Escolar Documentos
Profissional Documentos
Cultura Documentos
Apostila de Econometria PDF
Apostila de Econometria PDF
ECONOMETRIA CLÁSSICA
Notas de Aula
1. INTRODUÇÃO
1.1 OBJETIVOS
Modelos econométricos
Mensuração
Verificação de teorias
Previsão
Escola Clássica
Escola Inglesa
MGD: Yi b1 b2 X 2i bk X ki i
Y variável dependente;
X 2 ,, X k variáveis independentes ou explicativas;
E (Yi )
bj ou coeficiente de sensibilidade de Y em relação à Xj;
Xj
E (Yi ) b1 b2 X 2i bk X ki é a média de Y e representa um hiperplano
que corta o espaço euclidiano Rk;
Hipóteses Básicas
Observações
MGD: Y Xb
onde:
Y1 1 X 21 X k1 b1 1
Y X b
n 1 n k k 1 n 1
Yn 1 X 2 n X kn bk n
E(Y ) Xb .
Observações
Conceitos
ˆi Yi Yˆi
Resíduo:
Y bˆ
i 1 bˆ2 X 2i bˆk X ki
Representação Matricial
Resíduo: ˆ Y Yˆ Y Xbˆ
Yˆ1 bˆ1 ˆ1
onde: Yˆ bˆ ˆ
n 1 k 1 n 1
ˆ
Yn ˆ
bk ˆn
n
Solução: Minimizar a soma dos quadrados dos resíduos ˆi para b̂ , ou
i 1
bˆ ( X X ) 1 X Y
Prova
ˆ ˆ bˆ X )(Y Xbˆ) bˆ X Y
1. ˆ ˆ (Y Xb) (Y Xb) (Y YY YXb b X Xb
YY 2b X Y b X Xb
ˆˆ
2. Condição de 1ª. Ordem: 2X Y 2 X Xbˆ 0
bˆ
3. bˆ ( X X ) 1 X Y EMQO para b.
2
ˆˆ
4. Condição de 2ª. Ordem: 2( X X ) definida positiva*
( bˆ) 2 k k
* Como X tem posto k, segue que a matriz quadrada X’X de ordem k×k também
apresenta posto k e, logo, é não singular. Sendo não singular, possui inversa. Além
disso, X’X é definida positiva ( z X Xz 0, z 0 ; veja-se, por exemplo, JD, 1988:
p. 484). Logo, b̂ é ponto de mínimo absoluto para ˆ ˆ .
( a b) (b a)
a
b b
(b Ab)
2 Ab
b
onde:
Resultado (R1): bˆ b ( X X ) 1 X
Prova:
bˆ (X X ) 1 X Y( X X ) 1 X ( Xb ) b (X X ) 1 X .
Do que segue que bˆ b ( X X ) 1 X .
Média
Viés(bˆ) E (bˆ b) E (X X ) 1 X ( X X ) 1 X E( ) 0;
E (bˆ) b .
Variância
Prova
(X X ) 1 X ( 2
I)X (X X ) 1
2 1
(X X )
2.5 PROPRIEDADES DOS EMQO
Eficiência
~
Var (b ) E[( A C ) ( A C )' ] ( A C ) E ( )( A C )
2
( A C )( A C )
Mas,
( A C )( A C ) AA CA AC CC
1 1
(X X ) CX ( X X ) (X X ) 1 X C CC
1
(X X ) CC
~
Var (b ) 2
[( X X ) 1
CC ] Var (bˆ) 2
CC
Consistência
p lim(bˆ) p lim(b ( X X ) 1 X )
b p lim[( X X ) 1 X ]
1
XX X
b p lim
n n
1
X'X X
b p lim
n n
X
p lim E( X ) X E( ) 0
n k 1
Logo:
p lim(bˆ) b
Quando n , (bˆ j b j ) / bˆ j
N (0,1) ;
Ou seja, em amostras grandes, podemos aproximar a distribuição
de b̂ j como uma normal, isto é: para n grande, bˆ j ~ N (b j , b2ˆj ) ;
Logo, se a amostra é grande, não precisamos da hipótese 6.
