Como rodar a regresso no gretl

Alguns tpicos do gretl

Usando o console: Comando: ols y const x1 x2 x3 Estima uma funo linear usando o mtodo de Mnimos Quadrados Ordinrios.

Elasticidade
Intuio: resposta de uma varivel a variao de outra varivel.
y

Usando o Console para calcular elasticidade

E ( y )

E( y ) x

x E( y )

y x

Comando (banco de dados ceosal1.gdt): ols salary const roe finance quiet genr elast=$coeff(roe)*mean(roe)/mean(salary) Substituiu-se o escalar elast = 0,266199
3 4

Na regresso:
E ( y )

E( y ) x

x E( y )

Usando o Console para calcular predio

Valor predito da varivel dependente Comando (banco de dados ceosal1.gdt):
genr yhat = $coeff(const) + $coeff(roe)*20 + $coeff(finance)*20 Substituiu-se o escalar yhat = 4392,4

Usando o Console para calcular a matriz de varincia-covarincia

ols salary const roe finance vcv Matriz de covarincias dos coeficientes de regresso:
const 52961,6 roe -2305,36 128,145 finance -19929,8 469,258 53913

const roe finance

Paralelos com a regresso simples

Alguns tpicos de Regresso Linear Mltipla
0 ainda o intercepto. De 1 a k , todos so chamados de parmetros de inclinao. u ainda o erro. Ainda precisamos da hiptese de mdia condicional zero: E(u|x1,x2, ,xk) = 0. Ainda minimizamos a soma dos quadrados dos resduos; ento temos k+1 condies de primeira ordem.
7 8

Interpretando a regresso mltipla

+ x + x + ... + x = y 0 1 1 2 2 k k = 1x1 + 2 x2 + ... + k xk ; y logo, fixando x2 ,..., xk implica que x , ou seja, cada tem = y
1 1

Uma interpretao de efeito controlado

Considere o caso em que k = 2, i.e. + x + x , ento = y =( r i1 yi ) 1
0 1 1 2 2 2 i1

i1 so os resduos , onde r

1 = 0 + 2 x 2 da regresso estimada x

uma interpretao de ceteris paribus.

9 10

Uma interpretao de efeito controlado (cont.)

A equao anterior implica o efeito de x1 obtido da regresso de y em x1 e x2 o mesmo obtido da regresso de y nos resduos da regresso de x1 em x2 Isso significa que apenas a parte de xi1 que nocorrelacionada com xi2 est sendo relacionada com yi; logo, estamos estimando o efeito de x1 em y aps o efeito de x2 ter sido controlado.

Regresso simples vs mltipla

~ ~ Compare a regresso simples ~ y = 0 + 1 x1 + x + x. = com a regresso mltipla y 0 1 1 2 2 ~ Em geral, 1 1 , a menos que : = 0 (i.e. no h efeito de x ) OU
2 2

x1 e x2 so no correlacionados na amostra.
12

11

Hipteses do modelo de RLM

O modelo populacional linear nos parmetros: y = 0 + 1x1 + 2x2 ++ kxk + u. Da populao, temos a amostra de tamanho n, {(xi1, xi2,, xik, yi): i=1, 2, , n}, tal que o modelo amostral (amostra aleatria) yi = 0 + 1xi1 + 2xi2 ++ kxik + ui
13

Hipteses do modelo de RLM

Mdia Condicional zero: E(u|x1, x2, xk) = 0, o que implica dizer que todas as variveis explicativas so exgenas.
Se algum xj for correlacionado com u, dizemos que xj uma varivel explicativa ENDGENA. Problemas: varivel omitida, erro de medida, simultaneidade.

14

Hipteses do modelo de RLM

Colinearidade no perfeita: Nenhum dos xs constante, e no h um relao linear exata entre eles Garante que os estimadores MQO sejam bem definidos. As variveis podem ser correlacionadas s no podem ser perfeitamente correlacionadas.
15

Hipteses do modelo de RLM

Colinearidade no perfeita: Exemplos

log y = 0 + 1 log x + 2 log x 2 + u x1 = log x x2 = log x 2 = 2. log x = 2.x1

Este modelo viola a hiptese de colinearidade no perfeita!!!
16

Hipteses do modelo de RLM

Colinearidade no perfeita: Exemplos
voteA = 0 + 1gastoA + 2 gastoB + 3 gastototal + u gastototal = gastoA + gastoB

Hipteses do modelo de RLM

Se todas as 4 hipteses apresentadas no so violadas: O estimador MQO no viesado!!

= E j j
Este modelo viola a hiptese de colinearidade no perfeita!!!
17

( )

Qualquer que seja j=0, 1, , k.

18

Varincia dos estimadores de MQO

Sabemos que a distribuio amostral de nosso estimador centrada no verdadeiro parmetro. Queremos saber quo espalhada essa distribuio. Para facilitar, vamos supor que: Var(u|x) = 2 (homocedasticidade).

Varincia dos estimadores de MQO (cont.)

Seja x a notao para (x1, x2,xk) Assumindo que Var(u|x) = s2, ento Var(y| x) = s2. As 4 hipteses para no tendenciosidade mais essa de homocedasticidade so conhecidas como as hipteses de Gauss-Markov.

19

20

Teorema de Gauss-Markov
Dadas nossas 5 hipteses de Gauss-Markov, pode-se mostrar que os estimadores de MQO so BLUE Best (melhor) Linear (linear) Unbiased (no-viesado) Estimator (estimador) Em portugus, melhor estimador linear no tendencioso. Logo, se as hipteses se verificarem, use MQO.
21

Notao Matricial de Regresso Linear Mltipla

N observaes de indivduos: como os salrios dos indivduos nesta amostra esto relacionados com outras variveis observadas.

i = 1...N y: salrio k -1: variveis : x2 xk yi: salrio do indivduo i xik: varivel k do indivduo i

Notao Matricial de Regresso Linear Mltipla

Notao Matricial de Regresso Linear Mltipla

Notao Matricial de Regresso Linear Mltipla

Notao Matricial de Regresso Linear Mltipla

Notao Matricial de Regresso Linear Mltipla

Notao Matricial de Regresso Linear Mltipla

Notao Matricial de Regresso Linear Mltipla

Notao Matricial de Regresso Linear Mltipla

b = ( X X ) X
1

X X = xi xi
i =1

Notao Matricial de Regresso Linear Mltipla