (-3.574446). Assim sendo,
podemos dizer que a variável tem raiz unitária, não é estacionária. I(1) 1º level

Teste de Kwiatkowski–Phillips–Schmidt–Shin (KPSS): Por último, podemos ainda falar do teste

Kwiatkowski–Phillips–Schmidt–Shin (KPSS). Este teste é visto como um teste de confirmação
aos anteriores (ADF, PP). As suas hipóteses, ao contrário do caso dos testes anteriores, são:

• H0: não tem raiz unitária (a série é estacionária);

• H1: tem raiz unitária (a série não é estacionária).
Variável GDP

Neste caso, a hipótese nula (não tem raiz unitária ou a série é estacionária) será rejeitada se o valor da estatística
KPSS for maior que o valor critico. Neste caso específico, a hipótese é rejeitada, pois, o valor estatístico do teste
(0.895048) é maior que o valor critico a 10% (0.347000), 5% (0.463000), e 1% (0.739000). Assim sendo, podemos
dizer que a variável tem raiz unitária, não é estacionária, o que confirma os resultados obtidos nos testes anteriores.
I(0)

Variável Inflation

Neste caso, a hipótese nula (não tem raiz unitária ou a série é estacionária) será rejeitada se o valor da estatística
KPSS for maior que o valor critico. Neste caso específico, a hipótese é rejeitada, pois, o valor estatístico do teste
(0.628029) é maior que o valor critico a 10% (0.347000), 5% (0.463000), e menor a 1% (0.739000). Assim sendo,
podemos dizer que a variável não tem raiz unitária, é estacionária, o que confirma os resultados obtidos nos testes
anteriores. I(0)

Variável Exports of Goods and services

Neste caso, a hipótese nula (não tem raiz unitária ou a série é estacionária) será rejeitada se o valor da estatística
KPSS for maior que o valor critico. Neste caso específico, a hipótese é rejeitada, pois, o valor estatístico do teste
(0.76726) é maior que o valor critico a 10% (0.347000), 5% (0.463000), e 1% (0.739000). Assim sendo, podemos
dizer que a variável tem raiz unitária, não é estacionária, o que confirma os resultados obtidos nos testes anteriores.
I(1) 1º level

Variável Unemployment

Neste caso, a hipótese nula (não tem raiz unitária ou a série é estacionária) será rejeitada se o valor da estatística
KPSS for maior que o valor critico. Neste caso específico, a hipótese é rejeitada, pois, o valor estatístico do teste
(0.396958) é maior que o valor critico a 10% (0.347000), mas menor a 5% (0.463000), e 1% (0.739000). Assim
sendo, podemos dizer que a variável não tem raiz unitária, é estacionária, o que confirma os resultados obtidos nos
testes anteriores. I(0)

PP ADF KPSS

GDP I(0) I(0) I(1)

INF I(0) I(0) I(0)

IBS I(0) I(0) I(1)

UNEM I(0) I(0) I(0)

Teste de Raiz Unitária com Quebra Estrutural:

LGDP: I (0)

LINF: I(0)

LIBS: I(0)

LUNEM: I(0)
Casualidade de Granger

Vector Autoregression Estimates VAR Granger Causality/Block Exogeneity Wald Tests

Date: 06/07/20 Time: 23:03 Date: 06/07/20 Time: 23:05
Sample (adjusted): 1976 2018
Included observations: 29 after adjustments Sample: 1970 2019
Standard errors in ( ) & t-statistics in [ ] Included observations: 29

LDESEMP... LEBS LGDP LINFLA

LDESEMPREGO(-1) 0.666490 0.208660 0.052770 -0.720506

Dependent variable: LDESEMPREGO
(0.25921) (0.13599) (0.03456) (0.74060)
[ 2.57121] [ 1.53437] [ 1.52702] [-0.97287] Excluded Chi-sq df Prob.
LDESEMPREGO(-2) 0.166957 -0.053437 -0.035939 -0.020008
(0.27190) (0.14265) (0.03625) (0.77685)
LEBS 0.705543 2 0.7027
[ 0.61404] [-0.37461] [-0.99146] [-0.02576] LGDP 11.61522 2 0.0030
LINFLA 1.525766 2 0.4663
LEBS(-1) -0.001687 0.768737 0.021419 1.449578
(0.51624) (0.27084) (0.06882) (1.47496)
[-0.00327] [ 2.83838] [ 0.31121] [ 0.98279]
All 18.79076 6 0.0045

LEBS(-2) -0.226563 0.013859 -0.043641 -0.471435

(0.46275) (0.24277) (0.06169) (1.32213) Dependent variable: LEBS
[-0.48960] [ 0.05708] [-0.70740] [-0.35657]

LGDP(-1) -5.817647 1.376242 1.531038 0.060085 Excluded Chi-sq df Prob.

