Você está na página 1de 12

UNIVERSIDADE FEDERAL DA PARABA

CENTRO DE CINCIAS SOCIAIS APLICADAS


DEPARTAMENTO DE ECONOMIA
Pressupostos do Modelo de Regresso e Estimao dos Parmetros
O!et"#os
Apresentar os principais pressupostos do Modelo de regresso, bem como a forma
de estimao pelo Mtodo dos Mnimos Quadrados Ordinrios.
B"l"ogr$%"$ B&s"'$
GUA!A"#, $. %. Econometria Bsica. &o 'aulo( MA)!O% *oo+s, ,---. .ap./
B"l"ogr$%"$ Co(ple(e)t$r
0#11, ..2 G!#33#"0&,4.2 U$G5,G. Econometria. &o 'aulo( &arai6a, 7888.
)M5%"A, an. Elementos de econometria. &o 'aulo( Atlas, 7899.
MA"O&, O. .. Econometria bsica: teoria e aplicao. &o 'aulo( Atlas, 788:.
&A1;A"O!5, $ominic. Estatstica e econometria. &o 'aulo( McGra<=0ill, 789/.
4O%%A.O"", !. . e 4O%%A.O"", ".0. Econometria. !io de aneiro( 1"., 78>?.
PRESSUPOSI*+ES DO MODELO CL,SSICO DE RE-RESS.O
I)trodu/o
5conometria
@ um tipo especial de anlise econAmica na Bual a abordagem teCrico=geral
comumente formulado, em termos matemticos eDplcitos, combinada freBEentemente
atra6s de procedimentos estatsticos, com mensurao emprica dos fenAmenos
econAmicos. Atualmente a econometria tem sido resumida em um termo geral
abrangendo os aspectos teCricos e estatsticos da anlise econAmica.
5nfoBue 5conomtrico
Isolar os efeitos de relaes de causalidades( 01 A)&l"se Estrutur$l2 entender o
fenAmeno em estudos2 parFmetros do modelo GelasticidadesH2 testar a teoria Go
Buestionamento Bue no se reIeita a teoria e sim o modelo utiliJado = a teoria ser6e
como parFmetro de anlise do modeloH2 31 A)&l"se de Pre#"s4es2 significa a pre6iso a
partir de uma amostra. As estimati6as pre6is6eis so efetuadas para fora da amostra
eDaminada, neste caso, importante ter o maior rigor de !
,
2 51 A#$l"$/o Pol6t"'$2
a6aliar as di6ersas alternati6as de polticas econAmicas Gfiscais, monetrias, cambiais e
etcH e elaborar simulaKes com modelos economtricos Gpor eDemplo,
macroeconomtricosH.
Modelo aIustado
A partir de uma amostra de dados coletados, o obIeto a estimao dos
coeficientes de regresso e dos erros=padro destes estimadores. A partir da, obtm=se
um modelo representati6o Bue se aIusta Ls obser6aKes coletadas. Admita,
Y
i
=
0
+

!
i
+
i
7

Popul$/o
ei Xi i Y + +
7 -
M M M


7

A(ostr$s
Pressupos"/4es do Modelo Cl&ss"'o de Regresso S"(ples
Admita o princpio dos mnimos Buadrados ordinrios( se adotarmos o critrio de
minimiJar os resduos, de6emos som=los e esperar Bue essa soma seIa a mnima
poss6el. 5ntretanto, o critrio dos mnimos Buadrados e6ita a soma Jero e proporciona a
possibilidade de obteno da reta de regresso. %esse momento importante destacar o
papel do termo de erro do modelo. Obser6e a 3igura,
O Erro constitui na diferena entre o 6alor obser6ado GNH e a sua esperana, 5GNH
O termo Erro Gpara populao,
i
H ou Resduo Gpara amostra, e
i
H tOm as seguintes
caractersticas(

7H absor6e a influOncia de outras 6ari6eis no especificadas no modelo2
,H absor6e os poss6eis erros de medida da 6ari6el a ser PeDplicadaQ2
/H .apta o comportamento irregular em ciOncias sociais Gcomportamento
RumanoH.
O Modelo de Regresso S"(ples
8
"
9
:
;
0
<
"
;
"

"
9 8
"
7 =
:
;
0
<
"
1
A1 Pressupos"/4es $'er'$ dos erros =
"
1
7H Mdia Sero( o erro uma 6ari6el aleatCria de mdia Jero( 5G
i
H T -. &ignifica Bue os
dados esperados dos
is
seIam nulos para todas as obser6aKes2
.omo os erros populacionais GiH no so obser66eis, necessrio estabelecer
pressuposiKes referentes Ls propriedades estatsticas de suas distribuiKes de modo a se
ter uma base para estimao. O 6alor assumido por i em BualBuer perodo ou obser6ao
da amostra, depende de cRance ou de certa probabilidade. &endo i um des6io, ele pode
ser positi6o, negati6o ou Jero. 'ressupKe=se, entretanto, Bue o 6alor esperado do erro seIa
Jero para todas as obser6aKes. 3ormalmente tem=se Bue( 5GiH T -, para todo i T 7...n,
onde significa esperana matemtica ou 6alor esperado. 5ssa pressuposio significa Bue,
em mdia, a influOncia de todas as 6ari6eis eDcludas do modelo tende a anular=se. Ou
seIa, em mdia, o erro no tem influOncia sobre N e o modelo apresenta=se corretamente
especificado em termos das 6ari6eis eDplicati6as.
N
i
T
-
U
7
V
i
U
i
= %otao Algbrica
5GN
i
H T 5G
-
U
7
V
i
U
i
H
5GN
i
H T
-
U
7
V
i
U 5G
i
H &e, 5G
i
H T - ento(
5GN
i
H T
-
U
7
V
i
,H ;ariFncia .onstante( o erro uma 6ari6el aleatCria com 6ariFncia constante e igual,
isto , 5 G
i
,
HT
,
&ignifica Bue a 6ariFncia do erro a mesma em todas as obser6aKes. Mais
especificamente, significa Bue a distribuio do i, definida nos n6eis de Vi, apresenta a
mesma 6ariFncia. Ou seIa, por definio.; GiH T 5Wi=5GiHX
,
, dado Bue 5GiH T - a ;GiH
T 5Gi
,
H T
,
, para todo iT7 ... n. 5sta 6ariFncia , em geral, desconRecida e constitui,
tambm um parFmetro do modelo a ser estimado com os dados da amostra.
"ecnicamente, esta pressuposio denominada de PRomocedsticaQ Bue significa
6ariao ou 6ariabilidade igual. O caso de 6ariFncia no constante significa Bue o modelo
apresenta PReterocedasticidadeQ. $ada a relao entre N e o erro GiH, pode=se mostrar Bue
a 6ariFncia de N ser igual L 6ariFncia do erro GiH. $esta forma, esta pressuposio
implica Bue a disperso dos 6alores populacionais de N a mesma independentemente do
n6el de V.
/H %ormalidade( o erro possui distribuio normal(
i
%G-,
,
H. "odas as 6ari6eis
rele6antes de6em estar contidas no modelo.
YH AusOncia de Autocorrelao( o erro associado a uma obser6ao estatisticamente
independente do erro associado L outra obser6ao, ou seIa, a ocorrOncia de um erro
i
,
no afeta a possibilidade de ocorrOncia de outro 6alor em
i
. .o6 G
i
,
I
H T - com i I.
&ignifica diJer Bue os erros no so relacionados entre si. 'or independOncia, entende=se
Bue a probabilidade de ocorrOncia de dado erro GiH no afetada pelo 6alor
e6entualmente assumido por BualBuer outro GIH. 5sta pressuposio implica em
co6ariFncia, e por conseBEOncia, correlao nula entre BuaisBuer pares de erros ao longo
das n obser6aKes. "ecnicamente, esta pressuposio conRecida por PausOncia de
autocorrelaoQ dos erros do modelo.
B1 Pressupos"/4es $'er'$ d$ #$r"&#el >e?pl"'$t"#$@ =<
"
1
7H V
i
no estocstico( o 6alor de V
i
fiDo, isto , V
i
no 6ari6el aleatCria, no tem uma
distribuio de probabilidade2
5sta pressuposio estabelece Bue a 6ari6el eDplicati6a do modelo de regresso no
estocstica, ou seIa, no est suIeita a erros ou pertubaKes aleatCrias. $ito de outra
maneira, isto significa Bue os 6alores de Vis so nZmeros fiDados em eDperiOncias Gou
amostrasH repetidas. &eria poss6el repetir o eDperimento, ou obter diferentes amostras,
com os mesmos 6alores das 6ari6eis independentes. 5D( suponRa Bue se tomem os
mesmos preos de certos produtos todos os dias em determinado mercado e anote=se as
Buantidades Ni, de cada dia LBueles preos. Os 6alores de Vi no 6ariam, mas as
Buantidades compradas de Ni a um determinado preo no dia t 6ariam de6ido a efeitos
aleatCrios.3ormalmente tOm=se(
[ ][ ] { }
[ ][ ] { }
[ ] { }
- H , G
H G H G H , G
H G H G H G H , G
H G H , G
H G H , G
H G H G H , G






