See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/312490823

Dados de Painel no EViews

Technical Report · January 2017

DOI: 10.13140/RG.2.2.19909.24804

CITATIONS READS

2 3,619

1 author:

Gabrielito Menezes
Universidade Federal de Pelotas
49 PUBLICATIONS   32 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Condicionantes do empreendedorismo rural no Brasil View project

The effects of socioeconomic and regional characteristics on waste disposal in Brazil View project

All content following this page was uploaded by Gabrielito Menezes on 02 March 2020.

The user has requested enhancement of the downloaded file.

 1

Dados de Painel no EViews1

(Versão preliminar 01)

Gabrielito Menezes2

RESUMO
Este guia rápido de dados de painel no EViews, tem como objetivo apresentar o
procedimento de importação dos dados para o programa e a estimação dos modelos
agrupados, efeito fixo e aleatório. Os dados utilizados nas estimações foram obtidos do
livro do Gujarati e Porter (2011). Também são apresentados os principais testes utilizados
em dados de painel.

Palavras chave: Dados de Painel, EViews.

Classificação JEL: C01, C23, C87.

ABSTRACT
This quick guide to panel data in EViews, aims to introduce the procedure of importing
the data into the program and the estimation of grouped models, fixed and random effects.
The data used in the estimates were obtained from Gujarati and Porter (2011). Also
presented are the main tests used in panel data.

Keywords: Panel Data, EViews.

JEL Classification: C01, C23, C87.

1
Manual em fase de elaboração. Então, sugestões serão bem-vindas.
2
Professor da Universidade Federal do Rio Grande (FURG). E-mail: gabrielitorm@gmail.com
 2

1. Introdução

Dados de painel3 consistem na combinação de series de tempo com dados cross-

section:

Yit  i  X itj    it (1)

Onde:
 i = constante;
Yit
= o valor da variável dependente para a unidade i no instante t, sendo i = 1,..., n e t =
1,... T;
X itj
= o valor da j-ésima variável explicativa para a unidade i no instante t (onde há j =
1,..., K);
 it = termo de erro para i-ésima unidade em t.

Com a utilização de dados em painel podemos explorar, em simultâneo, variações

ao longo do tempo e entre diferentes unidades (ou indivíduos). Esta metodologia é
caracterizada pelo uso combinado de séries de tempo (time-series) com cortes seccionais
(cross-sections), permitindo assim uma estimação mais completa e mais eficiente dos
modelos econométricos. Entretanto, a estimação dos modelos em painel torna-se mais
complicada devido à heterogeneidade entre os indivíduos, como por exemplo, de
estruturas econômicas diferentes entre países ou regiões.

O uso de dados em painel deve-se à disponibilidade de dados de corte para todos

os estados brasileiros, porém com escassez temporal. Esse método acrescenta mais graus
de liberdade do que análise cross-section. Desta forma, o resultado obtido na regressão
de dados em painel possui maior confiabilidade e robustez.
Três categorias de modelos econométricos foram utilizadas:
 Modelos agrupados “Pooled”, neste caso a estimação é feita assumindo que os
parâmetros α e β são comuns para todos os indivíduos;
 Modelos com efeitos fixos (EF), para este modelo a estimação é feita assumindo
que a heterogeneidade dos indivíduos se capta na parte constante, que é diferente de
indivíduo para indivíduo, ou seja, a parte constante é diferente para cada indivíduo,
captando diferenças invariantes no tempo.
 Modelos com efeitos aleatórios (EA), a estimação é feita introduzindo a
heterogeneidade dos indivíduos no termo de erro. Esse modelo considera a constante
não como um parâmetro fixo, mas como um parâmetro aleatório não observável.
Existem três hipóteses principais a serem testada para se decidir sobre qual dos
três modelos é o mais apropriado. Primeiramente utiliza-se o teste F, para avaliar a
hipótese nula de que todas as unidades seccionais possuem o mesmo intercepto. Caso o
p-valor obtido no teste F seja baixo, rejeita-se a hipótese de que o modelo de Mínimos
Quadrados Agrupados (Pooled Least Squares) seja o mais apropriado, validando-se a
hipótese alternativa existência de EF. O teste Breusch-Pagan (BP), faz a comparação entre
o modelo de mínimos quadrados agrupados com EA, um p-valor do teste BP baixo,
contraria-se a hipótese nula de que o modelo agrupado seja o mais apropriado, aceitando
3
Mais detalhes ver Greene 2000 e Johnston e Dinardo 1997.
 3

