Introdução Ao Eviews

Workshop de Econometria:
Introduo ao uso do
Eviews
Prof. Caio Piza

CCSA - Depto de Economia/NPQV
Workshop de Econometria - Eviews
Motivao:
Como estimar o impacto de um varivel sobre a outra, o

efeito causal, com base em uma amostra de dados
aleatria?
Conversa de bar: o governo deve aumentar o nmero de policiais

nas ruas para reduzir a criminalidade...;
Conversa de corredor: se a nossa turma fosse menor, o

desempenho da classe seria muito melhor;
Conversa com os pais: preciso fazer ps-graduao para que o

meu salrio aumente.
Os econometristas... So um auxlio positivo na

tentativa de apagar a m imagem pblica da economia
(seja ela quantitativa ou no) como um assunto em
que caixas vazias so abertas supondo-se que a
existncia de abridores de lata revele contedos que
dez economistas interpretaro de 11 maneiras
distintas. (Darnell, Evans e Lynne, 1990, citado por
Gujarati, 2006:1)
Dificuldades prticas:
1. Nem todos os dados de interesse esto disponveis;
2. A base de dados pode no ser suficientemente ampla;
3. Os resultados dificilmente podem ser generalizados;

1 Passo: Compreender o modelo clssico de regresso linear

(MCRL regresso simples);
2 Passo: Limitaes do modelo;
3 Passo: Extenso do modelo simples para o modelo de

regresso mltipla;
4 Testes para a verificao dos pressupostos do MMQO;

Observe o modelo terico para a estimao das quantidades

demandadas:
Q d a bP
Nos modelos tericos, costuma-se atribuir de antemo valores

para a (intercepto) e b (coeficiente angular).
Por exemplo: Q d 10 2 P
Com a equao em mos, basta escolher valores para o

preo (varivel independente) e descobrir qual ser a
quantidade demanda para cada nvel de preo;
O problema que, na prtica, a e b so

desconhecidos!!!
Logo, para obter a quantidade demandada para cada nvel

de preo preciso estimar uma funo de demanda, ou
seja, obter estimativas de a e b!!!
Pressupostos do MCRL
1. Yi = 1 + 2(Xi) + ui;
2. E(ui/Xi) = 0, pois E(Yi/Xi) = 1 + 2(Xi); ento, E(ui) = 0;
3. Var(ui) = ^2 = var(Yi);
4. Cov(ui,uj) = Cov(Yi,Yj) = 0;
5. Xi no aleatria e deve assumir, ao menos, dois valores

distintos;
6. Os valores de u se distribuem normalmente em torno de sua

mdia se os valores de y so distribudos normalmente.
O Mtodo dos Mnimos Quadrados (MMQ)
Uma vez que no possvel saber quais os

verdadeiros valores dos s, no ser possvel
encontrar a reta de regresso populacional(!)
E(Yi/Xi) = 1 + 2(Xi) ????
Como proceder???
O objetivo, portanto, encontrar a reta de regresso

que mais se aproxima da reta de regresso
populacional; ou seja, descobrir a reta que melhor se
ajusta aos dados disponveis;
Observe, portanto, que o desafio descobrir quais os

estimadores (os beta-chapu) que mais se aproximam
dos verdadeiros valores dos parmetros populacionais.
possvel escrever o modelo linear de

regresso simples como:
i. Yi = 1 + 2(Xi) + ui Funo de regresso populacional
ou
ii. Yi = E(Yi/Xi) + ui;
Componente Componente
sistemtico aleatrio
Uma vez que E(yi/xi) = 1 + 2(xi) uma reta e

os s so desconhecidos, possvel utilizar a
funo de regresso amostral e, em seguida,
isolar os resduos, ou seja:

Yi 1 2 X i u i
Ou,

u i Yi 1 2 X i

Ou, ainda, u i Yi Yi
Intuitivamente, o que se busca a menor distncia

entre yi e y^, ou seja, a menor diferena entre o valor
estimado (previsto) e o valor observado. Em outros
termos, o menor valor para o a soma dos resduos
Para evitar que a soma dos resduos seja igual a zero,

utiliza-se a soma dos quadrados dos resduos.
Veja o grfico abaixo: (Fonte: Wooldridge,2002:31)

y1 Y 1 2 X
u^
y^
y^ y
x
x1
Observe que u^ pode ser positivo ou negativo.

