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 Filtro HP e decomposição de Beveridge-Nelson

Decomposição tendência-ciclo de uma série macro, comparando tendência suavizada HP com decomposição permanente-transitória de Beveridge-Nelson.

Visão geralGráficoMatemáticaReferências

Filtro HP e decomposição de Beveridge-Nelson: que pergunta macro este modelo ajuda a responder?

Contexto

Decomposição tendência-ciclo de uma série macro, comparando tendência suavizada HP com decomposição permanente-transitória de Beveridge-Nelson.

Filtro HP e decomposição de Beveridge-Nelson fica em Séries temporais univariadas. Use esta classe quando você precisa de um benchmark para uma série macro e quer que a leitura venha da própria série, não de um sistema mais amplo.

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

τtHP\tau_t^{HP}τtHP​

Tendência HP

A tendência suavizada do filtro HP. Resolve o problema de mínimos quadrados penalizados que equilibra o ajuste a yty_tyt​ contra a suavidade medida por segundas diferenças.

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.

Perguntas em que o objeto não é a próxima previsão, mas a separação entre tendência, ciclo e movimento transitório.

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

Mantida

Decomposição aditiva

A série observada é a soma de tendência (ou componente permanente) e ciclo (ou componente transitório): yt=τt+cty_t = \tau_t + c_tyt​=τt​+ct​. Sem interação multiplicativa ou não linear.

Se falhar:Séries com volatilidade dependente do nível (por exemplo, PIB nominal) exigem transformação logarítmica antes de aplicar qualquer um dos métodos. Sem ela, a decomposição mistura efeitos de nível e de variância.

Mantida

Calibração de λ\lambdaλ (HP)

O parâmetro de suavização λ\lambdaλ está corretamente ajustado à frequência dos dados e à duração do ciclo de interesse. Valores usuais: 1600 (trimestral), 6,25 (anual), 129600 (mensal).

Se falhar:Um λ\lambdaλ errado produz uma tendência suave demais (absorvendo mudança estrutural genuína) ou rugosa demais (absorvendo variação cíclica para dentro da tendência). Não há forma orientada por dados de escolher λ\lambdaλ dentro do próprio arcabouço HP.

Testável

Raiz unitária em nível (BN)

A série yty_tyt​ é I(1)I(1)I(1): tem raiz unitária em nível e primeiras diferenças estacionárias. A decomposição BN só é definida para processos I(1)I(1)I(1).

Se falhar:Se a série é I(0) (estacionária em torno de tendência), a decomposição BN atribui toda a variação ao componente permanente e o transitório fica degenerado. Se é I(2), o método precisa ser aplicado às primeiras diferenças, mudando a interpretação.

Testável

Ordem ARIMA correta (BN)

O modelo ARIMA(p,1,q)\text{ARIMA}(p,1,q)ARIMA(p,1,q) para yty_tyt​ está corretamente especificado. Os coeficientes de Wold ψj\psi_jψj​ são estimados de forma consistente a partir do ARIMA ajustado.

Se falhar:Uma ordem ARIMA mal especificada enviesa o multiplicador de longo prazo ψ(1)\psi(1)ψ(1) e distorce a separação entre permanente e transitório. Diferenciar demais ou subajustar o componente de média móvel são os erros mais comuns.

Mantida

Filtro bilateral (HP)

O filtro HP usa observações passadas e futuras em cada ponto interior. Nas extremidades da amostra, o filtro se torna unilateral.

Se falhar:Instabilidade de extremidade: a tendência HP nas observações mais recentes é pouco confiável e sofre revisões grandes conforme novos dados chegam. Isso torna o ciclo HP inadequado para análise de política em tempo real sem ajuste explícito.

Testável

Inovações lineares e gaussianas (BN)

A inovação εt\varepsilon_tεt​ é ruído branco gaussiano. A decomposição BN não exige gaussianidade para ser consistente, mas os intervalos de confiança e a seleção de ordem ARIMA por verossimilhança a pressupõem.

Se falhar:Inovações não gaussianas não enviesam as estimativas pontuais da BN, mas invalidam erros padrão e critérios de informação para a escolha da ordem ARIMA. Intervalos robustos por bootstrap são uma alternativa.

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

  • One-sided (real-time) HP filter - applies the filter recursively using only data up to time t, eliminating end-point revision at the cost of phase shift (Stock and Watson 1999)
  • Boosted HP filter - iterates the HP filter to better approximate an ideal high-pass filter (Phillips and Shi 2021)
  • Hamilton regression filter - regresses yt+hy_{t+h}yt+h​ on a polynomial of recent values; the residual is the cycle (Hamilton 2018)
  • Multivariate BN decomposition - uses a VECM with auxiliary variables to sharpen the permanent-transitory split (Evans and Reichlin 1994)
  • BN filter (Kamber, Morley, Wong 2018) - extends BN with auxiliary information from unemployment and inflation to produce smoother output gap estimates
  • Correlated-components UCM - nests both HP-style and BN-style decompositions by estimating the correlation between trend and cycle shocks (Morley, Nelson, Zivot 2003)

Questões em aberto

  • The choice of λ\lambdaλ remains ad hoc. Frequency-based rules (Ravn-Uhlig) provide cross-frequency consistency but not optimality for any specific series. Data-driven λ\lambdaλ selection (e.g., cross-validation) is an active research area but has not produced a consensus procedure.
  • Hamilton's critique demonstrated HP's pathologies but his proposed alternative targets a fixed forecast horizon h, which imposes its own frequency-response shape. The profession has not converged on whether a single 'best' univariate detrending method exists.
  • The BN decomposition's reliance on the ARIMA specification makes it sensitive to model selection. Small changes in the AR or MA order can shift the permanent-transitory split dramatically. Bayesian approaches to ARIMA uncertainty propagation are promising but computationally expensive.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

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