(2.26025) (1.18580) (0.30133) (6.45776)
[-2.57390] [ 1.16060] [ 5.08092] [ 0.00930] LDESEMPREGO 8.417267 2 0.0149
LGDP 4.188145 2 0.1232
LGDP(-2) 6.004034 -1.083171 -0.647485 -2.078281
(2.13889) (1.12213) (0.28515) (6.11103) LINFLA 1.513957 2 0.4691
[ 2.80708] [-0.96528] [-2.27067] [-0.34009]
All 9.291623 6 0.1578
LINFLA(-1) -0.016883 0.035985 -0.006349 0.328773
(0.06719) (0.03525) (0.00896) (0.19197)
[-0.25127] [ 1.02087] [-0.70881] [ 1.71265]
Dependent variable: LGDP
LINFLA(-2) 0.076659 0.005092 -0.013512 0.063653
(0.06429) (0.03373) (0.00857) (0.18370) Excluded Chi-sq df Prob.
[ 1.19230] [ 0.15097] [-1.57631] [ 0.34651]

C -3.731276 -7.260552 3.111318 51.28860 LDESEMPREGO 3.252049 2 0.1967

(7.21514) (3.78529) (0.96191) (20.6144) LEBS 0.700260 2 0.7046
[-0.51715] [-1.91809] [ 3.23454] [ 2.48800] LINFLA 5.025332 2 0.0811
R-squared 0.916697 0.945775 0.996380 0.889379
Adj. R-squared 0.883376 0.924086 0.994931 0.845130 All 16.22705 6 0.0126
Sum sq. resids 0.249289 0.068614 0.004431 2.034959
S.E. equation 0.111644 0.058572 0.014884 0.318980
F-statistic 27.51102 43.60452 688.0136 20.09962
Log likelihood 27.81913 46.52583 86.25475 -2.625324
Dependent variable: LINFLA
Akaike AIC -1.297871 -2.587988 -5.327914 0.801746
Schwarz SC -0.873538 -2.163655 -4.903581 1.226080 Excluded Chi-sq df Prob.
Mean dependent 1.851479 3.349049 26.01781 1.346214
S.D. dependent 0.326921 0.212583 0.209062 0.810549
LDESEMPREGO 5.768304 2 0.0559
Determinant resid covariance (dof adj.) 3.69E-10 LEBS 1.529006 2 0.4656
Determinant resid covariance 8.34E-11 LGDP 8.791750 2 0.0123
Log likelihood 171.9051
Akaike information criterion -9.372768
Schwarz criterion -7.675435
All 11.46488 6 0.0750
Number of coefficients 36
 • Testes de diagnóstico

Tal como todos os outros modelos econométricos, é necessário verificar a qualidade

de estimação do modelo através da análise aos resíduos de cada equação.
VAR Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: Residuals are multivariate normal
Date: 06/07/20 Time: 23:22
Sample: 1970 2019
Included observations: 29

Component Skewness Chi-sq df Prob.*

1 -0.573973 1.592316 1 0.2070

2 -0.201845 0.196917 1 0.6572
3 -0.526998 1.342345 1 0.2466
4 0.048455 0.011348 1 0.9152

Joint 3.142926 4 0.5342

Component Kurtosis Chi-sq df Prob.

1 2.857298 0.024606 1 0.8754

2 2.406675 0.425375 1 0.5143
3 3.787948 0.750208 1 0.3864
4 2.545237 0.249895 1 0.6171

Joint 1.450084 4 0.8354

Component Jarque-Bera df Prob.

1 1.616922 2 0.4455
2 0.622292 2 0.7326
3 2.092553 2 0.3512
4 0.261243 2 0.8775

Joint 4.593010 8 0.8001

• Teste de heterocedasticidade
VAR Residual Heteroskedasticity Tests (Levels and Squares)
Date: 06/07/20 Time: 23:26
Sample: 1970 2019
Included observations: 29

Joint test:

Chi-sq df Prob.

161.6407 160 0.4488

Individual components:

Dependent R-squared F(16,12) Prob. Chi-sq(16) Prob.

res1*res1 0.349304 0.402611 0.9543 10.12980 0.8598

res2*res2 0.500050 0.750150 0.7093 14.50145 0.5614
res3*res3 0.736669 2.098130 0.0994 21.36341 0.1650
res4*res4 0.672623 1.540937 0.2267 19.50607 0.2433
res2*res1 0.478034 0.686876 0.7621 13.86299 0.6089
res3*res1 0.336225 0.379900 0.9635 9.750516 0.8793
res3*res2 0.552199 0.924853 0.5668 16.01379 0.4520
res4*res1 0.346744 0.398095 0.9563 10.05558 0.8637
res4*res2 0.378578 0.456910 0.9277 10.97877 0.8108
res4*res3 0.289675 0.305855 0.9854 8.400574 0.9360

A hipótese nula do teste de heterocedasticidade é: os resíduos são homocedásticos.

Neste caso a hipótese nula é rejeita para o nível de significância estatística de 10%.
 • Teste de autocorrelação
VAR Residual Serial Correlation LM Tests
Date: 06/07/20 Time: 23:29
Sample: 1970 2019
Included observations: 29

Null hypothesis: No serial correlation at lag h

Lag LRE* stat df Prob. Rao F-stat df Prob.

