PROCESSO SELETIVO FGC
Guilherme Ziegler Trintinalia
2023-05-10
Explicando o comportamento de depósitos totais (Depósito à vista, Depósito a Prazo e Poupança) do Brasil nos ultimos cinco anos uitlizando o PIB, Selic, Inflação e Desemprego
Origem dos dados utilizados
Neste relatório, os dados utilizados foram obtidos a partir das bibliotecas sidrar , ipeaDataR, GetBCBData e rvest
Caso não tenha instalado a biblioteca, será necessário descomentar comando comando install.packages(“sidrar”) e install.packages(“ipeadatar”) no código R abaixo:
# install.packages("sidrar")
# install.packages("ipeadatar")
# install.packages("GetBCBData")
# install.packages("lubridate")
# install.packages("ts")
# install.packages("XML")
# install.packages("rvest")
# install.packages("bcb")
# library(readxl)
# library(tseries)
# library(urca)
# library(vars)
# library(lmtest)
# library(tsDyn)
# rm(list = ls()) # código limpeza do ambienteDefinindo o timeframe da série de dados
# Definir as datas inicial e hoje dinâmicamente sempre que o código for atualizado
rm(list=ls());
DataInicial <- Sys.Date() - (365*8) # calculada a data de anos atrás
DataHoje <- Sys.Date() # Recebe do sistema do dia atual
DataHoje## [1] "2023-05-16"DataFiltro <- "2022-12-01" # necessário porque o PIB esta apenas disponível até o ano de 2022 com dados mensais completos. Consultando tabelas de variáveis do pacote Sidrar
Para utilização do pacote Sidrar é necessário passar como parâmetro uma tabela de referência.
Esta pode ser obtida pelo comando search_sidrar(c(Busca)). O método utilizado permite ao pesquisador produzir uma lista de tabelas para extrair os dados que comporão as séries históricas.
De modo análogo, __search_sidra c((“Busca”)) pode ser utilizado para o pacote sidrar.
Obtendo e tratando os dados da SELIC
library(ipeadatar)
#ls('package:ipeadatar')
# Procurando tabela com dados de inflação.
search_series(c('Taxa de juros - Over / Selic - acumulada no mês'))## Warning: `filter_()` was deprecated in dplyr 0.7.0.
## ℹ Please use `filter()` instead.
## ℹ See vignette('programming') for more help
## ℹ The deprecated feature was likely used in the ipeadatar package.
## Please report the issue at
## <https://github.com/gomesleduardo/ipeadatar/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.## # A tibble: 1 × 7
## code name theme source freq lastupdate status
## <chr> <chr> <fct> <fct> <fct> <date> <fct>
## 1 BM12_TJOVER12 Taxa de juros - Over / Sel… Macr… Bacen… Mont… 2023-05-16 Active# selecionando os dados do ipeadata
SELIC <- ipeadata("BM12_TJOVER12")
# aplicando o timeframe desejado
SELIC <- subset(SELIC, date >= DataInicial & date <= DataFiltro)
# Adicionar uma coluna com a marcação do trimestre
SELIC$Tri <- quarters(SELIC$date)
# Adicionar uma coluna com a marcação do ano
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionSELIC$Ano <- year(as.Date(SELIC$date))
# Utilizando a mediana das médias mensais, agregando e ordenando
SELIC <- aggregate(value ~ Ano + Tri, data = SELIC, FUN = mean)
SELIC <- SELIC[order(SELIC$Ano, SELIC$Tri), ]
data_SELIC_in <- as.Date("2015-04-01")
data_SELIC_fim <- as.Date("2022-10-01")
# Adicionando a sequência trimestral ao dataframe.
seq <- seq(data_SELIC_in, data_SELIC_fim, by = "3 months")
SELIC$date <- c(seq)
# Formantando SELIC para tamanho de dados desejados.
SELIC <- subset(SELIC, date >= "2016-07-01" & date <= DataFiltro)
head(SELIC, 1)## Ano Tri value date
## 17 2016 Q3 1.146667 2016-07-01tail(SELIC,1)## Ano Tri value date
## 31 2022 Q4 1.053333 2022-10-01summary(SELIC)## Ano Tri value date
## Min. :2016 Length:26 Min. :0.1567 Min. :2016-07-01
## 1st Qu.:2018 Class :character 1st Qu.:0.4100 1st Qu.:2018-01-23
## Median :2019 Mode :character Median :0.5233 Median :2019-08-16
## Mean :2019 Mean :0.6027 Mean :2019-08-16
## 3rd Qu.:2021 3rd Qu.:0.8342 3rd Qu.:2021-03-09
## Max. :2022 Max. :1.1467 Max. :2022-10-01nrow(SELIC)## [1] 26Baixando os Dados da Inflação
library(ipeadatar)
# Procurando tabela com dados de inflação.
# search_series(c('IPCA'))
# Dentre as possíveis tabelas, escolhi BM12_IPCA20N12
# selecionando os dados do ipeadata
IPCA <- ipeadata("BM12_IPCA20N12")
# aplicando o timeframe desejado
IPCA <- subset(IPCA, date >= DataInicial & date <= DataFiltro)
# Adicionar uma coluna com a marcação do trimestre
IPCA$Tri <- quarters(IPCA$date)
# Adicionar uma coluna com a marcação do ano
library(lubridate)
IPCA$Ano <- year(as.Date(IPCA$date))
# Utilizando a mediana das médias mensais, agregando e ordenando
IPCA <- aggregate(value ~ Ano + Tri, data = IPCA, FUN = mean)
IPCA <- IPCA[order(IPCA$Ano, IPCA$Tri), ]
data_IPCA_in <- as.Date("2015-04-01")
data_IPCA_fim <- as.Date("2022-10-01")
# Adicionando a sequência trimestral ao dataframe.
seq <- seq(data_IPCA_in, data_IPCA_fim, by = "3 months")
IPCA$date <- c(seq)