Qualquer que seja a distribuição de i , podemos aplicar a teoria da
normal para o EMQO e os procedimentos de testes de hipótese;
2.6 QUALIDADE DO AJUSTAMENTO
R2
Yi Y = Yi Yˆi + Yˆi Y
Desvio Desvio Não- Desvio
Total explicado Explicado
Elevando ao quadrado e agregando para todas as observações:
n
= n
+ n
(Yi Y ) 2 (Yi Yˆi ) 2 (Yˆi Y ) 2
i 1 i 1 i 1
Matricialmente: y y ˆˆ yˆ yˆ
onde: y Y Y yˆ Yˆ Y ˆ Y Yˆ
n 1 n 1 n 1
Grau de ajustamento
yˆ yˆ ˆˆ
R2 ou R2 1
yy yy
Propriedades
R2 [0,1] ;
Bom ajustamento R 2 1 ; Fraco ajustamento R2 0 ;
R 2 tende a aumentar sempre com novas variáveis explicativas;
R 2 nunca diminui com novas variáveis explicativas
R 2 ou R 2 - ajustado
ˆ ˆ (n 1)
R2 1
y y (n k )
Propriedades
R 2 R 2 se k = 1;
R 2 R 2 se k > 1;
R 2 pode diminuir se incluo variáveis pouco explicativas;
R 2 pode ser negativo;
ˆˆ 2k
AIC log
n n
Propriedades
AIC ;
Quanto menor AIC, melhor o ajustamento;
AIC penaliza bem mais que o R 2 a presença de variáveis
irrelevantes;
AIC valoriza mais a parcimônia.
Critério de Schwarz – SC
ˆˆ k log n
SC log
n n
Propriedades
SC ;
Quanto menor SC, melhor o ajustamento;
SC penaliza bem mais que o R 2 a presença de variáveis irrelevantes;
SC também valoriza mais a parcimônia do que o AIC, penalizando
mais ainda o número de parâmetros/variáveis no modelo.
2.7 VARIÂNCIA RESIDUAL DA REGRESSÃO
2
Var ( i ) também é um parâmetro desconhecido do MGD;
Caminho natural de estimá-lo seria:
n
ˆi2
ˆˆ
ˆ2 i 1
n n
n k n k
2
(Yi Y )2
S
R2 1 2
, onde: S Y2 i 1
SY n 1
Sb2ˆ S 2(X X ) 1
Exemplo: Consumo Anual Brasil 1960-2004
Observações
R3. ˆ ˆ / 2
~ 2
n k ;
R4. (n k )S 2 / 2
~ 2
n k ;
R6. (n k ) S 2 / 2
e (bˆ j b j ) são independentes;
(bˆ j bj )
R7. De R4-R6, segue que: ~ tn k
S Vj
Prova: De R5, segue que (bˆ j b j ) / V j ~ N (0,1) . Agora
computando:
(bˆ j bj ) (n k ) S 2
,
Vj (n k ) 2
bˆ j , L = limite inferior
bˆ j , H = limite superior
1 = nível de confiança
Solução:
bˆ j , L bˆ j t1 s
/ 2 , n k bˆ j
bˆ j , H bˆ j t1 s
/ 2 , n k bˆ j
bˆ j bj
P t1 / 2, n k t1 / 2,n k 1
sbˆ
j
P t1 s
/ 2 , n k bˆ j bˆ j bj t1 s
/ 2 , n k bˆ j 1
P t1 / 2, n k bˆ js bj bˆ j t1 s
/ 2, n k bˆ j 1
P bˆ j t1 s
/ 2 , n k bˆ j bj bˆ j t1 s
/ 2 , n k bˆ j 1
2.10 TESTES DE SIGNIFICÂNCIA DE PARÂMETROS E VARIÁVEIS
MGD: Yi b1 b2 X 2i bk X ki i
Conceitos e definições
Se P( | Tn k | tbˆ ) j
Não rejeito H0;
Se P( | Tn k | tbˆ ) j
Rejeito H0;
Exemplo: Consumo Anual Brasil 1960-2004
yˆ yˆ /(k 1)
R9. ~ Fk
ˆ ˆ /(n k ) 1, n k
Prova
Combinando R3 com R8:
yˆ yˆ (n k ) S 2 yˆ yˆ /(k 1)
2
~ Fk 1, n k
(k 1) (n k ) 2 S2
Estatística de Teste:
Yi b1 b2 X 2i b3 X 3i i
Colinearidade Perfeita
x 2 i x 3i
1 r23 1
x 22i x32i
Logo, com bˆ2 bˆ3 0 0 , é impossível computar os EMQO bˆ1 , bˆ2 , bˆ3 .
