ECONOMETRIA

Prof. Patricia Maria Bortolon, D. Sc.

Introduo
 Teoria
Econmica

Inferncia
Matemtica
Estatstica

Fenmenos
Econmicos
 Teoria Teoria
Econmica Microeconmica

Preo

Demanda

Mas quanto????
 Teoria
Econmica

Formula equaes sem levar em conta se a teoria

Economia pode ser medida ou verificada
Matemtica

Estatstica
Coleta, processamento e apresentao dos dados
Econmica

Ferramentas especficas para lidar com dados que

Estatstica no foram gerados por experimentos controlados
Matemtica
 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:
 Y consumo renda

Inclinao = PMC

Despesa de
consumo
2= PMC

Renda X
 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:
 Distrbio
Termo de erro
Modelo Var. aleatria (estocstica)
Economtrico Representa todos os fatores
que afetam o consumo
mas no so levados
em conta explicitamente
 O mtodo Economtrico
4. Obteno dos dados

X
 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
Mede a fora ou grau
Tentamos prever o
de associao linear
valor mdio de uma
entre duas variveis
varivel com base nos valores
fixos de outras 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
No. total de observaes na populao
T
n
No. total de observaes na amostra
t
Subscrito dados de corte transversal, coletados em
i
um ponto no tempo
Subscrito dados de sries temporais, coletados ao
t
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)?

coeficiente angular
intercepto

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 Linear nas variveis?

parmetros? 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 (1)

Gasto mdio de consumo

de todas as famlias com
a mesma renda
= elemento sistemtico ou
determinstico
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
2. sugesto: usar 2 =
2
= 1 + 2

2 = 1 , 2
 Mtodo dos Mnimos Quadrados
Ordinrios - MQO
2
2 = 1 2

2
= 2 1 2 = 0 (1)
1
2
= 2 1 2 = 0 (2)
2

(1) e (2) so as Equaes Normais

 Mtodo dos Mnimos Quadrados
Ordinrios - MQO
Resolvendo o sistema de equaes:

2 = =
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 aplicando o somatrio
e dividindo por n

= 2

=
 Propriedades da Linha de Regresso
3. O valor mdio dos resduos igual a zero
Da primeira equao normal:
2 1 2 = 0

2 = 0 =0

Por causa disso a FRA pode ser escrita na forma de

desvios em relao mdia:
1 - aplicando somatrio em = 1 + 2 + (1)
0
= 1 + 2 +

 Propriedades da Linha de Regresso
2 - dividindo por n
= 1 + 2 (2)

3. fazendo (1) em (2)

= 2 + ou

= 2 + <= 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

= 2 22 2 mas 2 =
2

= 22 2 22 2

= 0 = 0 a covarincia de com

 Propriedades da Linha de Regresso

4 - no so correlacionados com , isto , = 0
Da 2. Equao normal:
2 1 2 = 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
2 = 1 =
2 2

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 ) Y
_
STQ = (Yi - Y)2

Y _
_ SQReg = (Yi - Y)2 _
Y Y

Xi X
Qualidade do Ajustamento

= +
( )2 = ( )2 +( )2
= +
( )2 2
= =
1= + ( )2 ( )2

2
( )2
= =
( )2

1= 2 +

 Qualidade do Ajustamento

2

=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 Ajuste perfeito
entre Y e X =
=
 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 =
2
Do numerador:
= =

Da: 2 = = = .
2 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 = 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.
2
4. 1 ~(1 , 2 ) onde 2 = 2 2
1 1
2
5. 2 ~(2 , 2 ) onde 2 =
2 2 2
2
6. ( 2) 2 ~22

 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.