Seasonality in Mixed Causal-Noncausal Processes

Este artigo demonstra que, em modelos autorregressivos mistos causais e não causais, as raízes sazonais podem ser isoladas na representação de médias móveis sem gerar novos efeitos sazonais conjuntos, uma descoberta que impacta a seleção de modelos e é validada por simulações e aplicações empíricas.

O essencial

Imagine que você está tentando entender o ritmo de uma música complexa. Às vezes, a música parece ter um padrão simples: um tambor batendo em intervalos regulares (isso é o que os economistas chamam de "causalidade", onde o passado define o futuro). Mas, às vezes, a música tem surpresas: um acorde que parece vir do futuro e afeta o presente, ou um ritmo que sobe e desce de forma explosiva, como uma bolha que estoura.

Este artigo é como um manual para músicos e engenheiros de som que querem entender essas músicas complexas, especificamente quando elas têm padrões sazonais (como o Natal todo ano, ou o calor no verão) misturados com essas surpresas do futuro.

Aqui está a explicação simplificada, ponto a ponto:

1. O Problema: A Música Tem "Fantasmas" e "Sazonalidade"

Os economistas usam modelos matemáticos para prever coisas como preços de soja ou mortes por COVID.

• Modelos Comuns (Causais): Acreditam que o que aconteceu ontem define o que acontece hoje. É como uma fila de dominó: você empurra o primeiro, e os outros caem na ordem.
• Modelos Mistos (MAR): Aceitam que, às vezes, o futuro "puxa" o presente. É como se você soubesse que vai chover amanhã e, por isso, já abre o guarda-chuva hoje. Isso é útil para modelar "bolhas" (preços que sobem muito rápido antes de estourar).

O mistério que os autores resolveram é: O que acontece quando misturamos esses dois mundos e ainda temos padrões sazonais (como ciclos de 6 meses ou 12 meses)?

2. A Grande Descoberta: "Não Crie Novos Fantasmas"

A grande revelação do artigo é uma analogia de Lego.

Imagine que você tem duas caixas de Lego:

• Caixa Azul (Passado): Contém peças que representam o que já aconteceu.
• Caixa Vermelha (Futuro): Contém peças que representam o que vai acontecer.

Muitas pessoas pensavam que, se você misturasse as peças azuis e vermelhas de uma maneira específica (multiplicando os polinômios), você poderia criar novos tipos de peças que não existiam em nenhuma das caixas originais. Ou seja, a mistura poderia criar um "ritmo sazonal" novo e inesperado.

O que os autores provaram é que isso é falso.
Eles usaram uma técnica matemática chamada "decomposição em frações parciais" (que é como desmontar um quebra-cabeça complexo em peças menores) para mostrar que:

A mistura nunca cria novos ritmos.

Se você tem um ritmo de Natal na caixa azul e um ritmo de Verão na caixa vermelha, quando você os mistura, você ainda tem apenas o ritmo de Natal e o de Verão. Eles não se fundem para criar um "ritmo de Páscoa" novo. Os efeitos sazonais permanecem separados e identificáveis, mesmo na mistura complexa.

3. Por que isso é importante? (O Detetive de Raízes)

Na matemática desses modelos, os "ritmos" são chamados de raízes.

• Raízes Reais: São como um ritmo simples de "vai e volta" (ex: o ciclo de 2 dias).
• Raízes Complexas: São como um ritmo de onda (ex: o ciclo de 6 meses).

O problema é que, ao tentar adivinhar qual peça vai para a caixa Azul e qual para a Vermelha, os economistas muitas vezes se perdem. Existem muitas combinações possíveis.

A Solução Mágica:
O artigo diz: "Olhem para as raízes complexas!"
Se você encontrar um par de raízes que são "gêmeas espelhadas" (chamadas de conjugadas complexas), você não pode separá-las. Elas devem ficar juntas, seja na caixa do passado ou na caixa do futuro.

• Analogia: Imagine um par de patins de gelo. Você não pode dar um patim para o passado e o outro para o futuro; eles precisam andar juntos.

Isso simplifica drasticamente o trabalho do detetive. Em vez de testar todas as combinações possíveis de Lego, você só precisa testar as que mantêm os pares de patins juntos. Isso reduz o número de erros e torna a previsão muito mais precisa.

