econometria

1. ECONOMETRIA 1 MODELO DE REGRESSÃO LINEAR SIMPLES

2. ECONOMETRIA ‡ REFERÊNCIAS: ‡ Introdução à Econometria ± Uma abordagem Moderna. Jeffrey M. Wooldridge 2ª edição ± 2006 ‡ Estatística e Introdução a Econometria ± Alexandre Sartoris ± Ed.Saraiva. 1ªedição - 2004

3. ECONOMETRIA ‡ Regressão: Processo o qual tenta se estimar a relação entre duas ou mais variáveis ‡ Regressão Linear Simples: ocorre quando a regressão apresenta apenas uma variável independente.

4. ECONOMETRIA ‡ Regressão Linear Simples(RLS) ‡ Formalmente a RLS se apresenta no seguinte formato: ‡ Sendo: ‡ equação da reta. ‡ : termo de erro. ‡ O termo , deve ser incluído na regressão, pois como mostra o gráfico, o valor de Y não será exatamente dado pelo ponto da reta. Em segundo, o termo , se refere diretamente a imprecisão de medidas, por mais preciso que este seja. iii exY ! FE ixFE ie ie ie y y y y y y y y y y iY y y ix y y y y y y y y y y y y y

5. ECONOMETRIA ‡ Por fim, o erro da conta de todos os eventos de difíceis mensuração, mas que são (supostamente) aleatórios. Se o modelo que estivermos trabalhando estiver corretamente especificado, podemos supor, que em média o erro tem valor zero, isto é, a probabilidade do erro ser x unidades acima da reta é a mesma de ser x unidades abaixo da reta. ‡ Com isso, temos a primeira hipótese sobre o modelo de regressão: ‡ 1. , os erros tem média zero.

6. 0!ieE

7. ECONOMETRIA ‡ Método dos Mínimos Quadrados Ordinários (OLS) ‡ Estimar a reta de regressão significa na verdade, encontrar os estimadores para Į e ȕ (pois estamos trabalhando com uma amostra). Para isso, podemos reordenar as variáveis x e y da seguinte forma: ‡ x e y são variáveis centradas na média. Xx '! Yy 9!

8. ECONOMETRIA ‡ Assim: ‡ (1) ‡ Como por hipótese ‡ (2) ‡ Ao subtrairmos (2) de (1): ‡ Logo: ‡ (3) ‡ Tal metodologia pressupõe que queremos estimar uma reta que tenha o menor erro possível. Mas somar erros não acrescenta muito, pois há erros negativos e positivos, que irão se cancelar.

9. 0!ieE iii eXY ! FE 0! XY FE iii eXXYY ! )()( FEE iexy ! F

10. ECONOMETRIA ‡ Para resolvermos isto, basta elevarmos ao quadrado, eliminando os negativos. Então a melhor reta será aquela cuja a soma dos quadrados dos erros for mínima. Daí: MQO ou OLS (ordinary least squares). ‡ De (3), usando as variáveis centradas na média: ‡ A soma dos quadrados dos erros: ‡ ou; ‡ Pelas propriedades da soma e como ȕ é uma constante: xye F! )²()²( 11 §§ !! ! n i n i i xye F )2²²()²( 1 2 1 yxxye n i n i i §§ !! ! FF § §§§ ! !!! ! n i n i n i n i i xyxye 1 111 2²²²)²( FF

11. ECONOMETRIA ‡ Para Encontrar o valor de ȕ que dê o minimize essa soma, o procedimento é derivar e igualar a zero. Como o valor de ȕ é um estimador, utilizaremos logo . . ‡ Derivando em relação a ȕ e igualando a zero: ‡ Dividindo por dois em ambos os lados: ‡ Assim : ‡ (4) FÖ § § ! 02²Ö2 xyxF 0²Ö !§ §xyxF 0 ² Ö !! § § x xy F

12. ECONOMETRIA ‡ E o estimador para : ‡ Substituindo pelos respectivos estimadores: ‡ ‡ portanto: ‡ (5) E XY FE ! XY FE ÖÖ ! XY FE ÖÖ !

