Aula Econometria

Workshop de
Workshop de
Econometria
Econometria
:
:
Introdu
Introdu
o ao uso do
o ao uso do
Eviews
Eviews
Prof. Caio Prof. Caio Piza Piza
CCSA CCSA - - Depto Depto de Economia/NPQV de Economia/NPQV
id7422640 pdfMachine by Broadgun Software - a great PDF writer! - a great PDF creator! - http://www.pdfmachine.com http://www.broadgun.com
Motiva
Motiva
o:
o:
Como estimar o impacto de um vari Como estimar o impacto de um vari vel sobre a outra, o vel sobre a outra, o
efeito causal efeito causal, com base em uma amostra de dados , com base em uma amostra de dados
aleat aleat ria? ria?
Conversa de bar: Conversa de bar: o governo deve aumentar o n o governo deve aumentar o n mero de policiais mero de policiais
nas ruas para reduzir a criminalidade... nas ruas para reduzir a criminalidade... ; ;
Conversa de corredor: Conversa de corredor: se a nossa turma fosse menor, o se a nossa turma fosse menor, o
desempenho da classe seria muito melhor desempenho da classe seria muito melhor ; ;
Conversa com os pais: Conversa com os pais: preciso fazer p preciso fazer p s s- -gradua gradua o para que o o para que o
meu sal meu sal rio aumente rio aumente . .
Workshop de Workshop de Econometria Econometria - - Eviews Eviews
Os Os econometristas econometristas... So um aux ... So um aux lio positivo na lio positivo na
tentativa de apagar a m tentativa de apagar a m imagem p imagem p blica da economia blica da economia
(seja ela quantitativa ou no) como um assunto em (seja ela quantitativa ou no) como um assunto em
que caixas vazias so abertas supondo que caixas vazias so abertas supondo- -se que a se que a
existncia de abridores de lata revele conte existncia de abridores de lata revele conte dos que dos que
dez economistas interpretaro de 11 maneiras dez economistas interpretaro de 11 maneiras
distintas distintas . ( . (Darnell Darnell, Evans e , Evans e Lynne Lynne, 1990, citado por , 1990, citado por
Gujarati Gujarati, 2006:1) , 2006:1)
Dificuldades pr
Dificuldades pr
ticas:
ticas:
1. 1. Nem todos os dados de interesse esto dispon Nem todos os dados de interesse esto dispon veis; veis;
2. 2. A base de dados pode no ser suficientemente ampla; A base de dados pode no ser suficientemente ampla;
3. 3. Os resultados dificilmente podem ser generalizados; Os resultados dificilmente podem ser generalizados;
1 1 Passo: Compreender o modelo cl Passo: Compreender o modelo cl ssico de regresso linear ssico de regresso linear
(MCRL (MCRL regresso simples); regresso simples);
2 2 Passo: Limita Passo: Limita es do modelo; es do modelo;
3 3 Passo: Extenso do modelo simples para o modelo de Passo: Extenso do modelo simples para o modelo de
regresso m regresso m ltipla; ltipla;
4 4 Testes para a verifica Testes para a verifica o dos pressupostos do MMQO; o dos pressupostos do MMQO;
Observe o modelo te Observe o modelo te rico para a estima rico para a estima o das quantidades o das quantidades
demandadas: demandadas:
Nos modelos te Nos modelos te ricos, costuma ricos, costuma- -se atribuir se atribuir de antemo de antemo valores valores
para para a a (intercepto) e (intercepto) e b b (coeficiente angular). (coeficiente angular).
Por exemplo: Por exemplo:
bP a Q
d
=
P Q
d
2 10 =
Com a equa Com a equa o em mos, basta escolher valores para o o em mos, basta escolher valores para o
pre pre o (vari o (vari vel independente) e descobrir qual ser vel independente) e descobrir qual ser a a
quantidade demanda para cada n quantidade demanda para cada n vel de pre vel de pre o; o;
O problema O problema que, na pr que, na pr tica, tica, a a e e b b so so
desconhecidos!!! desconhecidos!!!
Logo, para obter a quantidade demandada para cada n Logo, para obter a quantidade demandada para cada n vel vel
de pre de pre o o preciso estimar uma fun preciso estimar uma fun o de demanda, ou o de demanda, ou
seja, obter estimativas de seja, obter estimativas de a a e e b b !!! !!!
Pressupostos do MCRL Pressupostos do MCRL
1. 1. Yi Yi = = 1 + 1 + 2( 2(Xi Xi) + ) + ui ui; ;
2. 2. E( E(ui ui/ /Xi Xi) = 0, pois E( ) = 0, pois E(Yi Yi/ /Xi Xi) = ) = 1 + 1 + 2( 2(Xi Xi); ento, E( ); ento, E(ui ui) = 0; ) = 0;
3. 3. Var( Var(ui ui) = ) = ^2 = var( ^2 = var(Yi Yi); );
4. 4. Cov Cov( (ui ui,uj) = ,uj) = Cov Cov( (Yi Yi,Yj) = 0; ,Yj) = 0;
5. 5. Xi Xi no no aleat aleat ria e deve assumir, ao menos, dois valores ria e deve assumir, ao menos, dois valores
distintos; distintos;
6. 6. Os valores de u se distribuem normalmente em torno de sua Os valores de u se distribuem normalmente em torno de sua
m m dia se os valores de y so distribu dia se os valores de y so distribu dos normalmente. dos normalmente.
O M O M todo dos M todo dos M nimos Quadrados (MMQ) nimos Quadrados (MMQ)
Uma vez que no Uma vez que no poss poss vel saber quais os vel saber quais os
verdadeiros valores dos verdadeiros valores dos s, no ser s, no ser poss poss vel vel
encontrar a reta de regresso populacional(!) encontrar a reta de regresso populacional(!)
E( E(Yi Yi/ /Xi Xi) = ) = 1 + 1 + 2( 2(Xi Xi) ???? ) ????
Como proceder??? Como proceder???
O objetivo, portanto, O objetivo, portanto, encontrar a reta de regresso encontrar a reta de regresso
que mais se aproxima da reta de regresso que mais se aproxima da reta de regresso
populacional; ou seja, descobrir a reta que melhor se populacional; ou seja, descobrir a reta que melhor se
ajusta aos dados dispon ajusta aos dados dispon veis; veis;
Observe, portanto, que o desafio Observe, portanto, que o desafio descobrir quais os descobrir quais os
estimadores (os beta estimadores (os beta- -chap chap u) u) que mais se aproximam que mais se aproximam
dos verdadeiros valores dos parmetros populacionais. dos verdadeiros valores dos parmetros populacionais.
poss poss vel escrever o modelo linear de vel escrever o modelo linear de
regresso simples como: regresso simples como:
i. i. Yi Yi = = 1 + 1 + 2( 2(Xi Xi) + ) + ui ui Fun Fun o de regresso populacional o de regresso populacional
ou ou
ii. ii. Y Yi i = E( = E(Yi Yi/ /Xi Xi) ) + + ui ui; ;
Componente Componente Componente Componente
sistem sistem tico aleat tico aleat rio rio
Uma vez que E( Uma vez que E(yi yi/ /xi xi) ) = = 1 + 1 + 2( 2(xi xi) ) uma reta e uma reta e
os os s so desconhecidos, s so desconhecidos, poss poss vel utilizar a vel utilizar a
fun fun o de regresso o de regresso amostral amostral e, em seguida, e, em seguida,
isolar os res isolar os res duos, ou seja: duos, ou seja:
Ou, Ou,
Ou, ainda, Ou, ainda,
i
i i
u X Y
. . .
+ + =
2 1

