O objetivo do curso consiste em apresentar aos alunos os fundamentos estatísticos e econométricos para a análise de séries de tempo.

1. Processos estocásticos.
2. Decomposições descritivas de séries de tempo: tendência, ciclo e sazonalidade.
3. Raiz unitária.
4. Modelagem preditiva univariada (Box-Jenkins).
5. Modelagem preditiva multivariada (VAR).
6. Cointegração e correção de erros.
7. Inferência robusta a correlação serial.
8. Modelos econométricos semiestruturais (SVAR).
9. Heterocedasticidade condicional univariada e multivariada.

1. Processos estocásticos: definição, processos estocásticos estacionários e não estacionários, processos ARMA e condições de estacionariedade e invertibilidade, processos trend-stationary, passeio aleatório e tendência estocástica.
2. Decomposições de séries de tempo: sazonalidade, ciclo e tendência; dessazonalização por médias móveis e extensões; filtro HP, decomposição de Beveridge-Nelson e filtro de Hamilton.
3. Raiz unitária: regressão espúria e definição de ordem de integração de um processo. Testes ADF, Phillips-Perron e ADF-GLS. Critério de seleção de defasagens de Ng e Perron. Procedimento de Dickey-Pantulla. Testes de componentes determinísticos.
4. Modelagem preditiva univariada: etapas de identificação, estimação, diagnóstico e previsão da metodologia de Box-Jenkins. Comparação de modelos e teste de Diebold-Mariano. Modelagem sazonal.
5. Modelagem preditiva multivariada: definição de processo vetorial autorregressivo e condições para estacionariedade. Identificação da ordem de um VAR, estimação e diagnóstico. Previsão no modelo VAR. Conceitos de associação entre processos multivariados: causalidade de Granger, causalidade contemporânea, exogeneidade fraca e forte. Super-exogeneidade e a crítica de Lucas.
6. Cointegração e correção de erros: revisitando regressão espúria e definição de processo cointegrado. Procedimentos de Engle-Granger e Phillips-Ouiliaris. Teorema da representação de Granger e representação de correção de erros. Procedimento de Johansen.
7. Inferência robusta a correlação serial: estimação HAC da variância amostral dos estimadores de um modelo linear. GMM.
8. Modelos econométricos semiestruturais: definição de SVAR e de inovações estruturais. Função resposta ao impulso, decomposição da variância do erro predição, decomposição histórica do erro de predição. SVAR e VAR em forma reduzida. O problema de identificação causal no SVAR. Estratégias de identificação: identificação recursiva (Choleski), identificação por restrições de longo prazo (Blanchard-Quah), restrições de sinal, identificação por heterocedasticidade e  identificação por instrumentos externos.
9. Heterocedasticidade condicional univariada e multivariada: definição. Detecção de heterocedasticidade condicional (ARCH-LM). Identificação, estimação e validação de modelos GARCH. Previsão e value-at-risk. Modelos não Gaussianos e não lineares.