13. ECONOMETRIA ‡ Tabela 1: Som/méd X Y x y x² y² xy 103 160 -50.57 -52.57 2575.56 2763.60 2667.92 123 167 -30.75 -45.57 945.56 2076.62 1401.27 145 205 -8.75 -7.57 76.56 57.30 66.23 126 173 -27.75 -39.57 770.06 1565.78 1098.06 189 256 35.25 43.43 1242.56 1886.16 1530.9 211 290 57.25 77.43 3277.66 5995.40 4432.86 178 237 24.25 24.43 588.06 596.82 592.42 ™ 1075 1488 0 0 9474.92 14941.68 11788.68 Média 153,7 212,5 0 0 1353.56 2134.52 1684.09

14. ECONOMETRIA ‡ Agora podemos facilmente estimar a reta de regressão que na tabela representa os valores em negrito: ‡ = 1684.09 /1353.56 = 1.244 ‡ E para o intercepto, utilizamos os valores em vermelho: ‡ = 212.57 ± 1.244 x 153.75 = 21.28 ‡ A reta a ser estimada é dada por: ‡ = 21.28 + 1.244. ‡ Significando que se x = 150: ‡ = 21.28 + 1.244. 150 = 207.88 FÖ XY FE ÖÖ ! YÖ XÖ YÖ

15. ECONOMETRIA ‡ Devemos verificar se a regressão é boa e a maneira mais formal é calcular a diferença entre os dados no exemplo e o da reta de regressão: ‡ = 21.28 + 1.244. 103 = 149.42 ‡ = 21.28 + 1.244. 123 = 174.29 ‡ = 21.28 + 1.244. 145 = 201.08 ‡ = 177.52 ‡ = 255.64 ‡ = 282.92 ‡ = 242.71 2ÖY 1ÖY 3ÖY 4ÖY 5ÖY 6ÖY 7ÖY

16. ECONOMETRIA ‡ Tabela 2 Soma/média 149.42 10.59 174.29 -7.29 201.08 3.92 177.52 -4.52 255.64 0.36 282.92 7.08 242 -5 ™ 1481.86 0 média 211.59 0 YÖ YY Ö

17. ECONOMETRIA ‡ Essas diferenças não são os erros, é quase isso. Os erros são as diferenças entre os valores de Y e a reta verdadeira, isto é, a reta oriunda de valores populacionais de e (que não são conhecidos). ‡ As diferenças que encontramos são entre os valores de Y e os dados com os valores amostrais de e . São, portanto, não os erros, mas os estimadores dos erros, ou simplesmente os resíduos da regressão. ‡ Analisaremos, agora o quadro dos resíduos e sua variância, a análise da variância é conhecido como ANOVA. F FE E

18. ECONOMETRIA ‡ Soma/méd Resíduos Quadrado dos resíduos 149.42 10.59 112.78 174.29 -7.29 53.14 201.08 3.92 15.36 177.52 -4.52 20.43 255.64 0.36 0.129 282.92 7.08 50.12 242 -5 25 ™ 1481.86 0 276.04 média 211.59 0 39.56 YÖ A análise da variância consiste em dividir a variável Y em duas partes: i) a explicada pela regressão ii) não explicada (resíduos) Então o primeiro passo é calcular a soma dos quadrados da variável Y e de suas partes explicada e não explicada.

19. ECONOMETRIA ‡ Calculamos, logo: ‡ 1) SQT Soma dos Quadrados Totais de Y(centrado); ‡ 2) SQE Soma dos Quadrados Explicativos (Y estimado); ‡ 3) SQR Soma dos Quadrados dos Resíduos. ‡ Com tais informações, já é possível tirar uma conclusão a respeito da regressão, dado que SQR é uma parcela pequena do total ou podemos dizer que SQE tem uma parcela importante. ‡

20. ECONOMETRIA ‡ SQT = 14941.68 = ™y². ‡ Para a SQE há duas maneiras: ‡ 1 ± Calcular um a um tirando a média e elevando ao quadrado. ‡ 2 ± Ou usarmos a equação da reta: ‡ SQE = ‡ = 1.244² . 9474.92 = 14662.62 ‡ e SQR que já foi calculado: ‡ SQR = 276.92 ‡ Notando que: SQT = SQR + SQE = 14662.62 + 276.96 = 14941.68 iXY FÖÖ ! iXY FÖÖ ! §§ § !! ²²Ö)²Ö()²Ö( ii XXY FF

21. ECONOMETRIA ‡ Essa proporção é conhecida como poder explicativo, coeficiente de determinação ou simplesmente R²: ‡ R² = SQE/ SQT = 14665.62/ 14941.68 = 0.9814 = 98.14% ‡ Note que é impossível SQE SQT e este também não pode ser negativo. Logo 0 ” R² ” 1. ‡ Como R² = 98.14%, dizemos que 98.14% da variância de Y é explicada por X, indicando que a regressão de Y por X indicou um bom resultado. ‡

22. ECONOMETRIA ‡ Contudo, a análise continua. Colocaremos os Graus de Liberdade(G.L) ‡ ( lembrando que G.L é adquirido através da variância amostral que é dada por porque seu estimador é uma soma de n ± 1 variáveis normais padronizadas, dado que S² é obtido de uma variável cuja a distribuição é normal.). Para SQT, os Graus de Liberdade são os mesmos p/ variância amostral normal, ou seja, 7 ± 1 = 6. 1/²)(² 1 !§! nXXS n i

23. ECONOMETRIA ‡ SQR são os resíduos de uma reta e para uma reta são necessários dois pontos. Mas com dois pontos, não temos variação nenhuma. Assim, devemos ter n ± 2 G.L para os resíduos, ou seja, 7 ± 2 = 5. ‡ Para SQE, há dois modos: ‡ - diferença( 6 ± 5 = 1) ‡ - o fato de que há apenas uma variável explicativa. ‡ Utilizando de uma tabela temos: ‡ Soma dos Quadrados G.L Quadrados Médios SQE = 14662.62 1 14662.62 SQR = 276.96 5 55.39 SQT = 14941.68 6 2489.93

24. ECONOMETRIA ‡ Os quadrados médios são as variâncias propriamente ditas. Iremos testar, estatisticamente falando, se a variância explicada é maior do que a variância dos resíduos, ou seja, faremos a comparação de variâncias. ‡ O Teste F é feito,dividindo-se uma variância pela outra. Mas para tal teste, é necessário que as variáveis das quais foram obtidas as variâncias sejam normais, isto é, Y é normalmente distribuído: Como ela é uma reta, mais um erro aleatório, a variância de Y será dada pela variância do erro. Portanto, criaremos uma hipótese adicional sobre o erro, a de que ele segue uma distribuição normal. Então: ‡ Soma dos Quadrados G.L Quadrados Médios Teste F SQE = 14662.62 1 14662.62 264.71 SQR = 276.96 5 55.39 SQT = 14941.68 6 2489.93

25. ECONOMETRIA ‡ Consultando a Tabela de distribuição F, acharemos o valor limite da distribuição para o teste, com 1 G.L para o numerador e 5 para o denominador, a 5% de significância: ‡ F1,5 = 6.61 FTABELADO ‡ FCALCULADO = 264.71 ‡ Logo Fc FT. Na regressão, temos a hipótese nula de que as variâncias são iguais. Se rejeitarmos H0, isso significa que a regressão explica mais do que não explica, considerando a regressão válida. No nosso caso, Fc FT, por isso a regressão é valida a 5% de significância.

26. ECONOMETRIA ‡ Teste de Significância dos Parâmetros. ‡ Testar a significância dos parâmetros significa testar H0 de que e são, na verdade, iguais a zero. Isto é, será que os parâmetros não existem de fato, e o valor que encontramos é apenas resultados da amostra? ‡ Isto equivale a testar as seguintes hipóteses p/ (assim como p/ ): E F F E 0: 0: 1 0 { ! F F H H

27. ECONOMETRIA ‡ Como são variáveis normalmente distribuídas, cuja a variância não conhecemos ao certo, a distribuição a ser utilizada é a t de Student. Os valores tabelados com 5 (= n -2) G.L, com 1%, 5% e 10% (bicaudais) são: ‡ E o valor calculado da estatística t é dado por: ‡ Isto é, basta dividir o coeficiente encontrado pelo seu desvio padrão.

