Seleção de defasagens em testes de raiz unitária: uma revisão de literatura

Anderson Garcia Silveira, Viviane Leite Dias de Mattos, Luiz Ricardo Nakamura, Mariane Coelho Amaral, Andrea Cristina Konrath

Resumo


Dentre as maneiras mais usuais de modelar e realizar previsões de demanda através de séries temporais, como, por exemplo a série de demanda por eletricidade, está a análise econométrica.  Neste tipo de análise, a presença de raiz unitária pode fazer com que as previsões se tornem imprecisas. Assim, é fundamental identificar a presença de raiz unitária nas séries a serem modeladas. Para isso, podem ser aplicados os testes de raiz unitária, como por exemplo o teste ADF. Uma das etapas de grande importância na aplicação deste teste é a seleção de defasagens a serem utilizadas. Este trabalho apresenta de maneira qualitativa e quantitativa que a pesquisa por este tema se encontra em fase de expansão e que não existe um consenso no que tange à definição do número de defasagens a serem aplicadas no teste. Assim, fica evidente que este é um assunto em que cabe aprofundamento de pesquisa.


Palavras-chave


Raiz unitária; Seleção de defasagens; Demanda por eletricidade; Estacionariedade.

Texto completo:

PDF

Referências


Al-Musaylh, M. S., Deo, R. C., Adamowski, J. F., & Li, Y. (2018). Short-term electricity demand forecasting with MARS, SVR and ARIMA models using aggregated demand data in Queensland, Australia. Advanced Engineering Informatics, 35, 1-16. https://doi.org/10.1016/j.aei.2017.11.002

Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of informetrics, 11(4), 959-975.

ANEEL, A. (2008). Atlas de energia elétrica do Brasil. Brasília.

Aylar, E., Smeekes, S., & Westerlund, J. (2019). Lag truncation and the local asymptotic distribution of the ADF test for a unit root. Statistical Papers, 60(6), 2109-2118. https://doi.org/10.1007/s00362-017-0911-y

Bayer, F. M. (2010). Wavelets e modelos tradicionais de previsão: um estudo comparativo. Rev. Bras. Biom, 28(2), 40-61.

Cavaliere, G., Georgiev, I., & Taylor, A. R. (2018). Unit root inference for non-stationary linear processes driven by infinite variance innovations. Econometric Theory, 34(2), 302-348. https://doi.org/10.1017/S0266466616000037

Burridge, P., & Hristova, D. (2008). Consistent estimation and order selection for nonstationary autoregressive processes with stable innovations. Journal of Time Series Analysis, 29(4), 695-718. https://doi.org/10.1111/j.1467-9892.2008.00579.x

Cavaliere, G., Phillips, P. C., Smeekes, S., & Taylor, A. R. (2014). Lag length selection for unit root tests in the presence of nonstationary volatility. Econometric Reviews, 34(4), 512-536.

Cheung, Y. W., & Lai, K. S. (1995). Lag order and critical values of the augmented Dickey–Fuller test. Journal of Business & Economic Statistics, 13(3), 277-280. https://doi.org/10.1080/07350015.1995.10524601

Cheung, Y. W., & Lai, K. S. (1998). Power of the augmented dickey-fuller test with information-based lag selection. Journal of Statistical Computation and Simulation, 60(1), 57-65. https://doi.org/10.1080/00949659808811871

de Assis Cabral, J., Legey, L. F. L., & de Freitas Cabral, M. V. (2017). Electricity consumption forecasting in Brazil: A spatial econometrics approach. Energy, 126, 124-131. https://doi.org/10.1016/j.energy.2017.03.005

de Oliveira, V. H., de Souza Tavares, R., & Tavares, L. A. (2018). Demanda residencial por energia elétrica no Brasil (2004-2015). Revista Catarinense de Economia, 2(1), 142-162.

Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431. https://doi.org/10.1080/01621459.1979.10482531

Elliott, G., Rothenberg, T. J., & Stock, J. H. (1992). Efficient tests for an autoregressive unit root. https://doi.org/10.3386/t0130

EPE. (2019). Atlas da eficiência energética no Brasil em 2019 /Empresa de Pesquisa Energética- Rio de Janeiro. Disponível em: http://epe.gov.br/pt/publicacoes-dadosabertos/publicacoes/atlas-da-eficiencia-energeticabrasil-2019.

Fedorová, D. (2016). Selection of unit root test on the basis of length of the time series and value of ar (1) parameter. Statistika, 96(3), 3.

