Escolar Documentos
Profissional Documentos
Cultura Documentos
ECONOMETRIA
Introduo
O QUE A ECONOMETRIA
SOBRE A METODOLOGIA
Embora as questes de metodologia tm sido objecto de constantes criticas e sugestes,
a abordagem clssica apresenta 7 passos ou eixos sequenciais que nos sugerem a
metodologia de estudo da econometria:
o Formulao da teoria ou da hiptese
o Especificao do modelo matemtico da teoria
o Especificao do modelo economtrico da teoria
o Obteno de dados
o Estimativa dos parmetros do modelo economtrico
o Teste de hiptese
o Previso ou predio
1.
ASPECTOS CONCEITUAIS
a) REGRESSO
O termo regresso foi introduzido por Francis Galton num estudo relacionado
a hereditariedade, no qual descobriu a tendncia dos filhos nascerem com caractersticas
prximas as dos pais. Outros nomes adicionados a estas descobertas, dizem respeito a
Karl Pearson que encontrou resultados robustos ao verificar que a altura mdia de filhos
pertencentes a um grupo de pais baixos era superior altura de seus pais.
Varivel Exgena
Varivel de Estimulo ou Controlo
Regressor
Preditor
Varivel Explicativa
Varivel Independente
ELEMENTOS CHAVE
E( Y X i ) f ( X i )
Equao 1
E(Y X i ) 1 2 X i
Equao 2
onde os parmetros beta um e beta dois so desconhecidos, todavia fixos e chamase coeficientes de regresso. Tambm so conhecidos como intercepto e coeficiente de
inclinao, respectivamente.
O objectivo presente consiste em estimar os parmetros desconhecidos da FRP
descrita na equao N 2.
2.
PROPRIEDADES
a) A LINEARIDADE
E(Y X i ) EE(Y X i ) E( i X i )
Equao 4
E(Y X i ) E(Y X i ) E( i X i )
note que para que a igualdade vigore, necessrio que E( i X i ) seja igual a zero
E( i X i ) 0
Equao 5
Yi 1 2 X i
Equao 6
Equao 7
Equao 8
e em termos de FRP
6
Yi E(Y X i ) i
3.
Equao 9
i Yi Y
i
Equao 10
Yi 1 2 Xi
Y Y
2
i
Equao 11
Yi 1 2 X i
i na coluna (4) efectuando a diferena entre as colunas (1) e (3) conforme a equao
10. Seguidamente a coluna (6) representa a aplicao da equao 11 obtendo um
i2 104.115460 . No segundo cenrio, assumimos novos valores para os parmetros
Xi
2
Y1i chapeu
3
ui1 chapeu
4
Quadado
5
8
10
12
1
3
7
11
4.4250
7.7710
14.4630
21.1550
0.5750
0.2290
-4.4630
-9.1550
35
22
-12.814000
104.115460
ui2 chapeu
ui2 chapeu
7
Quadado
Y2i chapeu
6
0.330625
0.052441
19.918369
83.814025
4.0000
6.0000
10.0000
14.0000
1
2
0
-2
1
4
0
4
3 X respectivamente.
Y1i 2.752 1.673Xi e Y
1i
i
b) HIPTESES BSICAS DO MODELO;
Veremos agora as hipteses bsicas do Modelo Clssico de Regresso Linear (MCRL),
que de uma forma mais avanada, infere as hipteses enunciadas por Gauss Markov.
Hiptese 1 - Modelo de Regresso Linear - O modelo linear nos
parmetros conforme mostrado em Yi 1 2 X i i ;
Hiptese 2 -
Hiptese 3 -
tempo.
E Xi
2
i
cov i , j X i , X j E i E i X i j E j X j
E i Xi j X j
cov i i , X i E i E i X i EX i
E i X j EX i
E i X i E i EX i onde EX i no estocastico
0
Hiptese 6 - O nmero de observaes n deve ser superior ao nmero de
parmetros5.
c) PROPRIEDADES DOS ESTIMADORES- GAUSS
MARKOV THEOREM;
GAUSS MARKOV dadas as hipteses bsicas do modelo clssico de regresso linear,
os estimadores por mnimos quadrados ordinrios so os
melhores estimadores lineares no enviesados MELNV com
varincia mnima.