Alta mas não perfeita colinearidade
S2 S2
S b2ˆ S b2ˆ
2
x2i (1 r232 ) 3
x3i (1 r232 )
Logo:
r232 1 t b̂ 0 e t b̂ 0
2 3
Conseqüências da Multicolinearidade
Soluções Alternativas
o Exemplo:
Multicolinearidade Perfeita
Yi b1 b2 X 2i bk X ki i
X 2i 3 X 3i k X ki
X 2i 3 X 3i k X ki
2
Pela hipótese 6: Yi ~ N ( E(Yi ), );
Função densidade:
1 (Yi b1 b2 X 2i bk X ki ) 2
f (Yi ) exp
2 2 2 2
Função de verossimilhança:
n
2
L(b1 ,, bk , ) f (Yi )
i 1
n n
1 2
i 1
(Yi b1 b2 X 2i bk X ki ) 2
2
exp 2
2 2
Em forma matricial:
n
2 1 2 (Y Xb) (Y Xb)
L(b, ) 2
exp
2 2 2
Log-verosssimilhança:
2 n n 2 (Y Y b X Y YXb b X Xb)
(b, ) ln 2 ln
2 2 2 2
Maximizando a log-verossimilhança
1 ~ ~
2
(2 X Y 2 X Xb ) 0 b (X X ) 1 X Y
b 2
n ~~ ~~
0 ~2
2
2 ~2 2 ~4 n
~
onde: ~ Y Xb
2
Condição de 2ª. Ordem: garante que o EVM de b e é máximo
global (ver JD: p. 146).
~
Logo, o EMV de b ( b ) é o mesmo que o EMQO ( b̂ ); e o EMV de
2 ~2
( ) difere do usado antes para 2 ( S 2 ) apenas no denominador;
Conclusão
Previsão Pontual
Seja x f [1 X 2 f X kf ] , então:
xf xi [1 X 2i X ki ]
i 1,, n
Yˆ f Yˆi xi bˆ
xf x0 [1 X 20 X k 0 ]
o i
Yˆ f Yˆ0 x0 bˆ
Pelo T. Gauss-Markov:
2
f Var (Y f Yˆf ) Var ( f x f (bˆ b))
Var ( f ) Var ( x f (bˆ b)) 2
E[ x f (bˆ b)(bˆ b) x f ]
2
x f Var (bˆ) x f 2 2
xf (X X ) 1 xf
2
[1 x f ( X X ) 1 x f ]
S 2f S 2 (1 x f ( X X ) 1 x f )
Resultados de interesse
Prova
Yˆf Yf (n k ) S 2f Yˆ Y f
2
~ tn k ,
f (n k ) f Sf
Solução:
Yˆ fL Yˆ f t1 / 2, n k Sf
Yˆ fH Yˆ f t1 / 2,n k Sf
Prova
Yˆ f Yf
P ( t1 / 2,n k t1 / 2,n k ) 1
Sf
P(Yˆf t1 / 2, n k Sf Yf Yˆf t1 / 2, n k Sf ) 1
Isto é:
P(YˆfL Yf YˆfH ) 1
Modelo Econométrico:
CO t 29.589.820 0,789Yt 0,686GR 0,606I t 0,781NE t
Yi Y X 2i X 2 X ki X k
b2* bk* ei
SY S X2 S Xk
Relação entre coeficientes originais e padronizados:
SXj
b *j bj j = 2,...,k.
SY
3.2 ELASTICIDADES
E (Yi ) X ji X ji
Ej bj
X ji E (Yi ) E (Yi )
X ji
Eˆ ji bˆ j
Yˆi
Xj
Eˆ j bˆ j
Y
Yi F ( X 2i ,, X ki , i )
Modelo log-log: ln Yi b1 b2 ln X 2i bk ln X ki i
Modelo interativo: Yi b1 b2 X 2i b3 X 3i b4 ( X 2i X 3i ) i
3.4 TESTE F PARA SIGNIFICÂNCIA DE BLOCOS DE VARIÁVEIS
Considere o MGD: Yi b1 b2 X 2i b3 X 3i b4 X 4 i b5 X 5i i ;
Teste de Hipótese:
o H0: b4 b5 0 (X4 e X5 não são significativas);
Definições:
o Modelo irrestrito (IR): Yi b1 b2 X 2i b3 X 3i b4 X 4 i b5 X 5i i
o Modelo restrito(R): Yi b1 b2 X 2i b3 X 3i i
Estatística de Teste:
( SQE IR SQE R ) /(k IR k R )
F ~ Fk IR k R , n k IR
SQRIR (n k IR )
o SQEIR 65.965,10 ;
o SQRIR 77,17 ;
o k IR 4;
o SQER 65.898,24 ;
o kR 2
(65965,10 65898,24) /(4 2)
F 4,765
77,17 (15 4)
MGD: Yi b1 b2 X 2i bk X ki i
MGD: Yi b1 b2 Di i
n = 20 professores pesquisados;
Yi = renda do i ésimo professor;
Di = sexo do i ésimo professor (1 homem; 0 mulher);
Interpretação do MGD:
E (Yi | Di 0) b1 é o salário médio/esperado de uma professora;
E (Yi | Di 1) b1 b2 é o salário médio/esperado de um professor;
Modelo empírico: Yˆi 21,2 1,5 Di
( 3.15) ( 2, 7 )
n = 20 professores pesquisados;
Yi = renda do i ésimo professor;
DSi = sexo do i ésimo professor (1 homem; 0 mulher);
DRi = raça do i ésimo professor (1 branco(a) ; 0 negro(a));
Interpretação do MGD:
o E (Yi | DSi DRi 0) b1 : sal. médio/esperado da M.N.;
o E (Yi | DSi 1, DRi 0) b1 b2 : sal. médio/esperado do H.N.;
o E (Yi | DSi 0, DRi 1) b1 b3 : sal. médio/esperado de uma M.B.;
o E (Yi | DSi DRi 1) b1 b2 b3 : sal. médio/esperado do H.B.;
Modelo empírico: Yˆi 19,2 1,03 DSi 0,74 DRi
( 3, 74 ) ( 3,14 ) (1, 01)
Nota: a rigor, não se somaria o coeficiente estimado bˆ3 0,74 porque ele se não
mostrou diferente de zero a 5% de significância. Apenas para fins ilustrativos é que
o incluímos;
Hipóteses de interesse:
o H0: b2 0 (não há discriminação sexual);
o H0: b3 0 (não há discriminação racial);
o H0: b2 b3 0 (não há discriminação de qualquer tipo);
Regressão com 1 variável dummy e 1 variável quantitativa
MGD: Yi b1 b2 Di b3 X i i
n = 20 professores pesquisados;
Yi = renda do i ésimo professor;
Di = sexo do i ésimo professor (1 homem; 0 mulher);
Xi = número de anos de serviço do i-ésimo professor.
Interpretação do MGD:
o E (Yi | Di 0, X i ) b1 b3 X i : salário médio/esperado da
professora como função do número de anos de serviço.;
o E (Yi | Di 1, X i ) (b1 b2 ) b3 X i : salário médio/esperado do
professor como função do número de anos de serviço;
Hipótese de interesse:
o H0: b2 0 (não há diferença, entre homens e mulheres, na
relação entre salário recebido e anos de serviço );
Variáveis dummy sazonais
1 t j
D jt j 1,..., s 1
0 outro
s = comprimento do período sazonal:
s = 2 (semestral) s = 6 (bimestral)
s = 3 (quadrimestral) s = 12 (mensal)
s = 4 (trimestral)
bj = fator sazonal do j ésimo mês, bimestre, etc. (j = 1,...,s 1);
usa se só s-1 dummies p/evitar colinearidade perfeita c/a constante;
1 t j
o Onde: D *
jt 1 t s j 1,..., s 1
0 outro
Exemplo: Sazonalidade trimestral (s=4); MGD: Y Xb , X [1n D] .
3 3
MGD1: Yt a j 1
b j D jt t MGD2: Yt a j 1
b j D *jt t
Caso Geral
Yi b1 b2 X 2i bk X ki ui
MGD: para algum j i
Cor (u i , u j ) 0
Yt b1 b2 X 2t bk X kt ut
MGD: j = 1, 2, ...
Cor (ut , ut j ) E (u t , ut j ) 0
Cor (ut , ut j ) 0 é chamada autocorrelação serial de j-ésima ordem;
Yt b1 b2 X 2t bk X kt ut
MGD:
Cor (ut , ut 1 ) 0
MGD considerado: Yt b1 b2 X 2t ut
MGD considerado: Yt b1 b2 X t ut
o Defasagens excluídas:
MGD: Yt b1 b2 X 2t b3 X 2,t 1 b4Yt 1 t
MGD considerado: Yt b1 b2 X 2t ut
Conseqüências da ACS1:
Propriedades do EMQO:
o b̂ continua não enviesado para b;
o b̂ (EMQO) não é mais o MELNE para b, logo é ineficiente;
Variância residual enviesada:
o S2 uˆ t2 (n k ) em geral subestima 2 ;
o Elementos de diag(S b̂ ) ficam, em geral, subestimados;
o R 2 e R 2 ficam, em geral, superestimados;
o Estatísticas t bˆ bˆ j S bˆ (j = 1,...,k) ficam,
j j
em geral,
superestimadas;
o Estatística F fica superestimada;
o Critérios de informação AIC e SC ficam em geral
subestimados;
Matriz de var-covar dos parâmetros:
o Com ACS1: Var(bˆ) 2
( X X ) 1 C( , xt , xt 1, ) ;
o Cor (u t , u t 1 ) ;
o Computadores tipicamente reportam resultados calculados
com base na ausência de ACS1, isto é: S b2ˆ S 2 ( X X ) 1 ;
Graficamente:
-0.8 -0.3
-1 -0.4
0 0
Teste de Durbin-Watson
o Assuma que:
Yt b1 b2 X 2t bk X kt ut
o MGD: ut ut 1 t
2
Cor ( t t 1 ) 0; E ( t ) 0,Var ( t )
o Onde ut ut 1 t é chamado processo AR(1) e
Cor (u t , u t 1 ) ;
o H0: 0 ; H1: 0;
n
(uˆ t uˆ t 1 ) 2
o Estatística DW: DW t 2
n n
2(1 ˆ)
uˆ 2
t
t 1
o Onde ˆ n
t 2 tuˆ uˆt 1
n 2
t 1 tuˆ ;
o Note-se que:
ˆ 1 DW 0
0 ˆ 1 0 DW 2
ˆ 0 DW 2
1 ˆ 0 2 DW 4
ˆ 1 DW 4
o Regra de decisão
Se Decidir
0 DW dL Rejeitar H0 (há ACS1 +)
dL DW dU Não decidir