# Formantando IPCA para tamanho de dados desejados.
IPCA <- subset(IPCA, date >= "2016-07-01" & date <= DataFiltro)
head(IPCA, 1)## Ano Tri value date
## 17 2016 Q3 0.33 2016-07-01tail(IPCA, 1)## Ano Tri value date
## 31 2022 Q4 0.4166667 2022-10-01summary(IPCA)## Ano Tri value date
## Min. :2016 Length:26 Min. :0.04667 Min. :2016-07-01
## 1st Qu.:2018 Class :character 1st Qu.:0.22167 1st Qu.:2018-01-23
## Median :2019 Mode :character Median :0.30000 Median :2019-08-16
## Mean :2019 Mean :0.35987 Mean :2019-08-16
## 3rd Qu.:2021 3rd Qu.:0.46000 3rd Qu.:2021-03-09
## Max. :2022 Max. :0.86000 Max. :2022-10-01nrow(IPCA)## [1] 26Baixando dados para o nível de Desemprego
# Baixando os dados com início em 2016
library(sidrar)
# Caminho da tabela definida em 'sidra.ibge.gov.br/tabela/6379'
cod_sidraDes <- '/t/6397/n1/all/v/4099/p/last%2024/c58/95253/d/v4099%201'
# Baixando as infos da tabela pela API
IBGE <- sidrar::get_sidra(api = cod_sidraDes)## All others arguments are desconsidered when 'api' is informedtail(IBGE,1)## Nível Territorial (Código) Nível Territorial Unidade de Medida (Código)
## 25 1 Brasil 2
## Unidade de Medida Valor Brasil (Código) Brasil Variável (Código)
## 25 % 7.9 1 Brasil 4099
## Variável
## 25 Taxa de desocupação, na semana de referência, das pessoas de 14 anos ou mais de idade
## Trimestre (Código) Trimestre Grupo de idade (Código) Grupo de idade
## 25 202204 4º trimestre 2022 95253 Total# convertendo a coluna Trimestre para formato data válido
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union#Obtendo os anos
ano <- substr(IBGE$Trimestre, nchar(IBGE$Trimestre) - 3, nchar(IBGE$Trimestre))
# Obtendo os trimestres
trimestre <- substr(IBGE$Trimestre, 1, 1)
# Substituindo strings 1, 2, 3 4, respectivamente, pelos meses 01, 04, 07 e 10
mes <- ifelse(trimestre == "1", "01",
ifelse(trimestre == "2", "04",
ifelse(trimestre == "3", "07",
ifelse(trimestre == "4", "10", NA))))
# Criando datas no padrão trimestral
dataDES <- paste(ano, mes, "01", sep = "-")
# Adicionando datas válidas ao dataframe
IBGE$Trimestre <- as.Date(dataDES)
tail(IBGE$Trimestre)## [1] "2019-07-01" "2019-10-01" "2020-01-01" "2022-04-01" "2022-07-01"
## [6] "2022-10-01"# Criando dataframe somente com info necessária
DES <- data.frame(Date = IBGE$Trimestre, Des = IBGE$Valor)
# Formatando série trimestral para mesmo tamanho de dados
DES <- subset(DES, Date >= '2016-07-01' & Date <= DataFiltro)
head(DES,1)## Date Des
## 7 2016-07-01 11.9tail(DES, 1)## Date Des
## 24 2022-10-01 7.9nrow(DES)## [1] 18# Aparantemente os daods trimestrais de 2020 e 2021 estão faltantes na base do IBGE.
# Assim foram manualmente substituidos pelos dados disponívels eim: https://agenciabrasil.ebc.com.br/economia/noticia/2021-03/desemprego-registrou-taxa-media-de-135-em-2020#:~:text=No%20%C3%BAltimo%20trimestre%20de%202020,em%20apenas%20em%20cinco%20estados.
#https://agenciabrasil.ebc.com.br/economia/noticia/2020-08/pnad-desemprego-vai-133-no-segundo-trimestre
# Preenchendo os dados faltantes de 2020
DES <- rbind(DES,c('2020-04-01', 13.3))
DES <- rbind(DES,c('2020-07-01', 14.6))
DES <- rbind(DES,c('2020-10-01', 13.9))
# Preenchendo os dados faltantes de 2021
DES <- rbind(DES,c('2021-01-01',14.9))
DES <- rbind(DES,c('2021-04-01',12.85))
DES <- rbind(DES,c('2021-07-01',12.6))
DES <- rbind(DES,c('2021-10-01', 11.1))
# Preenchendo primeiro trimestre de 2020
DES <- rbind(DES,c('2022-01-01', 11.1))
# Ficou estável ao tri do ano anterior.
# ordendando novamente a série temporal
DES <- DES[order(DES$Date), ]
nrow(DES)## [1] 26tail(DES,5)## Date Des
## 25 2021-10-01 11.1
## 26 2022-01-01 11.1
## 22 2022-04-01 9.3
## 23 2022-07-01 8.7
## 24 2022-10-01 7.9Baixando dados do PIB direto da tabela do IPEAData via Webscrapping
library(rvest)
# Local dos quais dados serão baixados
url <- "http://www.ipeadata.gov.br/ExibeSerie.aspx?serid=38415"
# Realizar o scraping dos dados
page <- read_html(url)
dados_html <- page %>%
html_nodes(xpath = '//table[@class="dxgvTable"]') %>%
html_table(fill = TRUE)
# Converter os dados em um dataframe
PIB <- data.frame(dados_html[[1]])
# Alterando nomes das colunas
PIB <- data.frame(Data = PIB$X1, PIB = PIB$X2)
# Limpando dataframe para somente valores numéricos
PIB <- PIB[4:nrow(PIB), ]