Com ajuda das hiptese bsicas do modelo clssico e do teorema de Gauss
Markov, os estimadores dos mnimos quadrados apresentam algumas propriedades
bsicas dentre as quais:
1. Os estimadores OLS so lineares;
2. Os estimadores OLS no so viesados (unbiesed), isto quer dizer que o
valor esperado da estimativa de beta E i converge ao seu valor real i
.
i2
2 Yi 1 2 X i 2 i
Equao 12
i2
2 Yi 1 2 X i X i 2 i
Equao 13
x y
x
i 6
Equao 15
2
i
(ii)
Lembra-se que esta funo pode ser desdobrada para apresentaes alternativas
como
x Y
X nX
X y
X nX
X y x Y e finalmente os
desvios de X e Y em relao a mdia dados por x X X ; y Y Y .
i
2
i
ou ainda
2
i
, onde
10
2
var 2 E 2 2
2
var 2 E k i i 8
var 2 E k 12 12 k 22 22 .... k 2n 2n 2k1 k 2 1 2 2k n 1 k n n 1 n
var 2 k 2
2 2 k i i
11
var
2
x i2
ep 2
Equao 20
Equao 21
x i2
Covarincia entre as estimativas de 1 e 2
(iv)
1 2 2
2
cov( 1 , 2 ) XE 2 2
X var
1
Equao 22
Consequentemente teremos
2
cov( 1 , 2 ) X
x2
i
(v)
Equao 23
2
2
x
X
i
i
Agora, no mesmo esprito que a equao 16, achemos estimador alternativo,
tambm linear em relao a 2 :
*2 w i Yi
Equao 25
w i E1 2 X i
1 w i 2 w i X i
agora para que o presente estimador seja no enviesado, necessrio que
w i 0 e consequentemente w i X i 1
Semelhantemente, nota que:
var *2 var w i Yi
var *2 w i2 var Yi
var *2 2 w i2
Equao 26
12
xi
x i
var w 1
x i2 x i2
*
2
x i
2
wi xi
var w i
xi
x i2
*
2
x i
2
x 2
i
x
x
2
i
2 2
i
1
x i
2
var *2 2 w i
2
2
x
x
i
var *2
2
x i2
Equao 27
13
III.
CASOS PRTICOS
P z VF z
P z
z
P z
X z
n
n
P X z
X z
n
n
P X z
X z
n
n
P X z
X z
n
n
I X z ; X z
n
n
I
e z
X z
(Margem de erro)
X e
14
Pr( 2 2 2 ) 1
Equao 28
i i
estimador parmetro
Equao 29
i
Pr t 2 i
t 2 1
Equao 31
ep i
i t 2 ep i
Equao 32
H0 : 2 0
H A : 2 0
Equao 33
Regras de deciso:
rejeitar H 0 : se
2 *2
t t / 2,gl
2 *2
2 > *2
t t / 2,gl
2 *2
2 < *2
t t / 2,gl
Duas caudas
2 =
Cauda a direita
Cauda a Esquerda
*
2
Equao 35
erro padro estimado do estimador
ep i
Lembre-se que para um caso estremo da hiptese nula, teramos
t i 0 ep i
b) ESTATSTICA DE F
O teste de F usado para testar a significncia global do modelo isto no
obstante o nmero de parmetros existentes no modelo. Vejamos como derivar a
estatstica de F tomando a nossa funo de regresso. Coeficiente de determinao;
Consideremos
Y Y Y Y Y Y
2
Equao 36
y 2 d 2
y
d
2
2
2
2
2
2
y
d
2
2
2
2
Equao 37
17
onde
y
F
d
2
2
2
2
Equao 38
Equao 39
t=1,2, ....
Yi 1 2 X i i
n2
Equao 40
t=1,2, ....
18
S5
F
S4
n 1 n 2
Equao 41
2k
SQT
y i2
o que em outra palavras significa perguntar, em que nvel a varivel dependente capta a
informao proveniente das variveis independentes. Quando este indicador aproximase a 1, significa dizer que o modelo afigura-se poderoso e estatisticamente significante.
Quando o indicador baixo, pressupe dizer que existem outras variveis que explicam
de melhor forma o modelo.
