Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo Transbordamento em rede

Decomposição em rede da variância de erro de previsão em transbordamentos direcionais entre setores ou mercados.

Visão geralGráficoMatemáticaReferências

Transbordamento em rede: que pergunta macro este modelo ajuda a responder?

Contexto

Decomposição em rede da variância de erro de previsão em transbordamentos direcionais entre setores ou mercados.

Transbordamento em rede fica em Modelos empíricos de rede e insumo-produto. Use esta classe quando a pergunta é setorial, por exemplo como um choque em um setor passa pela rede de produção ou pela cadeia de suprimentos.

A página deve ser lida como uma referência de método: primeiro o objeto empírico, depois o conjunto de informação, os diagnósticos e os limites da inferência.

Conexões para explorar

Matemática ↗A estrutura e suas condições, passo a passo.Fontes ↗Fontes acadêmicas e orientação de uso.

Como as partes se conectam

θijH\theta^H_{ij}θijH​

Transbordamento direcional entre pares

A parcela da variância do erro de previsão de HHH passos da variável iii atribuível a choques na variável jjj. Normalizada por linha para somar 1.

Comece pela série-alvo, frequência, janela da amostra e calendário de revisão. Um modelo empírico perde valor quando a pergunta ignora a safra dos dados.

Medir quanto da variação de um setor é explicada por choques em outras partes da rede produtiva ou financeira.

A leitura útil compara o resultado com um benchmark simples, registra onde o erro de previsão aparece e separa sinal estatístico de interpretação causal.

Os componentes e as hipóteses formais abaixo são os do próprio modelo, com a terminologia em português. A notação matemática e os títulos bibliográficos ficam no original, que é como a literatura os identifica.

Premissas

Testável

Estacionariedade

Todas as NNN séries são estacionárias em covariância, ou foram aplicadas transformações para torná-las estacionárias.

Se falhar:Séries não estacionárias produzem estimativas espúrias do VAR e parcelas de decomposição de variância sem sentido. Testes de raiz unitária (ADF, KPSS) devem preceder a estimação.

Testável

Ordem de defasagem correta do VAR

O VAR tem ordem de defasagem ppp escolhida por AIC/BIC, e essa ordem capta corretamente a estrutura dinâmica.

Se falhar:Uma ordem mal especificada distorce os coeficientes de média móvel Φh\Phi_hΦh​, que são a base da decomposição generalizada. Testes de autocorrelação residual devem ser executados.

Testável

Inovações gaussianas (para a decomposição generalizada)

A decomposição generalizada da variância é exata sob inovações gaussianas. Para dados não gaussianos, ela fornece uma aproximação.

Se falhar:Com inovações de cauda pesada ou assimétricas (comuns em dados financeiros), a decomposição generalizada é aproximada. Intervalos de confiança por bootstrap atenuam o problema.

Mantida

Largura estável da janela móvel

A largura da janela WWW é grande o bastante para estimar o VAR de forma confiável e curta o bastante para captar a variação temporal.

Se falhar:Janelas curtas demais produzem séries de transbordamento ruidosas, com picos espúrios. Janelas longas demais suavizam saltos genuínos de períodos de crise. A sensibilidade a WWW deve ser reportada.

Testável

Sem quebras estruturais dentro da janela

Dentro de cada janela móvel, os parâmetros do VAR são aproximadamente constantes.

Se falhar:Uma quebra estrutural dentro de uma janela móvel (por exemplo, o início de uma crise) mistura dados anteriores e posteriores à quebra, produzindo um VAR híbrido que não representa bem nenhum dos regimes.

Mantida

Identificação invariante à ordenação

A decomposição generalizada (Pesaran-Shin) não depende da ordenação das variáveis no VAR, ao contrário da decomposição por Cholesky.

Se falhar:Não é propriamente uma falha, mas as linhas da decomposição generalizada não somam exatamente 1 antes da normalização. A normalização é uma conveniência, não um resultado estrutural. Isso significa que as parcelas de transbordamento são relativas, não absolutas.

Aplicações

Use esta página para escolher o modelo antes de olhar o resultado: o alvo, a frequência, a janela e o benchmark definem o que a saída pode dizer.

Em monitoramento macro, a comparação com alternativas importa tanto quanto o modelo escolhido. Erro fora da amostra, estabilidade e revisão dos dados devem ficar visíveis.

Troque ou complemente o modelo quando a pergunta exigir identificação causal, contrafactual estrutural, distribuição entre agentes ou uma mudança de regime que a amostra histórica não contém.

Extensões e questões em aberto

Variantes

  • Frequency-domain spillovers (Barunik-Krehlik, 2018) - decomposes connectedness into short-run and long-run components
  • TVP-VAR spillovers (Antonakakis et al., 2020) - replaces rolling windows with time-varying parameter VAR to avoid window-width dependence
  • Quantile connectedness (Ando et al., 2022) - measures spillovers at different quantiles of the distribution (tail risk)
  • LASSO-VAR spillovers (Demirer et al., 2018) - regularized VAR for high-dimensional networks
  • Partial spillovers (Greenwood-Nimmo et al., 2021) - conditions on common factors to isolate bilateral linkages from common shocks

Questões em aberto

  • Whether GFEVD-based spillovers measure causal transmission or merely statistical association driven by common factors
  • How to construct valid confidence intervals for the rolling-window spillover index, given the overlapping-sample and estimation-error complications
  • Whether frequency-domain decomposition or quantile-domain decomposition is more informative for financial-stability monitoring

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo baseado em agentes

Supply-Chain / Network ABM

uma leitura contrastante de Network Spillover (Diebold-Yilmaz)

Contraste →
Modelo teórico

IS-LM Model

modelo teórico bem conectado a dois passos daqui

Novo ângulo: modelo teórico →
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC