Escolar Documentos
Profissional Documentos
Cultura Documentos
Joilson Dias 1
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
Para este problema vamos utilizar os dados dos estados que vinhamos utilizando
anteriormente. Os dados de vocês corretos é estados9296 e o meu estados 9296a.
Portanto, atente para este detalhe. Os dados de vocês não contêm a variável IGP-Indice
Geral de Preços que iremos utilizar para deflacionar as importações. Portanto, os dados
estados9296a que distribuirei já esta correto.
use estados9296a
summarize
-Vamos testar algumas hipóteses econômicas, tais como: 1) Será que os estados mais
importadores são aqueles que possuem menor taxada de desemprego; 2) Usando os dados
da educação média dos empregadores faremos um teste se os empregadores mais
educados combinam mais eficientemente seus recursos e, portanto, demanda menos
deles; 3) A importância do mercado de conta própria, ou seja onde existe um legislação
que permite o trabalho deste genero ou existe um mercado deste genero podemos ter
menor taxa de desemprego.
Prof. Dr. Joilson Dias 2
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
. reg pdes educpea atraescol salmedpnad tecimp rico10
Source | SS df MS Number of obs = 130
-------------+------------------------------ F( 5, 124) = 9.42
Model | .021291436 5 .004258287 Prob > F = 0.0000
Residual | .056070838 124 .000452184 R-squared = 0.2752
-------------+------------------------------ Adj R-squared = 0.2460
Total | .077362273 129 .000599708 Root MSE = .02126
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educpea | .010453 .0024641 4.24 0.000 .0055758 .0153302
atraescol | .0198593 .0044813 4.43 0.000 .0109895 .0287291
salmedpnad | .0000486 .0000129 3.76 0.000 .000023 .0000741
tecimppib | .0051406 .2277866 0.02 0.982 -.4457129 .4559941
rico10 | -.0380182 .0511251 -0.74 0.459 -.1392091 .0631727
_cons | -.0542013 .0306741 -1.77 0.080 -.1149141 .0065114
------------------------------------------------------------------------------
Na hipótese acima usamos a concentração de renda dos 10% mais ricos como alternativa
para o coeficiente GINI que é mais amplo. A variável rico10 não demosntrou ter qualquer
efeito sobre a taxa de desemprego, o que parece confirmar a hipótese de que a
distribuição da renda a posteriori não afeta o mercado de trabalho.
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0135139 .0026472 5.11 0.000 .0082744 .0187534
atraescol | .0232032 .0041863 5.54 0.000 .0149173 .0314892
salmedpnad | .0000129 .0000136 0.95 0.344 -.000014 .0000399
rico10 | .0202877 .04843 0.42 0.676 -.0755689 .1161443
educempres | .0037194 .0019151 1.94 0.054 -.0000711 .0075098
_cons | -.1323322 .0325549 -4.06 0.000 -.1967675 -.0678968
------------------------------------------------------------------------------
O resultado acima aponta para um fator interessante que a educação média dos
empresários é positivamente relacionada com a taxa de desemprego dos estados. Esta
indicação nos fornece informações acidionais da combinação mais eficiente dos recursos,
ou seja os empresários tendem a utilizar empregados com maior nível de educação em
detrimento dos menos qualificados. Daí a explicação de que quanto maisor é o nível de
educação do empregados maior é a taxa de desemprego. VEJA QUE SUBSTITUÍMOS A
EDUCAÇÃO DA PEA PELA EDUCAÇÃO DO EMPREGADO (EDUCEMP). Como
salários e nível educacional se correlacionam muito bem, temos que o salário médio não
é mais significante, indicando a colinearidade potencial entre ambos.