IV.
A REGRESSO MLTIPLA
Onde :
Y a Varivel Dependente;
Corresponde aos coeficientes tcnicos atrelados s variveis Independentes;
19
as Variveis Independentes
1.
PRESSUPOSTOS BSICOS;
Notao Escalar
1.
2.
3.
E( i ) 0
para cada i
E( i j ) 0
onde i j
2
X 2 , X 3, X k so no estocsticos e fixos.
i ~ N(0, 2 )
2.
Notao Matricial
1. E() 0 em que u e 0 so vectores coluna
nx1, sendo 0 um vector nulo.
2. E() I em que I uma matriz
identidade n x n
2
i ~ N(0, 2 I)
Y2 2 2 X 22 3X 32 ... k X k 2 u 2
................................................................
Yn n 2 X 2 n 3X 3n ... k X kn u n
Segue-se a forma matricial:
1 X 21 X 31 ... X k1 1
Y1
u1
X X
u
1 22 32 ... X k 2 2
2
2
. . . . ... . . .
. . . ... . .
.
.
1 X X ... X
Y
u
kn nXk k kX1
n nX1 2 n 3n
n nX1
Equao 44
Equao 45
X u
nx1
nxk kx1
Equao 46
nx1
Onde
y=n X 1 um vector coluna da varivel dependente
X=n X k a matriz das variveis independentes,
B=k X 1 vector coluna dos parmetros por estimar.
u=n X 1 vector coluna nos n erros(distrbios).
Efectuamos assim o clculo dos estimadores dos mnimos quadrados ordinrios
(MQO):
Yi 1 2 X 2i 3X3i ... k X ki u i
Equao 47
Assim teramos a equao do resduo quadrado
2
u 2i
Y X X ... X
2i
3i
ki
Equao 48
3.
Equao 51
A regra de Crammer requer que a Matriz A tenha uma soluo nica, tal que
X (x1 ,......, x n ) de um sistema de ordem n x n Ax b .
Tal que x i
det B i
onde B a matriz A com o membro direito igual a b
det A i
Equao 52
a 31x 1 a 32 x 2 a 33 x 3 b 3
a 21 a 22 a 23 x 2 b 2
a
31 a 32 a 33 x 3 b 3
Note que embora a simbologia no seja proporcional ao modelo de regresso,
quando no modelo de regresso precisamos calcular o vector beta, aqui o vector beta
corresponde a ao vector x quando a matriz dos a corresponde a matriz de x no
modelo de regresso.
Assim sendo, a regra de Crammer pressupe que:
b1
x1 b 2
b
3
a 12
a 22
a 32
a 11 a 12
x 2 a 21 a 22
a
31 a 32
a 13 a 11 a 12
a 23 a 21 a 22
a 33 a 31 a 32
a 13
a 23
a 33
b1 a 11 a 12
b 2 a 21 a 22
b 3 a 31 a 32
a 13
a 23
a 33
a 11 b1
x 2 a 21 b 2
a
31 b 3
a 13 a 11 a 12
a 23 a 21 a 22
a 33 a 31 a 32
a 13
a 23
a 33
A 1
1
Matrix Adjunta A
det A
Equao 53
A 0 3 0
1 0 1
22
c11
c 21
c 31
3 0
0 1
4 5
0 1
4 5
3 0
c12
c 22
15
c 32
0 0
1 1
2 5
1 1
2 5
0 0
c11
c11
c11
0 3
1 0
2 4
1 0
2 4
0 3
3
4
6
adj A C12
C
13
C 21
C 22
C 23
C 31
C 32
C 33
Note que esta matriz foi transposta; temos primeiro expressas as colunas depois as
linhas, contrariamente ao pressuposto normal, o que nos leva a afirmar que a a Matriz
adjunta, a matriz dos co-factores na sua transposta.
4.
23
5.
Xy nY
k 1
F
yy Xy
2
Equao 54
nk
k 1
F
1 R yy Xy
R 2 yy nY 2
2
nk
R2
k 1
1 R
2
Equao 55
nk
24
b) O COEFICIENTE DE DETERMINAO9
SQE X y nY 2
Equao 56
R
SQT
yy nY 2
Lembre-se que Xy nY 2 representa a soma do quadrado do erro SQE e
um escalar. Analogamente yy nY 2 representa a soma do quadrado total SQT
tambm um escalar.