30. 032,4 570,2 015,2 %1,5 %5,5 %10,5 ! ! ! t t t FF FF ÖÖ Ö0Ö SS !

31. ECONOMETRIA ‡ A questão, agora, é encontrar o dp de . Sabemos que: ‡ Então: ‡ ‡ O estimador dessa variância (amostral)será: ‡ ‡ Onde var(yi) = var(resíduos) FÖ

32. ¹ ¹ º ¸ © © ª ¨ ! § § ² varÖvar i ii x yx F

35. i i i y x x S var ² 2 2 2 Ö ™! § § F § §! ² Ö i ii x yx F

36. ECONOMETRIA ‡ Já que a variância de Y dado X, ou seja, a variância de Y no modelo de regressão, é a própria variância dos resíduos, que já calculamos na ANOVA é igual a 55,39 e foi obtida por meio da expressão SQR/(n-2): ‡ O cálculo da estatística é, então: ‡ Como o valor calculado é superior aos tabelados, rejeitamos H0 de que . ‡ Dizemos então que é estatisticamente diferente de zero ou significante a 1%. 28,16 0764,0 244,1Ö 0764,000584,0 92,9474 39,55 Ö Ö 2 Ö !! ! !! F FF F S SS

38. resíduos x nSQR S i var 2/ 2 2 Ö § !F 0!F F

39. ECONOMETRIA ‡ O Procedimento para é quase o mesmo. A diferença está no cálculo de seu desvio padrão. Sabemos que: ‡ Cujo o estimador será dado por: ‡ Logo também é estatisticamente significante a 1% E

46. FE FEFE FE ÖvarvarÖvar ÖvarvarÖvarÖvarÖvar ÖÖ 2 X n y XYXY XY ¹ ¹ º ¸ © © ª ¨ ! ! ! ! §

47. § ™ ™! 2 2 2 2 Ö 2/ 2 ix nSQR X n SQR n n SE ¼ ¼ ½ » ¬ ¬ « ™ ! § 2 2 2 Ö 1 2 ix X nn S SE

48. 441,472,19 92,9474 7,153 7 1 39,55 Ö 2 2 Ö ! $¼ ½ » ¬ « ™! EE SS 791,4 441,4 28,21Ö Ö !! E E S E

49. ECONOMETRIA ‡ Ex: Uma amostra de 16 observações de duas variáveis Y e X, foram obtidos os seguintes resultados: ‡ Estimemos os parâmetros da reta de regressão e testemos sua significância, assim como a validade da regressão. Os parâmetros da regressão serão dados por: §§ §§ §§ §§ !! !! !! !! 59,587.234,764.127 12,567.5843,553.10 35,511.288751.57 1,1891869 22 22 xyXY yx YX YX 51,1 16 869 235,2 16 1,918.1ÖÖ e235,2 43,553.10 59,587.23Ö 2 !™!! !!! § § XY x xy i FE F

50. ECONOMETRIA ‡ O modelo encontrado é então: ‡ Para testar a validade da regressão, montamos uma ANOVA. Para isso, calculamos as somas dos quadrados: XY ™! 235.251.1Ö 37,847.5 75,719.52Ö 12,567.58 22 2 !! !! !! § § SQESQTSQR xSQE ySQT F Soma dos Qdos G.L Qdos Médios Teste F SQE= 52.719,75 SQR= 5.847,37 1 14 52.719,75 417,67 126,22 SQT= 58.567,12 15 3.904,47

51. ECONOMETRIA ‡ Usando a Tabela com GL1,14 a 5%, valor encontrado é 4,60. Com isso, aceitamos a validade da regressão. O poder explicativo é: ‡ Quanto a significância dos parâmetros, temos que seus desvios-padrão são: ‡ As estatísticas t serão, portanto: 9002,0 12,567.58 75,719.522 !!R 199,0e95,11 ÖÖ !! FE SS 2.11 199,0 235,2Ö 13.0 95,11 51.1Ö Ö Ö !! $ ! F E F E S S

