ECONOMETRIA

Prof. Patricia Maria Bortolon, D. Sc.

Introduo

Teoria
Econmica

Inferncia
Estatstica

Matemtica

Fenmenos
Econmicos

Teoria
Econmica

Teoria
Microeconmica

Preo
Demanda

Mas quanto????

Teoria
Econmica

Economia
Matemtica

Estatstica
Econmica

Estatstica
Matemtica

Formula equaes sem levar em conta se a teoria

pode ser medida ou verificada

Coleta, processamento e apresentao dos dados

Ferramentas especficas para lidar com dados que

no foram gerados por experimentos controlados

O mtodo Economtrico
1. Exposio da teoria ou hiptese

Keynes: o aumento da renda eleva o consumo, mas no em

proporo igual ao aumento dessa renda.
Propenso marginal a consumir (PMC) > 0, mas < 1

2. Especificao do modelo matemtico da teoria

Um economista matemtico poderia sugerir:

renda

consumo

Inclinao = PMC

Despesa de
consumo
2= PMC
1

Renda

O mtodo Economtrico
3. Especificao do modelo estatstico ou economtrico

Se obtivssemos dados de 500 famlias (consumo e renda) e

plotssemos os pontos no grfico, todos cairiam em cima da
reta?
No. Por que?
Porque provavelmente outros fatores afetam a deciso de
consumo (tamanho da famlia, cultura, religio etc...)
A funo definida pelo economista matemtico
determinstica
Para dar conta das relaes inexatas o econometrista
escreve:

Modelo
Economtrico

Distrbio
Termo de erro
Var. aleatria (estocstica)
Representa todos os fatores
que afetam o consumo
mas no so levados
em conta explicitamente

O mtodo Economtrico
4. Obteno dos dados
Y

O mtodo Economtrico
5. Estimao dos parmetros do modelo economtrico

Vai dar contedo emprico funo consumo

Anlise de regresso

^ indica se tratar de uma estimativa

Aumento de US$1 no perodo amostrado, provoca em

mdia, um aumento no consumo de US$0,70
Por que dizemos em mdia? Porque a relao inexata.

O mtodo Economtrico
6. Testes de hipteses

Keynes: esperava que PMC fosse + e < 1

Mas, 0,70 estatisticamente menor que 1?
0,70 est suficientemente abaixo de 1, ou um resultado devido ao
acaso?

7. Projeo ou previso

Uma reduo de impostos => aumento da renda das famlias => quanto
aumentar o consumo?

8. Uso do modelo para fins de controle ou de poltica

Se certo nvel de consumo garante certo nvel de desemprego a relao

calculada pode ser usada no sentido inverso para descobrir qual o nvel
de renda necessrio. Polticas podem ser estabelecidas para atingir esse
nvel de gerao de renda.

Captulo 1
A natureza da anlise de regresso
Fonte: GUJARATI; D. N. Econometria Bsica: 4 Edio.
Rio de Janeiro. Elsevier- Campus, 2006

Origem Histrica
Altura de filhos de pais altos e de pais baixos tendem
para a altura mdia da populao
Lei da regresso universal de Galton
Confirmada por Karl Pearson
regresso a mediocridade

Interpretao moderna da regresso

Descobrir como a altura mdia dos filhos varia, dada a
altura dos pais
Estudo do comportamento de uma varivel dependente
em relao a uma ou mais variveis explanatrias, para
estimar ou prever o valor (mdio) da populao da
primeira em termos dos valores conhecidos ou fixados
(em amostras repetidas) das segundas.

Ver figura 1.1 e exemplos da pgina 14 a 16

Relaes Estatsticas x Determinsticas

Determinstica (ou funcional)
Lei da gravitao de Newton

Estatsticas
Rendimento das lavouras = f (temperatura, pluviosidade, luz solar,
fertilizantes)
Um agrnomo consegue prever com exatido o rendimento se ele
conhecer os valores das varives direita da equao?
No. Por que?
Erros de medio
Influncia de outros fatores

H uma variabilidade intrnseca ou aleatria

Regresso x Causao
Kendall e Stuart: as ideias de causao devem se
originar de alguma teoria
Rendimento causa chuva ou chuva causa rendimento?
O que o faz acreditar na segunda?
Senso comum
No poder controlar a pluviosidade por meio de uma variao
no rendimento da lavoura

Relao estatstica no implica logicamente causao

A causao ir depender de consideraes a priori ou
tericas

Regresso x Correlao
Tentamos prever o
valor mdio de uma
varivel com base nos valores
fixos de outras variveis