2
X X X X X X X u
1
1
X X X u
implica que,
1
XX Xu
Equao 60
Lembre-se que anteriormente referenciamos que o coeficiente de determinao tambm pode ser
apresentado como:
2
i
yi2
R2 1
SQR
SQT
25
var cov( ) E
1
1
E X X X u X X X u
1
1
1
1
E XX Xuu XXX XX XEuu XXX
XX X IXXX
1
Equao 61
2 0
var cov( )
...
0 ... 0 n
1 ... 0 X 2 i
... ... ... ...
0 ... 1 X ki
X
X
2i
2
2i
...
ki
...
...
...
X 2i
...
X
X X
2 i ki
...
X ki2
ki
onde por obedincia das hipteses bsicas, apenas consideramos os valores da coluna
diagonal esquerda-direita, i.e. as varincias
Consequentemente, teremos:
var( 1 )
cov( 1 , 2 )
cov( 2 , 1 )
var( 2 )
var cov( )
...
...
cov( k , 1 ) cov( k , 2 )
... cov( 1 , k )
... cov( 2 , k )
...
...
...
var( k )
cov(
)
var(
)
...
cov(
)
2
1
2
2
k
ep ( )
...
...
...
...
, ) ...
)
cov( , )
cov(
var(
k
1
k
2
k
onde sero vlidos apenas os elementos da diagonal. Note que voc encontrar alguns
valores negativos fora da diagonal (esquerda direita) e estes no tero raiz quadrada. ~
26
6.
EXERCCIO: ILUSTRAO
Dados:
Ordem
Qtid lbs
Pre $/lbs
Gastos em Propaganda $
1
2
3
4
5
6
7
8
9
55
70
90
100
90
105
80
110
115
100
90
80
70
70
70
70
65
60
5.5
6.3
7.2
7
6.3
7.35
5.6
7.15
7.5
10
130
55
7.15
11
130
50
6.5
Pretende-se:
1. Provar se os dados conferem com a equao abaixo:
tid 117.532 1.326X 11.237X
Q
i
i2
i3
i
2. Fazer o check up dos sinais esperados
3. Fazer o teste de t para cada parmetro.
4. Calcular o coeficiente de determinao sem tomar em conta os graus de
liberdade.
5. Interprete os resultados obtidos
RESOLUO:
Primeiro formulmos o modelo:
u1
55
1 100 5.50
u
70
1 90 6.30
2
u3
90
1 80 7.20
u4
100
1 70 7.00
u5
90
1 70 6.30 1
105 1 70 7.35 2 u 6
u
80
1 70 5.60
3 3 x1 7
u8
110
1 65 7.15
u
115
1 60 7.50
9
u10
130
1 55 7.15
13011x1 1 50 6.5011x 3
u11 11x1
Y
u
Calculo da Matriz quadrada XX das variveis exgenas.
27
1 100 5.50
1 90 6.30
1 80 7.20
1 70 7.00
1
1
1
1
1
1
1
1
1
1 1 70 6.30 11
780
73.55
1
100 90 80 70 70 70 70 65 60 55 50 1 70 7.35 780 57450
5163.5
5.5 6.3 7.2 7 6.3 6.35 5.6 7.15 7.5 7.15 6.5 1 70 5.60 73.55 5163.5 496.5975
1 65 7.15
1 60 7.50
1 55 7.15
1 50 6.50
780
73.55
11
DET (A)=83815.75
Aplicar regra de Crammer neste momento segundo os passos:
Calcular determinante
Calcular a matriz dos coofactores
Calcular a matriz ajunta (transp cofactores)
Dividir pelo determinante de A
Elementos da Coluna 1
Elementos da Coluna 2
57450
5163.5
780
5163
c11
1867794.125
c12
7570.625
5163.5 496.5975
73.55 496.5975
c 21
780
73.55
7570.625
5163.5 496.5975
780
73.55
c 31
-197917.5
57450 5163.5
c 22
c 22
11
73.55
73.55 496.5975
11
73.55
780 5163.5
52.97
570.5
Elementos da coluna 3
780 57450
c13
-197917.5
73.55 5163.5
c 23
c33
11
780
73.55 5163.5
11
780
780 57450
570.5
23550
28
Adj A 7570.625
52.97
570.5
- 197917.5
570.5
23550
1
1
A
52.97
570.5
7570.625
83815.75
570.5
23550
- 197917.5
Encontramos a matriz inversa:
22.2845244 0.090324611 - 2.361313402
1
A 0.0903246
0.000631981 0.006806597
- 2.361313402 0.006806597
0.280973445
Xy 100 90 80 70 70 70 65 60 55 50 50 105 72950
5.5 6.3 7.2 7 6.3 6.35 5.6 7.15 7.5 7.15 6.5 80 7301.75
110
115
130
130
1
ok, conhecendo a frmula dos estimadores XX Xy , podemos calcula-los.