O Mtodo dos Mnimos Quadrados Ordinrios (MQO)
Este mtodo apenas uma das possveis maneiras de obteno dos

estimadores de interesse (os betas-chapu);
O mtodo consiste em minimizar a funo dada por:
N 2

S 1 , 2 Yi 1 2 X i
i 1
Nesse caso, os betas-chapu estimados sero os melhores
estimadores lineares, pois eles minimizam a distncia entre o valor
previsto e o valor esperado.
Tomando as derivadas parciais com respeito aos

parmetros e resolvendo as condies de primeira
ordem:
x y
i 1
i i
cov( Xi, Yi)
2 N

2 var( Xi )
x
i
i 1

1 Y 2 X
Propriedades Amostrais dos Estimadores de

Mnimos Quadrados: Teorema de Gauss-
Markov
Teorema: Sob os pressupostos do modelo clssico de regresso

linear, os estimadores encontrados aplicando o mtodo de MQO
so os melhores estimadores lineares no tendenciosos
(BLUE) de 1 e 2 (Hill, Griffiths e Judge, 2006:87)
Varincia dos estimadores:
2

var 2
X i2

2

2 X i
var 1

N X X
i
O problema que a varincia do erro no

conhecida. Ento, antes de calcular as varincias
dos estimadores necessrio obter um estimador
para a varincia. No caso:

2 2
u i

n2
Onde n-2 so os graus de liberdade (tamanho da
amostra menos o nmero de parmetros
estimados).
Assim, para estimar as varincias dos estimadores

preciso substituir ^2 por sua estimativa. Ento, por
exemplo:

2

var 2 2
i X
Para o beta 1 chapu vale o mesmo.

Exemplos no Eviews:
1. Estimativa da funo de demanda;
2. Estimativa da funo salrio;
3. Estimativa de uma funo de despesa com

alimentao.
i. Grficos de linha (ou barra) para as sries

selecionadas;
ii. Grfico de disperso para verificar se h

correlao entre as variveis;
iii. Estatsticas descritivas;

Regresso simples;
Regresso vs. Correlao;
Gerao e transformao de sries;
Transformar as sries em logaritmos naturais (ln);
Interpretao das estimativas nessa forma funcional

modelo log-log;
Grfico dos resduos dos MQ;
Representao da equao estimada;
Previses com base na equao:

Aps regredir y contra x...
Scalar y(valor) = b1 + b2(valor)

Coeficiente de Determinao ou R-Quadrado
O coeficiente de determinao (R^2) mostra quo bem ajustada

aos dados est a linha (ou reta) de regresso; ou, qual a
proporo da variao de y que explicada pelo modelo de
regresso (por Xi).
Como obtido?
Rever o exemplo;
Qual a relao entre R^2 do MCRL e o coeficiente de correlao?

Estimao de Intervalos e Testes de

Hipteses
Distribuio dos estimadores de MQ:

2

2 ~ N 2 ,
2
X i X

Como a varincia do estimador desconhecida, utiliza-se a

estimativa da varincia para a obteno de estatsticas de
intervalo no caso, a estatstica t.

2 2 2 2
t
~ t n 2

var 2 ep 2

Se as hipteses 1 a 6 do MCRL se verificam, ento a varivel

aleatrio t poder ser utilizada na estimao de intervalos e
testes de hipteses.
Intervalo de confiana:

P 2 t c ep 2 2 2 t c ep 2 1

Os extremos aleatrios do intervalo definem um estimador de

intervalos para 2.
Cuidado com a interpretao do intervalo de confiana!!!

Construindo intervalos de confiana no

Eviews
Comandos no Eviews: Aps regredir y contra x...

Coef(2) confint
Confint(1) = eq_name.@coefs(2)-@qdist.(.975,n-k)*eq_name.@stderrs(2)
Confint(2) = eq_name.@coefs(2)+@qdist.(.975,n-k)*eq_name.@stderrs(2)
Onde: eq_name.@coefs(2) = b2
eq_name.@stderrs(2) = se(b2)
@qtdist(.975,n-k) = t crtico
Testes de Hipteses:
i. Bicaudal;
ii. Monocaudal;
iii. Teste de significncia;
Comandos no Eviews para a realizao de teste de hipteses:
Teste bicaudal:
Coef(10) ttest criao do vetor de armazenamento

Ttest(1) = eq_name.@coefs(2) b2
Ttest(2) = eq_name.@stderrs(2) se(b2)
Ttest(3) = (ttest(1)-valor)/ttest(2) estatstica t
Ttest(4) = @abs(ttest(3)) |estatstica t|
Ttest(5) = 1-@ctdist(ttest(4),n-k) P[t(n-k)>=|estatstica t|]
Ttest(6) = 2*ttest(5) valor p bicaudal
Teste monocaudal: (Ha > 0)
Aps obter a regresso de y contra x...
Coef(3) ttest1 vetor de

armazenamento
Ttest1(1) = (eq_name.@coefs(2)-valor)/eq_name.@stderrs(2) estatstica t
Ttest(1) = @qtdist(.95,n-k) valor crtico
Ttest1(3) = 1-@ctdist(ttest1(1),n-k) valor p
(monocaudal)
Teste de Wald (F) para os coeficientes

