Apresentacao do EViews 8.pdf

8/16/2019 Apresentacao do EViews 8.pdf

http://slidepdf.com/reader/full/apresentacao-do-eviews-8pdf 1/35

1

Apresentação do

Eviews 8

Jorge Caiado

ISEG/UTL e CemapreEmail: [email protected]

http://pascal.iseg.utl.pt/~jcaiado

Lisboa, 7/03/2013

mailto:[email protected]




mailto:[email protected]



2

O que é o EViews? Programa de estatística e econometria, com ênfase na

análise de dados macro e micro-econométricos(temporais, seccionais e de painel).

Empresa: IHS Global Inc. (US).

Contribuições: Robert Engle (Prémio Nobel daEconomia 2003), Soren Johansen (Cointegraçãomultivariada), entre outros.

Aplicações úteis em: Macroeconomia (cointegração bivariada e multivariada,

causalidade, VAR estrutural e não estrutural, VEC)

Microeconomia (dados de painel)

Finanças (risco, volatilidade, GARCH, efeitos assimétricos,rácios de variância)

Gestão e Marketing (previsão de vendas, regressão, efeitos dasazonalidade, acontecimentos exógenos, deteção de outliers)

Simulação e programação (interacção com o ambiente detrabalho)



3

Instalação e Utilização do EViews

Instalação rápida em CD e/ou download

Visualização em ambiente Windows

Menus e comandos fáceis de utilização

Compatibilidade com outros programas/bases

de dados: SAS, SPSS, Microsoft Access,

GAUSS, RATS, PcGive, ASCII, HTML, TSP,ODBC, XLS, XLSX, etc.



4

Análise de dados univariados Estatísticas descritivas e testes (paramétricos e não

paramétricos)

Classificação dos dados

Gráficos

Correlogramas

Testes de raízes unitárias (ADF, DFGLS, PP, KPSS,

ERS, NP)

Testes de rácio de variâncias

Testes de independência de BDS



5

Análise de dados univariados Transformação dos dados (interpolação, “low to high frequency”

e “high to low frequency”)

Ajustamento de sazonalidade (US Census X13, US Census

X12, X11, Tramo/Seats, médias móveis)

Efeitos de calendário, detecção de outliers, observações

ausentes, extracção de componentes, modelação ARIMA

automática, gráficos espectrais

Alisamento exponencial (AES, AED, HW, HWA, HWM) e ETS

Smoothing (Erro, tendência e sazonalidade nula, aditiva,

multiplicativa ou amortecida)

Outros filtros de alisamento (Hodrick-Prescott, frequências)



6

Exemplo: Gráficos de linhas e histograma dos retornos do PSI20

-.12

-.08

-.04

.00

.04

.08

.12

95 96 97 98 99 00 01 02 03 04 05 06 07 08 09

POR



7

Exemplo: Estatísticas descritivas e histograma dos retornos do PSI20

0

200

400

600

800

1,000

1,200

1,400

1,600

-0.10 -0.05 0.00 0.05 0.10

Series: POR

Sample 3/01/1995 31/12/2009

Observations 3913

Mean 0.000157

Median 0.000000

Maximum 0.097020

Minimum -0.107755

Std. Dev. 0.010998

Skewness -0.281274

Kurtosis 11.85595

Jarque-Bera 12838.59

Probability 0.000000



8

Exemplo: Cronograma e teste ADF de raizes unitárias





10

Exemplo: Previsão com métodos de alisamento exponencial



Exemplo: Extração de componentes da série



12

Análise de dados multivariados Criação de tabelas de frequências com transformações dos

dados (níveis, %’s, diferenças)

Covariâncias, medidas de associação e correlações

Múltiplos gráficos

Testes de hipóteses (igualdade de médias, medianas evariâncias)

Análise de componentes principais (tabelas, gráficos de scores

e loadings)

Análise factorial (tabelas, gráficos de scores e loadings)

Correlações cruzadas

Testes de cointegração (EG, Phillips-Ouliaris, Johansen)