dU DW 4 dU Não Rejeitar H0
4 dU DW 4 dL Não decidir
4 dL DW 4 Rejeitar H0 (há ACS1 )
m ˆ 2j a
2
QLB n(n 2) ~ m
j 1 n j
Yt b1 b2 X 2t bk X kt ut
MGD: ut ut 1 t
2
Cor ( t t 1 ) 0; E ( t ) 0,Var ( t )
Então, estima se a EDG por MQO, obtendo se bˆ* (bˆ1* , bˆ2 ,, bˆk ) ;
o bˆ1 bˆ1* (1 );
Representação matricial
MGD: Y Xb u ,
2
Note que Var (u ) E (uu ) , porque há ACS1;
2 n 1
1
n 2
1
o Onde 2
1 n 3
;
n n
n 1 n 3 n 3
1
1 0 0
0 1 0
Agora, seja a seguinte matriz: H 0 0 1 0
n n
2
0 0 0 1
o Note se que 1
HH;
~
o b é eficiente, consistente e normalmente distribuído
assintóticamente;
Estimação de ˆ (Método de Cochrane Orcutt ou CORC):
1. Estima se o MGD por MQO e obtém se uˆ t (1) ;
2. Estima se: uˆ(1),t ˆuˆ (1),t 1 vˆ(1),t ;
3. Usa se ˆ para estimar EDG: Yt* bˆ1* bˆ2 X 2*t bˆk X kt* ˆt ;
2 2
Violação da hipótese 5 ( Var ( i ) , i ; ou Var ( ) E ( ) I );
Caso Geral
Yi b1 b2 X 2i bk X ki ui
MGD: 2
Var (ui ) i
Yt b1 b2 X 2t bk X kt ut
MGD: 2
Var (ut ) t
Propriedades do EMQO:
o b̂ continua não enviesado para b;
o b̂ (EMQO) não é mais o MELNE para b, logo é ineficiente;
Variância residual enviesada:
o S2 n
ˆ2
i 1 ui ( n k ) é um estimador enviesado de sigma2i;
o Elementos de diag(S b̂ ) ficam enviesados;
o R 2 e R 2 ficam enviesados;
o Estatísticas t bˆ bˆ j S bˆ (j = 1,...,k) ficam enviesadas;
j j
2
Supondo i conhecida, transforma se o MGD segundo:
Yi 1 X 2i X ki ui
b1 b2 bk
i i i i i
MGD: Y Xb u ,
2
Note que Var (u ) E (uu ) , onde :
2
1 0 0 0
2
0 2 0 0
2
0 0 2
3 0 ;
n n
2
0 0 0 n
1
0 0
1
1
0 0
Agora, seja a seguinte matriz: nHn 2
;
1
0 0
n
o Note se que ( 2
) 1
HH ;
~
o b é eficiente, consistente e normalmente distribuído
assintóticamente;
2
Quando i é desconhecida
2
Var (ui ) i cZ i cZ (Yi , X 1i ,, X ki )
Graficamente
Plotar i X 2i , i X 3i , ..., i X ki ;
2 2 2
Plotar i X 2i , i X 3i , ..., i X ki ;
2
Plotar t t ou t t.
Teste de White
Dependent Variable: CO
Method: Least Squares
Date: 06/24/05 Time: 11:01
Sample: 1960 2004
Included observations: 45
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/12/06 Time: 14:57
Sample (adjusted): 1970 2004
Included observations: 35 after adjustments
MGD: Yi a bX i i
Prova
o Seja a seguinte “forma em desvios”do MGD: y i bxi ei ; onde
yi Yi Y , xi X i X e ei i . Neste caso, o EMQO
para b é dado por:
xi y i xi (bxi ei ) xi e i
bˆ 2 2
b
x i x i xi2
xi e i
o Computando o E(,) em ambos os lados: E (bˆ) b E
xi2
~ z i yi
Então, o estimador MQVI dado por: b é consistente para b;
xi z i
Prova
o Novamente, seja o MGD em forma de desvio: yi bxi ei .