# Convertendo String do tipo XXXX - XT para dado trimestral do tipo data.
# Exemplo de dado na coluna
# Extrair o ano e o trimestre do dado
anos <- substring(PIB$Data, 1, 4)
trimestre <- substring(PIB$Data, 6, 8)
# Definir o mês baseado no trimestre
meses <- ifelse(trimestre == "T1", "01",
ifelse(trimestre == "T2", "04",
ifelse(trimestre == "T3", "07",
ifelse(trimestre == "T4", "10", NA))))
# Criar as datas no formato "yyyy-mm-dd"
datas <- paste(anos, meses, "01", sep = "-")
# Converter coluna de datas para o formato de data trimestral
PIB$Data <- as.Date(datas)
# Aplicando o filtro para os ultimos 5 anos
PIB <- subset(PIB, Data >= '2016-07-01' & Data <= DataFiltro)
# Por fim, convertendo os valores String para strings capazes de serem posteiormente interpretados como numéricos
PIB$PIB <- as.numeric(gsub("\\.", "", PIB$PIB))
tail(PIB, 5)## Data PIB
## 107 2021-10-01 2309564
## 108 2022-01-01 2315709
## 109 2022-04-01 2471837
## 110 2022-07-01 2543645
## 111 2022-10-01 2584126nrow(PIB)## [1] 26Juntando os dados em um único dataframe
#adicionando as variáveis disponíveis para o dataframe dado
dados <- data.frame(Date = as.Date(DES$Date, format = "%Y-%m-%d"),
PIBmi = as.numeric(PIB$PIB),
IPCA = as.numeric(IPCA$value),
DES = as.numeric(DES$Des),
SELIC = as.numeric(SELIC$value))
tail(dados, 10)## Date PIBmi IPCA DES SELIC
## 17 2020-07-01 1929703 0.2266667 14.60 0.1700000
## 18 2020-10-01 2048979 0.5366667 13.90 0.1566667
## 19 2021-01-01 2152622 0.4200000 14.90 0.1600000
## 20 2021-04-01 2182049 0.4733333 12.85 0.2633333
## 21 2021-07-01 2254492 0.6600000 12.60 0.4100000
## 22 2021-10-01 2309564 0.7333333 11.10 0.6166667
## 23 2022-01-01 2315709 0.7800000 11.10 0.8066667
## 24 2022-04-01 2471837 0.8600000 9.30 0.9600000
## 25 2022-07-01 2543645 0.4800000 8.70 1.0900000
## 26 2022-10-01 2584126 0.4166667 7.90 1.0533333Extraindo rendimentos da poupança
library(GetBCBData)
cod_poup <- "7828"
# tabela para a rentabilidade da poupança
rentpoup <- gbcbd_get_series(cod_poup)##
## Fetching id = 7828 [7828] from BCB-SGS with cache
## Found 121 observations# Filtrando rendimentos da poupança
rentpoup <- subset(rentpoup, ref.date >= '2016-07-01' & ref.date <= DataFiltro)
rentpoup <- data.frame(data = rentpoup$ref.date, valor = rentpoup$value)
# Extraindo o trimestre e o ano das datas
library(lubridate)
# Converter a coluna de data para o formato de data
rentpoup$data <- as.Date(rentpoup$data)
# Adicionar a coluna de trimestre
rentpoup$trimestre <- quarter(rentpoup$data)
# Adicionar a coluna de ano
rentpoup$ano <- year(rentpoup$data)
head(rentpoup, 5)## data valor trimestre ano
## 1 2016-07-01 0.6629 3 2016
## 2 2016-08-01 0.7558 3 2016
## 3 2016-09-01 0.6583 3 2016
## 4 2016-10-01 0.6609 4 2016
## 5 2016-11-01 0.6435 4 2016anos <- rentpoup$ano
trimestre <- rentpoup$trimestre
# Definir o mês baseado no trimestre
meses <- ifelse(trimestre == "1", "01",
ifelse(trimestre == "2", "04",
ifelse(trimestre == "3", "07",
ifelse(trimestre == "4", "10", NA))))
# Criar as datas no formato "yyyy-mm-dd"
datastri <- paste(anos, meses, "01", sep = "-")
# Converter coluna de datas para o formato de data trimestral
rentpoup$DatasTRI <- c(datastri)
# Agrupando pela média
rentpoup <- aggregate(valor ~ datastri, data = rentpoup, FUN = mean)
# juntando rentabilidade da poupança ao dataframe de dados
dados$SavI = c(rentpoup$valor)
tail(dados, 5)## Date PIBmi IPCA DES SELIC SavI
## 22 2021-10-01 2309564 0.7333333 11.1 0.6166667 0.5163333
## 23 2022-01-01 2315709 0.7800000 11.1 0.8066667 0.5528000
## 24 2022-04-01 2471837 0.8600000 9.3 0.9600000 0.6240000
## 25 2022-07-01 2543645 0.4800000 8.7 1.0900000 0.6958000
## 26 2022-10-01 2584126 0.4166667 7.9 1.0533333 0.6699333Baixando dados para depósitos totais
library(GetBCBData)
cod_prazo <- "27805" # Depósitos a prazo
#Meios de pagamento amplos - Depósitos a prazo (saldo em final de período) - Novo u.m.c. (mil)
dep_prazo <- gbcbd_get_series(cod_prazo)##
## Fetching id = 27805 [27805] from BCB-SGS with cache
## Found 119 observationshead(dep_prazo, 10)## ref.date value id.num series.name
## 1 2013-05-01 654729170 27805 id = 27805
## 2 2013-06-01 661146880 27805 id = 27805
## 3 2013-07-01 648627183 27805 id = 27805
## 4 2013-08-01 640591070 27805 id = 27805
## 5 2013-09-01 636467388 27805 id = 27805
## 6 2013-10-01 632614042 27805 id = 27805
## 7 2013-11-01 629290367 27805 id = 27805
## 8 2013-12-01 631550861 27805 id = 27805
## 9 2014-01-01 627715639 27805 id = 27805
## 10 2014-02-01 623862192 27805 id = 27805cod_vista <- "27787"
# Meios de pagamento - Depósitos à vista (saldo em final de período) - Novo u.m.c. (mil)
dep_vista <- gbcbd_get_series(cod_vista)##