i i
i i i i i
i i i i i i
i i i i i i
i i i i i
i i i i i i
X Cov
fixo X dado E X X Cov
E X E X E X Cov
X E X E X Cov
X E X E X Cov
E X E X E X Cov






[ ][ ] { }
- H G (
H G H , G
- H G H G ,
H G H G H , G



j i
j i j i
j i
j j i i j i
E Hiptese
E Cov
E E se
E E E Cov




,H 1inearidade( A relao entre N
i
e V
i
1inear2
A relao entre a 6ari6el dependente GNiH e os coeficientes das 6ari6eis eDplicati6as GViH
linear. 5sta pressuposio significa Bue os procedimentos do modelo linear aplicam=se a
uma relao do tipo Ni T o U 7Vi U i. $e6e=se entender, pelo menos, dois fatores
importantes sobre esta pressuposio. O primeiro, Bue ela estabelece o formato bsico
do modelo a ser estimado pelo mtodo linear. %este sentido, de6e=se obser6ar Bue a
linearidade nas eBuaKes refere=se aos parFmetros e L 6ari6el eDplicati6a, alm da forma
aditi6a do erro. O modelo clssico denominado modelo de regresso linear basicamente
por se aplicar L eBuao desse tipo e formato. 'orm, o segundo fator Bue se de6e
entender, sobre esta pressuposio, Bue a relao pode ser resultado de uma
transformao aplicada a uma relao no linear tanto com relao ao Vi. 'or eDemplo, a
eBuao Ni T o U V
7
U i no linear nas 6ari6eis eDplicati6as, contudo, pode=se
substitu=las por S7 T 1ogN e S, T 1og V. %este caso 6O=se Bue o mtodo linear permite a
estimao de modelos no lineares desde Bue seIa poss6el criar 6ari6eis tipo S7 e S,
antes de ser operacionaliJado. G1og N T 1og - U 7 1og V U iH. 'referencialmente, a
transformao de6e en6ol6er somente as 6ari6eis eDplicati6as guardando a identidade do
parFmetro. 5m geral, transformaKes en6ol6endo os parFmetros causam dificuldades
relati6as L identificao do parFmetro original e com relao L a6aliao da Bualidade das
estimati6as. Mas, mesmo assim, a condio de linearidade no to restriti6a Buanto se
possa imaginar inicialmente. O mtodo permite o aIustamento de um grande nZmero de
formas funcionais no lineares.
RE-RESS.O LINEAR SIMPLES
8
"
9
:
;
0
<
"
;
"
Pressupos"/4es E?presso M$te(&t"'$ Prole($
Not$/o AlgAr"'$
A'er'$ do Erro =
"
1
7 = Mdia Sero 5G
i
H T - 5rro de 5specificao
, = ;ariFncia .onstante 5G
i
,
H T
,
0eteroscedasticidade
/ = $istribuio %ormal
i
% G-,
,
H 5rros no=normais
Y = #ndependentes 5G
i