Ferrer-Pérez, H., Ayuda, M. I., & Aznar, A. (2019). The sensitivity of unit root tests to the initial condition and to the lag length selection: A Monte Carlo Simulation Study. Communications in Statistics-Simulation and Computation, 50(4), 1062-1072. https://doi.org/10.1080/03610918.2019.1577967

Gujarati, D. N., & Porter, D. C. (2011). Econometria básica-5. Amgh Editora.

Hall, A. (1994). Testing for a unit root in time series with pretest data-based model selection. Journal of Business & Economic Statistics, 12(4), 461-470.

Harris, R. I. (1992). Testing for unit roots using the augmented Dickey-Fuller test: Some issues relating to the size, power and the lag structure of the test. Economics letters, 38(4), 381-386. https://doi.org/10.1016/0165-1765(92)90022-Q

Irffi, G., Castelar, I., Siqueira, M. L., & Linhares, F. C. (2009). Previsão da demanda por energia elétrica para classes de consumo na região Nordeste, usando OLS dinâmico e mudança de regime. Economia Aplicada, 13, 69-98.

Jamil, R. (2020). Hydroelectricity consumption forecast for Pakistan using ARIMA modeling and supply-demand analysis for the year 2030. Renewable Energy, 154, 1-10. https://doi.org/10.1016/j.renene.2020.02.117

Lopez, C., Murray, C. J., & Papell, D. H. (2005). State of the art unit root tests and purchasing power parity. Journal of Money, Credit and Banking, 361-369.

Murshed, M. (2021). Modeling primary energy and electricity demands in Bangladesh: An Autoregressive distributed lag approach. Sustainable Production and Consumption, 27, 698-712. https://doi.org/10.1016/j.spc.2021.01.035

Ng, S., & Perron, P. (1995). Unit root tests in ARMA models with data-dependent methods for the selection of the truncation lag. Journal of the American Statistical Association, 90(429), 268-281.

Ng, S., & Perron, P. (2001). Lag length selection and the construction of unit root tests with good size and power. Econometrica, 69(6), 1519-1554. https://doi.org/10.1111/1468-0262.00256

Otero, J., & Smith, J. (2000). Testing for cointegration: power versus frequency of observation—further Monte Carlo results. Economics Letters, 67(1), 5-9. https://doi.org/10.1016/S0165-1765(99)00245-1

Paparoditis, E., & Politis, D. N. (2016). The asymptotic size and power of the augmented Dickey–Fuller test for a unit root. Econometric Reviews, 37(9), 955-973. https://doi.org/10.1080/00927872.2016.1178887

Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346. Disponível em: https://doi.org/10.1093/biomet/75.2.335

Quineche, R., & Rodríguez, G. (2017). Selecting the lag length for the MGLS unit root tests with structural change: A warning note for Practitioners based on simulations. Econometrics, 5(2), 17. https://doi.org/10.3390/econometrics5020017

Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71(3), 599-607. https://doi.org/10.1093/biomet/71.3.599

Santos, R. N. M. D. (2003). Produção científica: por que medir? O que medir?. Revista digital de Biblioteconomia e Ciência da Informação, 1(1).

Schmidt, C. A. J., & Lima, M. A. (2004). A demanda por energia elétrica no Brasil. Revista brasileira de economia, 58, 68-98. https://doi.org/10.1590/S0034-71402004000100004

Schwert, G. W. (2002). Tests for unit roots: A Monte Carlo investigation. Journal of Business & Economic Statistics, 20(1), 5-17. https://doi.org/10.1198/073500102753410354

Viana, G. I. M. N., & Silva, A. L. M. (2014). Um modelo para projeções para demanda por energia elétrica, 2009-2017 para o setor residencial no Brasil. Revista Brasileira de Energia, 20, 107-126.

Zuo, X. (2019, September). Several Important Unit Root Tests. In 2019 IEEE 2nd International Conference on Information Communication and Signal Processing (ICICSP) (pp. 10-14). IEEE. https://doi.org/10.1109/ICICSP48821.2019.8958557




DOI: https://doi.org/10.5585/exactaep.2022.22061

Direitos autorais 2022 Exacta

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - Não comercial - Compartilhar igual 4.0 Internacional.

Tempo médio entre a submissão e primeira resposta de avaliação: 120 dias

Exacta – Engenharia de Produção

e-ISSN: 1983-9308
ISSN: 1678-5428
www.revistaexacta.org.br

Exacta  ©2022 Todos os direitos reservados.

Este obra está licenciada com uma Licença 
Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional