Escolar Documentos
Profissional Documentos
Cultura Documentos
Inferncia
Matemtica
Estatstica
Fenmenos
Econmicos
Teoria Teoria
Econmica Microeconmica
Preo
Demanda
Mas quanto????
Teoria
Econmica
Estatstica
Coleta, processamento e apresentao dos dados
Econmica
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
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:
coeficiente angular
intercepto
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
Yi = E(Y|Xi) + ui (1)
ui = Yi E(Y|Xi)
Estimador de 2
Estimador de 1
Estimador de E(Y|Xi)
Estimador de ui
Captulo 3 Modelo de Regresso de
Duas Variveis
O Problema da Estimao
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
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
= 2 + ou
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
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
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
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
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 +