Beruflich Dokumente
Kultur Dokumente
OBS: O 2 s tem sentido num modelo com termo independente, e mais prximo de 1 melhor.
Tratando-se de ajustamentos envolvendo distintas variveis dependentes, os coeficientes de
determinao no so, na sua totalidade, diretamente comparveis entre si.
Matrizes
11 de fevereiro de 2010 - Grupo III alnea d e e
14 de Janeiro de 2014 grupo b e c
27 de janeiro de 2010 Grupo III
As matrizes so:
Modelo com termo independente
= 1 + 2 2 +3 3 +4 4 + + +
= 2 2 +3 3 + 4 4 ++ +
1
2
Y= 3
4
[ ]
1
2
Y= 3
4
[ ]
1
2
= 3
4
[ ]
2
3
= 4
[ ]
1
2
3
u=
4
[ ]
1
2
3
u=
4
[ ]
1 21
1 22
1 23
X=
1 24
[1 2
31
32
33
34
41
42
43
44
1
2
3
4
21
22
X = 23
24
[2
31
32
33
34
41
42
43
44
1
2
3
4
XX =
2
3
4
2
2
2
3 2
4 2
3
2 3
2
3
4 3
4
2 4
3 4
2
4
4
2
3
4
2
]
2
2
3 2
XX = 4 2
[ 2
2 2
3 3
XY =
4 4
[ ]
2 3
2
3
4 3
2 4
3 4
2
4
4
2
3
4
2 2
3 3
XY = 4 4
[ ]
= ( ) XY
1 ;
) Cov (
2 ;
) Cov (
3 ;
)
[Cov (
1 ;
)
Cov (
2 ;
)
Cov (
3 ;
)
Cov (
Var (
) ]
1 +
2
3
=
2 +
3 + +
(daqui podemos calcular os betas estimados, a mdia da varivel explicada e explicativas)
Captulo II
O p-value o menor nvel de significncia que conduz rejeio de H0, para uma dada
amostra, assim sendo:
p-value : no se rejeita H0;
3
~ t(n-k)
Sendo o modelo
(indicar o modelo em causa)
O par de hipteses em teste :
0 : + = z
1 : + z
Sob 0 demonstra-se que:
Est. Teste =>
(
+ )
~ t(n-k)
OBS:No modelo de regresso linear simples, temos uma relao especial entre o teste de
significncia individual de 2 e o teste de significncia global. Isto :
( ) =
( ) =
Sendo o modelo
= 1 + 2 2 +3 3 + + +
O par de hipteses em teste :
0 : 2 = 3 = = = 0 (os coeficiente com variveis explicativas)
1 : 0, j = 2,3,
Sob 0 demonstra-se que:
Est.
2
1
Teste => 1 2
~ F (k-1, n-k)
1 : 0, j = 1, , 3
Sob 0 demonstra-se que:
Est.
2
2
Teste =>
1 2
(+)
~ F (r, n-k-r)
Com matrizes
Sendo o modelo
Sendo o modelo
)
(
+(
)]
= [1 20 30 0 ]
(a matriz de dos Xs que temos que substituir para
)
determinar o
Ou
c
[ +
=
+(
)
(
( )
Sendo:
)]
= [1 20 30 0 ]
c
[ + ( ) )]
=
ofRegression;
: a varivel dependente em questo;
c
[ + ( ) )]
= [1 20 30 0 ]
: para determinarmos a mdia da varivel explicvel
ou Var (2 ) =
( )
= c
(
)
1 possibilidade: Utilizando o intervalo de confiana de [;], para x nvel de confiana, o valor
indicado no enunciado no est includo nesse intervalo. Assim sendo, para o dado nvel de
confiana definido e de acordo com a informao estatstica disponvel, podemos concluir que
essa informao no compatvel
2 possibilidade: Utilizando o intervalo de confiana de [;], para x nvel de confiana, o valor
indicado no enunciado est includo nesse intervalo. Assim sendo, para o dado nvel de
confiana definido e de acordo com a informao estatstica disponvel, podemos concluir que
essa informao compatvel.
Captulo III
Interpretao
8 de Setembro de 2009 - Grupo III
17 de fevereiro de 2009 Grupo I e III
27 de janeiro de 2009 Grupo I
7 de Setembro de 2010 Grupo II e III
11 de Fevereiro de 2010 Grupo II
8 de Fevereiro de 2011 Grupo III
5 de Setembro de 20122 Grupo II
17 de janeiro de 2012 Grupo III
8
Linear
Polinomial
Logaritmo
Especificao
Original
Como aparece (j
linearizado)
=1 +2 2 +
= 1 + 2 2 +3 3 2 +4 4 3 + +
1 +
=1 +2 +
(restrio que X > 0)
Interpretao dos
coeficientes
:que corresponde a E (Y | X
= 0), isto , estima-se que o
valor mdio de Y quando as
variveis explicativas so zero.
: estima-se que quando X
Declive
Elasticidade ( )
:que corresponde a E (Y |
2 = 3 2 = 4 3 = 1 =
0), isto , estima-se que o
valor mdio de Y quando as
variveis explicativas so zero.
: o aumento de uma
unidade de X induzir um
aumento de
em Y, ceteris
paribus.
:que corresponde a E (Y | X
um acrscimo de X em 1%, Y
Hiperblic
o
=1 +2 +
(restrio de X 0)
cresce aproximadamente 2
100
unidades, ceteris paribus.
:que corresponde ao limite
- 2 2
-2
2 Y
2 X
- :
Ln = 1 + 2 2 +
Exponenci
al
= 1 + 2 2
(admite-se a
restrio Y > 0)
OU
.
: estima-se que perante,
um acrscimo de X em uma
unidade,
Y
cresce
2 * 100%.
aproximadamente
( 1) * 100%: quando X
varia em uma unidade, Y varia
( 1) * 100%.
Ln = Ln 1 + 2 Ln
+
(Admite-se aqui as
restries: Y, X e 1 >
0)
Potncia
=1 2
Ou ainda, podemos
ter:
Ln = 1 * + 2 Ln +
Exponenci
al-Inverso
1 +
2
2
Ln = 1 + 2 +
OBS: No caso de X
representar um perodo de
tempo,
*
100%
corresponde taxa de
instantnea/contnua anual
de crescimento de
Y no
perodo considerado.
J ( 1) * 100% ao ano
corresponde taxa discreta
de crescimento de Y no
perodo considerado.
( *): corresponde E (Ln Y
de .
: corresponde a , isto ,
elasticidade de Y em ordem
a X. Isto , um variao de X
em 1%, induzir uma variao
2 %, ceteris paribus.
de
(a variao relativa de Y e a
variao relativa de X
constante)
:
corresponde
a
( ) = , isto , o
-2 2
-2
10
- um ponto de inflexo,
isto , at ao valor X igual a
, Y cresce a taxas crescentes
Modelos de tendncia
Sazonalidade
Sendo o modelo
Modelo I: modelo original
Modelo II: modelo original + as dummys sazonais
O par de hipteses em teste :
0 : 1 = 2 = = = 0 (os coeficiente das dummys)
1 : 0, j = 1, , 3
Sob 0 demonstra-se que:
Est.
2
2
Teste =>
1 2
(+)
~ F (r, n-k-r)
11
2 possibilidade: Sendo que < , no rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que no h evidncias de sazonalidade.
Testes de Estrutura
Os testes de estrutura que estudamos so: teste de Chow e o teste de Gujarati. Ambos
conduzem mesma concluso, mesma estatstica observada e valor crtico.
1-Teste de Chow
Sendo os modelos
(identificar os dois modelos)
O par de hipteses em teste :
0 : 1 = 1 2 = 2 =
1 :1 1 2 2
Sob 0 demonstra-se que:
Est. Teste =>
( 1 1 + 2 2 )
1 1 + 2 2
1 + 2 2
~ F (k, 1 + 2 2)
12
Est.
2
2
Teste => 2
1
(+)
~ F (r, n-k-r)
Captulo IV
Estimadores GLS
Sob as hipteses definidas para o modelo de regresso generalizado (pgina 240), os
estimadores GLS tm as seguintes caractersticas:
- so lineares em Y;
- so estimadores cntricos e consistentes;
- (ver frmula de varincia no formulrio)
- so os estimadores de varincia na classe dos estimadores lineares e cntricos. Esta
caracterstica resulta do teorema de Aitken: sob [H0] [H5], com [H2] e [H3], sendo (ou V)
uma matriz conhecida, simtrica e definida positiva, os estimadores GLS so os de varincia
mnima na classe dos estimadores lineares em Y e cntricos.