I
H T - i I Autocorrelao
A'er'$ de <
"
,= %o=5stocstica .o6 GV
i
,
i
H T - 5rros nas ;ari6eis
;ari6el $efasada
!elaKes &imultFneas
7 = !elao 1inear N
i
T
-
U
7
V
i
U
i
%o 1inearidade
5rros de 5specificaoGViH

Propr"ed$des dos Est"($dores de M6)"(os Bu$dr$dos
As propriedades das estimati6as do modelo esto contidas no teorema de GAU&&=
MA!)O;. 'ara entender este teorema, preciso considerar a propriedade do melRor
estimador linear no 6iesado GM51%;H. Admita os dois modelos para a amostra e para a
populao, respecti6amente
+ + + + X Y e X Y
7 - 7 -
M M M
um estimador de MQO,
7
M
, um melRor estimador linear no 6iesado GM51%;H de
7
caso seIa 6lido o seguinte(
aH
7
M
linear2
bH
7
M
no=6iesado( 5G
7
M
HT
7
2
cH
7
M
tem 6ariFncia mnima.
%o conteDto da regresso, pode=se pro6ar Bue as estimati6as por MQO so M51%". 'ara
isso, o teorema de GAU&&=MA!)O; pode ser enunciado da seguinte forma(
Teore($ de -AUSS7MARCOV( dadas Ls RipCteses do modelo clssico de regresso
linear, os estimadores por MQO, na classe dos estimadores lineares no=en6iesados, tOm
mnima 6ariFncia, isto , M51%;.
Est"($/o dos p$rD(etros do Modelo
"endo estabelecido o modelo clssico de regresso linear, sua estrutura de
pressuposiKes, o problema seguinte desen6ol6er meios de obter estimati6as para os
parFmetros do modelo Buando se dispKe de dados amostrais.
5ste problema abordado em econometria de uma maneira bastante caracterstica.
$esen6ol6em=se fCrmulas, denominadas estimadores, Bue so usadas para obter
estimati6as em BualBuer situao em Bue se aplica o modelo geral desen6ol6ido.
Assumindo Bue o fenAmeno em estudo possa ser representado por uma eBuao
de regresso linear simples, o modelo populacional pode ser representado por(
n i X Y
i i i
,..., , , 7
7 -
+ +
onde N uma 6ari6el dependente, isto , a 6ari6el cuIas 6ariaKes sero eDplicadas2 V,
a 6ari6el independente ou regressor ou eDplicati6a2 GH o termo de erro aleatCrio com
distribuio normal de mdia Jero e 6ariFncia
,
2
o
,
7
so parFmetros desconRecidos e i
um ndice para obser6ao.
Obser6a=se Bue
,
, a 6ariFncia do erro, tambm um parFmetro populacional a
ser estimado. A eBuao representa o modelo 6erdadeiro ou da populao. O problema de
estimao consiste em obter estimati6as para os parFmetros
-
e
7
. 'ara isto, de6e=se
dispor de uma amostra de tamanRo PnQ obtida da populao.
O fato de a eBuao representar o modelo populacional na 6erdade estabelecida
com base em conRecimentos a priori do fenAmeno. A teoria indica a eDistOncia de uma
relao entre V e N a Bual desconRecida. &e ela uma reta ou uma cur6a BualBuer no
se sabe. O Bue se faJ testar esta RipCtese com base nos dados empricos. 5ste teste
en6ol6e o aIustamento do modelo, e em seguida, a6aliaKes do aIustamento. &e o modelo
se aIustar de maneira satisfatCria aos dados conclui=se Bue R e6idOncias para aceitar a
RipCtese de Bue uma relao de natureJa linear descre6e o fenAmeno em estudo, ou Bue
os dados so pro6a6elmente gerados por um modelo linear.
'ara estimar o modelo, necessita=se de um conIunto de dados em N e V e,
geralmente tOm=se
i i i
e X Y + +
7 -
M M
onde
i
-chapu representam estimati6as para os
parFmetros populacionais, e
i
representa estimati6as amostrais dos erros i e so
denominados PresduosQ ou PperturbaKesQ.
O problema da estimao resume=se na obteno de 6alores numricos
para
o
e
7
com base em dados amostrais para N e V. &endo
,
um
parFmetro populacional da distribuio de
i
e, portanto, desconRecido,
ser necessrio estim=lo tambm.
O processo de estimao , em sntese, uma forma de se aIustar uma reta Gou
planoH aos dados. 5Distem 6rios mtodos para se faJer isto, os Buais 6ariam desde o
simples aIuste 6isual at mtodos matemticos formais. $ois mtodos formam a base das
tcnicas economtricas modernas. O primeiro o "#todo de "nimo $%adrados e o
segundo o "#todo de "&ima 'erossimil(ana. !especti6amente, estes mtodos
minimiJam e maDimiJam certas funKes e fornecem fCrmulas Gou estimadoresH para
aplicaKes em casos especficos.
MAtodo de M6)"(os Bu$dr$dos
Calculando os Parmetros do Modelo de Regresso Simples
5m caso de regresso simples, o modelo estatstico populacional (
N
i
T
o
U
7
V
i
U
i