## Fetching id = 27787 [27787] from BCB-SGS with cache
## Found 119 observationshead(dep_vista,10)## ref.date value id.num series.name
## 1 2013-05-01 164917324 27787 id = 27787
## 2 2013-06-01 170053202 27787 id = 27787
## 3 2013-07-01 172438147 27787 id = 27787
## 4 2013-08-01 167912251 27787 id = 27787
## 5 2013-09-01 169761564 27787 id = 27787
## 6 2013-10-01 168983698 27787 id = 27787
## 7 2013-11-01 171308235 27787 id = 27787
## 8 2013-12-01 187720429 27787 id = 27787
## 9 2014-01-01 178135098 27787 id = 27787
## 10 2014-02-01 170502813 27787 id = 27787cod_savings <- "1835"
# 1835 Meios de pagamento amplos - Depósito de Poupança (saldo em final de #período) u.m.c. (mil)
savings <- gbcbd_get_series(cod_savings)##
## Fetching id = 1835 [1835] from BCB-SGS with cache
## Found 119 observationshead(savings,10)## ref.date value id.num series.name
## 1 2013-05-01 527860458 1835 id = 1835
## 2 2013-06-01 539315239 1835 id = 1835
## 3 2013-07-01 551158753 1835 id = 1835
## 4 2013-08-01 558449217 1835 id = 1835
## 5 2013-09-01 567882037 1835 id = 1835
## 6 2013-10-01 575369015 1835 id = 1835
## 7 2013-11-01 584781093 1835 id = 1835
## 8 2013-12-01 599825987 1835 id = 1835
## 9 2014-01-01 604824604 1835 id = 1835
## 10 2014-02-01 609877474 1835 id = 1835# aplicando o filtro desejado
savings <- subset(savings, ref.date >= '2016-07-01' & ref.date <= DataFiltro)
dep_vista <- subset(dep_vista, ref.date >= '2016-07-01' & ref.date <= DataFiltro)
dep_prazo <- subset(dep_prazo, ref.date >= '2016-07-01' & ref.date <= DataFiltro)
# verificando a quantidade de linhas nas trÊs tabelas filtradas
nrow(dep_prazo)## [1] 78nrow(savings)## [1] 78nrow(dep_vista)## [1] 78# Formatando para série trimestral
library(lubridate)
anos <- year(savings$ref.date)
trimestre <- quarters(savings$ref.date)
# Definir o mês baseado no trimestre
meses <- ifelse(trimestre == "Q1", "01",
ifelse(trimestre == "Q2", "04",
ifelse(trimestre == "Q3", "07",
ifelse(trimestre == "Q4", "10", NA))))
# Criar as datas no formato "yyyy-mm-dd"
datastri <- paste(anos, meses, "01", sep = "-")
# Converter coluna de datas para o formato de data trimestral
savings$DatasTRI <- c(datastri)
dep_prazo$DatasTRI <- c(datastri)
dep_vista$DatasTRI <- c(datastri)
savings <- aggregate(value ~ DatasTRI, data = savings, FUN = mean)
dep_prazo <- aggregate(value ~ DatasTRI, data = dep_prazo, FUN = mean)
dep_vista <- aggregate(value ~ DatasTRI, data = dep_vista, FUN = mean)
dados <- cbind(dados, Savings = savings$value, DepVista = dep_vista$value, DepPrazo = dep_prazo$value)
dados$DepTotais <- rowSums(data.frame(dados$DepPrazo, dados$DepVista, dados$Savings))
head(dados, 10)## Date PIBmi IPCA DES SELIC SavI Savings DepVista
## 1 2016-07-01 1577172 0.3300000 11.9 1.1466667 0.6923333 644299807 148085053
## 2 2016-10-01 1632766 0.3566667 12.2 1.0700000 0.6634000 656256520 156864085
## 3 2017-01-01 1585585 0.3066667 13.9 1.0033333 0.6179667 663075626 153017312
## 4 2017-04-01 1630638 0.2133333 13.1 0.8433333 0.5435667 670974684 153672040
## 5 2017-07-01 1648631 0.1800000 12.5 0.7466667 0.5379333 690841486 155032100
## 6 2017-10-01 1720626 0.2966667 11.9 0.5833333 0.5000000 710506319 163379596
## 7 2018-01-01 1682460 0.1733333 13.2 0.5266667 0.5000000 729469370 163855257
## 8 2018-04-01 1734454 0.2133333 12.6 0.5200000 0.5000000 745119657 168568061
## 9 2018-07-01 1767868 0.2433333 12.0 0.5266667 0.5000000 768784127 173730991
## 10 2018-10-01 1819359 0.2266667 11.7 0.5066667 0.5000000 787989308 177216453
## DepPrazo DepTotais
## 1 659675119 1452059979
## 2 684942790 1498063395
## 3 711482590 1527575528
## 4 789986433 1614633157
## 5 826600944 1672474529
## 6 838968408 1712854323
## 7 843486825 1736811452
## 8 895058350 1808746067
## 9 942237342 1884752460
## 10 988249872 1953455632Colocando variáveis monetárias em índices
# Calculando índices para linhas.
PIBper <- (dados$PIBmi[-1]/dados$PIBmi[-length(dados$PIBmi)])
Savingsper <- (dados$Savings[-1]/dados$Savings[-length(dados$Savings)])
DepVistaper <- (dados$DepVista[-1]/dados$DepVista[-length(dados$DepVista)])
DepPrazoper<- (dados$DepPrazo[-1]/dados$DepPrazo[-length(dados$DepPrazo)])
DepTotaisPer<- (dados$DepTotais[-1]/dados$DepTotais[-length(dados$DepTotais)])
# Preenchendo linha 1 com NA e demais com valores calculados.
dados$PIBper <- c(NA, PIBper)
dados$Savingsper <- c(NA, Savingsper)
dados$DepVistaper <- c(NA, DepVistaper)
dados$DepPrazoPer <- c(NA, DepPrazoper)
dados$DepTotaisPer <- c(NA, DepTotaisPer)