Testes de causalidade à Granger



13

Exemplo: Estatísticas dos retornos de índices bolsistas



14

Exemplo: Gráficos dos

retornos de índices

bolsistas

-.15

-.10

-.05

.00

.05

.10 -.12

-.08-.04

.00

.04

.08

.12

95 96 97 98 99 00 01 02 03 04 05 06 07 08 09

POR

SPA

-.15

-.10

-.05

.00

.05

.10

1996 1998 2000 2002 2004 2006 2008

POR

-.10

-.05

.00

.05

.10

1996 1998 2000 2002 2004 2006 2008

UK

-.10

-.05

.00

.05

.10

.15

1996 1998 2000 2002 2004 2006 2008

US

-.3

-.2

-.1

.0

.1

.2

.3

1996 1998 2000 2002 2004 2006 2008

MAL



15

Exemplo: Significancia estatística das correlações entre os retornos



16

Exemplo: Causalidade à Granger entre REND, CONS e INVEST

Pairwise Granger Causality Tests

Date: 02/03/13 Time: 18:59Sample: 1995Q1 2010Q4

Lags: 4

Null Hypothesis: Obs F-Statistic Prob.

REND does not Granger Cause CONS 60 2.76271 0.0373

CONS does not Granger Cause REND 0.74514 0.5658

INVEST does not Granger Cause CONS 60 1.55823 0.1996

CONS does not Granger Cause INVEST 0.72205 0.5809

INVEST does not Granger Cause REND 60 0.49034 0.7428

REND does not Granger Cause INVEST 2.17198 0.0853



17

Exemplo: Cointegração de EG entre CONS, REND e INVEST

Date: 02/03/13 Time: 19:00

Series: CONS REND INVEST

Sample: 1995Q1 2010Q4Included observations: 64

Null hypothesis: Series are not cointegrated

Cointegrating equation deterministics: C

Automatic lags specification based on Schwarz criterion (maxlag=10)

Dependent tau-statistic Prob.* z-statistic Prob.*

CONS -2.063903 0.7083 -8.935111 0.6496REND -2.008975 0.7323 -8.807135 0.6585

INVEST -1.604451 0.8723 -4.047269 0.9319

*MacKinnon (1996) p-values.

Intermediate Results:

CONS REND INVEST

Rho - 1 -0.141827 -0.139796 -0.064242Rho S.E. 0.068718 0.069586 0.040040

Residual variance 33109.39 345465.1 60598.34

Long-run residual variance 33109.39 345465.1 60598.34

Number of lags 0 0 0

Number of observations 63 63 63

Number of stochastic trends** 3 3 3

**Number of stochastic trends in asymptotic distribution





19

Regressão Métodos dos mínimos quadrados (OLS)

Método dos mínimos quadrados ponderados (WLS)

Método dos mínimos quadrados a duas etapas (TSLS)

Método dos mínimos quadrados não linear (NLLS) Método dos momentos generalizados (GMM)

Mínimos quadrados robusto

Mínimos quadrados com quebras de estrutura

Regressões de cointegração Switching regression



20

Exemplo: Regressão do CONS sobre o REND e o INVEST

Dependent Variable: CONS

Method: Least Squares

Date: 02/03/13 Time: 19:06Sample: 1995Q1 2010Q4

Included observations: 64

Variable Coefficient Std. Error t-Statistic Prob.

REND 0.310761 0.003364 92.36863 0.0000

INVEST 0.180166 0.050559 3.563463 0.0007

C -2955.004 271.8324 -10.87068 0.0000

R-squared 0.997283 Mean dependent var 29045.65

Adjusted R-squared 0.997194 S.D. dependent var 6513.142

S.E. of regression 345.0287 Akaike info criterion 14.57087

Sum squared resid 7261735. Schwarz criterion 14.67207

Log likelihood -463.2679 Hannan-Quinn criter. 14.61074

F-statistic 11194.37 Durbin-Watson stat 0.302107Prob(F-statistic) 0.000000



21

Exemplo: Resíduos da regressão, teste BG e intervalos de confiança

-800

-400

0

400

800

15,000

20,000

25,000

30,000

35,000

40,000

95 96 97 98 99 00 01 02 03 04 05 06 07 08 09 10

Residual Actual Fitted

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 37.08937 Prob. F(4,57) 0.0000

Obs*R-squared 46.23585 Prob. Chi-Square(4) 0.0000

Test Equation:

Dependent Variable: RESID


Date: 02/03/13 Time: 19:11

Sample: 1995Q1 2010Q4


Presample missing value lagged residuals set to zero.