13
Como desconhecida, ser preciso estim-la. Assim sendo, vamos usar os estimadores EGLS.
Captulo V
Heteroscedasticidade
A varincia do termo de perturbao aleatria, dadas as variveis explicativas, no
constante.
Uma vez detetada a presena de autocorrelao e/ou heteroscedasticidade no modelo
original, os estimadores de OLS continuam a ser cntricos, geralmente consistentes, no
entanto deixam de ser eficientes. Por isso, a inferncia estatstica deixa de ser vlida, isto , os
testes de significncia individual e testes de significncia global. Ou seja, subavaliamos as
verdadeiras varincias, e portanto, a sobrevalorizao das estatsticas T (em valor absoluto) e
F.
Deteo informal
O incremento da varivel X (explicativa ou independente) acompanhado por uma disperso
dos pontos. Isso implica que a varincia do termo aleatrio ser tanto maior quanto maiores
forem os valores da varivel explicativa X.
Teste de White
14
Sendo o modelo
(indicar o modelo em causa)
A regresso auxiliar :
2 =0 + 1 + 2 2 + 3 ( ) +4 + 5 2 + , em que uma
perturbao aleatria que segue as hipteses clssicas:
E( ) = 0;
Var( ) = 2 i;
Cov( ; ) = 0;
O par de hipteses em teste :
0 : 1 = 2 = 3 = 0
1 : 0, i = 1, , r
Sob 0 demonstra-se que:
Est. Teste => n * 2 ~ 2 (r)
Teste de Breush-Pagan
Sendo o modelo
(indicar o modelo em causa)
A regresso auxiliar :
15
* SQE~ 2 (p)
2 = +
Ou
SQE = 2 * SQT = 2 * (SQE + SQR)
do modelo original do pode ser calculado usando:
-
= (. ) = ( ) =
(
) = ()
16
(. ) ()
)
= (
Correco da Heteroscedasticidade
Quando conhecido (padro de heteroscedasticidade)
Para corrigir o modelo original dividimos o modelo original por e obtemos o modelo
transformado, isto :
= 1 + 2 2 + + + (modelo original)
2 2
++
* = 1 1* + 2 2 * + + * + (modelo transformado)
Em que,
*=
1 *=
*=
)=
Cov ( ; ) = E( ) = E(
)=
( )
E( ) = 0
1
Var( ) = 2 = 2 i
)=
= E( ) = 0 i, j, i j
Var
( ) = ( )1 S ( )1 em que S seria:
S = X
E ( ) = 0;
Var ( ) = 2 t;
Cov ( ; ) = 0 t s;
A regresso auxiliar :
= modelo original + 1 1 + 2 2 + +
O par de hipteses em teste :
0 : 1 = 2 = = = 0
1 : 0, i = 1, , r
Sob 0 demonstra-se que:
Est. Teste => n * 2 ~ 2 (p)
0 : = 0
1 : < 0
Consultando a tabela de Durbin Watson, para o nvel de Consultando a tabela de Durbin Watson, para o nvel de
significncia de %, para n =, e k = k -1 =, obtm-se os significncia de %, para n =, e k = k -1 =, obtm-se os
valores:
valores:
dl =
du=
dl =
du =
1 possibilidade: Sendo que, rejeita-se a hiptese nula, 1 possibilidade: Sendo que, rejeita-se a hiptese nula,
concluindo para um nvel de significncia de %, pela concluindo para um nvel de significncia de %, pela
existncia de autocorrelao positiva do tipo AR(1).
existnciadeautocorrelao negativa do tipo AR(1).
2 possibilidade: Sendo que, no se rejeita a hiptese nula, 2 possibilidade: Sendo que, no se rejeita a hiptese nula,
concluindo para um nvel de significncia de %, pela no concluindo para um nvel de significncia de %, pela no
existncia de autocorrelao do tipo AR(1).
existncia de autocorrelao do tipo AR(1).
