Beruflich Dokumente
Kultur Dokumente
AULAS 9 e 10
14 de junho de 2013
AULAS 9 e 10
Sumrio
Sumrio
AULAS 9 e 10
Exemplo: Seja x o nmero de marcas de cervejas armazenada em um supermercado incluindo alguns supermercados sem cerveja armazenada (?? No no Brasil) e y o volume de cervejas vendidas no supermercado (www .inf .ufsc .br / ogliari /.../outrost opicosn aa nalised er egressao. Modelo yi = 1 xi + ui .
AULAS 9 e 10
Modelo estimado com k variveis independentes: 1 x1 + 2 x2 + ... + k xk . = y : utilizado para distiguir das estimativas de MQO obtidas juntamente com o intercepto. 1 , ..., k so as = 0. Ento Quando x1 = x2 = ...xk = 0, y estimativas de MQO da regresso de y sobre x1 = x2 = ...xk atravs da origem.
AULAS 9 e 10
2 SQR = n i =1 (yi 1 xi 1 + 2 xi 2 + ... + k xik ) > SQT = n 2 ) : signica que a mdia amostral y , i =1 (yi y "explica"mais da variao em yi do que as variveis explicativas. O que fazer?
AULAS 9 e 10
Desvantagem sria:
Se o intercepto 0 for diferente de zero no modelo populacional, ento os estimadores dos parmetros de inclinao sero viesados. O vis pode ser severo em alguns casos. O custo de estimar um intercepto quando 0 realmente zero que as varincias dos estimadores de inclinao de MQO so maiores.
AULAS 9 e 10
Hipteses
1 2 3 4 5
Linear nos parmetros Amostragem aleatria Colinearidade no perfeita Mdia condicional zero Homocedasticidade
AULAS 9 e 10
Tem-se uma amostra aleatria de n observaes {(xi 1 , xi 2 , ..., xik , yi ) : i = 1, ..., n}. yi = 0 + 1 xi 1 + ... + k xik + ui (equao para uma observao extrada aleatoriamente na populao) MQO escolhe as estimativas de intercepto e inclinao de uma amostra particular de modo que
n i =1 n
i u
=0e
n n
i = xi 1 u
i =1 i =1
i = ... = xi 2 u
i =1
i = 0 xik u
AULAS 9 e 10
Hiptese 3: Colinearidade no perfeita (condies sob as quais as estimativas de MQO so bem denidas)
Na amostra (e, portanto, na populao), nenhuma das varivies independentes constante, e no h relaes lineares exatas entre as variveis independentes. Se uma varivel independente em y = 0 + 1 x1 + 2 x2 + ... + k xk + u uma combinao linear exata de outras variveis independentes, diz-se que o modelo sofre de colinearidade perfeita, e ele no pode ser estimado por MQO.
AULAS 9 e 10
E (u |x1 , x2 , ..., xk ) = 0 o erro u tem um valor esperado igual a zero, dados quaisquer valores das varivies independentes. Violao dessa hiptese:
Relao funcional mal especicada entre as variveis explicativas e explicada. Omisso de fator que est correlacionado com qualquer uma das variveis x1 , x2 , ..., xk .
AULAS 9 e 10
RLM 3: Rejeita certos relacionamentos entre as variveis independentes (no tem nada a ver com o erro u ). RLM 4: Restringe o relacionamento entre as no observveis em u e as variveis independentes.
AULAS 9 e 10
Sob as hipteses de 1 a 4, tem-se j ) = j , j = 0, 1, ..., k E ( para qualquer valor do parmetro populacional j . Os estimadores de MQO so estimadores no viesados dos parmetros da populao.
AULAS 9 e 10
AULAS 9 e 10
Qual o efeito desta incluso? Em termos de inexistncia 1 e 2 no h efeito algum. O que pode de vis de acontecer so efeitos indesejveis sobre as varincias dos estimadores de MQO.
AULAS 9 e 10
Excluir varivel relevante ou subespecicar o modelo: omisso de varivel pertencente ao modelo populacional. Consequncia: estimadores de MQO so viesados.
AULAS 9 e 10
Hipteses de 1 a 5
AULAS 9 e 10
j ) = Var (
n
2 , SQTj (1 Rj2 )
SQTj =
i =1
AULAS 9 e 10
Varincia do erro, 2 : 2 maior implica em varincias maiores dos estimadores de inclinao de MQO. Varincia amostral total em xj , SQTj : maior variao total j ). em xj implica em menor Var (
Aumento da variao amostral em cada varivel independente: aumento do tamanho da amostra.
AULAS 9 e 10
Rj2 : Obtido de uma regresso que envolve somente as variveis independentes do modelo original. xj desempenha papel de uma varivel dependente. Rj2 : proporo da variao total de xj que pode ser explicada pelas outras variveis independentes que aparecem na equao.
AULAS 9 e 10
Correlao alta (mas no perfeita) entre 2 ou mais variveis independentes chamada multicolinearidade.
AULAS 9 e 10
i2 u 2 =
i =1
nk 1
SQR n (k + 1)
AULAS 9 e 10
j ): s vlido se os erros so homocedsticos. ep( No caso de suspeita de heterocedasticidade os erros-padro de MQO no so vlidos ( alguma ao corretiva deve ser tomada).
AULAS 9 e 10
BLUE
Sob as hipteses de 1 a 5 (hipteses de Gauss Markov), o j , j = 1, ...k para j o melhor estimador de MQO, estimador linear no viesado (Best Linear Unbiased estimator - BLUE). Se qualquer uma das hipteses de Gauss Markov no se sustenta, o BLUE no mais vlido. Heterocedasticidade: no leva a vis, entretanto MQO no tem mais a menor varincia entre os estimadores lineares no-viesados.
AULAS 9 e 10