52. ECONOMETRIA ‡ Os valores críticos para a distribuição t , com 14 G.L são: ‡ Como o valor encontrado para é superior a todos esses valores, temos que ele é significante a 1%. ‡ Já para , ocorre o contrário, portanto, concluímos que não é significante, o que vale dizer que não podemos rejeitar a hipótese de que é zero. Poderíamos, também, dizer que o intercepto não existe. ‡ O procedimento agora seria, logo, retirar o intercepto, isto é, estimar novamente a regressão sem o coeficiente , o que é feito no exemplo seguinte. ‡

55. 98,2 14,2 76,1 1,14 %5,14 %10,14 ! ! ! t t t F E E E E

56. ECONOMETRIA ‡ Tendo em vista que o intercepto da regressão do exemplo anterior era não significante estatisticamente, estimemos novamente a regressão, só que sem intercepto: ‡ (reta que passa pela origem) ‡ Quando encontramos o estimador de M.Q.O, havíamos substituímos as variáveis originais ( X e Y) por variáveis centradas na média. O objetivo era, exatamente, eliminar o intercepto da equação. Como ele agora não existe mesmo, o estimador de MQO será o mesmo, exceto pelo fato de que não usaremos mais variáveis centradas. IF ! ii XY ² Ö i ii X YX§!F

57. ECONOMETRIA ‡ Substituindo pelos valores dados no ex. anterior: ‡ O modelo será: ‡ E, para o teste do coeficiente encontrado, precisaremos de seu dp. Temos que o SQE pela regressão é dada por: ‡ A soma dos quadrados dos resíduos será, portanto: ‡ E, assim, podemos encontrar a variância dos resíduos (que é a própria variância da regressão): 212,2 751.57 4,764.127Ö !!F XY 212,2Ö ! 3,657.282Ö 22 $! §XS E F 05,854.53,657.28235,511.288Ö 222 !!!! §§ XYSQESQTSQR F

58. 27,390 15 05,854.5 1 var 2 !! !! n SQR Sresiduos

59. ECONOMETRIA ‡ Repare que usamos n ± 1 e não n ± 2, como fazíamos quando a regressão incluía o intercepto. Isso é fácil de entender já que, ao excluir o intercepto, implicitamente supomos conhecer a existência de pelo menos um ponto da reta, que é a origem, o que nos faz ganhar um grau de liberdade. ‡ Para calcular a variância ( e o dp) do coeficiente , usamos a mesma fórmula já usada anteriormente, apenas trocando o x (centrado) pelo X: ‡ Portanto, a estatística t será: ‡ FÖ

60. 082,000676,0 751.57 27,3901/ Ö2 2 Ö ! !! ! § FF S X nS S i 27 082,0 212,2Ö Ö !! F F S

61. ECONOMETRIA ‡ O que, evidentemente, é maior do que os valores tabelados. Em todo caso, esses valores, para 15 GL, são: ‡ E, obviamente, o valor encontrado, 27, é maior do que os tabelados, sendo então, significante a 1%.

64. 95,2 13,2 75,1 %1,15 %5,15 %10,15 ! ! ! t t t

65. ECONOMETRIA ‡ O R², tb deve ser visto com reservas qdo se trata de uma regressão sem intercepto. Isso porque, na medida em que usamos variáveis não centradas, ele é diferente do R² usual e ambos não podem ser comparados ( pois se usarmos o R² c/as variáveis centradas, o resultado poderá ser negativo). ‡ Esse R² especial p/modelos sem intercepto é conhecido como R² não centrado ou R² bruto. Nesse caso: 9797,0 35,511.288 3,657.2822 !!NCR

66. ECONOMETRIA ‡ Quando comparamos os resultados obtidos nos dois modelos ( com e sem intercepto), verificamos que as diferenças entre os coeficientes são muito pequenas. O dp, quando a estimação foi realizada sem intercepto, foi menor ( o q é uma vantagem). ‡ De fato, se a reta realmente passa pela origem, é razoável que uma estimação que leve isso em conta seja mais precisa. ‡ Obs: Devido a relação custo ± benefício (devido a erros de especificação e avaliação no modelo) a estimação sem intercepto só é recomendável se existir uma razão muito forte em se acreditar que a reta passe pela origem. F

67. ECONOMETRIA ‡ Hipótese de Normalidade: ‡ As hipóteses até o momento para regressão: ‡ 1) E(İi) = 0, os erros tem média zero. ‡ 2) İi são normalmente distribuídos.