REND -0.001386 0.001858 -0.746007 0.4587

INVEST 0.012750 0.027748 0.459474 0.6476C 20.85620 148.6281 0.140325 0.8889

RESID(-1) 0.785152 0.131216 5.983680 0.0000

RESID(-2) 0.140294 0.177373 0.790959 0.4322

RESID(-3) -0.183141 0.190172 -0.963028 0.3396

RESID(-4) 0.155666 0.146065 1.065733 0.2910

R-squared 0.722435 Mean dependent var 2.84E-14



Sum squared resid 2015602. Schwarz criterion 13.65030

Log likelihood -422.2535 Hannan-Quinn criter. 13.50720

F-statistic 24.72624 Durbin-Watson stat 1.966851

Prob(F-statistic) 0.000000

Coefficient Confidence Intervals

Date: 02/03/13 Time: 19:12

Sample: 1995Q1 2010Q4


90% CI 95% CI 99% CI

Variable Coefficient Low High Low High Low High

REND 0.310761 0.305142 0.316380 0.304034 0.317488 0.301816 0.319706

INVEST 0.180166 0.095721 0.264611 0.079066 0.281265 0.045736 0.314595

C -2955.004 -3409.024 -2500.984 -3498.566 -2411.441 -3677.767 -2232.240



22

Modelação e previsão de séries temporais

Modelos ARMA(Modelos sazonais, não sazonais e mistos; estimaçãocom backasting; estimação de TSLS, NLLS e WLS comerros ARIMA; testes de avaliação do diagnóstico;condições de estacionaridade e invertibilidade;

autocorrelações e autocorrelações parciais dos resíduos Testes de raízes unitárias

Teste ADF; Teste DFGLS; Teste Phillips-Perron; TesteKPSS; Teste ERS; Teste Ng-Perron

PrevisãoPrevisão dinâmica; previsão estática; previsão estrutural(sem a componente ARMA); previsão por intervalos;REQM, EAM; EPAM; enviesamentos da previsão emmédia e em variância.



23

Exemplo: Dependent Variable: D(HOUSE,1,12)


Date: 03/05/13 Time: 10:01

Sample (adjusted): 1988M04 1994M11

Included observations: 80 after adjustments

Convergence achieved after 8 iterations

MA Backcast: 1986M12 1988M03


AR(2) -0.293244 0.112392 -2.609123 0.0109

MA(4) -0.297959 0.112294 -2.653398 0.0097

SMA(12) -0.844399 0.041575 -20.31046 0.0000

R-squared 0.472929 Mean dependent var -0.037500



Sum squared resid 1299.171 Schwarz criterion 5.789658

Log likelihood -225.0133 Hannan-Quinn criter. 5.736145Durbin-Watson stat 2.426180

Inverted MA Roots .99 .85+.49i .85-.49i .74

.49+.85i .49-.85i .00-.99i

-.6

-.4

-.2

.0

.2

.4

2 4 6 8 10 12 14 16 18 20 22 24

Actual Theoretical

A u t o

c o r r e l a t i o n

-.6

-.4

-.2

.0

.2

.4

2 4 6 8 10 12 14 16 18 20 22 24

Actual Theoretical

P a r t i a l a u t o c o r r e l a t i o n

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

AR rootsMA roots

Inverse Roots of AR/MA Polynomial(s)



24

Testes de especificação e diagnóstico

Testes aos coeficientes

Teste de Wald; teste de rácio de verosimilhanças para aomissão de variáveis; teste de RV para variáveisredundantes; teste de quebra de estrutura

Testes aos resíduosCorrelogramas (níveis e quadrados); Estatística-Q;histograma e teste de normalidade; teste LM; teste

ARCH; testes de heteroscedasticidade (White, Harvey,BPG, Glejser, ARCH)

Testes de estabilidade

Teste de Chow (quebra de estrutura e previsão); testeRESET de Ramsey; Estatísticas influentes; Leverage

plot



25

Modelação ARCH e GARCH

Testes de rácios de variância

ARCH e GARCH com regressores na equação da

variância, distribuição condicional dos erros (normal, t-

student, distribuição do erro generalizada-GED)

Threshold ARCH (TARCH)

Exponential GARCH (EGARCH)

GARCH em média (GARCH-M)

Power ARCH (PARCH) Component GARCH (CGARCH)

Previsão dos preços, retornos e variância condicional



26

Exemplo:

50

100

150

200

250

300

-.15

-.10

-.05

.00

.05

.10

95 96 97 98 99 00 01 02 03 04 05 06 07 08 09

POR R_POR

Dependent Variable: DLOG(POR)