22.2845244 0.090324611 - 2.361313402 1075
0.0903246
0.000631981 0.006806597 72950
- 2.361313402 0.006806597
0.280973445 7301.75
1.295842369
9.698356216
Sabendo que:
var cov( ) 2 (XX) 1
33.32775314 0.0903246
0.000631981 0.006806597
- 2.361313402 0.006806597
0.280973445
() 0.14512933
3.06010026
0.95254301
yy nY 2
110675 105056.8182
30
Data
1999-I
1999-II
1999-III
1999-IV
2000-I
2000-II
2000-III
2000-IV
2001-I
2001-II
2001-III
2001-IV
2002-I
Compras
340
330
370
350
380
380
400
210
390
400
410
230
420
Preo
Publicidade
$
48.00 $ 234.00
$
72.00 $ 256.00
$
96.00 $ 278.00
$
72.00 $ 300.00
$
48.00 $ 322.00
$ 144.00 $ 344.00
$
96.00 $ 366.00
$ 168.00 $ 388.00
$
96.00 $ 410.00
$ 144.00 $ 432.00
$
72.00 $ 454.00
$ 216.00 $ 476.00
$ 192.00 $ 498.00
Figura 1 Dados
31
(0.42838412)
(0.27444772)
R =0,36 %;
2
Onde os valores em parntesis representam o desvio padro. Algumas vezes, escrevemos directamente
as estatsticas de t para cada um dos coeficientes estimados (assumindo a hiptese nula)ao invs de
apresentar o desvio-padro.
32
2002-I
2001-III
2001-II
2001-I
2001-IV
Y estimado
2000-IV
2000-III
2000-II
2000-I
1999-IV
1999-III
1999-II
1999-I
33
V.
Neste caso, o coeficiente da varivel analisada pode ser interpretado como o efeito
marginal. O efeito marginal a forma como a varivel dependente muda quando as
mudanas de variveis independentes por uma unidade adicional mantendo todas as
outras variveis na equao constante (isto , calculando a derivada parcial) ou:
Portanto, Bj pode ser interpretado como a variao dos salrios a partir de um aumento
de uma unidade (ou mudana de estado se varivel dummy) de Xj mantendo todas as
outras variveis independentes constantes.
34
Exemplo:
Com base nos dados utilizados nesta regresso, um ano adicional de educao
corresponde a um aumento nos salrios de 0,75 USD/horas. Da mesma forma, um ano
de experincia est associada a um aumento de 0,3 USD/hora no salrio, mantendo-se
as demais variveis constantes.
1.2 Modelo Log- Log
Considere interpretar coeficientes de uma regresso em que a varivel dependente e
independente a analisar esto na forma de log. Os coeficientes j no podem ser
interpretados como efeitos marginais. Supes que a teoria econmica sugere estimativa
da nossa equao de salrios com a varivel dependente na forma log
e incluso de horas de trabalho voluntrio da comunidade por semana (Comm), tambm
em forma de log. A equao de anlise agora :
35
Ento:
Pode ser interpretado, interpretado como o aumento do salrio por hora de um aumento
de um porcento de trabalho voluntrio da comunidade.
37
VI.
