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 de componentes não observados

Decomposição em espaço de estados que separa uma série macro em tendência, ciclo, sazonalidade e componente irregular latentes.

Visão geralGráficoMatemáticaReferências

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.

Conexões para explorar

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

Como as partes se conectam

μt\mu_tμt​

Tendência (linear local)

Nível estocástico mais inclinação: μt=μt−1+βt−1+ηt,βt=βt−1+ζt\mu_t = \mu_{t-1} + \beta_{t-1} + \eta_t, \beta_t = \beta_{t-1} + \zeta_tμt​=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+εty_t = \mu_t + \psi_t + \gamma_t + \varepsilon_tyt​=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)(\eta_t, \zeta_t, \kappa_t, \kappa_t^*, \omega_{jt}, \varepsilon_t)(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\operatorname{Cov}(\eta_t, \kappa_t) = \operatorname{Cov}(\zeta_t, \varepsilon_t) = \ldots = 0Cov(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\rhoρ e a frequência do ciclo λc\lambda_cλc​ 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<10 < \rho < 10<ρ<1, garantindo que o componente cíclico seja estacionário.

Se falhar:Se ρ=1\rho = 1ρ=1, o ciclo vira um processo com raiz unitária, indistinguível da tendência. O otimizador pode empurrar ρ\rhoρ 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.

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