estimados;
Bicaudal;
Monocaudal;
Heterocedasticidade
Quando a varincia dos erros (e das variveis

explicadas) no constante, os estimadores dos
mnimos quadrados ordinrios continuam lineares
e no tendenciosos, mas deixam de ser os mais
eficientes.
1 passo: plotar um grfico de correlao para

observar como se comportam os erros para
maiores valores de Xi;
2 passo: rodar uma regresso robusta quanto

heterocedasticidade. Este modelo utiliza a
varincia consistente quanto
heterocedasticidade white.
Intervalos de confiana ajudam a verificar como a

varincia de White mais robusta;
Comandos no Eviews para a criao dos intervalos de confiana:
Coef(4) confid
Confid(1) = eq_name.@coefs(2) - @qtdist(.95,n-k)*(eq_name.@stderrs(2)
Confid(2) = eq_name.@coefs(2) + @qtdist(.95,n-k)*(eq_name.@stderrs(2)
Confid(3) = eq_white.@coefs(2) - @qtdist(.95,n-k)*(eq_white.@stderrs(2)
Confid(4) = eq_white.@coefs(2) + @qtdist(.95,n-k)*(eq_white.@stderrs(2)
Mnimos Quadrados Generalizados :GLS

Este modelo gera outros estimadores, ao contrrio do caso
anterior, que utilizou uma matriz de varincia de White para
corrigir os estimadores de MQO;
Comandos no Eviews para a criao dos intervalos de confiana:
Coef(3) stderrs
Stderrs(1) = eq_ols.@stderrs(2)
Stderrs(2) = eq_white.@stderrs(2)
Stderrs(2) = eq_gls.@stderrs(2)
Finalmente!!! O teste de Goldfeld-Quandt
1. Reordenar a varivel X (ordem decrescente);

2. Rodar uma regresso com metade das observaes e salvar o erro padro
(scalar sig1 = @se);
3. Rodar outra regresso com a segunda metade das obs e salvar o erro padro
(scalar sig2 = @se);
Gerando as estat
estatsticas do teste...
i. Coef(2)
Coef(2) GQ
ii. GQ(1) = (sig1^2)/(sig2^2)
iii. GQ(2) = @qfdist
@qfdist(.95,
(.95, 18,18)
Obs:
Obs: Quando a estat
estatstica F de Goldfeld-
Goldfeld-Quandt for maior do que o Fcr
Fcrtico,
tico, rejeita-
rejeita-se a
hip
hiptese nula de que no h
h heterocedasticida ou, de que h
h homocedasticidade.
homocedasticidade.
Regresso Mltipla
Modelo Geral:
Yi 1 2 X i 2 3 X i 3 ... k X ik ui
Obs: o vetor Xi1 foi omitido pois um vetor coluna de

1s.
Pressupostos do Modelo de Regresso Mltipla
1. Yi = 1 + 2(Xi2) + 3(Xi3) +...+ k(Xik) + ui;
2. E(ui/Xi) = 0, pois E(Yi/Xi) = 1 + 2(Xi); ento, E(ui) = 0;
3. Var(ui) = ^2 = var(Yi);
4. Cov(ui,uj) = Cov(Yi,Yj) = 0;
5. Os valores dos Xis no so aleatrios nem funes lineares exatas das

outras variveis explicativas (no h multicolinearidade ou combinao
linear entre as variveis independentes);
6. Os valores de u se distribuem normalmente em torno de sua mdia se os

valores de y so distribudos normalmente.
Observao:
Agora, o estimador da varincia do erro dado por:

2 ui

nk
Onde n-k so os graus de liberdade n obs menos k

parmetros estimados.
Se os pressupostos 1 a 6 forem respeitados, o

Teorema de Gauss-Markov tambm se aplica para o
modelo de regresso mltipla.
Assim, os estimadores sero os melhores estimadores

lineares no-viesados (BLUE).
Varincias e Covarincias dos estimadores
2
var 2 2
n
2
X i2 X 2 1
r23
i 1
Onde r23 o coeficiente de correlao entre as variveis X2 e X3.
Note que quanto maior a correlao entre as variveis, maior a varincia do

estimador 2.
A matriz de varincia e covarincia fornece

informaes valiosas sobre os intervalos de
confiana e a preciso dos estimadores.
Intervalos de confiana para os estimadores do

arquivo Hill_2
Comandos no eviews...
Coef(4) confint
Confint(1) = eq_name.@coefs(2) - @qtdist(.975,49)*eq_name.@stderrs(2)
Confint(2) = eq_name.@coefs(2) + @qtdist(.975,49)*eq_name.@stderrs(2)
Confint(3) = eq_name.@coefs(3) - @qtdist(.975,49)*eq_name.@stderrs(3)
Confint(4) = eq_name.@coefs(3) + @qtdist(.975,49)*eq_name.@stderrs(2)
Aplicando o teste de Wald (F) para realizar testes de

hipteses conjuntas e testes de significncia do modelo.
1. Regredir Y contra X2 e X3;

