Bizu Econometria

ECONOMETRIA BACEN REA 3/2013 PROF.
ALEXANDRE LIMA

Prof. Alexandre Lima www.pontodosconcursos.com.br 3

( )
2
1 1
2
1

= =
=
n
i
n
i
i i XX
X
n
X S

( )
2
1 1
2
1

= =
=
n
i
n
i
i i YY
Y
n
Y S

O coeficiente de correlao adimensional.

Correlao no implica causalidade.

O coeficiente de correlao no muda quando:

1. adicionamos uma constante K a uma das variveis. O coeficiente de
correlao entre (K+X) e Y (ou entre X e (K+Y)) igual ao coeficiente de
correlao entre X e Y.
2. multiplicamos uma das variveis por uma constante positiva K. O
coeficiente de correlao entre KX e Y (ou entre X e KY) igual ao
coeficiente de correlao entre X e Y.

O coeficiente de correlao troca de sinal quando multiplicamos uma
das variveis por uma constante negativa K.

3. Especificao do Modelo Clssico de Regresso Linear
(Modelo RLC)

O Modelo clssico (ou padro) de regresso linear (RLC) a pedra
fundamental da maior parte da teoria economtrica. clssico ou padro
porque, desde que foi desenvolvido pelo matemtico Gauss em 1821, tem
servido como padro com o qual podem ser comparados os modelos de
regresso que no satisfazem s hipteses gaussianas.

Apresento a seguir as especificaes dos modelos de Regresso Linear Simples
(RLS) e de Regresso Linear Mltipla (RLM).

3.1 Especificao do Modelo de RLS

Modelo de RLS: + + = X Y
2 1
, em que

X a varivel independente (explanatria ou explicativa);
Y a varivel dependente;

1
o intercepto (ponto de interseo com o eixo Y);

ECONOMETRIA BACEN REA 3/2013 PROF. ALEXANDRE LIMA


2
o coeficiente angular (declividade ou inclinao da reta); e
o erro aleatrio do modelo.

Pressupostos do Modelo de RLS:

RS1. O valor de cada Y
i
, para cada valor de X
i
, i = 1, 2, ..., n,
i i i
X Y + + =
2 1
. O
modelo de RLS linear nos parmetros.

RS2. O valor mdio do erro aleatrio 0 ) ( =
i
E , pois admite-se que
i i i
X X Y E
2 1
) | ( + = (Funo de Regresso Populacional - FRP).

RS3. A varincia do erro aleatrio constante, Var(
i
) =
2
. Esta a hiptese
de homocedasticidade (vide a Fig. 1). Alm disso, Var(
i
) = Var(Y
i
), pois Y
i
e
i
diferem apenas por uma constante, o que no altera a varincia.
Nota: a violao desta hiptese denominada heterocedasticidade (vide a
Fig. 1), que ocorre quando os erros no tm a mesma varincia.

RS4. A covarincia entre qualquer par de erros aleatrios,
i
e
j
,
nula
Cov(
i
,
j
) = Cov(Y
i
,Y
j
) = 0
Nota: ocorre violao desta hiptese quando os erros esto correlacionados
entre si.

RS5. A varivel X no aleatria e deve tomar pelo menos dois valores
distintos (variabilidade nos valores de X).

RS6. Os valores do erro aleatrio se distribuem normalmente em torno de
sua mdia, ~ N(0,
2
), se osvalores de Y se distribuem normalmente, e vice-
versa (*).
(*) A hiptese RS6 de erros normalmente distribudos opcional. O modelo
dito gaussiano quando ela adotada.



Fig. 1: homocedasticidade versus heterocedasticidade.

3.2 Especificao do Modelo de RLM

Modelo de RLM:

+ + + + =
+ + + + =
+ + + + =
n n k k n n
k k
k k
X X Y
X X Y
X X Y

, , 2 2 1
2 2 , 2 , 2 2 1 2
1 1 , 1 , 2 2 1 1
...
...
...
...
ou Y = X +

em que



(
(
(
(
=
n
Y
Y
Y
Y
...
2
1

(
(
(
(
=
n k n
k
k
X X
X X
X X
X
, , 2
2 , 2 , 2
1 , 1 , 2
... 1
... ... ... ...
... 1
... 1

(
(
(
(
=
k
...
2
1

(
(
(
(
=
n
...
2
1

Note que Y, e so vetores coluna no modelo de RLM.