i
tem distribuio %ormal T
i
%G-,
,
H
5 G
i
H T -
; G
i
H T 5 G
i
,
H T
,
2 para todo i
.o6 G
i
,
I
H T 5 G
i

I
H T - 2 i I
V assume 6alores fiDos Gno uma 6ari6el aleatCriaH
V e N tem relao linear.
para a amostra tOm=se
- 7
M M
i i i
Y X e + + e para cada obser6ao pode=se definir o des6io
ou resduo por Ge
i
H T
i i
Y Y
M
.
Graficamente, pode=se representar este processo por pares de 6alores GV
i
, N
i
H e
uma reta a ser aIustada aos dados. 5sta reta uma aproDimao ou estimati6a da reta
6erdadeira ou populacional. 'ode=se obser6ar Bue os des6ios Ge
i
H sero positi6os e
negati6os. &e eles so ele6ados ao Buadrado e somados para todas as obser6aKes, a
Buantidade resultante ser positi6a e, o mais importante, ir 6ariar diretamente com a
disperso dos pontos em torno da reta.
O mtodo dos mnimos Buadrados tem como princpio bsico adotar como
estimati6as dos parFmetros os 6alores Bue minimiJam a soma dos Buadrados dos des6ios.
"em=se ento,
i i i
Y Y e
M

i i i
X Y e
7 -
M M

,
7 -
,
H
M M
G
i i i
X Y e
&[ T
, ,
7
7 7
M M
G H
n n
i i o i
i i
e Y X



As condiKes necessrias e suficientes para Bue &[ seIa mnimo so Bue as
deri6adas parciais de &[ em relao a
o
e
7
seIam iguais a Jero
7
, isto ,
7
-
- 7
7
[
M M
, G HG 7H -
[
M M
, G HG H -
S
Y o X
S
Y X X

obtm=se um sistema de eBuaKes Bue, apCs simplificaKes, cRega=se a


- 7
,
- 7
M M
M M
Y n X
XY X X

'
+

5ste sistema denominado de PeBuaKes normaisQ dos mnimos Buadrados. A resoluo


do sistema ir fornecer fCrmulas para determinar estimati6as numricas para
-
e
7
, em
funo das obser6aKes amostrais.
!esol6endo o sistema de eBuaKes para
-
M
, temos(
- 7
M M
Y n X +
7
'ara no poluir as notaKes, retira=se o ndice GiH das 6ari6eis.
7 -
M M
Y X n
7 -
- 7
M M
M M
Y X
n n
Y X





!esol6endo o sistema de eBuaKes para
7
M

,
- 7
M M
XY X X +
,
7 7
M M
G H XY Y X X X +
,
7 7
M M
XY Y X X X X +
,
,
7
7 ,
,
G H
M
M
G H
X Y X
XY X
n n
X Y
XY
n
X
X
n