Mede a fora ou grau

de associao linear
entre duas variveis

Correlao
No h diferena entre varivel dependente e explanatria
As duas variveis so aleatria
Correlao entre notas de estatstica e matemtica

Regresso
H uma assimetria no tratamento das variveis
Dependente: estatstica, aleatria, estocstica, tem distribuio de
probabilidade
Independente: tem valores fixos em amostras repetidas (ex: alturas)

Terminologia e Notao
Ver quadro da pag. 18
Anlise de regresso simples:

Anlise de regresso mltipla:

Terminologia e Notao
Varivel aleatria: (ou estocstica) aquela que pode
assumir qualquer valor, + ou - , dentro de um conjunto
de valores com uma dada probabilidade.
Y

Varivel dependente

Xk

Varivel explicativa (X1, X2, ... , Xk)

N
T
n
t

No. total de observaes na populao

No. total de observaes na amostra

Subscrito dados de corte transversal, coletados em

um ponto no tempo

Subscrito dados de sries temporais, coletados ao

longo de um intervalo de tempo

Tipos de Dados
Sries Temporais
A varivel assume valores em diferentes momentos do tempo
Cotaes intra-dirias de aes, receitas mensais, lucros
anuais
Estacionria: quando a mdia e a varincia no variam
sistematicamente ao longo do tempo

Corte Transversal
Variveis coletadas em um mesmo momento no tempo
Lucro lquido das empresas siderrgicas em 2010
Heterogeneidade pode ser um problema (ver tab. 1.1 e fig.
1.6)

Tipos de Dados
Dados combinados
Ver tab. 1.2 do exerccio 1.1
O IPC de cada pas no perodo 73-97 uma srie temporal
Os dados dos 7 pases em cada ano um corte transversal

Dados em painel (longitudinais ou de micropainel)

Uma mesma unidade em corte transversal pesquisada ao
longo do tempo

Fontes de Dados

Economtica
Thomson Reuters
CVM
BM&FBovespa
IBGE
Banco Central
Sites de empresas

Exatido dos Dados

A maioria dos dados no so experimentais por
natureza, h possibilidade de erros de observao,
intencionais ou no
Mesmo em dados experimentais: erros de medio
Questionrios: 40% de resposta vis de seletividade
Os resultados de sua pesquisa tero a mesma
qualidade dos dados coletados

Escalas de Medio das Variveis

Escala nominal
Sexo, estado civil
Para associar observaes a categorias especficas

Escala ordinal
Classe de renda, nvel educacional
possvel ordenar

Escala de intervalo
possvel ordenar e comparar
Os intervalos so iguais
Ex.: latitude e longitude

Escala de razo

A razo (X1/X2) e a distncia (X1 X2) so significativas

possvel ordenar
possvel comparar
Tem um zero real

Stevens (1946)

Stevens (1946)

Captulo 2 Anlise de Regresso com

Duas Variveis
Algumas ideias bsicas
Fonte: GUJARATI; D. N. Econometria Bsica: 4 Edio.
Rio de Janeiro. Elsevier- Campus, 2006

Tabela 2.1
Grupos de renda => valores fixos de X
Y varia para cada valor fixo de X
O valor mdio de Y aumenta com o aumento da renda
Para a renda mensal de $80 => consumo mdio de $65
So 10 valores mdios para as 10 classes de renda

Valores esperados condicionais

E(Y | X)

Tabela 2.1
Valor esperado incondicional
E(Y) = soma dos 60 dados de consumo dividido por 60
Incondicional pois no leva em considerao os diferentes
nveis de renda
Qual o valor esperado das despesas de consumo semanais mdias
de uma famlia? $ 121,20
Qual o valor esperado das despesas de consumo semanais de uma
famlia cuja renda mensal , digamos, de $140? $ 101

LRP
LRP = Linha de Regresso Populacional
Uma curva de regresso populacional o lugar geomtrico das
mdias condicionais da varivel dependente para os valores
fixados da varivel explanatria.

Ver fig. 2.2

Conceito de Regresso Populacional

Cada mdia condicional E(Y | Xi) uma funo de Xi,
onde Xi um dado valor de X.
E(Y | Xi) = f(Xi) :funo de esperana condicional FEC
:funo de regresso populacional FRP
Qual a forma assumida pela funo f(Xi)?