2. Obter a equao de regresso amostral;
3. Estabelecer as hipteses nulas a serem testadas e as
hipteses alternativas;
4. Verificar a estatstica F e o p-valor;
Previso no modelo de regresso mltipla
Obs: aps obter a representao da equao estimada, modificar

o nome da varivel dependente para yp apenas para evitar a
modificar a srie da varivel y;
Comando:
scalar yp = 104.7855136 - 6.641930069*2 + 2.984298953*10
No modelo de regresso mltipla, o R^2 mede a

proporo de variao na varivel dependente
explicada pelo modelo por todas as variveis
independentes.
O R^2 pode ser visto como uma medida da qualidade

de ajustamento do modelo;
Na prtica, olha-se mais para o R^2 ajustado, pois o

R^2 pode aumentar com o acrscimo de variveis no
modelo, mesmo que no sejam significantes.
Frmula do R^2: (opcional)
Seja: SQT = soma dos quadrados totais;

SQE = soma dos quadrados explicada pelo modelo;
SQR = soma dos quadrados dos resduos;
Como SQT = SQE + SQR
fcil mostrar que...
R^2 = SQE/SQT = 1 SQR/SQT

Introdução Ao Eviews

Enviado por

Dados do documento

Descrição:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Descrição:

Direitos autorais:

Formatos disponíveis

Introdução Ao Eviews

Enviado por

Descrição:

Direitos autorais:

Formatos disponíveis

Workshop de Econometria:

Prof. Caio Piza

Como estimar o impacto de um varivel sobre a outra, o

Conversa de bar: o governo deve aumentar o nmero de policiais

Conversa de corredor: se a nossa turma fosse menor, o

Conversa com os pais: preciso fazer ps-graduao para que o

Os econometristas... So um auxlio positivo na

1. Nem todos os dados de interesse esto disponveis;

2. A base de dados pode no ser suficientemente ampla;

3. Os resultados dificilmente podem ser generalizados;

1 Passo: Compreender o modelo clssico de regresso linear

2 Passo: Limitaes do modelo;

3 Passo: Extenso do modelo simples para o modelo de

4 Testes para a verificao dos pressupostos do MMQO;

Observe o modelo terico para a estimao das quantidades

Nos modelos tericos, costuma-se atribuir de antemo valores

Com a equao em mos, basta escolher valores para o

O problema que, na prtica, a e b so

Logo, para obter a quantidade demandada para cada nvel

2. E(ui/Xi) = 0, pois E(Yi/Xi) = 1 + 2(Xi); ento, E(ui) = 0;

5. Xi no aleatria e deve assumir, ao menos, dois valores

6. Os valores de u se distribuem normalmente em torno de sua

O Mtodo dos Mnimos Quadrados (MMQ)

Uma vez que no possvel saber quais os

E(Yi/Xi) = 1 + 2(Xi) ????

O objetivo, portanto, encontrar a reta de regresso

Observe, portanto, que o desafio descobrir quais os

possvel escrever o modelo linear de

i. Yi = 1 + 2(Xi) + ui Funo de regresso populacional

ii. Yi = E(Yi/Xi) + ui;

Uma vez que E(yi/xi) = 1 + 2(xi) uma reta e

Intuitivamente, o que se busca a menor distncia

Para evitar que a soma dos resduos seja igual a zero,

Veja o grfico abaixo: (Fonte: Wooldridge,2002:31)

Observe que u^ pode ser positivo ou negativo.

O Mtodo dos Mnimos Quadrados Ordinrios (MQO)

Este mtodo apenas uma das possveis maneiras de obteno dos

O mtodo consiste em minimizar a funo dada por:

Tomando as derivadas parciais com respeito aos

Propriedades Amostrais dos Estimadores de

Teorema: Sob os pressupostos do modelo clssico de regresso

Varincia dos estimadores:

O problema que a varincia do erro no

Assim, para estimar as varincias dos estimadores

Para o beta 1 chapu vale o mesmo.

1. Estimativa da funo de demanda;

2. Estimativa da funo salrio;

3. Estimativa de uma funo de despesa com

i. Grficos de linha (ou barra) para as sries

ii. Grfico de disperso para verificar se h

iii. Estatsticas descritivas;

Regresso vs. Correlao;

Gerao e transformao de sries;

Transformar as sries em logaritmos naturais (ln);

Interpretao das estimativas nessa forma funcional

Grfico dos resduos dos MQ;

Representao da equao estimada;

Previses com base na equao:

Scalar y(valor) = b1 + b2(valor)

Coeficiente de Determinao ou R-Quadrado

O coeficiente de determinao (R^2) mostra quo bem ajustada