assim a hipótese alternativa de que o modelo EA é o mais adequado. Por fim o teste de
Hausman auxilia na escolha entre o modelo EF ou EF, um p-valor baixo rejeita-se a
hipótese de que o modelo EA seja consistente, indicando a existência de EF.

2. Importando os dados

Primeiro passo: empilhar os dados conforme exemplo abaixo.

Variáveis usadas do exemplo do Gujarati:

Y = investimento real bruto;
X2 = valor real da empresa;
X3 = estoque real de capital.

Os dados são de quatro empresas e o período analisado é de 1935 a 1945.

Com a versão do EViews 9, podemos importar os dados de forma mais direta,

conforme mostra a figura abaixo:

Na próxima janela, pasta escolher onde está o arquivo contendo os dados

empilhados.
 4

Após importar os dados, basta declarar os mesmos como painel. O EViews, irá
reconhecer como dados de painel, mas é bom verificar se o id e ano estão corretos.
 5

Pronto, agora já podemos trabalhar com dados de painel no EViews!

Uma ferramenta interessante é criar um grupo, para verificar os dados importados:

 6

Podemos observar, que as mesmas estão empilhadas na forma correta. Outra

ferramenta interessante é observar os gráficos das séries é View  graph...
 7

Vamos ter os seguintes gráficos por empresas, neste caso:

 8

3. Estimação dos modelos

Estimação do modelo agrupado, para fazer a mesma vá em Quick  Estimate

Equation. Especificar a equação na caixa de diálogo, e logo após ir em panel options para
estimação robusta!

Os resultados para efeitos agrupados (pool) é o mesmo que está no livro do

Gujarati e Porter (2011)!
 9

Estimação do modelo efeito fixo, para fazer a mesma vá em Quick  Estimate

Equation. Especificar a equação na caixa de diálogo, e logo após ir em panel options!

O resultado segue abaixo da estimação de efeito fixo:

 10

Estimação do modelo efeito aleatório, para fazer a mesma vá em Quick 

Estimate Equation. Especificar a equação na caixa de diálogo, e logo após ir em panel
options!

O resultado segue abaixo da estimação de efeito aleatório:

 11

4. Testes para escolher o melhor modelo (agrupado, efeito fixo e efeito

aleatório

Teste de Chow: modelo agrupado (pool) X efeito fixo. O mesmo é realizado após
a estimação do modelo de efeito fixo.
H0: pool
H1: efeito fixo
 12

Pela estatística F (Cross-section F), evidencia que o modelo de efeito fixos é mais
indicado do que o agrupado!

Teste LM de Breusch-Pagan: modelo agrupado (pool) X efeito aleatório. O

mesmo é realizado após a estimação do modelo agrupado.
H0: pool
H1: efeito aleatório
 13

Pelo resultado do teste, podemos verificar que o modelo de efeito aleatório é o

mais adequado!
A dúvida agora é efeito aleatório ou efeito fixo! Para isso usamos o teste de
Hausman.
 14

Teste de Hausman: Efeito fixo X efeito aleatório. O mesmo é realizado após a

estimação do modelo de efeito aleatório.
H0: efeito aleatório
H1: efeito fixo

Pelo teste de Hausman, observamos para este exemplo, que o modelo de efeito
aleatório é preterível.
 15

5. Maneira tradicional de importar os dados no formato de painel no

EViews

Alguns testes não são realizados na primeira forma de declarar os dados de painel
no EViews. A maneira clássica de importar os dados em painel no EViews é primeiro a
criação de um workfile.