Method: ML - ARCH (Marquardt) - Normal distribution

Date: 03/05/13 Time: 10:24

Sample (adjusted): 1/04/1995 12/31/2009


Convergence achieved after 16 iterations

Presample variance: backcast (parameter = 0.7)

GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*RESID(-1)^2*(RESID(-1)<0) +

C(6)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000421 0.000144 2.918007 0.0035

AR(1) 0.107255 0.015499 6.920255 0.0000

Variance Equation

C 8.28E-07 1.32E-07 6.259290 0.0000

RESID(-1) 2̂ 0.066960 0.006111 10.95754 0.0000

RESID(-1) 2̂*(RESI D(-1)<... 0.050810 0.007099 7.157133 0.0000

GARCH(-1) 0.905034 0.005337 169.5675 0.0000

R-squared 0.006445 Mean dependent var 0.000157 Adjusted R-squared 0.006191 S.D. dependent var 0.011000

S.E. of regression 0.010966 Akaike info criterion -6.582456

Sum squared resid 0.470156 Schwarz criterion -6.572837

Log likelihood 12881.28 Hannan-Quinn criter. -6.579043

Durbin-Watson stat 2.041429

Inverted AR Roots .11

148

152

156

160

164

168

1 4 5 6 7 8 11 12

2010m1

PORF

± 2 S.E.

.000063

.000064

.000065

.000066

.000067

.000068

1 4 5 6 7 8 11 12

2010m1

Forecast of Variance

.0000

.0004

.0008

.0012

.0016

.0020

.0024

95 96 97 98 99 00 01 02 03 04 05 06 07 08 09

GARCH01



27

Modelos de variável dependente

limitada e discreta Modelos de variável dependente binária (probit,

logit e valor extremo)

Modelos de variável dependente ordinal (tabela

de frequências, tabela de probabilidades,previsão)

Regressão com dados censorados (tobit)

Regressão com dados truncados

Modelos de contagem (Poisson, BinomialNegativa, Exponencial, Normal)



28

Modelos macroeconométricos

Modelos vectoriais autoregressivos (VAR)

Modelo de correcção do erro (VEC)

Modelo VAR estrutural (SVAR)

Funções de resposta a impulsos

Decomposição da variância

Teste de Cointegração de Johansen

Restrições de curto prazo e de longo prazo

Modelo VAR Bayesiano (BVAR)



29

Exemplo:

-.04

-.02

.00

.02

.04

60 65 70 75 80 85 90 95 00

DLRGDP

-.02

.00

.02

.04

.06

60 65 70 75 80 85 90 95 00

DLRM2

-4

-2

0

2

4

6

60 65 70 75 80 85 90 95 00

DRS

-.004

-.002

.000

.002

.004

.006

.008

1 2 3 4 5 6 7 8 9 10

DLRGDP DLRM2 DRS

Response of DLRGDP to Generalized One

S.D. Innovations

-.004

-.002

.000

.002

.004

.006

.008

1 2 3 4 5 6 7 8 9 10

DLRGDP DLRM2 DRS

Response of DLRM2 to Generalized One

S.D. Innovations

-.2

.0

.2

.4

.6

.8

1 2 3 4 5 6 7 8 9 10

DLRGDP DLRM2 DRS

Response of DRS to Generalized One

S.D. Innovations

Vector Error Correction Estimates

Date: 03/05/13 Time: 10:57

Sample (adjusted): 1962Q3 2001Q1


Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq: CointEq1

DLRGDP(-1) 1.000000

DLRM2(-1) -0.419654

(0.08752)

[-4.79515]

DRS(-1) -0.004078

(0.00245)

[-1.66682]

C -0.005331

Error Correction: D(DLRGDP) D(DLRM2) D(DRS)

CointEq1 -0.750090 -0.063881 76.29588

(0.36661) (0.29641) (30.7751)

[-2.04603] [-0.21552] [ 2.47914]

-.04

-.03

-.02

-.01

.00

.01

.02

.03

.04

1965 1970 1975 1980 1985 1990 1995 2000

Cointegrating relation 1



30

Exemplo:

Date: 03/05/13 Time: 11:00

Sample (adjusted): 1962Q3 2001Q1


Trend assumption: Linear deterministic trend

Series: DLRGDP DLRM2 DRS

Lags interval (in first differences): 1 to 12

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.117905 40.29861 29.79707 0.0022

At most 1 * 0.096421 20.85296 15.49471 0.0071

At most 2 * 0.032600 5.137263 3.841466 0.0234

Trace test indicates 3 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level

**MacKinnon-Haug-Michelis (1999) p -values

Unrestricted Cointegration Rank Tes t (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None 0.117905 19.44564 21.13162 0.0847

At most 1 * 0.096421 15.71570 14.26460 0.0293

At most 2 * 0.032600 5.137263 3.841466 0.0234

Max-eigenvalue test indicates no cointegration at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level

**MacKinnon-Haug-Michelis (1999) p -values

-.02

-.01

.00

.01

.02

.03

1995 1996 1997 1998 1999 2000 2001

Actual DLRGDP (Baseline Mean)

DLRGDP ± 2 S.E.