# remover NA
tail(dados)## Date PIBmi IPCA DES SELIC SavI Savings DepVista
## 21 2021-07-01 2254492 0.6600000 12.6 0.4100000 0.5000000 1041261108 336213904
## 22 2021-10-01 2309564 0.7333333 11.1 0.6166667 0.5163333 1031859757 327375110
## 23 2022-01-01 2315709 0.7800000 11.1 0.8066667 0.5528000 1019602095 317914538
## 24 2022-04-01 2471837 0.8600000 9.3 0.9600000 0.6240000 1012782008 325542610
## 25 2022-07-01 2543645 0.4800000 8.7 1.0900000 0.6958000 999654435 323934234
## 26 2022-10-01 2584126 0.4166667 7.9 1.0533333 0.6699333 992574633 320599942
## DepPrazo DepTotais PIBper Savingsper DepVistaper DepPrazoPer
## 21 1856329988 3233805001 1.033200 1.0131938 1.1079276 1.0486938
## 22 1886302951 3245537818 1.024428 0.9909712 0.9737108 1.0161464
## 23 1886285508 3223802141 1.002661 0.9881208 0.9711017 0.9999908
## 24 2013643228 3351967846 1.067421 0.9933110 1.0239941 1.0675177
## 25 2162789487 3486378156 1.029050 0.9870381 0.9950594 1.0740679
## 26 2263481742 3576656317 1.015915 0.9929178 0.9897069 1.0465567
## DepTotaisPer
## 21 1.0427259
## 22 1.0036282
## 23 0.9933029
## 24 1.0397561
## 25 1.0400989
## 26 1.0258945dados <- na.omit(dados)
head(dados, 5)## Date PIBmi IPCA DES SELIC SavI Savings DepVista
## 2 2016-10-01 1632766 0.3566667 12.2 1.0700000 0.6634000 656256520 156864085
## 3 2017-01-01 1585585 0.3066667 13.9 1.0033333 0.6179667 663075626 153017312
## 4 2017-04-01 1630638 0.2133333 13.1 0.8433333 0.5435667 670974684 153672040
## 5 2017-07-01 1648631 0.1800000 12.5 0.7466667 0.5379333 690841486 155032100
## 6 2017-10-01 1720626 0.2966667 11.9 0.5833333 0.5000000 710506319 163379596
## DepPrazo DepTotais PIBper Savingsper DepVistaper DepPrazoPer
## 2 684942790 1498063395 1.0352492 1.018558 1.059284 1.038303
## 3 711482590 1527575528 0.9711036 1.010391 0.975477 1.038747
## 4 789986433 1614633157 1.0284141 1.011913 1.004279 1.110338
## 5 826600944 1672474529 1.0110343 1.029609 1.008850 1.046348
## 6 838968408 1712854323 1.0436696 1.028465 1.053844 1.014962
## DepTotaisPer
## 2 1.031681
## 3 1.019700
## 4 1.056991
## 5 1.035823
## 6 1.024144Inspeção visual dos dados!
par(mfrow=c(2,3))
plot(dados$Date, dados$PIBmi, col = 'black', type = 'l',
ylim = c(min(dados$PIBmi), max(dados$PIBmi)),
main = "PIB", xlab = "Data", ylab = "PIB")
plot(dados$Date, dados$SELIC, col = 'black', type = 'l',
ylim = c(min(dados$SELIC), max(dados$SELIC)),
main = "Taxa de juros - Selic", xlab = "Data", ylab = "SELIC")
plot(dados$Date, dados$DES, col = 'black', type = 'l',
ylim = c(min(dados$DES), max(dados$DES)),
main = "Desemprego", xlab = "Data", ylab = "Desemprego")
plot(dados$Date, dados$IPCA, col = 'black', type = 'l',
ylim = c(min(dados$IPCA), max(dados$IPCA)),
main = "IPCA", xlab = "Data", ylab = "IPCA")
plot(dados$Date, dados$DepTotais, col = 'black', type = 'l',
ylim = c(min(dados$DepTotais), max(dados$DepTotais)),
main = "Depósitos totais", xlab = "Data", ylab = "Depósitos totais")
Inspeção visuais dos dados transformados em taxas
par(mfrow=c(2,3))
plot(dados$Date, dados$PIBper, col = 'black', type = 'l',
ylim = c(min(dados$PIBper), max(dados$PIBper)),
main = "PIB", xlab = "Data", ylab = "Taxa crescimento PIB")
plot(dados$Date, dados$SELIC, col = 'black', type = 'l',
ylim = c(min(dados$SELIC), max(dados$SELIC)),
main = "Taxa de juros - Selic", xlab = "Data", ylab = "SELIC")
plot(dados$Date, dados$DES, col = 'black', type = 'l',
ylim = c(min(dados$DES), max(dados$DES)),
main = "Desemprego", xlab = "Data", ylab = "Taxa de Desemprego")
plot(dados$Date, dados$IPCA, col = 'black', type = 'l',
ylim = c(min(dados$IPCA), max(dados$IPCA)),
main = "IPCA", xlab = "Data", ylab = "IPCA")
plot(dados$Date, dados$DepTotaisPer, col = 'black', type = 'l',
ylim = c(min(dados$DepTotaisPer), max(dados$DepTotaisPer)),
main = "Depósitos totais", xlab = "Data", ylab = "Varição Depósitos totais")
## Inspecionando a correlação entre os dados
# Criando a matriz de correlação para as taxas
matriz_taxas <- data.frame(PIBper = dados$PIBper, DepTotaisPer = dados$DepTotaisPer, SELIC = dados$SELIC, IPCA = dados$IPCA, DES = dados$DES)
matriz_correl <- cor(matriz_taxas)
# exibindo a relação gráfica
matriz_correl## PIBper DepTotaisPer SELIC IPCA DES
## PIBper 1.00000000 -0.1332221 -0.06692552 0.3292171 -0.04673026
## DepTotaisPer -0.13322211 1.0000000 -0.28863352 -0.3825173 0.19604120
## SELIC -0.06692552 -0.2886335 1.00000000 0.2507168 -0.64675624
## IPCA 0.32921707 -0.3825173 0.25071682 1.0000000 -0.39469378
## DES -0.04673026 0.1960412 -0.64675624 -0.3946938 1.00000000pairs(matriz_correl)
# Classificando as correlações entre as variáveis
# Definir os limiares para classificação das correlações
limiar_fraco <- 0.3
limiar_moderado <- 0.7
# Inicializar uma lista para armazenar os resultados
resultados <- list()
# Percorrer as células da matriz de correlação
for (i in 1:nrow(matriz_correl)) {
for (j in 1:ncol(matriz_correl)) {
# Obter o valor da correlação na célula (i, j)
correlacao <- matriz_correl[i, j]
# Classificar a correlação com base nos limiares
if (abs(correlacao) < limiar_fraco) {
classificacao <- "Fraca"
} else if (abs(correlacao) < limiar_moderado) {
classificacao <- "Moderada"
} else {
classificacao <- "Forte"
}
# Armazenar o resultado na lista
resultado <- paste("Correlação entre", colnames(matriz_correl)[i], "e", colnames(matriz_correl)[j], "é", classificacao)
resultados <- c(resultados, resultado)
}
}
# Atribuir nomes aos elementos da lista com base na posição da célula na matriz
names(resultados) <- c(outer(colnames(matriz_correl), colnames(matriz_correl), paste, sep = "_"))
# atribuindo classificação ao dataframe resultados
resultados <- data.frame(Resultado = unlist(resultados))
# dataframe resultante
resultados## Resultado