Como estamos trabalhando com dados de painel balanceado (equilibrado),

escolhemos a opção Balanced Panel. Também precisamos especificar a frequência dos
dados (anual) e o começo e o final da série (1935 – 1954). Como apresenta o exemplo
abaixo.

Workfile criado!
 16

Após a criação do workfile, precisamos criar um “objects pool”. Para isso vamos
em new object  type of object  pool. Como apresentamos no exemplo abaixo.

Agora precisamos criar a identificação dos dados de corte (cross-section). Neste

exemplo vamos usar as seguintes identificação “_GE”, “_GM”, “_US” e “_WEST”. Não
esqueça do underline antes do id.

O próximo passo é importar os dados da planilha do excel. Para isso, na mesma

janela, vamos em Proc  Import Pool Data.

Agora é só escolher o caminho onde estão os dados que se quer importar.

 17

Vamos utilizar a expressão “?” para identificar as variáveis em painel. Como os

dados estão empilhados por unidade de cross-sections e por colunas o procedimento para
importação é o apresentado abaixo. No nosso exemplo começamos a importação na célula
“D2”.

Temos agora nosso workfile com os dados para todas as empresas que serão
analisadas.
 18

Para fazer a estimação é só ir em Proc  Estimate.

Agora é só declarar qual é a variável dependente e as explicativas seguidas do “?”.

Indicando qual o modelo de deseja rodar: pool, efeito aleatório ou efeito fixo.

Para fins didáticos vamos mostrar os três modelos usados anteriormente. Podemos
notar que os resultados são os mesmos. Porém podemos aqui, fazer o teste de
heterocedasticidade.
 19

Efeito aleatório:
 20

Efeito Fixo:
 21

6. Teste de heterocedasticidade

O problema da heteroscedasticidade manifesta-se quando a hipótese de que os

erros apresentam variância constante não é válida, isto é, os erros não são
homoscedásticos. Para testar se os resíduos deste modelo são heterocedásticos, vamos
testar a igualdade das variâncias dos resíduos para cada empresa4. Proceda os passos
abaixo, a partir do modelo agrupado:

Primeiro passo: salve os resíduos do modelo agrupado. Após a estimação do

modelo vá na barra de menu em ProcMake Residuals.

Vamos obter o seguinte grupo:

4
Tests of Equality, ver página 543 EViews 9 Users Guide I.
 22

Para executar o teste vá em View  Tests of Equality.

Escolha a opção Variance, como mostra a figura abaixo:

 23

O resultado abaixo, exibe o teste de variância para o investimento real bruto das
quatro empresas usadas no modelo.

As estatísticas do teste fornecem evidências da presença de heterocedasticidade

neste modelo, levando a rejeitar a hipótese nula de que as variâncias são iguais. O mesmo
procedimento pode ser realizado para os modelos de efeitos fixos e aleatórios.

7. Erros padrão robustos

Para estimar correção do problema de heterocedasticidade, vamos usar à opção de

correção pelo método de White. Assim vamos obter uma estimativa robusta para os erros-
padrões. Antes de estimar o modelo agrupado, vá em options e em coefficient covariance
matrix escolha a opção White cross-section.
View publication stats

24

Abaixo está a estimativa robusta a heterocedasticidade.

Esse mesmo procedimento, podem ser feitos para os modelos de efeito fixo e
aleatório.

BIBLIOGRAFIA

EViews 9 User’s Guide I

EViews 9 User’s Guide II
GREENE, W. H. Econometric analysis. 5. ed. Prentice-Hall; 2002.
GUJARATI, Damodar N.; PORTER, Dawn C. Econometria Básica-5. AMGH Editora,
2011.
JOHNSTON, J.; DINARDO, J. (1997). Econometric Methods. 4th ed. New Jersey:
McGraw-Hill/Irwin.