Conceito de Regresso Populacional

Qual a forma assumida pela funo f(Xi)?

intercepto

coeficiente angular

Parmetros desconhecidos, mas fixos

Funo de regresso populacional

Modelo de regresso populacional
Regresso linear populacional

O significado do termo LINEAR

So lineares nos
parmetros

O significado do termo LINEAR

O significado do termo LINEAR

A linearidade relevante para a teoria da regresso a
nos parmetros
Linear nos
parmetros?

Linear nas variveis?

Sim

No

Sim

MRL

MRL

No

MRNL

MRNL

Especificao estocstica da FRP

O que podemos dizer sobre os gastos de consumo de
uma dada famlia e um dado nvel de renda?
Yi = E(Y|Xi) + ui

(1)

ui = Yi E(Y|Xi)
- Desvio de um Yi individual em torno de seu valor
esperado
- Distrbio estocstico
- Termo de erro estocstico

Especificao estocstica da FRP

Yi = E(Y|Xi) + ui
Gasto mdio de consumo
de todas as famlias com
a mesma renda
= elemento sistemtico ou
determinstico

(1)

Elemento aleatrio ou no
sistemtico = representa ( uma
proxy) de todas as variveis
omitidas ou negligenciadas que
podem afetar Y mas no foram
includas nos modelos de
Regresso.

Especificao estocstica da FRP

Yi = E(Y|Xi) + ui
E(Yi|Xi) = E[E(Y|Xi)] + E(ui|Xi)
=

=> E(ui|Xi) = 0
A pressuposio de que a linha de regresso passa pelas mdias
condicionais de Y => que os valores mdios condicionais de ui
(condicionais a um dado X) so iguais a zero.

O significado do termo de erro estocstico

Carter vago da teoria
ui um substituto para todas as variveis excludas ou
omitidas do modelo

Falta de dados disponveis

Ex.: no caso do consumo, a riqueza das famlias

Variveis essenciais x variveis perifricas (com pouca

influncia)
Carter intrinsicamente aleatrio do comportamento
humano
Variveis proxy pouco adequadas
Ex.: endividamento, valor de mercado

O significado do termo de erro estocstico

Princpio da parcimnia
Navalha de Occam: o modelo de regresso deve ser o mais
simples possvel

Forma funcional equivocada

Quando possvel inferir a forma funcional a partir de um
grfico => s no modelo de regresso linear simples

Funo de Regresso Amostral

Estimador de 2
Estimador de 1
Estimador de E(Y|Xi)

Estimador = estatstica (amostral) = estimativa

Forma Estocstica da FRA

Estimador de ui

Captulo 3 Modelo de Regresso de

Duas Variveis
O Problema da Estimao
Fonte: GUJARATI; D. N. Econometria Bsica: 4 Edio.
Rio de Janeiro. Elsevier- Campus, 2006

Mtodo dos Mnimos Quadrados

Ordinrios - MQO
Recordemos a FRP de duas variveis:
= 1 + 2 +
Como esta no pode ser observada diretamente, temos
que estim-la a partir da FRA:
= 1 + 2 +
= +
Podemos escrev-la da seguinte forma:
=
= 1 + 2
E agora?

Mtodo dos Mnimos Quadrados

Ordinrios - MQO
=

1. sugesto: escolher a FRA tal que

Problema: a soma algbrica pode resultar em valor muito

pequeno ou zero, mesmo que os pontos estejam muito
dispersos em torno da reta ajustada (ver fig. 3.1)

2. sugesto: usar

=
=

1 + 2

2 = 1 , 2

Mtodo dos Mnimos Quadrados

Ordinrios - MQO
2

2
1

2
2

1 2

= 2

1 2 = 0

(1)

= 2

1 2 = 0

(2)

(1) e (2) so as Equaes Normais

Mtodo dos Mnimos Quadrados

Ordinrios - MQO
Resolvendo o sistema de equaes:
2 =

=
2

1 = 2

MQO Propriedades Numricas

Obs.: no dependem da forma como os dados so gerados
I. So calculados a partir de quantidades observveis
(isto , amostrais)
II. So estimadores pontuais
III. Obtidos os estimadores, a linha de regresso pode ser
facilmente obtida. A linha de regresso tem as
seguintes propriedades:

Propriedades da Linha de Regresso

1. Passa pelas mdias amostrais e e pode ser escrita
como = 1 + 2
2. O valor mdio dos Y estimados igual ao valor mdio
dos Y observados
= 1 + 2
= 2 1 + 2
= 2 2