1X1 2 X 2 3 X 3 ..... k X k 0
Equao 62
onde 1 , 2 .... k so constantes do modelo mas que todavia nem todas so iguais a zero.
comum encontra-se modelos com multicolinearidade porem no em situao de
colinearidade perfeita
38
a) FONTES DA MULTICOLINEARIDADE
Montogomery e Peck, tero desenvolvido um trabalho extensivo no qual
possvel identificar as potenciais fontes da multicolinearidade:
1. O mtodo usado na colheita de dados: sobretudo quando consubstanciase numa gama limitada de observaes tende a traduzir-se em relaes
colineares no pressuposto de que tomando o comportamento de
determinadas sries em tamanhos ou intervalos de tempo curtos, nunca
chega a ser suficientemente explicativo para captar as tendncias reais de
mudana;
2. Restries impostas ao modelo: costuma-se usar o exemplo da relao
rendimento e consumo de electricidade, partindo do pressuposto de que
escales de baixo rendimento tendem a associar-se com habitaes
restritas em termos de espao e consequentemente no consumo de
energia;
3. Mispecification Bias: Quando as variveis a incluir no modelo no forem
devidamente especificadas ou quando o modelo possui um numero de
parmetros superior ao tamanho da populao (observaes).
39
Yi i 2 X 2i 3 X 3i i
Equao 63
Yi i 12X 2i i
Equao 64
Yi i 2 X 2i 3 X 3i i
Equao 65
Yt 1 i 2 X 2 t 1 3 X 3t 1 t 1
Equao 66
Yt Yt 1 2 X 2 t X 2 t 1 3 X 3t X 3t 1 v t
Equao 67
c) CONSEQUNCIAS PRATICAS DA
MULTICOLINERARIDADE
1. No obstante continuarem sendo MELNV, os estimadores dos mnimos
quadrados ordinrios tendem a produzir varincias e covarincias com
um tamanho bastante alto, difceis de serem estimadas;
2. Consequentemente, os intervalos de confidncia tendem a ser bastante
largos forando a imediata aceitao da hiptese nula (de que o
coeficiente da populao real igual a zero);
3. Existe uma tendncia das estatsticas de t de cada coeficiente,
mostrarem-se estatisticamente insignificantes em contraste, o coeficiente
de determinao do modelo R 2 tende em muitos dos casos para um
valor prximo de 100% demonstrando que o modelo estimado ajusta-se
ao modelo real;
4. Pequenas alteraes nos dados estatsticos deixam os estimadores e os
desvios-padro bastante sensveis a mudanas.
41
10
Quanto a alnea (d) Alm disso, como destacaram C. Robert' Krishna Kumar,
John O'Hagan e Brendan McCable, h alguns problemas estatsticos com o teste
de correlao parcial sugerido por Farrar e Glauber.
42
12
0
var() E()
...
0
22
...
0
... 0
... 0
... ...
... 2n
Equao 68
43
Equao 69
44
2
n R 2 ~ df
Equao 70
SRQ 2 gl
SRQ 1 gl
u
u
2
mod elo1
2
mod elo 2
n
n
Equao 71
Yi i 2 X 2i 3 X 3i i
Equao 72
Yi i X 0i 2 X 2i 3 X 3i i
Equao 73
X
Yi
i 0i
i
i
X
2 2i
X
3 3i
i
i
Equao 74
Equao 75
45
var E( ) E i
i
*
i
* 2
i
var *i E( *i ) 2
Equao 76
1
1
E i2 2 i2 sabendo que E i2 i2
2
i
i
var *i E(*i ) 2 1
Equao 77
Equao 78
4. A AUTOCORRELAO
a) PRESENA, DETENO E MEDIDAS
CORRECTIVAS
A semelhana da heteroskedasticidade, na presena da autocorrelao os
estimadores dos MQO continuam sendo os melhores estimadores lineares no viesados
mas no mais possuem a varincia mnima entre todos os estimadores no viesados
O termo Auto-correlao significa correlao entre elementos da mesma srie ao
longo do tempo, todavia, o pressuposto do modelo clssico de que no deve existir
este tipo de perturbaes.
E( i j ) 0 quando i j
Equao 79
Equao 80
A ttulo de exemplo, num cenrio destes, a greve que ocorre neste trimestre
afecta o resultado do trimestre seguinte, ou seja um erro cometido durante um mandato
influenciar os mandatos seguintes. De facto este cenrio E( i j ) 0 o que mais
representa a realidade.