4. Exemplos do Mundo Real

Os autores testaram essa teoria com dados reais:

• COVID-19 (Bélgica e Itália): Eles analisaram as variações diárias de mortes.
  • Na Itália, o padrão era mais simples (apenas passado).
  • Na Bélgica, havia um padrão de "zigue-zague" (subia e descia rápido) que parecia uma bolha sazonal. O modelo misto conseguiu capturar isso perfeitamente, identificando que o "zigue-zague" vinha de uma raiz específica no futuro (não-causal), enquanto a tendência geral vinha do passado.
• Preço da Soja: Um clássico da economia. O preço sobe e desce de forma explosiva. O modelo misto conseguiu separar o que é um ciclo de 6 meses (sazonalidade) do que é uma bolha especulativa, algo que modelos antigos não conseguiam fazer tão bem.

Resumo Final

Este artigo é um guia de sobrevivência para quem tenta prever o futuro em tempos de caos e padrões repetitivos.

1. Não se preocupe: Misturar passado e futuro não cria novos ritmos sazonais mágicos; eles permanecem separados.
2. Use a lógica dos pares: Se você encontrar um ritmo complexo (uma onda), trate-o como um par inseparável. Ou ele é todo do passado, ou é todo do futuro.
3. Resultado: Isso torna os modelos de previsão mais rápidos, mais baratos (menos testes necessários) e mais precisos para entender fenômenos como crises financeiras, pandemias e preços de commodities.

Em suma: A natureza não cria novos ritmos quando misturamos o passado e o futuro; ela apenas reorganiza os que já existiam. E agora, sabemos exatamente como reorganizá-los.

Resumo técnico

Resumo Técnico: Sazonalidade em Processos Mistos Causais-Não Causais

Autores: Tom´as del Barrio Castro, Alain Hecq e Sean Telg.
Data: Abril de 2026.

1. Problema e Motivação

Os modelos autorregressivos mistos causais-não causais (MAR) têm ganhado destaque na literatura econométrica por sua capacidade de capturar dinâmicas não lineares, como bolhas especulativas e episódios localmente explosivos, gerados por erros não Gaussianos. Tradicionalmente, o foco tem sido em raízes reais positivas (frequência zero).

No entanto, muitas séries temporais (ex.: PIB, inflação, preços de commodities) exibem padrões não lineares distintos, como oscilações sazonais fortes ou volatilidade que para abruptamente. O problema central abordado neste artigo é: como a sazonalidade (raízes negativas e complexas) se manifesta e interage dentro da estrutura multiplicativa de um modelo MAR? Especificamente, a estrutura multiplicativa dos polinômios causal e não causal pode gerar novos efeitos sazonais conjuntos que não estariam presentes se os componentes fossem analisados separadamente? Além disso, como a presença de raízes complexas conjugadas afeta a seleção e estimação de modelos MAR, que frequentemente sofrem de problemas de bimodalidade e não aninhamento?

2. Metodologia

Os autores utilizam uma abordagem teórica baseada em decomposição em frações parciais e análise espectral para investigar a estrutura dos modelos MAR.

• Representação do Modelo: O processo MAR é definido como $\phi(L)\phi^*(L^{-1})y_t = \epsilon_t$, onde $\phi(L)$ é o polinômio causal e $\phi^*(L^{-1})$ é o polinômio não causal.
• Decomposição em Frações Parciais: Os autores demonstram que, ao aplicar a decomposição em frações parciais à representação de média móvel (MA) do processo, é possível isolar os fatores associados a diferentes frequências.
• Análise de Raízes:
  • Raízes reais negativas são associadas à frequência de Nyquist ($\pi$).
  • Pares de raízes complexas conjugadas são associados a frequências harmônicas ($\omega_k$).
  • O estudo verifica se a multiplicação dos polinômios causal e não causal cria novas frequências sazonais.
• Estimação e Seleção de Modelo:
  • Utilização do modelo pseudo-causal (ou equivalente de segunda ordem - SOE) para identificar a ordem total autorregressiva ($p = r + q$) e as raízes totais.
  • Estimação por Verossimilhança Aproximada Máxima (AMLE) assumindo distribuições de erros não Gaussianas (ex.: t-Student, estáveis).
  • Proposição de um procedimento de seleção de modelo que explora a restrição de que pares de raízes complexas conjugadas devem ser atribuídos conjuntamente a um único polinômio (causal ou não causal) para manter coeficientes reais.
• Validação: O estudo empírico é complementado por uma extensa simulação de Monte Carlo e aplicações a dados reais (COVID-19 e preços de soja).