Pressupostos do Modelo de RLM:

RM1.
i ki k i i
X X Y + + + + = ...
2 2 1
, n i ,..., 2 , 1 = .

RM2.
ki k i i
X X X Y E + + + = ... ) | (
2 2 1
0 ) ( =
i
E .

RM3. Var(
i
) =
2
= Var(Y
i
) (homocedasticidade).
Nota: a violao desta hiptese denominada heterocedasticidade, que
ocorre quando os erros no tm a mesma varincia.

RM4. A covarincia entre qualquer par de erros aleatrios,
i
e
j
,
nula
Cov(
i
,
j
) = Cov(Y
i
,Y
j
) = 0
Nota: ocorre violao desta hiptese quando os erros esto correlacionados
entre si.

RM5. Os valores de X
ki
no so aleatrios nem so funes lineares exatas das
outras variveis explanatrias.
Nota: A violao da hiptese de que no existe relacionamento linear exato
entre as variveis explanatrias conhecida como multicolinearidade .

RM6. ] ), ... [( ~
2
2 2 1

ki k i i
X X N Y + + + ) , 0 ( ~
2
N
i
(*).
(*) A hiptese de erros normalmente distribudos opcional. O modelo dito
gaussiano quando ela adotada.

A existncia do erro aleatrio no modelo RLC pode ser justificada pelos
seguintes argumentos:

1. Embora a varivel econmica Y possa depender de forma significativa da
variveis econmicas independentes X, razovel admitir que existam
outras variveis menos sistemticas, tais como variaes do clima,
mudanas de governo, terremotos, epidemia, greves etc., que
contribuem para a determinao de Y. O erro aleatrio modela a
influncia lquida de um grande nmero dessas causas pequenas
e independentes.


2. Erros de medida das variveis explanatrias.
3. Indeterminao humana.

4. Estimao do Modelo RLC

4.1 Estimao de Mnimos Quadrados Ordinrios (MQO) do Modelo de
RLS

O objetivo da anlise de regresso estimar (ou prever) o valor mdio da
varivel dependente com base nos valores fixados das variveis explicativas
(veja a Fig. 2), ou seja,

D-me o valor de X e te darei o valor de Y

Fig. 2: Como estimar a linha de regresso?

Na Figura 2,

a linha verde a reta de regresso a ser estimada;
os pontos azuis so os valores observados para Y para valores fixos de X;
a bola de futebol americano indica que a distribuio conjunta de X e Y
normal, ou seja, a distribuio do diagrama de disperso uma normal
bivariada.


Neste bizu, introduzirei um modo maceteado de calcular os parmetros da
reta de regresso linear. Se voc aprender esse mtodo, posso lhe assegurar
que voc nunca mais ter dificuldade para calcular o intercepto e a inclinao
da reta de regresso, uma vez que voc ter aprendido um mtodo que lhe
permitir deduzir rapidamente as frmulas.

Antes de mais nada, considere o diagrama de disperso das variveis
padronizadas x e y, em que
X
X X x / ) ( = e
Y
Y Y y / ) ( = . A Figura 2 mostra
um plot em que a reta de regresso estimada (linha marrom) tem inclinao
menor que 1, de modo que o ngulo da linha de regresso com o eixo
horizontal menor que 45
o
(a linha vermelha indica a reta com inclinao
unitria) Os valores dos eixos horizontal e vertical so adimensionais, pois os
valores foram padronizados. Fato matemtico: a inclinao da reta de
regresso igual ao valor do coeficiente de correlao r.

Fig. 3: Estimao da reta de regresso de dados com X e Y expressos em
unidades padro.

Equao da reta de regresso:

estimativa de y em
unidades padro
=
r vezes o valor de x
em unidades padro



Modelo ARMA(p,q):
t t
B X B ) ( ) ( = .

Um modelo ARMA(p,q) estacionrio e invertvel se todas as razes
de ) B ( e ) B ( esto fora do crculo unitrio (regio de
admissibilidade):

> =
> =
1 | | , 0 ) (
1 | | , 0 ) (
B B
B B

A regio de admissibilidade de um modelo ARMA(1,1) dada por

< <
< <
1 1
1 1

Modelo ARIMA(p,d,q): ) ( ) ( ) ( t B Y B
t
d
= , em que
1
=
t t t
Y Y Y .