-.01

.00

.01

.02

.03

.04

.05

1995 1996 1997 1998 1999 2000 2001

Actual DLRM2 (Baseline Mean)

DLRM2 ± 2 S.E.

-3

-2

-1

0

1

2

1995 1996 1997 1998 1999 2000 2001

Actual DRS (Baseline Mean)

DRS ± 2 S.E.

VEC Granger Causality/Block Exogeneity Wald Tests

Date: 03/05/13 Time: 11:10

Sample: 1959Q1 2001Q1


Dependent variable: D(DLRGDP)

Excluded Chi-sq df Prob.

D(DLRM2) 12.77376 12 0.3857

D(DRS) 31.07733 12 0.0019

All 38.54119 24 0.0305

Dependent variable: D(DLRM2)


D(DLRGDP) 7.289367 12 0.8379

D(DRS) 27.34224 12 0.0069

All 64.63993 24 0.0000

Dependent variable: D(DRS)


D(DLRGDP) 34.39034 12 0.0006

D(DLRM2) 26.21630 12 0.0100

All 59.70089 24 0.0001



31

Dados de painel

Criação e estruturação de um ficheiro de Pooled data

Estatísticas descritivas e análise gráfica

Estimação de modelos

Efeitos fixos e efeitos aleatórios

GLS weights (cross-section weights, cross-section SUR, period weights,period SUR)

Estimação das covarâncias dos coeficientes (White cross-section,

White period, White diagonal, Cross-section SUR, Cross-section

weights, Period SUR, Period Weights)

Variáveis instrumentais (two-stage least squares)

Testes de diagnóstico (autocorrelação, histograma, efeitos fixos, efeitos

aleatórios, Wald, omissão de variáveis, variáveis irrelevantes)

Testes de raizes unitárias (Levin, Lin e Chu; Breitung; Im, Pesaran e

Shin; Kao; ADF; PP)

Testes de cointegração: Pedroni (ou EG-based) ; Kao; Johansen

Teste de causalidade de Dumitrescu-Hurlin





33

Exemplo:

Panel unit root test: Summary

Series: TURNOVER

Date: 03/05/13 Time: 17:11

Sample: 1994 2011

Exogenous variables: Individual ef fects Automatic selection of maximum lags

Automatic lag length selection based on SIC: 0 to 2

Newey-West automatic bandwidth selection and Bartlett kernel

Cross-

Method Statistic Prob.** sections Obs

Null: Unit root (assumes common unit root process)

Levin, Lin & Chu t* 0.83435 0.7980 7 115

Null: Unit root (assumes individual unit root process)

Im, Pesaran and Shin W-stat 3.72853 0.9999 7 115 ADF - Fisher Chi-square 1.67777 1.0000 7 115

PP - Fisher Chi-square 1.78075 1.0000 7 119

** Probabilities for Fisher tests are computed using an asymptotic Chi-square

distribution. All other tests assume asymptotic normality.

Null Hypothesis: Unit root (individual unit root process)

Series: TURNOVER

Date: 03/05/13 Time: 17:13

Sample: 1994 2011

Exogenous variables: Individual effects

Automatic selection of maximum lags

Automatic lag length selection based on SIC: 0 to 2

Total number of observations: 115Cross-sections included: 7

Method Statistic Prob.**

ADF - Fisher Chi-square 1.67777 1.0000

ADF - Choi Z-stat 3.89284 1.0000

** Probabilities for Fisher tests are computed using an asymptotic Chi

-square distribution. All other tests assume asymptotic normality.