## PIBper_PIBper Correlação entre PIBper e PIBper é Forte
## DepTotaisPer_PIBper Correlação entre PIBper e DepTotaisPer é Fraca
## SELIC_PIBper Correlação entre PIBper e SELIC é Fraca
## IPCA_PIBper Correlação entre PIBper e IPCA é Moderada
## DES_PIBper Correlação entre PIBper e DES é Fraca
## PIBper_DepTotaisPer Correlação entre DepTotaisPer e PIBper é Fraca
## DepTotaisPer_DepTotaisPer Correlação entre DepTotaisPer e DepTotaisPer é Forte
## SELIC_DepTotaisPer Correlação entre DepTotaisPer e SELIC é Fraca
## IPCA_DepTotaisPer Correlação entre DepTotaisPer e IPCA é Moderada
## DES_DepTotaisPer Correlação entre DepTotaisPer e DES é Fraca
## PIBper_SELIC Correlação entre SELIC e PIBper é Fraca
## DepTotaisPer_SELIC Correlação entre SELIC e DepTotaisPer é Fraca
## SELIC_SELIC Correlação entre SELIC e SELIC é Forte
## IPCA_SELIC Correlação entre SELIC e IPCA é Fraca
## DES_SELIC Correlação entre SELIC e DES é Moderada
## PIBper_IPCA Correlação entre IPCA e PIBper é Moderada
## DepTotaisPer_IPCA Correlação entre IPCA e DepTotaisPer é Moderada
## SELIC_IPCA Correlação entre IPCA e SELIC é Fraca
## IPCA_IPCA Correlação entre IPCA e IPCA é Forte
## DES_IPCA Correlação entre IPCA e DES é Moderada
## PIBper_DES Correlação entre DES e PIBper é Fraca
## DepTotaisPer_DES Correlação entre DES e DepTotaisPer é Fraca
## SELIC_DES Correlação entre DES e SELIC é Moderada
## IPCA_DES Correlação entre DES e IPCA é Moderada
## DES_DES Correlação entre DES e DES é ForteCriando Modelo de Série Temporal
# Excluir a coluna de data
logdados <- subset(dados, Date >= "2017-01-01")
logdados <- subset(dados, select = -1)
head(logdados)## PIBmi IPCA DES SELIC SavI Savings DepVista DepPrazo
## 2 1632766 0.3566667 12.2 1.0700000 0.6634000 656256520 156864085 684942790
## 3 1585585 0.3066667 13.9 1.0033333 0.6179667 663075626 153017312 711482590
## 4 1630638 0.2133333 13.1 0.8433333 0.5435667 670974684 153672040 789986433
## 5 1648631 0.1800000 12.5 0.7466667 0.5379333 690841486 155032100 826600944
## 6 1720626 0.2966667 11.9 0.5833333 0.5000000 710506319 163379596 838968408
## 7 1682460 0.1733333 13.2 0.5266667 0.5000000 729469370 163855257 843486825
## DepTotais PIBper Savingsper DepVistaper DepPrazoPer DepTotaisPer
## 2 1498063395 1.0352492 1.018558 1.059284 1.038303 1.031681
## 3 1527575528 0.9711036 1.010391 0.975477 1.038747 1.019700
## 4 1614633157 1.0284141 1.011913 1.004279 1.110338 1.056991
## 5 1672474529 1.0110343 1.029609 1.008850 1.046348 1.035823
## 6 1712854323 1.0436696 1.028465 1.053844 1.014962 1.024144
## 7 1736811452 0.9778185 1.026689 1.002911 1.005386 1.013987# converter para log
logdados <- log(logdados)
sum(is.na(logdados))## [1] 0dadosts<-ts(as.data.frame(cbind(logdados$DepTotaisPer,logdados$PIBper,logdados$DES, logdados$IPCA,logdados$SELIC),start=c(1997,1), frequency = 4))
# Realizar testes Teste ADF para determinar presença de raiz unitária
Para Variável PIB nominal em taxas percentuais
library(urca)
colnames(logdados)## [1] "PIBmi" "IPCA" "DES" "SELIC" "SavI"
## [6] "Savings" "DepVista" "DepPrazo" "DepTotais" "PIBper"
## [11] "Savingsper" "DepVistaper" "DepPrazoPer" "DepTotaisPer"# M3
DepTotaisPer_adf3 <-ur.df(logdados$DepPrazoPer, type = "trend", selectlags = c("BIC"))
summary(DepTotaisPer_adf3)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.050148 -0.024847 -0.008763 0.011179 0.174776
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.254e-02 2.595e-02 1.639 0.11761
## z.lag.1 -8.427e-01 2.679e-01 -3.145 0.00533 **
## tt -2.779e-05 1.553e-03 -0.018 0.98592
## z.diff.lag 1.896e-01 2.262e-01 0.838 0.41233
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.0494 on 19 degrees of freedom
## Multiple R-squared: 0.3782, Adjusted R-squared: 0.28
## F-statistic: 3.853 on 3 and 19 DF, p-value: 0.02613
##
##
## Value of test-statistic is: -3.1451 3.3023 4.9514
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91# Se valor a 5% menor que tau3, não há raiz unitária, caso contrário testar M3 X M2
# Se phi 3 maior phi calculado, M3 melhor que M2, caso contrário M2 melhor que
# Se phi 2 maior que phi2 calculado, modelo M3 é melhor que M1.
# Obtendo os valores críticos a partir do summary
ADF3 <- summary(DepTotaisPer_adf3)
# Obtendo os valores do resumo
value_tau3 <- ADF3@teststat[1]
value_phi2 <- ADF3@teststat[2]
value_phi3 <- ADF3@teststat[3]
summary_values <- ADF3@cval
# Valores críticos
critical_values <- data.frame(
row.names = c("tau3", "phi2", "phi3"),
"1pct" = c(summary_values["tau3", "1pct"], summary_values["phi2", "1pct"], summary_values["phi3", "1pct"]),
"5pct" = c(summary_values["tau3", "5pct"], summary_values["phi2", "5pct"], summary_values["phi3", "5pct"]),
"10pct" = c(summary_values["tau3", "10pct"], summary_values["phi2", "10pct"], summary_values["phi3", "10pct"])
)
# Função para verificar a melhor modelagem para ADF3.
verificar_modelagem <- function(value_tau3, value_phi2, value_phi3, pct, critical_values) {
# Verificar se não há raiz unitária (tau3)
if (value_tau3 < critical_values["tau3", pct]) {
return("Não há raiz unitária.")
} else {
# Verificar a melhor modelagem (phi3)
if (value_phi3 > critical_values["phi3", pct]) {
return("M3 é melhor que M2, Trend.")
} else {
# Verificar a melhor modelagem (phi2)
if (value_phi2 > critical_values["phi2", pct]) {
return("M3 é melhor que M1, Trend.")
} else {
return("M2 é melhor que M3, Testar ADF2")
}
}
}
}
# Chamada da função para verificar a modelagem
pct <- "X5pct" # Substitua pelo valor correto ("1pct", "5pct", ou "10pct")
resultado <- verificar_modelagem(value_tau3, value_phi2, value_phi3, pct, critical_values)
resultado## [1] "M2 é melhor que M3, Testar ADF2"DepTotaisPer_adf2<-ur.df(DepTotaisPer, type = "drift", selectlags = c("BIC"))
summary(DepTotaisPer_adf2)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression drift
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.040039 -0.012725 -0.002984 0.004225 0.150171
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.7651 0.2612 2.929 0.0083 **
## z.lag.1 -0.7368 0.2516 -2.929 0.0083 **
## z.diff.lag 0.1334 0.2211 0.603 0.5530
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.03884 on 20 degrees of freedom