_


,


.ritrio das 6ari6eis reduJidas para calcular o
7
M

,
7
,
7
M
H G
H HG G
M
i
i i
x
y x
X X
Y Y X X

Calculando o erro-padro da estimativa


Usam=se os resduos da reta de regresso pelos mnimos Buadrados para estimar a
6ariFncia
,
dos termos de PerroQ.
, ,
, ,
,

n
e
S
n
e
S
i
e
i
e
dessa forma, esse resultado cRama=se de erro=padro da estimati6a, ou des6io=padro
amostral da regresso.
O erro)padro da estimati*a uma medida da 6ariabilidade da distribuio condicional
de N para 6alores fiDos de V. UtiliJa=se todos os resduos da reta aIustada da regresso
para calcular G&
e
H porBue se supKe Bue todas as distribuiKes condicionais tenRam a
mesma 6ariFncia. O uso de n)+ no denominado um refleDo do fato de Bue de6emos
estimar dois parFmetros
-
M
e
7
M
antes de computar os resduos Ge
i
H.
C$l'ul$)do o erro7p$dro dos p$rD(etros
:
e
0
E
'ara sabermos se os parFmetros estimados so bons estimadores preciso
6erificar a 6ariFncia dos parFmetros e os erro=padrKes respecti6os
;ariFncia de
-
M
T
,
,
, ,
.
xi n
Xi
S S
e o

5rro='adro de
-
M
T
,
-

S
;ariFncia de
7
M
T
,
, ,
7
7
.
xi
S S
e

5rro='adro de
7
M

T
,
7

S
E?er'6'"o de F"?$/o
"abela 7( 'roduo de &oIa GtH e seu respecti6o preo
n 'rod.
N
'reo
V
8<
V
,
N
,
\i Di \iDi Di
,
\i
,
Y
M
ei ei
,
7 Y- ? ,Y- /? 7?-- =7> =7, ,-Y 7YY ,98 />,-9 ,,8, 9,:,
, YY 7- YY- 7-- 78/? =7/ =9 7-Y ?Y 7?8 Y/,>, -,,9 -,->
/ Y? 7, ::, 7YY ,77? =77 =? ?? /? 7,7 Y>,-Y 7,-Y 7,-9
Y Y9 7Y ?>, 78? ,/-Y =8 =Y /? 7? 97 :-,/? ,,/? :,:?
: :, 7? 9/, ,:? ,>-Y =: =, 7- Y ,: :/,?9 7,?9 ,,9,
? :9 79 7-YY /,Y //?Y 7 - - - 7 :>,-- 7,-- 7,--
> ?- ,, 7/,- Y9Y /?-- / Y 7, 7? 8 ?/,?Y /,?Y 7/,,Y
9 ?9 ,Y 7?/, :>? Y?,Y 77 ? ?? /? 7,7 ??,8? 7,-Y 7,-9
8 >Y ,? 78,Y ?>? :Y>? 7> 9 7/? ?Y ,98 >-,,9 /,>, 7/,9/
7- 9- /, ,:?- 7-,Y ?Y-- ,/ 7Y /,, 78? :,8 9-,,Y -,,Y -,-:
FG: 0H: 0030I 5H0I 5J03J : : KFI FGI 0I5J JGL3F
FG 0H
] ] ]
Onde( \i T GNi = NH2 Di T GVi = VH2 ei T GNi = NH
$a "abela 7 pede=se(
aH 5laborar / Grficos2 \TfGtH2 DTfGtH2 \TfGDH e um diagrama de disperso de \ e D.
.alcular o .oeficiente de .orrelao e efetuar um comentrio2
bH 5scre6er a eBuao de regresso da populao e da amostra2
cH desen6ol6er o Mtodo dos Mnimos Quadrados Ordinrios para o aIustamento da
linRa de regresso e obter as eBuaKes normais da regresso Gdemonstrao
matemticaH2
dH desen6ol6er as eBuaKes normais para obter os parFmetros da regresso
Gdemonstrao matemticaH2
eH estimar os parFmetros G
o
,
7
H da "abela 7 pelo mtodo do mnimo Buadrado
ordinrios Gestimar o parFmetro
7
pelos dois critriosH2
fH estimar os parFmetros erro=padro da estimati6a G&
e
H e erro=padrKes dos
parFmetros G&
-
e &
7
H2
gH 5stimar o 5rro='adro dos 'arFmetros2
RH A6aliar o Modelo 5stimado2
iH 5fetuar um !esumo^.oncluso do 5Derccio.