9.2 Generalizaes do Modelo de RLS, Teste de Raiz Unitria,
Regresso Espria e Cointegrao

9.2.1 Generalizaes do Modelo de RLS

Modelo de defasagem distribuda = modelo de regresso que tambm
inclui os valores defasados ou passados das variveis explicativas ou
exgenas. Exemplo:

t t t t t
X X X Y + + + + =
2 2 1 1 0

em que
1 t
X e
2 t
X denotam as variveis defasadas,
2 1 0
, , , so parmetros
e
t

Modelo auto-regressivo ou dinmico = modelo de regresso que
tambm inclui um ou mais valores defasados da varivel dependente.
Exemplo:

t t t t
X Y Y + + + =
1

em que
1 t
Y denota a varivel dependente defasada no tempo, , , so
parmetros e
t


Os modelos de defasagem distribuda e auto-regressivo so
generalizaes do modelo de regresso linear simples.

9.2.2 Raiz Unitria

Podemos testar a estacionariedade de uma srie temporal por meio de
um teste de raiz unitria. Suponha o modelo AR(1)

t t t
y y + =
1

em que o coeficiente e
t
denota a perturbao aleatria do modelo, com
mdia zero e varincia
2
. Se 1 = na equao acima, ento temos o passeio

aleatrio
t t t
Y Y + =
1
, que possui uma raiz unitria, pois 1 = (lembre que o
modelo AR(1) estacionrio se 1 | | < ).

Podemos testar a estacionariedade do modelo AR(1), testando a hiptese
nula de que 1 = , contra a alternativa de que 1 | | < , ou simplesmente 1 < . O
modelo AR(1) pode ser expresso na forma

t t t
Y Y + =
1

em que
1
=
t t t
Y Y Y e 1 = . Logo,

< <
= =
0 : 1 :
0 : 1 :
1 1
0 0

H H
H H

Se
t
Y um passeio aleatrio, ento 0 = e

t t
Y =

um rudo branco (processo estacionrio).

O estimador de mnimos quadrados de no modelo AR(1) tem distribuio
assintoticamente normal quando o modelo estacionrio. No caso de razes
unitrias, a aproximao normal no se aplica e a razo t no possui
distribuio t de Student. Portanto, no podemos aplicar a distribuio t para o
teste de hipteses. Quando isto acontece, a estatstica t passa a ser chamada
de estatstica (tau), a qual deve ser comparada com valores crticos
tabelados. Originalmente, estes valores crticos foram calculados por Dickey e
Fuller com base em simulaes de Monte Carlo e o teste que usa esses valores


em que ) (
2 1 1
=
t t t
y y y , ) (
3 2 2
=
t t t
y y y etc., ou seja, usamos termos de
diferenas defasados. O nmero de termos de diferena defasados a incluir
muitas vezes determinado empiricamente: a ideia incluir termos suficientes
de modo que o termo de erro da equao seja serialmente no correlacionado.
A hiptese nula ainda a de que 0 = ou 1 = . Quando o teste DF
aplicado a modelos como o dado acima, chamado de teste
aumentado de DF (Augmented Dickey-Fuller).

A estatstica do teste ADF tem a mesma distribuio assinttica que a
estatstica DF, de modo que podem ser usados os mesmos valores crticos.

9.2.3 Regresso Espria

O modelo de RLS
t t t
X Y + + =
2 1
, em que
t
Y e
t
X so sries temporais,
1

(intercepto) e
2
(coeficiente angular) so parmetros do modelo e
t
denota o
termo de erro aleatrio, requer que todas as variveis sejam I(0) ou
estacionrias.

Regresso espria: sries temporais Y
t
e X
t
so I(1) e no so
cointegradas.

9.2.4 Cointegrao

Quando duas sries temporais so cointegradas, elas parecem tender
para cima ou para baixo ao mesmo tempo. Ainda que cada uma esteja
seguindo uma trajetria aleatria, tem-se a impresso de que h um
sincronismo entre as sries.

Se duas sries temporais so cointegradas, os resultados da
regresso de uma sobre a outra no so esprios e os testes
estatsticos t e F usuais so vlidos.

Duas sries temporais I(1)
t
Y e
t
X so cointegradas se existem
parmetros
1
e
2
tais que a srie de choques aleatrios do modelo

) 0 ( ~
2 1
I X Y
t t t
=

uma estacionria ou I(0). Ou seja, desde que confirmemos que os
resduos
t
so I(0) ou estacionrios, a metodologia tradicional de
regresso (incluindo os testes t e F) aplicvel a dados envolvendo
sries temporais.