## Multiple R-squared: 0.3387, Adjusted R-squared: 0.2725
## F-statistic: 5.121 on 2 and 20 DF, p-value: 0.016
##
##
## Value of test-statistic is: -2.9289 4.2902
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau2 -3.75 -3.00 -2.63
## phi1 7.88 5.18 4.12# se Tau2 calculado > Tau2 est -> Tem RU
# Se Phi1 calc > Phi 1 est -> M2 melhor que M1, caso contrário M1.
# M1 melhor que M2, fazer ADF1
DepTotaisPer_adf1<-ur.df(DepTotaisPer, type = "none", selectlags = c("BIC"))
summary(DepTotaisPer_adf1)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression none
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.067724 -0.017691 0.006493 0.013286 0.149999
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## z.lag.1 -0.0003662 0.0090973 -0.040 0.968
## z.diff.lag -0.2343525 0.2123559 -1.104 0.282
##
## Residual standard error: 0.0453 on 21 degrees of freedom
## Multiple R-squared: 0.05504, Adjusted R-squared: -0.03495
## F-statistic: 0.6116 on 2 and 21 DF, p-value: 0.5519
##
##
## Value of test-statistic is: -0.0403
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau1 -2.66 -1.95 -1.6# Se tau1 cal > tau estat, Tem RUPara variável SELIC
library(urca)
SELIC_adf3 <-ur.df(dados$SELIC, type = "trend", selectlags = c("BIC"))
summary(SELIC_adf3)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.106875 -0.036369 0.001536 0.028857 0.093738
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.096943 0.057479 1.687 0.108035
## z.lag.1 -0.148089 0.048984 -3.023 0.006993 **
## tt -0.001212 0.003027 -0.400 0.693395
## z.diff.lag 0.948387 0.195738 4.845 0.000112 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.05349 on 19 degrees of freedom
## Multiple R-squared: 0.7806, Adjusted R-squared: 0.7459
## F-statistic: 22.53 on 3 and 19 DF, p-value: 1.788e-06
##
##
## Value of test-statistic is: -3.0232 3.4561 5.1755
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91# Tem RU, M2 melhor que M3 e M1 melhor que M3.
SELIC_adf2<-ur.df(dados$SELIC, type = "drift", selectlags = c("BIC"))
summary(SELIC_adf2)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression drift
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.105459 -0.035684 0.005079 0.030779 0.092368
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.07642 0.02544 3.004 0.00702 **
## z.lag.1 -0.13914 0.04266 -3.261 0.00391 **
## z.diff.lag 0.88341 0.10706 8.252 7.2e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.05236 on 20 degrees of freedom
## Multiple R-squared: 0.7787, Adjusted R-squared: 0.7566
## F-statistic: 35.19 on 2 and 20 DF, p-value: 2.817e-07
##
##
## Value of test-statistic is: -3.2615 5.3278
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau2 -3.75 -3.00 -2.63
## phi1 7.88 5.18 4.12# Tem RU, M2 melhor M1
SELIC_adf1<-ur.df(dados$SELIC, type = "none", selectlags = c("BIC"))
summary(SELIC_adf1)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression none
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.11798 -0.00472 0.02162 0.05156 0.10434
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## z.lag.1 -0.02340 0.02152 -1.087 0.289
## z.diff.lag 0.82166 0.12351 6.652 1.38e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.06155 on 21 degrees of freedom
## Multiple R-squared: 0.679, Adjusted R-squared: 0.6484
## F-statistic: 22.21 on 2 and 21 DF, p-value: 6.579e-06
##
##
## Value of test-statistic is: -1.087
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau1 -2.66 -1.95 -1.6# Tem Ru,
# M2 vence!Para variável IPCA
DepTotaisPer_adf3 <- ur.df(logdados$DepTotaisPer, type = "trend", selectlags = c("BIC"))
summary(DepTotaisPer_adf3)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.037467 -0.013380 -0.002297 0.006319 0.135662
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.0307432 0.0190632 1.613 0.12330
## z.lag.1 -0.7359481 0.2558418 -2.877 0.00966 **
## tt -0.0002695 0.0011491 -0.235 0.81710
## z.diff.lag 0.1456260 0.2261724 0.644 0.52736
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.03655 on 19 degrees of freedom
## Multiple R-squared: 0.3397, Adjusted R-squared: 0.2354
## F-statistic: 3.258 on 3 and 19 DF, p-value: 0.04436
##
##
## Value of test-statistic is: -2.8766 2.7867 4.1791
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91IPCA_adf3 <-ur.df(logdados$IPCA, type = "trend", selectlags = c("BIC"))
summary(IPCA_adf3)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.7833 -0.1933 0.1419 0.3225 0.5344
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.42832 0.51419 -2.778 0.01199 *
## z.lag.1 -0.72458 0.24035 -3.015 0.00713 **
## tt 0.04323 0.02064 2.095 0.04985 *
## z.diff.lag 0.12857 0.21588 0.596 0.55849
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.5208 on 19 degrees of freedom
## Multiple R-squared: 0.3535, Adjusted R-squared: 0.2515
## F-statistic: 3.463 on 3 and 19 DF, p-value: 0.03684
##
##
## Value of test-statistic is: -3.0146 3.075 4.6017
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91# Tem RU, M2 melhor que M3 e M1 melhor que M3
IPCA_adf2<-ur.df(logdados$IPCA, type = "drift", selectlags = c("BIC"))
summary(IPCA_adf2) ##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression drift
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.6861 -0.2959 -0.0231 0.4237 0.8113
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.49572 0.27813 -1.782 0.0899 .