i i
i
X Y u
. . .
=
2 1

. .
=
i i
i
Y Y u
Intuitivamente, o que se busca Intuitivamente, o que se busca a menor distncia a menor distncia
entre entre yi yi e y^, ou seja, a menor diferen e y^, ou seja, a menor diferen a entre o valor a entre o valor
estimado (previsto) e o valor observado. Em outros estimado (previsto) e o valor observado. Em outros
termos, o menor valor para o a soma dos res termos, o menor valor para o a soma dos res duos duos
Para evitar que a soma dos res Para evitar que a soma dos res duos seja igual a zero, duos seja igual a zero,
utiliza utiliza- -se a soma dos quadrados dos res se a soma dos quadrados dos res duos. duos.
Veja o gr Veja o gr fico abaixo: ( fico abaixo: (Fonte: Fonte: Wooldridge Wooldridge,2002:31 ,2002:31) )
y y
y1 y1
u^ u^
y^ y^
y^ y y^ y
x x
x1 x1
Observe que u^ pode ser positivo ou negativo. Observe que u^ pode ser positivo ou negativo.
X Y
. . .
+ =
2 1

O M O M todo dos M todo dos M nimos Quadrados Ordin nimos Quadrados Ordin rios (MQO) rios (MQO)
Este m Este m todo todo apenas uma das poss apenas uma das poss veis maneiras de obten veis maneiras de obten o dos o dos
estimadores de interesse (os estimadores de interesse (os betas betas- -chap chap u u); );
O m O m todo consiste em minimizar a fun todo consiste em minimizar a fun o dada por: o dada por:
Nesse caso, os Nesse caso, os betas betas- -chap chap u u estimados sero os melhores estimados sero os melhores
estimadores lineares, pois eles minimizam a distncia entre o va estimadores lineares, pois eles minimizam a distncia entre o valor lor
previsto e o valor esperado. previsto e o valor esperado.
( )
2
1
2 1 2 1
,

=
. .
|
.
|
\
|
=
N
i
i i
X Y S
Tomando as derivadas parciais com respeito aos Tomando as derivadas parciais com respeito aos
parmetros e resolvendo as condi parmetros e resolvendo as condi es de primeira es de primeira
ordem: ordem:
. .
=
=
.
=
= =
X Y
Xi
Yi Xi
x
y x
N
i
i
N
i
i i
2 1
1
2
1
2
) var(
) , cov(

Propriedades Amostrais dos Estimadores de Propriedades Amostrais dos Estimadores de

M M nimos Quadrados: Teorema de nimos Quadrados: Teorema de Gauss Gauss- -
Markov Markov
Teorema: Sob os pressupostos do modelo cl Teorema: Sob os pressupostos do modelo cl ssico de regresso ssico de regresso
linear, os estimadores encontrados aplicando o m linear, os estimadores encontrados aplicando o m todo de MQO todo de MQO
so os so os melhores estimadores lineares no tendenciosos melhores estimadores lineares no tendenciosos
(BLUE) de (BLUE) de 1 e 1 e 2 2 (Hill, (Hill, Griffiths Griffiths e e Judge Judge, 2006:87) , 2006:87)
Varincia dos estimadores: Varincia dos estimadores:
(
(
(
(
|
.
|
\
|

=
|
.
|
\
|

.
X X N
X
i
i
2
2
1
var
=
|
.
|
\
|
.
2
2
2
var
i
X
O problema O problema que a varincia do erro no que a varincia do erro no

conhecida. Ento, antes de calcular as varincias conhecida. Ento, antes de calcular as varincias
dos estimadores dos estimadores necess necess rio obter um estimador rio obter um estimador
para a varincia. No caso: para a varincia. No caso:
Onde n Onde n- -2 so os graus de liberdade (tamanho da 2 so os graus de liberdade (tamanho da
amostra menos o n amostra menos o n mero de parmetros mero de parmetros
estimados). estimados).
2
2
2
=

.
.
n
u
i
Assim, para estimar as varincias dos estimadores Assim, para estimar as varincias dos estimadores
preciso substituir preciso substituir ^2 por sua estimativa. Ento, por ^2 por sua estimativa. Ento, por
exemplo: exemplo:
Para o Para o beta 1 chap beta 1 chap u u vale o mesmo. vale o mesmo.
.
.
=
|
.
|
\
|
2
2
2
var
i
X
Exemplos no
Exemplos no
Eviews
Eviews
:
:
1.
1. Estimativa da fun Estimativa da fun o de demanda; o de demanda;
2. Estimativa da fun 2. Estimativa da fun o sal o sal rio; rio;
3. Estimativa de uma fun 3. Estimativa de uma fun o de despesa com o de despesa com
alimenta alimenta o. o.
i. i. Gr Gr ficos de linha (ou barra) para as s ficos de linha (ou barra) para as s ries ries
selecionadas; selecionadas;
ii. ii. Gr Gr fico de disperso para verificar se h fico de disperso para verificar se h
correla correla o entre as vari o entre as vari veis; veis;
iii. iii. Estat Estat sticas descritivas; sticas descritivas;
Regresso simples; Regresso simples;
Regresso vs. Correla Regresso vs. Correla o; o;
Gera Gera o e transforma o e transforma o de s o de s ries; ries;
Transformar as s Transformar as s ries em logaritmos naturais ( ries em logaritmos naturais (ln ln); );
Interpreta Interpreta o das estimativas nessa forma funcional o das estimativas nessa forma funcional
modelo modelo log log- -log log; ;
Gr
Gr
fico dos res

fico dos res
duos dos MQ;

duos dos MQ;
Representa
Representa
o da equa
o da equa
o estimada;
o estimada;
Previses com base na equa

Previses com base na equa
o:
o:
Ap Ap s regredir y contra x... s regredir y contra x...
Scalar Scalar y(valor) = b1 + b2(valor) y(valor) = b1 + b2(valor)
Coeficiente de Determina Coeficiente de Determina o ou R o ou R- -Quadrado Quadrado
O coeficiente de determina O coeficiente de determina o (R^2) mostra quo bem ajustada o (R^2) mostra quo bem ajustada
aos dados est aos dados est a linha (ou reta) de regresso; ou, a linha (ou reta) de regresso; ou, qual a qual a
propor propor o da varia o da varia o de y que o de y que explicada pelo modelo de explicada pelo modelo de
regresso (por regresso (por Xi Xi). ).
Como Como obtido? obtido?
Rever o exemplo; Rever o exemplo;
Qual a rela Qual a rela o entre R^2 do MCRL e o coeficiente de correla o entre R^2 do MCRL e o coeficiente de correla o? o?
Estima Estima o de Intervalos e Testes de o de Intervalos e Testes de
Hip Hip teses teses
Distribui Distribui o dos estimadores de MQ: o dos estimadores de MQ:
|
|
|
|
|
.
|
\
|
|
.
|
\
|

.
2
2
2 2
, ~
X X
N
i

Como a varincia do estimador Como a varincia do estimador desconhecida, utiliza desconhecida, utiliza- -se a se a
estimativa da varincia para a obten estimativa da varincia para a obten o de estat o de estat sticas de sticas de
intervalo intervalo no caso, a estat no caso, a estat stica t. stica t.
Se as hip Se as hip teses 1 a 6 do MCRL se verificam, ento a vari teses 1 a 6 do MCRL se verificam, ento a vari vel vel
aleat aleat rio t poder rio t poder ser utilizada na estima ser utilizada na estima o de intervalos e o de intervalos e
testes de hip testes de hip teses. teses.
( ) 2 ~
var 2
2 2
2
2 2
|
.
|
\
|
=
|
.
|
\
|
=
.
.
. .
.
n t
ep
t

Intervalo de confian Intervalo de confian a: a:
Os extremos aleat Os extremos aleat rios do intervalo definem um estimador de rios do intervalo definem um estimador de
intervalos para intervalos para 2. 2.
Cuidado com a interpreta Cuidado com a interpreta o do intervalo de confian o do intervalo de confian a!!! a!!!
=
(
|
.
|
\
|
+ s s
|
.
|
\
|
. . . .
1
2 2 2 2 2
ep t ep t P
c c
Construindo intervalos de confian Construindo intervalos de confian a no a no
Eviews Eviews
Comandos no Comandos no Eviews Eviews: Ap : Ap s regredir y contra x... s regredir y contra x...
Coef Coef(2) (2) confint confint
Confint Confint(1) = (1) = eq_name eq_name.@ .@coefs coefs(2) (2)- -@ @qdist qdist.(.975,n .(.975,n- -k)* k)*eq_name eq_name.@ .@stderrs stderrs(2) (2)
Confint Confint(2) = (2) = eq_name eq_name.@ .@coefs coefs(2)+@ (2)+@qdist qdist.(.975,n .(.975,n- -k)* k)*eq_name eq_name.@ .@stderrs stderrs(2) (2)
Onde: Onde: eq_name.@coefs(2) eq_name.@coefs(2) = b2 = b2
eq_name eq_name.@ .@stderrs stderrs(2) = se(b2) (2) = se(b2)
@ @qtdist qtdist(.975,n (.975,n- -k) = k) = t cr t cr tico tico
Testes de Hip
Testes de Hip
teses:
teses:
i. i. Bicaudal Bicaudal; ;
ii. ii. Monocaudal Monocaudal; ;
iii. iii. Teste de significncia; Teste de significncia;
Comandos no Comandos no Eviews Eviews para a realiza para a realiza o de teste de hip o de teste de hip teses: teses:
Teste Teste bicaudal bicaudal: :
Coef Coef(10) (10) ttest ttest cria cria o do vetor de armazenamento o do vetor de armazenamento
Ttest Ttest(1) = (1) = eq_name.@coefs(2) eq_name.@coefs(2) b2 b2
Ttest Ttest(2) = (2) = eq_name.@ eq_name.@stderrs stderrs(2) (2) se(b2) se(b2)
Ttest Ttest(3) = ( (3) = (ttest ttest(1) (1)- -valor)/ valor)/ttest ttest(2) estat (2) estat stica stica t t
Ttest Ttest(4) = @ (4) = @abs abs( (ttest ttest(3)) |estat (3)) |estat stica stica t| t|
Ttest Ttest(5) = 1 (5) = 1- -@ @ctdist ctdist( (ttest ttest(4),n (4),n- -k) P[t(n k) P[t(n- -k)>=|estat k)>=|estat stica stica t t|] |]
Ttest Ttest(6) = 2* (6) = 2*ttest ttest(5) valor p (5) valor p bicaudal bicaudal
Teste Teste monocaudal monocaudal: : ( (Ha Ha > 0) > 0)
Ap Ap s obter a regresso de y contra x... s obter a regresso de y contra x...
Coef Coef(3) ttest1 (3) ttest1 vetor de vetor de
armazenamento armazenamento
Ttest1(1) = ( Ttest1(1) = (eq_name.@coefs(2) eq_name.@coefs(2)- -valor)/eq_name.@ valor)/eq_name.@stderrs stderrs(2) (2) estat estat stica stica t t
Ttest Ttest(1) = @ (1) = @qtdist qtdist(.95,n (.95,n- -k) k) valor cr valor cr tico tico
Ttest1(3) = 1 Ttest1(3) = 1- -@ @ctdist ctdist(ttest1(1),n (ttest1(1),n- -k) k) valor p valor p
( (monocaudal monocaudal) )
Teste de Teste de Wald Wald (F) para os coeficientes (F) para os coeficientes
estimados; estimados;
Bicaudal Bicaudal; ;
Monocaudal Monocaudal; ;
Heterocedasticidade
Heterocedasticidade
Quando a varincia dos erros (e das vari Quando a varincia dos erros (e das vari veis veis
explicadas) no explicadas) no constante, os estimadores dos constante, os estimadores dos
m m nimos quadrados ordin nimos quadrados ordin rios continuam lineares rios continuam lineares
e no tendenciosos, mas deixam de ser os mais e no tendenciosos, mas deixam de ser os mais
eficientes. eficientes.
1 1 passo: passo: plotar plotar um gr um gr fico de correla fico de correla o para o para
observar como se comportam os erros para observar como se comportam os erros para
maiores valores de maiores valores de Xi Xi; ;
2 2 passo: rodar uma regresso robusta quanto passo: rodar uma regresso robusta quanto
heterocedasticidade heterocedasticidade. Este modelo utiliza a . Este modelo utiliza a
varincia consistente quanto varincia consistente quanto
heterocedasticidade heterocedasticidade white white. .
Intervalos de confian Intervalos de confian a ajudam a verificar como a a ajudam a verificar como a
varincia de White varincia de White mais robusta; mais robusta;
Comandos no Comandos no Eviews Eviews para a cria para a cria o dos intervalos de confian o dos intervalos de confian a: a:
Coef Coef(4) (4) confid confid
Confid Confid(1) = (1) = eq_name eq_name.@ .@coefs coefs(2) (2) - - @ @qtdist qtdist(.95,n (.95,n- -k)*( k)*(eq_name eq_name.@ .@stderrs stderrs(2) (2)
Confid Confid(2) = (2) = eq_name eq_name.@ .@coefs coefs(2) + @ (2) + @qtdist qtdist(.95,n (.95,n- -k)*( k)*(eq_name eq_name.@ .@stderrs stderrs(2) (2)
Confid Confid(3) = (3) = eq_white eq_white.@ .@coefs coefs(2) (2) - - @ @qtdist qtdist(.95,n (.95,n- -k)*( k)*(eq_white eq_white.@ .@stderrs stderrs(2) (2)
Confid Confid(4) = (4) = eq_white eq_white.@ .@coefs coefs(2) + @ (2) + @qtdist qtdist(.95,n (.95,n- -k)*( k)*(eq_white eq_white.@ .@stderrs stderrs(2) (2)
M
M
nimos Quadrados Generalizados :GLS

nimos Quadrados Generalizados :GLS
Este modelo gera outros estimadores, ao contr Este modelo gera outros estimadores, ao contr rio do caso rio do caso
anterior, que utilizou uma matriz de varincia de White para anterior, que utilizou uma matriz de varincia de White para
corrigir os estimadores de MQO; corrigir os estimadores de MQO;
Comandos no Comandos no Eviews Eviews para a cria para a cria o dos intervalos de confian o dos intervalos de confian a: a:
Coef Coef(3) (3) stderrs stderrs
Stderrs Stderrs(1) = (1) = eq_ols eq_ols.@ .@stderrs stderrs(2) (2)
Stderrs Stderrs(2) = (2) = eq_white.@stderrs(2) eq_white.@stderrs(2)
Stderrs Stderrs(2) = (2) = eq_gls eq_gls.@ .@stderrs stderrs(2) (2)
Finalmente!!! O teste de Finalmente!!! O teste de Goldfeld Goldfeld- -Quandt Quandt
1. 1. Reordenar a vari Reordenar a vari vel X (ordem decrescente); vel X (ordem decrescente);
2. 2. Rodar uma regresso com metade das observa Rodar uma regresso com metade das observa es e salvar o erro padro es e salvar o erro padro
( (scalar scalar sig1 = @se); sig1 = @se);
3. 3. Rodar outra regresso com a segunda metade das Rodar outra regresso com a segunda metade das obs obs e salvar o erro padro e salvar o erro padro
( (scalar scalar sig2 = @se); sig2 = @se);
Gerando as estat Gerando as estat sticas do teste... sticas do teste...
i. i. Coef Coef(2) GQ (2) GQ
ii. ii. GQ(1) = (sig1^2)/(sig2^2) GQ(1) = (sig1^2)/(sig2^2)
iii. iii. GQ(2) = @ GQ(2) = @qfdist qfdist(.95, 18,18) (.95, 18,18)
Obs Obs: : Quando a estat Quando a estat stica F de stica F de Goldfeld Goldfeld- -Quandt Quandt for maior do que o for maior do que o Fcr Fcr tico tico, rejeita , rejeita- -se a se a
hip hip tese nula de que no h tese nula de que no h heterocedasticida heterocedasticida ou, de que h ou, de que h homocedasticidade homocedasticidade. .
Regresso M Regresso M ltipla ltipla
Modelo Geral: Modelo Geral:
Obs Obs: o vetor Xi1 foi omitido pois : o vetor Xi1 foi omitido pois um vetor coluna de um vetor coluna de
1 1 s. s.
i ik k i i i
u X X X Y + + + + + = ...
3 3 2 2 1
Pressupostos do Modelo de Regresso M Pressupostos do Modelo de Regresso M ltipla ltipla
1. 1. Yi Yi = = 1 + 1 + 2(Xi2) + 2(Xi2) + 3(Xi3) +...+ 3(Xi3) +...+ k( k(Xik Xik) + ) + ui ui; ;
2. 2. E( E(ui ui/ /Xi Xi) = 0, pois E( ) = 0, pois E(Yi Yi/ /Xi Xi) = ) = 1 + 1 + 2( 2(Xi Xi); ento, E( ); ento, E(ui ui) = 0; ) = 0;
3. 3. Var( Var(ui ui) = ) = ^2 = var( ^2 = var(Yi Yi); );
4. 4. Cov Cov( (ui ui,uj) = ,uj) = Cov Cov( (Yi Yi,Yj) = 0; ,Yj) = 0;
5. 5. Os valores dos Os valores dos Xi Xi s no so aleat s no so aleat rios nem fun rios nem fun es lineares exatas das es lineares exatas das
outras vari outras vari veis explicativas (no h veis explicativas (no h multicolinearidade multicolinearidade ou combina ou combina o o
linear entre as vari linear entre as vari veis independentes); veis independentes);
6. 6. Os valores de u se distribuem normalmente em torno de sua m Os valores de u se distribuem normalmente em torno de sua m dia se os dia se os
valores de y so distribu valores de y so distribu dos normalmente. dos normalmente.
Observa Observa o: o:
Agora, o estimador da varincia do erro Agora, o estimador da varincia do erro dado por: dado por:
Onde n Onde n- -k so os graus de liberdade k so os graus de liberdade n n obs obs menos k menos k
parmetros estimados. parmetros estimados.
k n
u
i
=

.
.
2
Se os pressupostos 1 a 6 forem respeitados, o Se os pressupostos 1 a 6 forem respeitados, o

Teorema de Teorema de Gauss Gauss- -Markov Markov tamb tamb m se aplica para o m se aplica para o
modelo de regresso m modelo de regresso m ltipla. ltipla.
Assim, os estimadores sero os melhores estimadores Assim, os estimadores sero os melhores estimadores
lineares lineares no no- -viesados viesados (BLUE). (BLUE).
Varincias e Covarincias dos estimadores Varincias e Covarincias dos estimadores
Onde Onde o coeficiente de correla o coeficiente de correla o entre as vari o entre as vari veis X2 e X3. veis X2 e X3.
Note que quanto maior a correla Note que quanto maior a correla o entre as vari o entre as vari veis, maior a varincia do veis, maior a varincia do
estimador estimador 2. 2.
( )
|
.
|
\
|

=
|
.
|
\
|
n
i
i
r X X
1
2
23
2
2
2
2
2
1
var


23
r
A matriz de varincia e covarincia fornece A matriz de varincia e covarincia fornece
informa informa es valiosas sobre os intervalos de es valiosas sobre os intervalos de
confian confian a e a preciso dos estimadores. a e a preciso dos estimadores.
Intervalos de confian Intervalos de confian a para os estimadores do a para os estimadores do
arquivo Hill_2 arquivo Hill_2
Comandos no Comandos no eviews eviews... ...
Coef Coef(4) (4) confint confint
Confint Confint(1) = (1) = eq_name eq_name.@ .@coefs coefs(2) (2) - - @ @qtdist qtdist(.975,49)* (.975,49)*eq_name eq_name.@ .@stderrs stderrs(2) (2)
Confint Confint(2) = (2) = eq_name.@coefs(2) + @qtdist(.975,49)*eq_name.@stderrs(2) eq_name.@coefs(2) + @qtdist(.975,49)*eq_name.@stderrs(2)
Confint Confint(3) = (3) = eq_name eq_name.@ .@coefs coefs(3) (3) - - @ @qtdist qtdist(.975,49)* (.975,49)*eq_name eq_name.@ .@stderrs stderrs(3) (3)
Confint Confint(4) = (4) = eq_name eq_name.@ .@coefs coefs(3) + @ (3) + @qtdist qtdist(.975,49)* (.975,49)*eq_name eq_name.@ .@stderrs stderrs(2) (2)
Aplicando o teste de Aplicando o teste de Wald Wald (F) para realizar testes de (F) para realizar testes de
hip hip teses conjuntas e testes de significncia do modelo. teses conjuntas e testes de significncia do modelo.
1. 1. Regredir Y contra X2 e X3; Regredir Y contra X2 e X3;
2. 2. Obter a equa Obter a equa o de regresso o de regresso amostral amostral; ;
3. 3. Estabelecer as hip Estabelecer as hip teses nulas a serem testadas e as teses nulas a serem testadas e as
hip hip teses alternativas; teses alternativas;
4. 4. Verificar a estat Verificar a estat stica F e o p stica F e o p- -valor; valor;
Previso no modelo de regresso m Previso no modelo de regresso m ltipla ltipla
Obs Obs: ap : ap s obter a representa s obter a representa o da equa o da equa o estimada, modificar o estimada, modificar
o nome da vari o nome da vari vel dependente para vel dependente para yp yp apenas para evitar a apenas para evitar a
modificar a s modificar a s rie da vari rie da vari vel y; vel y;
Comando Comando: :
scalar scalar yp yp = 104.7855136 = 104.7855136 - - 6.641930069*2 + 2.984298953*10 6.641930069*2 + 2.984298953*10
No modelo de regresso m No modelo de regresso m ltipla, o R^2 mede a ltipla, o R^2 mede a
propor propor o de varia o de varia o na vari o na vari vel dependente vel dependente
explicada pelo modelo explicada pelo modelo por por todas todas as vari as vari veis veis
independentes. independentes.
O R^2 pode ser visto como uma medida da qualidade O R^2 pode ser visto como uma medida da qualidade
de ajustamento do modelo; de ajustamento do modelo;
Na pr Na pr tica, olha tica, olha- -se mais para o R^2 ajustado, pois o se mais para o R^2 ajustado, pois o
R^2 pode aumentar com o acr R^2 pode aumentar com o acr scimo de vari scimo de vari veis no veis no
modelo, mesmo que no sejam significantes. modelo, mesmo que no sejam significantes.
F
F
rmula do R^2: (opcional)

rmula do R^2: (opcional)
Seja: SQT = soma dos quadrados totais; Seja: SQT = soma dos quadrados totais;
SQE = soma dos quadrados explicada pelo modelo; SQE = soma dos quadrados explicada pelo modelo;
SQR = soma dos quadrados dos res SQR = soma dos quadrados dos res duos; duos;
Como SQT = SQE + SQR Como SQT = SQE + SQR
f f cil mostrar que... cil mostrar que...
R^2 = SQE/SQT = 1 R^2 = SQE/SQT = 1 SQR/SQT SQR/SQT

Aula 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

Aula Econometria

Hochgeladen von

Copyright:

Verfügbare Formate

Workshop de

Propriedades Amostrais dos Estimadores de Propriedades Amostrais dos Estimadores de

O problema O problema que a varincia do erro no que a varincia do erro no

fico dos res

duos dos MQ;

Previses com base na equa

nimos Quadrados Generalizados :GLS

Se os pressupostos 1 a 6 forem respeitados, o Se os pressupostos 1 a 6 forem respeitados, o

Workshop de Workshop de Econometria Econometria - - Eviews Eviews

rmula do R^2: (opcional)

Das könnte Ihnen auch gefallen