A meta-análise é uma técnica estatística utilizada para combinar e integrar diferentes estudos que investigam a mesma questão. Essa metodologia tem se mostrado importante na área de economia para investigar questões que não são consensuais e a possível ocorrência de viés em publicações na literatura econômica.

Dentre os passos listados abaixo, aquele que NÃO faz parte dos passos para realizar a meta-análise é o seguinte:

Os testes de Raiz Unitária são utilizados para a análise univariada das séries, com o objetivo de entender qual é o processo estocástico gerador da série.

Sobre a hipótese dos testes de Raiz Unitária Dickey-Fuller Aumentado (ADF) e Kwiatkowski, Phillips, Schmidt, Shin (KPSS), verifica-se que a hipótese nula do(s) teste(s)

Os critérios Bayesian Information Criterion (BIC), Akaike Information Criterion (AIC) e a estatística de Hannan- -Quinn (HQ) podem ser utilizados como um critério de seleção para modelos alternativos, sendo vistos como uma medida de ajustamento que inclui um custo para cada parâmetro estimado.

Na interpretação desses critérios de seleção, verifica-se que

Uma questão crucial a ser respondida na análise de série temporal univariada é qual o processo que melhor explica a dinâmica de uma série, isto é, se a dinâmica de uma série como o produto, o emprego ou a taxa de inflação é mais bem explicada por um processo autorregressivo (AR), de média móvel (MA), autorregressivo de média móvel (ARMA) ou autorregressivo integrado de média móvel (ARIMA).

No caso específico dos processos ARMA, eles devem atender às seguintes condições:

Séries econômicas, como as do produto, consumo, investimento, índice de preços, dentre outras, têm uma característica comum: uma tendência crescente com o tempo. Quando essas séries sofrem choques, eles não se dissipam, e a série não se reverte para o seu valor médio de longo prazo. No entanto, o componente de tendência da série pode ser determinístico ou estocástico, o que tem implicações importantes para a transformação de uma série não estacionária em uma série estacionária.

As duas formas distintas utilizadas para a transformação de uma série não estacionária em uma série estacionária são:

Uma série temporal pode apresentar um componente de tendência, observações discrepantes (outliers), padrões de sazonalidades, quebras estruturais, dentre outras características.

Sendo assim, a

Alguns filtros estatísticos suavizadores são utilizados para estimar o produto potencial e o hiato do produto, sendo o filtro Hodrick e Prescott (HP) um dos mais utilizados para esse fim.

O filtro HP

Dados de qualquer série temporal podem ser pensados como sendo gerados por um processo estocástico.

Quando um processo estocástico possui suas média, variância e autocovariância constantes ao longo do tempo, diz-se que este é um processo estocástico

Suponha que o modelo explicativo para a variável Y seja Y_i = !$ \beta !$₁ + !$ \beta !$₂X_i + !$ \beta !$₃X₂ⁱ + !$ \beta !$₄X₃ⁱ + u_1i , modelo explicativo 0, onde Y é a variável dependente; X, a variável explicativa; !$ \beta !$₁, !$ \beta !$₂, !$ \beta !$₃ e !$ \beta !$₄ , os coeficientes da regressão; !$ u !$, o termo de erro, e o subscrito !$ i !$ indica a i-ésima observação. No entanto, considere que, por diversos motivos, o pesquisador decida estimar outros modelos (equações 1, 2, 3 e 4), cujas notações foram alteradas para distingui-los do modelo explicativo verdadeiro (modelo explicativo 0):

(1)!$ Y_i = \alpha_1 + \alpha_2 X_i + \alpha_3X^2_I + U_{2i} !$
(2) !$ Y_i = \lambda_1 + \lambda_2X_i + \lambda_3X^2_i + \lambda_4X^3_i + \lambda_5X^4_i + u_{3i} !$
(3) !$ InY_i=\phi_1 + \phi X_i+\phi_3 X^2_i + \phi_4 X^3_i + u_{4i} !$
(4) !$ Y*_i=\beta*_1 + \beta_2 X*_i + \beta_3 x*2_i + \beta_4 X*3+u* !$

Essa decisão poderia levar a erros de especificação, já que os modelos 1, 2, 3 e 4 são diferentes do modelo explicativo verdadeiro (modelo equação 0), o que permite concluir que

Entender qual processo melhor explica a dinâmica de uma série temporal é uma questão central da análise de séries temporais univariadas. A metodologia de Box-Jenkins auxilia na resposta a essa questão, indicando se a dinâmica temporal de uma série é mais bem compreendida por processos: AR(p); MA(q); ARMA(p,q) ou outro.

Essa metodologia é composta pelas seguintes etapas:

P - Estimação
Q - Diagnóstico
R - Previsão
S - Identificação

Segundo essa metodologia, a sequência das etapas, da primeira para a última, para explicar a dinâmica de uma série temporal é: