Você está na página 1de 26

Sumrio

AULAS 9 e 10

14 de junho de 2013

AULAS 9 e 10

Sumrio

Sumrio

AULAS 9 e 10

Regresso atravs da origem

Teoria econmica ou senso comum: sugere que 0 deveria ser zero.

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

Regresso atravs da origem

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

Regresso atravs da origem


1 , ..., k : Minimizam a soma dos quadrados Estimativas dos resduos.
n

1 xi 1 + 2 xi 2 + ... + k xik )2 . (yi


i =1

As propriedades de MQO j derivadas no se mantm.


Os resduos de MQO no tm mais uma mdia amostral zero. A consequncia que num grco de resduos, os mesmos no estaro aleatoriamente distribudos ao redor de zero; Pode ocorrer que n 1 xi 1 + 2 xi 2 + ... + k xik )2 > SQT = SQR = i =1 (yi n 2 2 2 i =1 (yi y ) , resultando em R < 0. Assim R , neste tipo de regresso, no tem uma clara interpretao.
AULAS 9 e 10

Regresso atravs da origem

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?

Incluir um intercepto na regresso? ou concluir que as variveis explicativas pouco explicam y ?

AULAS 9 e 10

Regresso atravs da origem

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

Valor Esperado dos Estimadores de MQO

Hipteses
1 2 3 4 5

Linear nos parmetros Amostragem aleatria Colinearidade no perfeita Mdia condicional zero Homocedasticidade

AULAS 9 e 10

Hiptese 1: Linear nos parmetros


O modelo na populao pode ser escrito como y = 0 + 1 x1 + 2 x2 + ... + k xk + u , em que: 0 , 1 , ..., k so os parmetros desconhecidos (constantes) de interesse; u um erro aleatrio no-observvel. O modelo linear nos parmetros 0 , 1 , ..., k . Esse modelo bastante exvel pois y e as variveis independentes podem ser funes arbitrrias como os logaritmos e os quadrados. Exemplo: log (salrio) = 0 +1 log (vendas)+2 permceo+3 permceo2 +u
AULAS 9 e 10

Hiptese 2: Amostragem Aleatria

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

Hiptese 4: Mdia condicional zero

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

Diferena entre RLM.3 e RLM.4

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

Inexistncia de vis em MQO

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

Incluso de variveis irrelevantes em um modelo de regresso: superespecicao do modelo


Uma ou mais das variveis independentes est includa no modelo, embora no tenha efeito parcial sobre y (seu coeciente populacional zero). Seja y = 0 + 1 x1 + 2 x2 + 3 x3 + u satisfazendo as hipteses RLM.1 a RLM.4,
x3 no tem efeito sobre y aps x1 e x2 terem sido controladas, 3 = 0. A varivel x3 pode ou no ser correlacionada com x1 ou x2 . Aps o controle de x1 e x2 , x3 no tem efeito sobre y . E (y |x1 , x2 , x3 )=E (y |x1 , x2 ) = 0 + 1 x1 + 2 x2 .

AULAS 9 e 10

Incluso de variveis irrelevantes em um modelo de regresso: superespecicao do modelo

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

Vis da varivel omitida: o caso simples

Excluir varivel relevante ou subespecicar o modelo: omisso de varivel pertencente ao modelo populacional. Consequncia: estimadores de MQO so viesados.

AULAS 9 e 10

Varincia dos estimadores de MQO: hiptese 5: Homocedasticidade


Var (u |x1 , x2 , ...xk ) = 2 (erro u tem a mesma varincia dada a quaisquer valores das variveis explicativas). Exemplo: salarioh = 0 + 1 educ + 2 exper + 3 perm + u . A homocedasticidade requer que a varincia do erro no observado u no dependa dos nveis de educao, experincia ou permanncia. Isto , Var (u |educ , exper , perm)) = 2 . Se a varincia modica com qualquer uma das trs variveis explicativas, ento a heterocedasticidade est presente. Violao da hiptese: modelo exibe heterocedasticidade.
AULAS 9 e 10

Hipteses de 1 a 5

O conjunto de hipteses de 1 a 5 conhecido como hipteses de Gauss-Markov.

AULAS 9 e 10

Varincias amostrais dos estimadores de MQO

j ) = Var (
n

2 , SQTj (1 Rj2 )

SQTj =
i =1

j )2 e Rj2 o R 2 da regresso de xj sobre (xij x

todas as outras variveis independentes.

AULAS 9 e 10

Componentes das varincias de MQO: multicolinearidade

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

Componentes das varincias de MQO: multicolinearidade

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

Componentes das varincias de MQO: multicolinearidade


j ) obtida quando 2 e SQTj dados, a menor Var ( 2 Rj = 0, que ocorre se, e somente se, xj tem correlao amostral zero com cada uma das outras variveis independentes( melhor caso para estimar j , mas raramente encontrado. Rj2 = 1 signica que, na amostra, xj uma combinao linear perfeita de algumas das outras variveis independentes. Caso excludo pela hiptese 3. j ) quando R 2 1. Var (
j

Correlao alta (mas no perfeita) entre 2 ou mais variveis independentes chamada multicolinearidade.

AULAS 9 e 10

Estimao de 2 : os erros-padro dos estimadores de MQO

i2 u 2 =
i =1

nk 1

SQR n (k + 1)

grau de liberdade-gl: n (k + 1)= nmero de observaes menos o nmero de parmetros estimados.

AULAS 9 e 10

Estimao de 2 : os erros-padro dos estimadores de MQO


Estimador no viesado de 2 : Sob as hipteses de Gauss-Markov de 1 a 5, E ( 2) = 2. : erro-padro da regresso (EPR). j )= erro-padro de j ep(
j ) = ep( SQTj (1 Rj2 ) 2
1

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