20
-1 = 1 - 1 + 2 2 - 2 2,1 +3 3 -3 3,1 + + - ,1 + - 1
Ou
- 1 = 1 (1 - ) + 2 (2 - 2,1 ) + 3 (3 - 3,1 ) + + ( -,1) + -1
Ou
=1 + 1 (1 - ) + 2 (2 - 2,1) + 3 (3 - 3,1 ) + + ( -,1 ) + -1
(excepto pelo termo constante, tem os mesmos coeficientes de regresso do modelo original)
21
* = 1 * + 2 2 * +3 3 *+ + * +
A primeira observao ser recupervel fazendo:
* =1 1 2
E ainda temos:
1 * = 1 (1 - )
1 * =1 1 2
1 =
1
(1 )
( )
As matrizes sero:
1 1 2
Y* = 2 1
[ 1 ]
1 2
X* = 1
[ 1
21 1 2
22 21
2 2,1
1 1 2
2 1
,1 ]
1 1 2
u* = 2 1
[ 1 ]
Nota Importante: A estimao por GLS equivalente estimao por OLS do modelo original
depois de transformado pelo mtodo das diferenas generalizadas de 1 ordem. Assim sendo,
esses estimadores tornam-se BLUE, pois o vector u* obedece as hipteses clssicas.
Mtodos de estimao sendo desconhecido o coeficiente
Mtodo de Cochrane-Orcutt
O mtodo de Cochrane-Orcutt Neste mtodo pretende-se minimizar a soma 1 passo: Transforma-se o modelo
apresentado em dois passos:
dos quadrados dos resduos:
original pelo mtodo das diferenas
generalizadas
de
1
ordem,
1 passo: Uma vez estimado o
escrevendo o modelo transformado
modelo original, obtemos a srie
da seguinte forma:
22
dos respectivos resduos de
( )2
estimao. E determina-se uma
=1
estimativas de , a partir da
estimao por OLS do seguinte
modelo
sem
termo
de Em que
independente:
=1 (1 -) + 2 (2, - 2,1 ) + + (, ,1 ) + 1
= 1 +
em que uma perturbao
Este problema de minimizao d origem a
aleatria.
2 passo: Utiliza-se a estimativa de um sistema no linear de (k + 1) equaes em
, obtida no 1 passo, para que as estimativas de 1 , 2 , , e , que
construir
as
variveis no tem soluo analtica.
Os programas informticos ultrapassam esse
transformadas.
problema
utilizando
algoritmos
de
1 = 1 (1 -)+ 2 (2, - optimizao numrica.
2,1 )+ + (, - ,1 )+
Admitindo que os termos de perturbao
- 1
seguem um processo AR(1), e a partir da
transformao do modelo original segundo o
Ou
mtodo das diferenas generalizadas de 1
*= 1 *+ 2 2 *+ + * + ordem, pode escrever-se:
- ^ 1
= 1 +1 (1 -)+ 2 2, 2 2,1 + + , - ,1 +
- 1
Ou
=1 +1 * + 2 2 +2 *2,1+
+ + * ,1 + - ^ 1
Estimando este modelo por OLS, a
estimativa do termo 1 d-nos a
estimativa de .
2 passo: Utiliza-se a estimativa de
para
construir
as
variveis
transformadas, obtendo o seguinte
modelo transformado:
1 = 1 (1 -)+ 2 (2, 2,1 )+ + (, - ,1 )+ 1
= 1 (1 - )+ 2 (2, - 2,1) + + (, ,1 ) + +
Ou
Ou
*= 1 * + 2 2 *+ + * + ^ 1
E ainda,
em que, t = 2, 3,, n.
1 * = 1 (1 -)
1 =
1
)
(1
em que, t = 2, 3,, n.
1 * = 1 (1 -)
1 =
1
)
(1
23
= 1 + , em que
uma perturbao aleatria.
( )
por OLS.
Procedimento de Newey-West
Uma vez detetada a presena de autocorrelao e/ou heteroscedasticidade no modelo
original, os estimadores de OLS continuam a ser cntricos, geralmente consistentes, no
entanto deixam de ser eficientes. Por isso, a inferncia estatstica deixa de ser vlida, isto , os
testes de significncia individual e testes de significncia global. Ou seja, subavaliamos as
verdadeiras varincias, e portanto, a sobrevalorizao das estatsticas T (em valor absoluto) e
F.
24