68. ECONOMETRIA ‡ Propriedades dos estimadores de mínimos quadrados: ‡ O estimador de ȕ é não viesado? ‡ ‡ Como a esperança da soma é a soma das esperanças: ‡ e como ȕ é uma constante: ‡ § §)!) ² )Ö( i ii x yx F ¼ ¼ ½ » ¬ ¬ « )!) § § ² )( )Ö( i iii x xx IF F ¼ ¼ ½ » ¬ ¬ « )!) § § ² )²( )Ö( i iii x xx IF F ¼ ¼ ½ » ¬ ¬ « ) ¼ ¼ ½ » ¬ ¬ « )!) § § § § ²² ² )Ö( i ii i i x x x x IF F ¼ ¼ ½ » ¬ ¬ « ) ¼ ¼ ½ » ¬ ¬ « )!) § § § § ²² ² )Ö( i ii i i x x x x I FF ? A ¼ ¼ ½ » ¬ ¬ « ))!) § § ² )Ö( i ii x x I FF ¼ ¼ ½ » ¬ ¬ « )!) § § ² )Ö( i ii x x I FF

69. ECONOMETRIA ‡ Olhando o termo dentro da esperança, vemos que os valores xi são fixos, ou para ser mais preciso, fixos em amostras repetidas. Ex: Imóveis. ‡ Um imóvel é sorteado na amostra e este tem uma área(m²).Se por acaso este for novamente sorteado, ele irá apresentar a mesma área, ou seja, valor fixo, e que não depende de Pbdd. Logo, a área de um imóvel se enquadra nesta hipótese. ‡ Isto não se aplicaria se: ex: nota de um aluno. ‡ P1 8,0 ‡ P2 não necessariamente tiraria a mesma nota, então, dependeríamos de uma distribuição de Pbdd e neste caso x é uma variável estocástica. ‡ Se x for fixa então xi pode ser estimado como uma constante: ‡ § §!) ² )Ö( i ii x xI FF

70. 0)( !)!) iiii xx II

71. ECONOMETRIA ‡ Já que , logo: ‡ Dessa forma, , é um estimador não viesado do coeficiente ‡ Assim: ‡ 0)( !) iI F I FF !!) § § ² )Ö( i ii x x FÖ F os)estocástic(nãofixossão.3 osdistribuídenormalmentsão.2 0)(.1 i i i x I I !)

72. ECONOMETRIA ‡ Isso significa que, se for estocástica o coeficiente não será viesado se mantivermos a condição de que , o que equivale a dizer que Já que , podemos garantir que o estimador é não viesado, ou seja, ‡ ‡ EFICIÊNCIA E BLUE Se além das hipóteses 1 e 3 os tiverem variância constante e forem não autocorrelacionados (erros independentes) o Teorema de Gauss-Markov mostra que o estimador de MQO apresenta a menor variância entre todos, que são lineares e não viesados, portanto um BLUE: ‡ 4. (constante) ‡ 5. (os erros não são autocorrelacionados). ‡ Se ainda levarmos em conta a hipótese de normalidade, é possível demonstrar (desigualdade de Cramer-Rao) que o estimador tem a menor variância entre todos os estimadores não viesados de , isto é, é um estimador eficiente.

73. 0!ii xeE ix

74. 0!ii xeE

76. iiii xeExe !cov ix ie

77. 2 var W!ie

78. jieeE ji {! 0 FÖ F 3. * , os xi são não correlacionados com os erros

79. 0!ii xeE

econometria

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Destacado

Destacado (20)

Similar a econometria

Similar a econometria (20)

econometria