=
2

aplicando o somatrio
e dividindo por n

Propriedades da Linha de Regresso

3. O valor mdio dos resduos igual a zero
Da primeira equao normal:
2

1 2 = 0

= 0

=0

Por causa disso a FRA pode ser escrita na forma de

desvios em relao mdia:
1 - aplicando somatrio em = 1 + 2 + (1)

= 1 + 2

Propriedades da Linha de Regresso

2 - dividindo por n
= 1 + 2

(2)

3. fazendo (1) em (2)

= 2
= 2 +

ou

<= formato de desvio 1 no aparece

FRA: = 2 +

Propriedades da Linha de Regresso

4 - no so correlacionados com
A partir do formato de desvio:

= 2 (x ) e somatrio
= 2
= 2
= 22
= 0

2
22
2 22

mas 2 =

= 0 a covarincia de com

Propriedades da Linha de Regresso

4 - no so correlacionados com , isto ,
Da 2. Equao normal:

1 2 = 0

= 0

Premissas subjacentes ao MQO

Necessrias para que possamos fazer inferncias
MLRC Modelo de Regresso Linear Clssico
Premissa 1: o modelo de regresso linear nos
parmetros
Premissa 2: os valores de X so fixos em amostras
repetidas, ou seja, X no estocstico. Nossa anlise de
regresso condicional aos valores de X.
Premissa 3: o valor mdio do termo de erro ui zero.
E(ui|Xi) = 0
Os fatores implcitos que afetam ui no afetam
sistematicamente o valor mdio de Y.

Premissas subjacentes ao MQO

MLRC Modelo de Regresso Linear Clssico
Se E(ui|Xi) = temos um problema de identificao:
E(Yi|Xi) = 1 + 2Xi + ui
E[E(Yi|Xi)] = E(1|Xi)+ E(2Xi|Xi)+ E(ui|Xi)
E(Yi|Xi) = 1 + 2Xi +
E(Yi|Xi) = (1 + ) + 2Xi
E(Yi|Xi) = 1 + 2Xi
Ao estimar esse modelo obtemos infinitas solues para
1 e

Premissas subjacentes ao MQO

MLRC Modelo de Regresso Linear Clssico
Premissa 4: homocedasticidade de ui
Var(ui|Xi) = E[ui E(ui|Xi)]2
Var(ui|Xi) = 2
Se for heterocedstico => = 2
As varincias condicionais de Yi tambm so
homocedsticas.
Var(Yi|Xi) = 2

Premissas subjacentes ao MQO

MLRC Modelo de Regresso Linear Clssico
Premissa 5: no h autocorrelao entre os termos de
erro
, = 0

Premissa 6: covarincia entre ui e Xi igual a zero
, = 0
= 0
Se X no estocstico essa premissa satisfeita automaticamente, uma vez
que nesse caso a covaricia entre o erro e X necessariamente zero.
Importante para que se possa avaliar o efeito isolado de X sobre Y.
Importante porque se X forem aleatrios ainda assim a teoria da regresso
ser aplicvel desde que os X no sejam correlacionados com os termos de
erro.

Premissas subjacentes ao MQO

MLRC Modelo de Regresso Linear Clssico
Premissa 7: n deve ser maior que o nmero de
parmetros a serem estimados
Premissa 8: variabilidade dos valores de X as
variveis precisam variar

2 =
2
Premissa 9: o modelo de regresso est especificado na
forma correta (ver eq. 3.2.7 e 3.2.8 e fig. 3.7)
Premissa 10: (para modelos com mais de 2 variveis) no
h relaes lineares perfeitas entre as variveis
explanatrias

Preciso ou erros-padro das estimativas

MQO
2 =

2
2

1 =

Onde 2 a varincia homocedstica de ui

Obs.:
Quanto maior a variao nos valores de Xi maior a
preciso da estimativa de 2
Com o aumento de n tambm aumenta a preciso

Preciso ou erros-padro das estimativas

MQO
Se 2 desconhecido pode ser estimado por
2

2
=
2
2 = SQR = soma dos quadrados dos resduos
=

2
2

o erro padro da estimativa, o desvio padro dos

valores de Y em relao linha de regresso. Uma
medida da qualidade do ajustamento.