Então, o EMQVI pode ser desenvolvido como:
~ z i yi z i (bxi ei ) (bxi z i z i ei )
b
xi z i xi z i xi z i
o
b xi z i zi e i zi e i
b
xi z i xi z i
o Aplicando plim(,) a ambos os lados:
~ p lim zi e i n
o p lim(b ) p lim(b) b Z,
b
p lim xi zi n X ,Z
Caso Geral
MGD: Yi b1 b2 X 2i bk X ki i
Trigve Haavelmo
(1911-1999)
Economista Norueguês
Premio Nobel de Economia de 1989
Abordagem probabilística em econometria
Sistemas de equações simultâneas
Terminologia:
o Y variáveis endógenas;
o X variáveis exógenas;
o b coeficientes das endógenas;
o coeficientes das exógenas
o Variáveis pré determinadas:
Exógenas;
Endógenas defasadas;
Y1i 10 11 X 1i w1i
MGD(FR):
Y2i 20 21 X 1i w2i
Relação entre parâmetros da FE e da FR;
Problema da Identificação
Ilustração
Eq. 1 Y1 Y2 Y3 Y4 X1 X2 X3
(1) b10 1 b12 b13 0 11
0 0
(2) b20 0 1 b23 0 21 22
0
(3) b30 b31 0 1 0 31 32
0
(4) b40 b41 b42 0 1 0 0 43
Pela condição de Posto:
0 22 0
o Equação (1): A 0 32 0
1 0 43
1 31 32
K k>m 1 K k m 1
Posto de A = M 1 Posto de A < M 1
Eq. Sobre identificada Eq. Sub identificada
K k=m 1 K k<m 1
Posto de A = M 1 Eq. Não identificada
Eq. Exatam. identificiada (Posto de A < M 1)
Problema da simultaneidade
Estimação de SES
Hipóteses Básicas:
o Relação linear entre as variáveis;
o Xjis são não estocásticas, j = 1,...,k;
o E ( ri ) 0 , Var ( ri ) r2 , Cov( ri , rj ) 0 para r = 1,...,M e i j;
o Cov( ri , si ) 0 para r s; r = 1,...,M; s = 1,...,M;
o ri ~ N (0, 2
r ) Yri ~ N ( E (Yri ), 2
r ) , r = 1,...,M.
Antes da estimação, verificar:
o Identificação;
o Simultaneidade;
Métodos de Informação Limitada: considera restrições
relacionadas apenas à equação de interesse;
o EMQO;
o Estimador de Mínimos Quadrados Indiretos (EMQI);
o Estimador de Mínimos Quadrados de 2 Estágios (EMQ2E);
Métodos de Informação Completa: considera restrições entre
equações;
o Estimador de Mínimos Quadrados de 3 Estágios (EMQ3E);
o Estimador de Máxima Verossimilhança com Informação
Completa (EMVIC);
Tipologia de SES:
Y2i b20 22 X 2i 2i
Cov( 1i , 2i ) 0
Y2i b20 22 X 2 i 2i
Cov( 1i , 2i ) 0
Cov( 1i , 2i ) 0
Nota: observe que Y1i E (Y1i ) 1i ; substituindo na 2ª. equação
implica que Cov(Y1i , 2i ) 0;
o Sistemas Bloco Recursivos
Y1i b10 b12Y2i 11 X 1i 12 X 2i 1i
Cov(Y1t , 2t ) 0;
Estimação da 2ª. equação por MQ2E:
Y2t 20 21 X 1t 21 X 2t w2t
b20 b Yˆ
21 1t
*
1t
y 2t yˆ1t
bˆ21 bˆ20 Y2 bˆ21Y1
y1t yˆ1t
o p lim 1t
Cov( E (Y1t ), *
1t ) 0
n
Logo, EM2QE é um estimador consistente para os parâmetros
estruturais de equações exatamente ou sobre identificadas.
Exemplo: Consumo Anual Brasil 1970 2004
Dependent Variable: CO
Method: Two-Stage Least Squares
Date: 06/20/06 Time: 11:05
Sample (adjusted): 1970 2004
Included observations: 35 after adjustments
Instrument list: GR NE