## z.lag.1 -0.41995 0.20693 -2.029 0.0559 .
## z.diff.lag 0.01431 0.22587 0.063 0.9501
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.5632 on 20 degrees of freedom
## Multiple R-squared: 0.2043, Adjusted R-squared: 0.1247
## F-statistic: 2.567 on 2 and 20 DF, p-value: 0.1018
##
##
## Value of test-statistic is: -2.0294 2.0685
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau2 -3.75 -3.00 -2.63
## phi1 7.88 5.18 4.12# Tem RU, M1
dif_IPCA_adf1<-ur.df(diff(logdados$IPCA), type = "none", selectlags = c("BIC"))
summary(dif_IPCA_adf1)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression none
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.2546 -0.3128 0.2069 0.2995 0.9131
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## z.lag.1 -1.8522 0.2983 -6.210 4.58e-06 ***
## z.diff.lag 0.5320 0.1932 2.753 0.0123 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.5215 on 20 degrees of freedom
## Multiple R-squared: 0.7153, Adjusted R-squared: 0.6868
## F-statistic: 25.13 on 2 and 20 DF, p-value: 3.497e-06
##
##
## Value of test-statistic is: -6.2096
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau1 -2.66 -1.95 -1.6# Tem RUPara variável desemprego
DES_adf3 <-ur.df(dados$DES, type = "trend", selectlags = c("BIC"))
summary(DES_adf3)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.2259 -0.6306 -0.3436 0.7146 1.8758
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.18563 2.45743 0.482 0.635
## z.lag.1 -0.07444 0.18365 -0.405 0.690
## tt -0.04243 0.03441 -1.233 0.233
## z.diff.lag -0.14986 0.24631 -0.608 0.550
##
## Residual standard error: 1.004 on 19 degrees of freedom
## Multiple R-squared: 0.09223, Adjusted R-squared: -0.0511
## F-statistic: 0.6435 on 3 and 19 DF, p-value: 0.5965
##
##
## Value of test-statistic is: -0.4054 1.0935 0.7615
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91# TEm RU, M1 melhor que M3 e M2 melhor que M3
DES_adf2<-ur.df(dados$DES, type = "drift", selectlags = c("BIC"))
summary(DES_adf2)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression drift
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.6243 -0.4802 -0.2403 0.6462 1.6988
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.16710 2.22737 -0.075 0.941
## z.lag.1 -0.00912 0.17812 -0.051 0.960
## z.diff.lag -0.12266 0.24849 -0.494 0.627
##
## Residual standard error: 1.017 on 20 degrees of freedom
## Multiple R-squared: 0.01959, Adjusted R-squared: -0.07845
## F-statistic: 0.1998 on 2 and 20 DF, p-value: 0.8205
##
##
## Value of test-statistic is: -0.0512 0.8577
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau2 -3.75 -3.00 -2.63
## phi1 7.88 5.18 4.12# Tem RU, M2 melhor que M1
DES_adf1<-ur.df(dados$DES, type = "none", selectlags = c("BIC"))
summary(DES_adf1)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression none
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.6039 -0.4758 -0.2270 0.6570 1.6990
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## z.lag.1 -0.02242 0.01674 -1.340 0.195
## z.diff.lag -0.11206 0.19953 -0.562 0.580
##
## Residual standard error: 0.9929 on 21 degrees of freedom
## Multiple R-squared: 0.08701, Adjusted R-squared: 5.689e-05
## F-statistic: 1.001 on 2 and 21 DF, p-value: 0.3845
##
##
## Value of test-statistic is: -1.3397
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau1 -2.66 -1.95 -1.6# TEM RURepetindo ADF 3 para variáveis na primeira diferença
dSELIC_adf3 <-ur.df(diff(logdados$SELIC), type = "trend", selectlags = c("BIC"))
summary(dSELIC_adf3) # ainda há raiz unitária##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.21113 -0.04516 -0.00295 0.04055 0.43009
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.048894 0.083544 -0.585 0.566
## z.lag.1 -0.351446 0.179558 -1.957 0.066 .
## tt 0.004322 0.006186 0.699 0.494
## z.diff.lag 0.291248 0.231242 1.259 0.224
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1482 on 18 degrees of freedom
## Multiple R-squared: 0.1985, Adjusted R-squared: 0.06495
## F-statistic: 1.486 on 3 and 18 DF, p-value: 0.2519
##
##
## Value of test-statistic is: -1.9573 1.3956 2.0793
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91d2SELIC_adf3 <-ur.df(diff(logdados$SELIC, 2), type = "trend", selectlags = c("BIC"))
summary(d2SELIC_adf3) # Não há mais raiz unitária##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.257636 -0.060115 -0.002581 0.105164 0.195437
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.126616 0.079802 -1.587 0.13102
## z.lag.1 -0.336420 0.086983 -3.868 0.00124 **
## tt 0.010563 0.006164 1.714 0.10474
## z.diff.lag 0.847274 0.140264 6.041 1.32e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1358 on 17 degrees of freedom
## Multiple R-squared: 0.7095, Adjusted R-squared: 0.6583
## F-statistic: 13.84 on 3 and 17 DF, p-value: 8.068e-05
##
##
## Value of test-statistic is: -3.8676 5.2015 7.8016
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91difIPCA_adf3 <-ur.df(diff(logdados$IPCA), type = "trend", selectlags = c("BIC"))
summary(difIPCA_adf3) # não há mais raiz unitária##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3018 -0.3653 0.1028 0.3207 0.8395
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.08028 0.25752 -0.312 0.7588
## z.lag.1 -1.90298 0.31646 -6.013 1.1e-05 ***
## tt 0.01121 0.01857 0.604 0.5535
## z.diff.lag 0.56435 0.20492 2.754 0.0131 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.5404 on 18 degrees of freedom
## Multiple R-squared: 0.7248, Adjusted R-squared: 0.6789
## F-statistic: 15.8 on 3 and 18 DF, p-value: 2.768e-05
##
##
## Value of test-statistic is: -6.0132 12.1746 18.2618
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91dif2DES_adf3 <-ur.df(diff(logdados$DES, 2), type = "trend", selectlags = c("BIC"))
summary(dif2DES_adf3) # Há raiz unitária##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.14022 -0.05888 -0.00092 0.05157 0.12544
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.048804 0.036577 1.334 0.19971
## z.lag.1 -0.595558 0.181928 -3.274 0.00448 **
## tt -0.005645 0.002868 -1.968 0.06561 .
## z.diff.lag 0.452572 0.202987 2.230 0.03955 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.07434 on 17 degrees of freedom
## Multiple R-squared: 0.4158, Adjusted R-squared: 0.3127
## F-statistic: 4.034 on 3 and 17 DF, p-value: 0.02454
##
##
## Value of test-statistic is: -3.2736 3.8385 5.7569
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91difDepTotaisPer_adf3 <-ur.df(diff(logdados$DepTotaisPer), type = "trend", selectlags = c("BIC")) # não há raiz unitária
summary(difDepTotaisPer_adf3)##
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.080555 -0.015616 0.002949 0.010146 0.137610
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.531e-03 2.055e-02 -0.075 0.941408
## z.lag.1 -1.434e+00 3.572e-01 -4.014 0.000815 ***
## tt 3.721e-05 1.465e-03 0.025 0.980019
## z.diff.lag 1.823e-01 2.282e-01 0.799 0.434678
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.04358 on 18 degrees of freedom
## Multiple R-squared: 0.6263, Adjusted R-squared: 0.564
## F-statistic: 10.05 on 3 and 18 DF, p-value: 0.0004083
##
##
## Value of test-statistic is: -4.0137 5.391 8.0641
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.38 -3.60 -3.24
## phi2 8.21 5.68 4.67
## phi3 10.61 7.24 5.91