3. Principais Contribuições Teóricas

1. Isolamento de Efeitos Sazonais: O resultado central é que, apesar da estrutura multiplicativa dos polinômios causal e não causal, nenhum novo efeito sazonal conjunto é gerado. As raízes sazonais podem sempre ser isoladas e atribuídas exclusivamente à parte causal ou à parte não causal na representação de média móvel do processo.
2. Simplificação da Seleção de Modelos: A presença de raízes complexas conjugadas no modelo pseudo-causal impõe uma restrição estrutural: o par conjugado deve ser atribuído integralmente ao polinômio causal ou ao não causal. Isso reduz drasticamente o espaço de busca para a seleção de modelos, eliminando combinações inviáveis (ex.: um modelo MAR(1,1) não é possível se o modelo pseudo-causal tiver um par de raízes complexas, pois isso exigiria dividir o par entre os polinômios, resultando em coeficientes complexos).
3. Identificação de Frequências: O artigo fornece ferramentas práticas (uso da função arctan2 sobre as raízes inversas) para identificar a frequência exata e o módulo das raízes sazonais a partir do modelo pseudo-causal.

4. Resultados Empíricos e Simulações

• Simulações de Monte Carlo:

  • Confirmam que as raízes (reais e complexas) do processo MAR podem ser recuperadas consistentemente através da estimação do modelo pseudo-causal.
  • Demonstram que a presença de raízes complexas conjugadas melhora a precisão na seleção do modelo correto (distinguindo entre MAR puramente causal, puramente não causal e misto), especialmente em amostras maiores.
  • Mostram que ignorar a necessidade de atribuir o par conjugado a um único polinômio (tentando forçar um MAR(1,1) em um processo com raízes complexas) leva a especificações incorretas, embora o algoritmo de estimação possa convergir para um máximo local.

• Aplicação 1: Dados de COVID-19 (Bélgica e Itália):

  • Itália: O modelo selecionado foi um MAR(2,0) (puramente causal) com raízes complexas conjugadas, capturando oscilações.
  • Bélgica: O modelo selecionado foi um MAR(2,2). A análise revelou que a parte não causal continha raízes reais (frequência zero e Nyquist), explicando o comportamento "zig-zag" e a explosividade inicial, enquanto a parte causal continha as raízes complexas. A atribuição correta das raízes foi crucial para capturar a dinâmica temporal, superando modelos com atribuição incorreta em termos de verossimilhança.

• Aplicação 2: Preços de Soja:

  • O estudo reavaliou dados de preços de soja, anteriormente analisados por Fries e Zakoian (2019).
  • O modelo MAR(2,3) selecionado pelos autores apresentou uma estrutura de raízes mais coerente com a periodicidade mensal (ciclo de 6 meses, $\omega = \pi/3$) do que as especificações anteriores.
  • A atribuição das raízes mostrou que a parte não causal capturou a dinâmica explosiva e a sazonalidade complexa, enquanto a parte causal lidou com a persistência de longo prazo.

5. Significância e Conclusão

O artigo oferece uma contribuição fundamental para a econometria de séries temporais não lineares ao esclarecer que a sazonalidade em modelos MAR não é um fenômeno emergente da interação multiplicativa, mas sim uma propriedade isolável dos componentes individuais.

Implicações Práticas:

• Seleção de Modelos Mais Eficiente: Os economistas podem reduzir o espaço de busca de modelos, forçando pares de raízes complexas a permanecerem juntos em um único polinômio (causal ou não causal).
• Melhor Identificação de Dinâmicas: Permite distinguir melhor entre "bolhas" (raízes reais positivas) e "bolhas sazonais" ou oscilações periódicas explosivas (raízes complexas ou negativas).
• Robustez na Estimação: O uso do modelo pseudo-causal como ponto de partida para a AMLE, respeitando as restrições de conjugação complexa, ajuda a evitar máximos locais e a obter estimativas mais precisas dos parâmetros estruturais.

Em suma, o trabalho demonstra que a incorporação de raízes sazonais em modelos MAR não apenas é viável, mas simplifica o processo de modelagem e seleção, oferecendo uma estrutura mais robusta para analisar séries temporais com comportamentos cíclicos e explosivos complexos.