1 20.90040 16 0.1824 1.399348 (16, 40.4) 0.1908

2 25.74176 16 0.0578 1.821483 (16, 40.4) 0.0623
3 17.79352 16 0.3361 1.150319 (16, 40.4) 0.3462

Null hypothesis: No serial correlation at lags 1 to h

Lag LRE* stat df Prob. Rao F-stat df Prob.

1 20.90040 16 0.1824 1.399348 (16, 40.4) 0.1908

2 41.64111 32 0.1183 1.421930 (32, 34.8) 0.1555
3 68.46368 48 0.0277 1.637482 (48, 21.3) 0.1082

A hipótese nula do teste de autocorrelação dos erros é: os erros não estão

autocorrelacionados. A hipótese nula do teste também é apresentada no output. No output
são apresentados dois testes de autocorrelação. O primeiro é a atucorrelação para cada
desfasamento, ou seja, para o desfasamento 1 é testada a autocorrelação de ordem 1. A
segunda parte do teste diz respeito aos desfasamentos acumulados. Qualquer que seja o
desfasamento escolhido aquando da execução do teste, o valor do teste não altera, apena
apresenta mais informação. Para o teste executado a hipótese nula é rejeitada para qualquer
nível de significância estatística. Em suma, o modelo Var estimado não reúne as propriedades
econométricas desejadas, uma vez que os resíduos não seguem uma distribuição normal, os
erros são heterocedásticos e autocorrelacionados. Uma possível forma de resolver o problema
é acrescentar variáveis endógenas que possam interagir neste sistema de variáveis.
 • Funções impulso resposta

O modelo estimado do VAR é possível calcular a Função Impulso Resposta (FIR) que
permite analisar a resposta de uma variável em funções de um impulso noutra variável. Só é
possível calcular as FIR para as variáveis endógenas
 • Decomposição da variância

A decomposição da variância permite da previsão do erro permite observar a evolução

de quanto a previsão do erro de uma variável consegue explicar outra. Um aspeto
importante da decomposição da variância é a ordenação de Cholesky. Na ordenação
de Cholesky as variáveis são ordenadas da mais exógena para a mais endógenas. Neste
exemplo e segundo os Blocos de Exogeneidade as variáveis ficam da seguinte forma:

Variance Decomposition of LEBS:

Period S.E. LGDP LEBS LDESEM... LINFLA

1 0.058572 23.47193 76.52807 0.000000 0.000000

2 0.079257 23.66577 70.18506 4.123849 2.025324
3 0.091963 18.69508 69.31353 9.273106 2.718288
4 0.099739 16.81588 66.43272 13.64072 3.110686
5 0.106486 19.07664 61.29365 15.68283 3.946878
6 0.112105 21.76983 56.74484 15.95748 5.527854
7 0.115926 22.45387 54.12071 15.68011 7.745311
8 0.118392 21.76354 52.95699 15.38874 9.890724
9 0.120281 21.18582 52.38700 15.18023 11.24696
10 0.121782 21.15520 51.98463 15.13832 11.72185

Variance Decomposition of LDESEMPREGO:

Period S.E. LGDP LEBS LDESEM... LINFLA

1 0.111644 48.09874 0.123528 51.77773 0.000000

2 0.185747 72.75445 0.051866 27.11253 0.081162
3 0.233898 79.82544 0.327422 18.11556 1.731570
4 0.254144 77.72640 0.278773 15.34749 6.647331
5 0.263387 72.46962 0.895601 14.49297 12.14181
6 0.274994 69.38602 2.573883 13.38260 14.65750
7 0.287324 69.05354 4.307141 12.27580 14.36352
8 0.294580 69.05856 5.275624 11.98014 13.68567
9 0.296965 68.47585 5.518869 12.40665 13.59863
10 0.298470 67.94614 5.467052 12.88734 13.69946

Variance Decomposition of LINFLA:

Period S.E. LGDP LEBS LDESEM... LINFLA

1 0.318980 0.001184 3.101466 0.338591 96.55876

2 0.366121 7.086379 8.385824 3.311249 81.21655
3 0.402647 15.93324 9.873153 3.677648 70.51596
4 0.424761 21.22733 11.65339 3.483166 63.63612
5 0.431814 22.35440 12.67959 3.370621 61.59539
6 0.433245 22.20913 13.13678 3.380989 61.27311
7 0.435856 22.94724 13.15863 3.350035 60.54409
8 0.439954 24.10963 13.03533 3.299919 59.55512
9 0.443798 24.54168 13.04209 3.333712 59.08252
10 0.447477 24.22606 13.33840 3.426946 59.00859

Começando pela decomposição da variância da previsão do erro de Lebs, após 1

período a variância da previsão do erro é explicada em 76.52% por ela própria. Após 10
períodos a variância da previsão do erro é explicada 21.155% por LGDP, 15.138% por
LDESEMPREGO e 11.721 por LINFLAÇÃO.

Humberto Matos E10305