Intermediate ADF test results TURNOVER

Cross

section Prob. Lag Max Lag Obs

Arsenal Football ... 0.9486 0 3 17

Aston Villa 0.7629 0 3 17

Chelsea 0.8411 0 3 17

Everton 0.9225 2 3 15

Liverpool 0.8080 0 3 17

Manchester Unite... 0.9539 0 3 17

Tottenham Hotsp... 0.9985 2 3 15Pairwise Dumitrescu Hurlin Panel Causality Tests

Date: 03/05/13 Time: 17:17

Sample: 1994 2011

Lags: 3

Null Hypothesis: W-Stat... Zbar-Stat. Prob.

DTURNOVER does not homogeneously cause DTO... 3.846... -0.16685 0.8675

DTOSCO does not homogeneously cause DTURNO... 1.237... -1.39972 0.1616

DWAGES does not homogeneously cause DTOSCO 6.867... 1.26023 0.2076

DTOSCO does not homogeneously cause DWAGES 2.244... -0.92381 0.3556

DOOC does not homogeneously cause DTOSCO 2.397... -0 .85144 0.3945

DTOSCO does not homogeneously cause DOOC 5.175... 0 .46095 0.6448



34

Exemplo: Pedroni Residual Cointegration Test

Series: DTOSCO DTURNOVER DWAGES DOOC

Date: 03/05/13 Time: 17:14

Sample: 1994 2011

Included observations: 126Cross-sections included: 7

Null Hypothesis: No cointegration

Trend assumption: No deterministic trend

Automatic lag length selection based on SIC with a max lag of 2

Newey-West automatic bandwidth selection and Bartlett kernel

Alternative hypothesis: common AR coefs. (within-dimension)

Weighted

Statistic Prob. Statistic Prob.

Panel v-Statistic -1.111710 0.8669 -1.682715 0.9538

Panel rho-Statistic -1.279028 0.1004 -1.354110 0.0879

Panel PP-Statistic -8.867667 0.0000 -8.180581 0.0000Panel ADF-Statistic -7.559696 0.0000 -8.237869 0.0000

Alternative hypothesis: individual AR coefs. (between-dimension)

Statistic Prob.

Group rho-Statistic -0.540757 0.2943

Group PP-Statistic -10.60068 0.0000

Group ADF-Statistic -9.258845 0.0000

Johansen Fisher Panel Cointegration Test

Series: DTOSCO DTURNOVER DWAGES DOOC

Date: 03/05/13 Time: 17:16

Sample: 1994 2011


Trend assumption: Linear deterministic trend

Lags interval (in first differences): 1 1

Unrestricted Cointegration Rank Test (Trace and Maximum Eigenvalue)

Hypothesized Fisher Stat.* Fisher Stat.*

No. of CE(s) (f rom trace test) Prob. (f rom max-eigen tes ... Prob.

None 170.2 0.0000 109.3 0.0000

At most 1 82.91 0.0000 60.63 0.0000

At most 2 37.61 0.0006 30.07 0.0075

At most 3 32.79 0.0031 32.79 0.0031

* Probabilities are computed using asymptotic Chi-square distribution.

Individual cross section results

Trace Test Max-Eign Test

Cross Section Statistics Prob.** Statistics Prob.**

Hypothesis of no cointegration

Arsenal Footb... 88.7771 0.0000 38.4654 0.0014

Aston Villa 122.3159 0.0000 74.5562 0.0000

Chelsea 76.7892 0.0000 39.7648 0.0009

Everton 68.4146 0.0002 38.7650 0.0012

Liverpool 80.9042 0.0000 38.0728 0.0016Manchester Un... 58.7008 0.0035 28.8935 0.0338

Tottenham Hot... 72.7185 0.0001 35.1415 0.0044

Hypothesis of at most 1 cointegration relationship

Arsenal Footb... 50.3117 0.0001 31.4449 0.0013

Aston Villa 47.7597 0.0002 33.5656 0.0006

Chelsea 37.0245 0.0062 23.8514 0.0202

Everton 29.6496 0.0520 16.5328 0.1952

Liverpool 42.8314 0.0009 26.1949 0.0089

Manchester Un... 29.8073 0.0499 18.8499 0.1013

Tottenham Hot... 37.5770 0.0052 22.9864 0.0271



35

Modelos, programação e simulação

Modelos de espaço de estados

Filtro de Kalman

Construção de modelos (equações econométricas,

relações de identidade, simulação de cenários comvariáveis exógenas, previsão)

Programação (em ambiente de Windows através de

uma janela de comandos ou em modo de programação

– encriptado e não encriptado)

Documents

Apresentacao do EViews 8.pdf