CAUSAS
Uma das caractersticas principais de determinadas sries temporais diz respeito
a Inrcia ou a rigidez. Isto ocorre muitas vezes com os ndices de preos, PNB,
emprego/desemprego e outras variveis que apresentam flutuaes cclicas ao longo do
tempo. Geralmente obedecem uma tendncia, de recesso para perodos de reanimao,
expanso e boom para depois voltar em baixo e seguir novamente o ciclo iterativo.
Outras vezes, a especificao errnea do modelo ou a omisso de determinadas
variveis de destaque, constitui razo de existncia da auto-correlao.
Tambm salientam-se casos como o fenmeno cobb-web (teia de aranha) no
qual a oferta de produtos agrcolas reage aos preos com uma defasagem de um perodo.
46
Oferta Bananas t 1 2 Pt 1
Equao 81
A manipulao de dados, sobretudo quando se tem dados brutos ao invs de
dados regulares. Circunstncias nas quais se tomam dados brutos de um trimestre e
calcula-se a mdia para criar sries mensais, em muitos dos casos factor causador de
auto-correlao.
Alguns autores como Tinter distinguem o termo auto-correlao do termo
correlao serial, embora nos paream ter o mesmo significado, existe uma pequena
diferena. A autocorrelao a srie desfasada consigo mesma segundo um nmero de
unidades de tempo. Quando o termo correlao serial diz respeito a defasagem de sries
diferentes.
NATUREZA AR(i) e MA(i)
Os modelos com auto-correlao na varivel dependente denomina-se modelos
auto-regressivos. Exemplo:
RN i 0 1RN t 1 2 Ci 3 I i t
Equao 82
u i t 1 t
Equao 83
u i t t 1
Equao 84
u i t 1 t t 1
Equao 85
MEDIDAS CORRECTIVAS
Em presena de auto-correlao, os estimadores continuam sendo MELNV
porm no mais possuem varincia mnima, o que quer dizer que deixam de ser
eficientes. Se utilizarmos a var( 2 ) AR1 , os intervalos de confiana tendem a ser muito
amplos, tornando difcil a rejeio da hiptese nula.
Considerando que o erro no conhecido, a questo da auto-correlao muitas
vezes fruto de especulaes. O remdio depende em grande parte do conhecimento
tido quanto as interdependncias entre as distintas variveis, pois lidaremos com duas
situaes, uma quando a estrutura da correlao conhecida, outra, quando ela no
conhecida.
Quando o coeficiente de correlao conhecido, tomaremos uma FRP valida no
perodo t todavia tambm no perodo t-1. tal que:
Yi t 2 X t t
47
Yt 1 i 2 X t 1 t 1
Equao 86
Yt 1 i 2 X t 1 t 1
Equao 87
Yt Yt 1 i (1 ) 2 X t 2 X t 1 ( t t 1 )
Yt Yt 1 i (1 ) 2 (X t X t 1 ) t
Equao 88
Equao 89
e
t 2
e t 1
Equao 90
e
t 1
2
t
Para o uso dos valores crticos tabelados de DW, devemos seguir o seguinte
diagrama que nos sugere em que circunstancias a correlao positiva, negativa, ou
quando que no possvel detecta-la.
48
A autocorrelao pode ocorrer por varias razes, pode ser derivada por inrcia ou rigidez das
sries temporais econmicas, vis resultante da omisso de variveis importantes, ou por uso
da forma funcional incorrecta, o fenmeno cobb-wed, a da teia de aranha ou ainda a
manipulao dos dados.
2.
3.
4.
5.
6.
7.
8.
49
VII.
TPICOS QUALITATIVOS
Nota que na verdade a incluso das variveis dummies implicaria ter as duas
categorias, para o caso do rendimento como funo da oferta de trabalho de
professores, incluiramos duas categorias, ilustrando a demanda de professores
quando tratam-se de homens e mulheres, tal que o modelo apareceria do seguinte
modo:
Yi i 2 D1i 3 D2i X i ui
D1i 1 se for hom em
0 caso contrrio
D2i 1 se for mulheres
0 caso contrrio
Homem
Homem
Mulher
Homem
Mulher
Y1
Y2
Y3
Y4
Y5
Intercepto
1
1
1
1
1
D1
1
1
0
1
0
D2
0
0
1
0
1
X1
234
434
325
543
278
50
Neste caso, a nossa varivel adicional expressa por D a varivel dummy. Esta
toma dois valores diferentes. Se tratar-se de um homem, tomar o valor de 1 e se tratarse de uma mulher, tomara o valor de 0.
