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.
Decomposição em espaço de estados que separa uma série macro em tendência, ciclo, sazonalidade e componente irregular latentes.
Modelo de componentes não observados: que pergunta macro este modelo ajuda a responder?
Contexto
Decomposição em espaço de estados que separa uma série macro em tendência, ciclo, sazonalidade e componente irregular latentes.
Modelo de componentes não observados 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.
Como as partes se conectam
μt
Tendência (linear local)
Nível estocástico mais inclinação: μt=μt−1+βt−1+ηt,βt=βt−1+ζt. Capta a trajetória subjacente da série, de movimento lento.
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.
Estimar trajetórias latentes de tendência e ciclo quando o observável direto é ruidoso ou mistura várias frequências.
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 componentes latentes: yt=μt+ψt+γt+εt. Sem termos de interação.
Se falhar:Interações multiplicativas ou não lineares entre componentes (comuns em séries com volatilidade dependente do nível) exigem transformação logarítmica ou uma variante multiplicativa do UCM.
Testável
Perturbações gaussianas
Todas as perturbações dos componentes (ηt,ζt,κt,κt∗,ωjt,εt) são ruído branco gaussiano mutuamente independente.
Se falhar:A não gaussianidade não enviesa as estimativas pontuais (o filtro de Kalman continua sendo o melhor estimador linear), mas torna pouco confiáveis os intervalos de confiança, a inferência por verossimilhança e a seleção de modelos. Use erros padrão robustos ou bootstrap.
Testável
Independência mútua das perturbações dos componentes
Cov(ηt,κt)=Cov(ζt,εt)=…=0 para todos os pares de componentes.
Se falhar:Perturbações correlacionadas tornam os componentes não identificáveis sem restrições adicionais. A decomposição passa a depender de qual estrutura de correlação é imposta.
Testável
Especificação correta dos componentes
O número e o tipo de componentes (ordem da tendência, quantidade de ciclos, período sazonal) descrevem corretamente o processo gerador dos dados.
Se falhar:Omitir um componente genuíno (por exemplo, deixar o ciclo de fora) empurra sua dinâmica para a tendência ou para o irregular, distorcendo a decomposição. Diagnósticos das inovações e critérios de informação ajudam a detectar isso.
Testável
Parâmetros invariantes no tempo
As variâncias das perturbações, o fator de amortecimento ρ e a frequência do ciclo λc são constantes ao longo da amostra.
Se falhar:A instabilidade dos parâmetros (por exemplo, uma queda na volatilidade da tendência após a Grande Moderação) produz uma decomposição que faz média entre regimes. Use uma extensão com parâmetros variantes no tempo ou estimação em subamostras.
Testável
Estacionariedade do ciclo
O fator de amortecimento satisfaz 0<ρ<1, garantindo que o componente cíclico seja estacionário.
Se falhar:Se ρ=1, o ciclo vira um processo com raiz unitária, indistinguível da tendência. O otimizador pode empurrar ρ para a fronteira, sinalizando que tendência e ciclo não são identificados separadamente.
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
Correlated-components UCM - allows non-zero covariance between trend and cycle disturbances (Morley, Nelson, Zivot 2003)
Multivariate UCM - jointly decomposes multiple series with shared and series-specific components
Markov-switching UCM - cycle dynamics switch between expansion and recession regimes
Multi-cycle UCM - includes business cycle and financial cycle at different frequencies
UCM with explanatory variables - adds regression effects (interventions, outliers, calendar effects) to the measurement equation
Non-Gaussian UCM - replaces Gaussian disturbances with Student-t or mixture distributions for outlier robustness
Questões em aberto
Identification of trend versus cycle remains fundamentally fragile. The data alone often cannot distinguish a slowly-varying cycle from a stochastic trend, and the decomposition can flip depending on whether trend-cycle disturbance correlation is allowed.
Optimal selection of the number of cycles, the cycle frequency range, and the seasonal harmonic count lacks a single accepted procedure. Information criteria help but are not definitive when the likelihood surface has multiple local maxima.
Extending UCMs to handle time-varying volatility (stochastic volatility in the component disturbances) is an active area. The SV-UCM requires particle filtering or MCMC, and computational cost limits practical sample sizes.
Continue por aqui
Leia a seguir
Continue com um conceito, modelo ou exemplo relacionado.