Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 14/04/2014
14 de abril de 2014
14/04/2014
1 / 21
14/04/2014
2 / 21
E (e
j ) = j + k e
j
onde e
j o coeciente de xj , j = 1, ..., k 1 na regresso auxiliar de xk
sobre as demais variveis explicativas do modelo.
O vis de varivel omitida E (e
j )
j = k e
j .
14/04/2014
3 / 21
14/04/2014
4 / 21
final missed
SS
Source
df
MS
Model
Residual
295.352008
14766.5951
1
678
295.352008
21.7796387
Total
15061.9471
679
22.1825435
final
Coef.
missed
_cons
-.1209031
26.59882
d
nal
Std. Err.
.0328317
.2625929
t
-3.68
101.29
= 26.60
n = 680
Number of obs
F( 1,
678)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
680
13.56
0.0002
0.0196
0.0182
4.6669
P>|t|
0.000
0.000
-.185367
26.08322
-.0564391
27.11441
0.121 missed
14/04/2014
5 / 21
Source
df
MS
Model
Residual
2021.72415
13040.2229
2
677
1010.86207
19.2617768
Total
15061.9471
679
22.1825435
final
Coef.
missed
priGPA
_cons
.0172012
3.237554
17.41567
Std. Err.
.0341483
.3419779
1.000942
t
0.50
9.47
17.40
Number of obs
F( 2,
677)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.615
0.000
0.000
=
=
=
=
=
=
680
52.48
0.0000
0.1342
0.1317
4.3888
.0842504
3.909019
19.381
d
nal
14/04/2014
6 / 21
missed
priGPA
missed
priGPA
1.0000
-0.4272
1.0000
( )
14/04/2014
7 / 21
=
=
rij yi
i b
rij2
i b
= j +
Moiss Resende Filho (ECO/UnB)
rij ui
i b
, pois
rij2
i b
14/04/2014
8 / 21
rij ui
b
j + i 2
rij
i b
= Var ( j ) + Var
=
=
i Var
1
rij2
i b
2
rij2
i b
rij ui
i b
rij2
i b
!
1
b
rij ui
rij2
i b
!2
(1)
14/04/2014
9 / 21
pois i b
rij2 = STQj (1
(2)
xj )2 e
rij2
i b
14/04/2014
10 / 21
2
STQj (1 Rj2 )
14/04/2014
11 / 21
2
STQj (1 Rj2 )
n2j
14/04/2014
12 / 21
Var ( j ) =
2
STQj (1 Rj2 )
2
SQTj
14/04/2014
13 / 21
1
2
STQ j (1 R j2 )
0
R2
1
14/04/2014
14 / 21
(3)
y = 0 + 1 x1
(4)
Sabemos que:
Var ( 1 ) =
2
SQT1 (1
Var ( 1 ) =
E (e
1 ) = 1
2 e
1 e E ( 1 ) = 1 .
(5)
R12 )
2
SQT1
(6)
14/04/2014
15 / 21
Moral da histria
Se 2 6= 0 e x1 and x2 so correlacionados na amostra (R12 > 0),
ento: e
1 viesado e 1 no viesado, mas
2
2
Var ( 1 ) = SQT
< SQT (1 R 2 ) < Var ( 1 ) - prefervel utilizar o
1
1
1
modelo (3).
Se 2 = 0 e x1 and x2 so correlacionados na amostra (R12 > 0),
ento: e
1 e 1 so ambos no viesados, mas
2
2
Var ( 1 ) = SQT
< SQT (1 R 2 ) < Var ( 1 ) - prefervel utilizar o
1
1
1
modelo (4).
Superespecicar o modelo no uma medida sem custos.
14/04/2014
16 / 21
(k + 1)
i =1 u i
n
i =1 xij u i
n
= 0
= 0, j = 1, ..., k
SQR
ni=1 u i2
=
n (k + 1)
gl
14/04/2014
17 / 21
Rj2 )
SQTj (1
, j = 1, ..., k
SS
df
MS
Model
Residual
26.876768
138.779515
3
931
8.95892266
.149065
Total
165.656283
934
.177362188
lwage
Coef.
educ
IQ
exper
_cons
.057108
.0057856
.0195249
5.198085
Std. Err.
.007348
.0009797
.0032444
.1215426
t
7.77
5.91
6.02
42.77
Number of obs
F( 3,
931)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
935
60.10
0.0000
0.1622
0.1595
.38609
P>|t|
0.000
0.000
0.000
0.000
.0426875
.003863
.0131579
4.959556
.0715285
.0077082
.025892
5.436614
(.0073 )
(.0010 )
(.0032 )
n = 935, R 2 = .1622
Moiss Resende Filho (ECO/UnB)
14/04/2014
18 / 21
Ecincia de MQO
14/04/2014
19 / 21
MQO BLUE
E (estimador): podemos computar uma estimativa a partir dos dados
na amostra, utilizando uma regra, no caso, o estimador MQO.
U (unbiased): Sob RLM1 a RRLM.4 E (b
j ) = j , j = 0, 1, ..., k
(Teorema 3.1).
L (linear): O estimador MQO uma funo linear de
fyi : i = 1, 2, ..., ng (poderia, sem problema, ser uma funo no linear das
variveis explicativas), ou seja, pode ser posto na forma geral
j = ni=1 wij yi , onde fwij : i = 1, ..., n g so qualquer funes de
f(xi 1 , ..., xik ) : i = 1, ..., ng. Tome o estimador MQO
n
b
r
b
r y
b
j = ni=1 wij yi
j = i =n 1 bijr 2 i , j = 0, 1, ..., k, dena wij = n ij br 2 , tal que b
i =1 ij
i =1 ij
(Linear)
B (best): O estimador possui a menor varincia dentre os estimadores
lineares, ou seja, sob RLM.1 a RLM.5 (hipteses de Gauss-Markov):
Var ( j )
Var ( j )
14/04/2014
20 / 21
Ecincia de MQO
14/04/2014
21 / 21