De outro modo, formulando o modelo em relao ao valor convencional de Y
em relao a X, teremos:
E (Y | D 0) 1 X i ui Modelo representativo para as Mulheres
E(Y | D 1) (1 2 ) X i ui Modelo representativo para os Homens.
Como pode notar, as duas variantes de alfa, representam o termo intercepto,
logo, estamos em presena do efeito dummy sobre o intercepto.
51
Equao 92
Yi 0 .... 2 X 2i 3 ( X 2i X 2*i ) Di ui
Onde Y= representa por hipoteticamente rendimentos de firma da gua da
Chela,
Por hiptese poderamos ter uma varivel X1. Representando os gastos de
explorao, todavia, deixamos omissa para efeitos didcticos..
X2 =Volume de vendas geradas
X 2* Valor limiar das vendas, tambm designado como n, (conhecido de ante
mo). Tal que:
D=1 se X2> X 2*
D=2 se X2 < X 2*
Admitindo que E (ui ) 0 veremos imediatamente que:
52
Dados:
Modelo 2
Rend
Vendas
Intercep
*Dummy
256
1
1.000
0
414
1
2.000
0
634
1
3.000
0
778
1
4.000
0
1.003
1
5.000
0
1.839
1
6.000
500
2.081
1
7.000
1.500
2.423
1
8.000
2.500
2.734
1
9.000
3.500
2.914
1
10.000
4.500
Modelo 1
Rend. Intercep Venda Dummy**
256
1
1.000 1000*D=0
414
1
2.000 2000*D=0
634
1
3.000 3000*D=0
778
1
4.000 4000*D=0
1.003
1
5.000 5000*D=0
1.839
1
6.000 6000*(D=1)
2.081
1
7.000 7000*(D=1)
2.423
1
8.000 8000*(D=1)
2.734
1
9.000 9000*(D=1)
2.914
1
10.000 10000*(D=1)
Yi 73 0,182052 X i 0,1082 X i Di ui
(36,30) (0.011) (0,007741)
t=
2,0199 16,3833 13,9831
R 2 =0,99
**= ( X 2i ) Di ui
53
iii.
1.
2.
Variveis dummies so um expediente classificatrio de dados, uma vez que elas dividem uma
amostra em vrios subgrupos com base em suas qualidades ou atributos (sexo, estado civil,
raa, religio etc.) e implicitamente nos permitem efectuar regresses individuais para cada
subgrupo. Se houver diferenas na resposta do regressando a variao nas variveis
quantitativas dos diferentes subgrupos, elas vo se reflectir nas diferenas nos interceptos ou
nos coeficientes de inclinao ou em ambos, das regresses dos diferentes subgrupos.
3.
Embora seja uma ferramenta verstil, a tcnica da varivel dummy precisa ser manipulada com
cautela. Em primeiro lugar, se a regresso tiver um termo constante, o nmero das variveis
dummies deve ser menor que o nmero de classificaes de cada varivel qualitativa. Em
segundo lugar, o coeficiente ligado as variveis dummies deve sempre ser interpretado em
relao ao grupo-base, ou grupo de referncia, ou seja, o grupo que assume o valor zero. Por
fim, se um modelo tiver diversas variveis qualitativas com diversas classes, a introduo de
variveis dummies pode consumir um grande nmero de graus de liberdade. Portanto, devemos
sempre ponderar o nmero de variveis dummies a serem introduzidas em confronto com o
nmero total de observaes disponveis para a anlise.
4.
Dentre suas vrias aplicaes existentes no domnio variveis dummies, apenas tomamos em
considerao a comparao de duas (ou mais) regresses e a regresso de modelos de regress o
linear por partes. Todavia, existem ainda outras abordagens que no fazem parte do no sso
programa de ensino, como a desazonalizao de dados de sries temporais; a combinao de
dados de corte (cross sectional) com sries temporais.
5.
54