No jargo da cointegrao, a regresso acima denominada cointegrante e o
parmetro
2
conhecido como o parmetro cointegrante.

Uma srie de mtodos para testar a cointegrao tem sido proposta na
literatura. Dois mtodos utilizados so: (a) o teste DF ou ADF sobre a
srie de resduos
t
da regresso cointegrante e (b) o teste Durbin-
Watson para regresso cointegrante (DWRC).

H um cuidado a tomar quando utilizamos o teste DF ou ADF para testar a
cointegrao. Como os resduos
t
so obtidos a partir da estimao do
parmetro cointegrante
2
, os valores crticos de significncia de DF e ADF no
so apropriados.

Engle e Granger calcularam esses valores, e por isso que os testes de DF e
ADF no contexto de cointegrao so conhecidos como teste de Engle-
Granger (EG) e teste Aumentado de Engle-Granger (AEG).

9.3 Modelos Multivariados

9.3.1 Vetor Autorregressivo (VAR)

Srie temporal vetorial )' ,..., , (
2 1 nt t t t
X X X X = .

Vetor de mdias de
t
X : )' ,..., , ( ) (
2 1 nt t t t t
X E = =

Matriz de covarincias de
t
X : (t,t) = E{(X
t

t
)(X
t-

t-
)}

Se as sries temporais univariadas X
1t
, X
2t
, ..., X
nt
tiverem distribuio normal
multivariada, as propriedades das sries sero completamente especificadas
pelo vetor de mdias e pela matriz de covarincias.

Uma srie temporal multivariada
t
X estacionria se o vetor de mdias
t
e
a matriz de covarincias (t,t) s dependem da defasagem ou lag temporal
(no dependem do tempo absoluto t),

= E(X
t
) = (
1
,
2
, ...,
n
)

() = E{(X
t
)(X
t-
)} =
(
(
(
(
) ( ... ) ( ) (
... ... ... ...
) ( ... ) ( ) (
) ( ... ) ( ) (
2 1
2 22 21
1 12 11

nn n n
n
n


() = (-) (i,j)-simo elemento da matriz de correlaes () igual ao
(j,i)-simo elemento da matriz (-).

Uma srie vetorial X
t
, de ordem n x 1, um processo VAR de ordem 1, ou
VAR(1), se segue o modelo

X
t
=
0
+
1
X
t-1
+ a
t

em que
0
= (
10
, ...,
n0
) um vetor n-dimensional de constantes,
1
uma
matriz de coeficientes n x n e a
t
um vetor n-dimensional de rudos brancos
com mdia nula e matriz de covarincias (a
t
~ RB(0, )). Assume-se que a
t
tem
distribuio normal multivariada.

Seja o caso particular de modelo VAR(1) para n = 2:

+ + + =
+ + + =

t t t t
t t t t
a X X X
a X X X
2 1 , 2 22 1 , 1 21 20 2
1 1 , 2 12 1 , 1 11 10 1

Se
12
= 0, a srie X
1t
no depender de X
2,t-1
e, de modo anlogo, se
21
= 0, X
2t

no depender de X
1,t-1
. Por outro lado, se
12
= 0 e
21
0, h uma relao linear
unidirecional de X
1t
para X
2t
. Se
12
=
21
= 0 dizemos que no existe relao
linear entre as sries, ou que elas so no-acopladas. Finalmente, se
12
0,
21

0, dizemos que h uma relao de realimentao (feedback) entre as sries.

Um processo vetorial n x 1 X
t
segue um modelo VAR(p) se

X
t
=
0
+
1
X
t-1
+ ...
p
X
t-p
+ a
t

em que
0
= (
10
, ...,
n0
) um vetor n-dimensional de constantes,
k
so
matrizes de coeficientes n x n e a
t
um vetor n-dimensional de rudos brancos
com mdia nula e matriz de covarincias (a
t
~ RB(0, )).

Se I
n
a matriz identidade de ordem n, o modelo acima pode ser escrito como

(B)X
t
=
0
+ a
t

em que

(B) = I
n

1
B ...
p
B
p

o operador auto-regressivo vetorial de ordem p, um polinmio matricial n x n
em B.