Teorema de Gauss-Markov
2 dito o melhor estimador linear no tendencioso de
2 se:
1. linear, por exemplo, em Y

2. no tendencioso => E(2 ) = 2

3. eficiente, ou seja, entre todos os estimadores lineares o
de menor varincia (ver fig. 3.8)

Ver propriedades dos estimadores na pag. 723

Qualidade do ajustamento
r2 no caso de regresso com duas variveis
R2 no caso de regresso mltipla = coeficiente de determinao

Y
Yi

2
SQR = (Yi - Yi )

STQ = (Yi - Y)2

_
SQReg = (Yi - Y)2

_
Y

Xi

_
Y

Qualidade do Ajustamento
= +
( )2 = ( )2 +( )2
= +

1=
+

( )2
2
=
=
( )2
( )2

( )2
=
=

( )2
2

1=

Qualidade do Ajustamento

=1

Coeficiente de determinao amostral

Mede a proporo ou percentual da variao total de Y

explicada pelo modelo de regresso
No modelo de regresso linear simples, o R2 igual ao
quadrado do coeficiente de correlao entre X e Y
2
2 =

Qualidade do Ajustamento
No modelo de regresso linear simples, o R2 igual ao
quadrado do coeficiente de correlao entre X e Y
2
2 =

0 2 1
Sem relao linear
entre Y e X
=

Ajuste perfeito
=

Coeficiente de Correlao Amostral - r

1. Pode ser + ou
2. 1 r 1
3. Simtrica =
4. Independe da escala
= onde = + e = +
5. Se X e Y so independentes rxy = 0
mas rxy = 0 no implica independncia
5. No implica relao de causa e efeito
6. No tem sentido para descrever relaes no lineares

Captulo 4 Modelo Normal de

Regresso Linear Clssico
MNRLC
Fonte: GUJARATI; D. N. Econometria Bsica: 4 Edio.
Rio de Janeiro. Elsevier- Campus, 2006

At aqui...
Com o auxlio do mtodo MQO conseguimos estimar
1, 2, 2.
Sob as premissas do MRLC vimos que os estimadores
desses parmetros 1 , 2 e 2 apresentam propriedades
estatsticas desejveis tais como no tendenciosidade,
varincia mnima etc...
Falta agora fazer os testes de hipteses necessrios s
inferncias sobre a FRP.
Quo longe 1 , 2 e 2 esto dos parmetros
populacionais 1, 2, 2?
Para isso precisamos descobrir as distribuies de
probabilidade de 1 , 2 e 2 .

2 =

Do numerador:
=

Da: 2 =

 Como pressupomos que X no estocstico, nossa

anlise de regresso condicionada aos valores fixos de
Xi.
2 uma funo linear de Yi
= 1 + 2 +
2 =

1 + 2 +

Mas Xi no estocstico, ento a variao de 2 vai

depender da variao de ui
Como o MQO no faz qualquer pressuposio sobre a
natureza probabilstica de ui, no nos ajuda a fazer
inferncias a respeito da FRP a partir da FRA.

A premissa de normalidade de ui
Normalidade de ui => MNRLC
~ 0, 2
Mdia: E(ui) = 0
Varincia: ( )

= 2 = 2

Covarincia: , : , = 0
e se distribuem independentemente
~ 0, 2
Distribudo de maneira normal e independente

Por que a premissa de normalidade?

1. Porque como 1 e 2 so funes lineares de se
estiver normalmente distribudo 1 e 2 tambm
estaro.
Esperamos que seja resultado da influncia de variveis
omitidas ou negligenciadas e que esse efeito seja pequeno e
aleatrio.
Pelo Teorema do Limite Central a soma de um grande
nmero de variveis aleatrias, independentes e com
distribuio idntica, tende distribuio normal.
Propriedade da distribuio Normal: qualquer funo linear
de variveis com distribuio normal tambm normalmente
distribuda.

Por que a premissa de normalidade?

2. A distribuio normal simples, envolve 2 parmetros
3. Para amostras menores que 100 elementos a premissa
de normalidade fundamental. Permite recorrer aos
testes t, F e 2.

Se o tamanho da amostra for suficientemente grande

podemos relaxar a premissa de normalidade;
Para amostras pequenas cabe verificar se a premissa
adequada.

Propriedades dos estimadores de MQO sob a

premissa de normalidade

1. So no tendenciosos.
2. So eficientes tm varincia mnima.
3. So consistentes medida que n aumenta
indefinidamente, os estimadores convergem para os
verdadeiros valores da populao.

4.

1 ~(1 , 2 )
1

5.

2 ~(2 , 2 )
2

6. (

onde

2
1

onde

2
2

2
2) 2 ~22

=
=

2
2

Propriedades dos estimadores de MQO sob a

premissa de normalidade

7. A distribuio de (1 , 2 ) independente de 2 .

8. 1 e 2 tm a varincia mnima dentro de toda a classe

de estimadores no tendenciosos, sejam lineares ou
no lineares so BUE.