Parte III: Econometria de Dados em Painel

10. Modelo Geral

Modelo Geral:
it kit kit it it it it it it
X X X Y + + + + + = ...
3 3 2 2 1

Forma matricial para a i-sima unidade havendo observaes em n perodos de
tempo:

(
(
(
(
+
(
(
(
(
(
(
(
(
=
(
(
(
(
in
i
i
kit
it
it
kin in in
ki i i
ki i i
in
i
i
X X X
X X X
X X X
Y
Y
Y
... ...
... 1
... ... ... ... ...
... 1
... 1
...
2
1
2
1
3 2
2 2 3 2 2
1 1 3 1 2
2
1

em que )' ,..., , ( )' ,..., , (
1 1 2 1 1 2 1 ki i i kit it it
= para t = 1, )' ,..., , ( )' ,..., , (
2 2 2 2 1 2 1 ki i i kit it it
=
para t = 2, e assim sucessivamente.

11. Modelo SUR

Modelo de regresses aparentemente no relacionadas (SUR) para a i-sima
unidade de um corte transversal:

it kit ki it i it i i it
X X X Y + + + + + = ...
3 3 2 2 1

Os parmetros do modelo SUR so constantes no tempo, mas ainda podem
diferir entre as unidades do corte.

Em notao matricial, o modelo SUR para o i-simo membro do corte :

(
(
(
(
+
(
(
(
(
(
(
(
(
=
(
(
(
(
in
i
i
ki
i
i
kin in in
ki i i
ki i i
in
i
i
X X X
X X X
X X X
Y
Y
Y
... ...
... 1
... ... ... ... ...
... 1
... 1
...
2
1
2
1
3 2
2 2 3 2 2
1 1 3 1 2
2
1

Considere um corte transversal com 2 microunidades, A e B. Ento, o
modelo SUR correspondente :

Bt Bt B Bt B B Bt
At At A At A A At
X X Y b
X X Y a

+ + + =
+ + + =
3 3 2 2 1
3 3 2 2 1
) (
) (


em que A e B denotam os membros do corte.

Premissas do modelo SUR:

1. 0 ) ( ) ( = =
Wt Gt
E E ;
2. 0 ) , ( ) , ( = =
Ws Wt Gs Gt
Cov Cov ;
3.
2
) (
G Gt
Var = ,
2
) (
W Wt
Var = , sendo que
2 2
W G
; e
4. 0 ) , ( =
GW Wt Gt
Cov

12. Modelo de Efeitos Fixos

Modelo de efeitos fixos:
it kit k it it i it
X X X Y + + + + + = ...
3 3 2 2 1

Todas as diferenas de comportamento entre unidades e no decorrer do tempo
so modeladas pelo intercepto. Este modelo trata o intercepto
1i
como um
parmetro que fixo e desconhecido, enquanto que o modelo de efeitos
aleatrios trata o intercepto
1i
como varivel aleatria.

O modelo de efeitos fixos estimado usando MQO.

12. Modelo de Efeitos Aleatrios

Intercepto aleatrio:
i i
+ =
1 1
n i ,..., 2 , 1 =

em que
1
um parmetro desconhecido que representa o intercepto
populacional mdio, e
i
um erro aleatrio no observvel que modela as
diferenas entre os comportamentos das unidades. Admite-se que

0 ) ( =
i
E
2
) (

=
i
Var

Modelo de efeitos aleatrios: , ...
3 3 2 2 1 it kit k it it it
v X X X Y + + + + + =

em que
it i it
v + = .

O termo de erro
it
v consiste em dois componentes: o erro global
it
e o erro
especfico
i
. O erro
i
captura as diferenas entre os membros do corte;
varia com as unidades, mas estacionrio.

Propriedades do modelo de efeitos aleatrios:


I. 0 ) ( =
it
v E
it
v tem mdia nula.
II.
2 2
) (

+ =
it
v Var
it
v homocedstico.
III.
2
) , (

=
is it
v v Cov ) ( s t os erros da mesma unidade em tempos distintos
so correlacionados; h autocorrelao.
IV. 0 ) , ( =
js it
v v Cov ) ( j i os erros de unidades diferentes sempre so no
correlacionados, logo, no h correlao
contempornea.

O modelo de efeitos aleatrios estimado usando MQG.

Bizu Econometria

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Bizu Econometria

Hochgeladen von

Copyright:

Verfügbare Formate

ECONOMETRIA BACEN REA 3/2013 PROF.

. Se 1 = na equao acima, ento temos o passeio

Das könnte Ihnen auch gefallen