Prof. Dr. Joilson Dias 3
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
. reg pdes educpea atraescol salmedpnad rico10 cpropria
Source | SS df MS Number of obs = 130
-------------+------------------------------ F( 5, 124) = 9.56
Model | .021521893 5 .004304379 Prob > F = 0.0000
Residual | .055840381 124 .000450326 R-squared = 0.2782
-------------+------------------------------ Adj R-squared = 0.2491
Total | .077362273 129 .000599708 Root MSE = .02122
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educpea | .0105342 .0024232 4.35 0.000 .0057381 .0153303
atraescol | .0192611 .0045076 4.27 0.000 .0103393 .0281828
salmedpnad | .0000475 .0000129 3.69 0.000 .0000221 .000073
rico10 | -.0298823 .0518069 -0.58 0.565 -.1324227 .0726582
cpropria | -1.30e-06 1.82e-06 -0.72 0.476 -4.91e-06 2.30e-06
_cons | -.054416 .0305418 -1.78 0.077 -.1148668 .0060347
------------------------------------------------------------------------------
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0126469 .0027115 4.66 0.000 .0072796 .0180142
atraescol | .0227561 .0041838 5.44 0.000 .0144745 .0310376
salmedpnad | .0000104 .0000137 0.76 0.448 -.0000167 .0000375
rico10 | .0329721 .0491237 0.67 0.503 -.0642653 .1302096
educempres | .0050321 .0021324 2.36 0.020 .0008111 .0092531
cpropria | -2.57e-06 1.86e-06 -1.38 0.170 -6.26e-06 1.12e-06
_cons | -.1380115 .0326976 -4.22 0.000 -.2027345 -.0732886
Foram feitos duas versões para considerar o efeito no mercado de trabalho do tamanho
dos trabalhadores por conta própria. A primeira resestima o modelo base, onde somente a
variável cpropria é inclusa e o segundo considera a ultima versão e adiciona o cpropria
visando verificar a robustez dos efeitos da educação do empreendedor no mercado de
trabalho. Ambas, confirmam que o mercado de conta própria não afeta o mercado de
trabalho. Ou seja, a taxa de desemprego não é minimizada pela existência de maior ou
menor facilidades de um mercado para se trabalhar por conta própria.
4.2 – HETEROCEDASTICIDADE-SOLUCIONANDO
. hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of pdes
chi2(1) = 12.08
Prob > chi2 = 0.0005
. whitetst
White's general test statistic : 53.57761 Chi-sq(27) P-value = .0017
Para facilitar vamos criar uma variável indicadora que representa as regiões sul e sudeste
das demais.
------------------------------------------------------------------------------
| Robust
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0126469 .0013823 9.15 0.069 -.0049171 .0302109
atraescol | .0227561 .0045815 4.97 0.126 -.035457 .0809691
salmedpnad | .0000104 4.39e-06 2.38 0.254 -.0000454 .0000662
rico10 | .0329721 .0454089 0.73 0.600 -.5440031 .6099473
educempres | .0050321 .0020169 2.49 0.243 -.0205956 .0306598
cpropria | -2.57e-06 1.78e-06 -1.45 0.385 -.0000252 .00002
_cons | -.1380115 .0072722 -18.98 0.034 -.2304141 -.045609
------------------------------------------------------------------------------
Nesta opção considera que os dados dos estados do sul e sudeste não são independentes e,
portanto, ao construir a matriz de variância e co-variância considera este aspecto. Ao
utilizarmos a variável indicadora da região para considerar o problema de
heterocedasticidade deparamos com um problema de na qual os testes estatísticos t são
amplamente melhores que os sem correção, mas com as P>|t| sendo muito maiores, bem
como o teste F. Ao usarmos variáveis dummies para ponderar perdemos um monte de
observações e por consequência graus de liberdade. Veja o teste F. Assim, o correto é
Prof. Dr. Joilson Dias 6
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
utilizarmos variáveis que temos a disposição que pode caracterizar do mesmo jeito o
nosso desejo de capturar as regiões mais ricas, como por exemplo PIB per capita, rico10,
etc.
------------------------------------------------------------------------------
| Robust
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0126469 .0037752 3.35 0.001 .0051777 .0201161
atraescol | .0227561 .0041159 5.53 0.000 .0146126 .0308995
salmedpnad | .0000104 .0000134 0.78 0.436 -.000016 .0000369
rico10 | .0329721 .0599755 0.55 0.583 -.0856909 .1516351
educempres | .0050321 .0026667 1.89 0.061 -.0002439 .0103082
cpropria | -2.57e-06 1.63e-06 -1.58 0.116 -5.79e-06 6.45e-07
_cons | -.1380115 .0333225 -4.14 0.000 -.2039409 -.0720822
------------------------------------------------------------------------------
------------------------------------------------------------------------------
| Robust
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0126469 .0037655 3.36 0.001 .0051939 .0200999
atraescol | .0227561 .0041026 5.55 0.000 .014636 .0308762
salmedpnad | .0000104 .0000133 0.78 0.435 -.0000159 .0000368
rico10 | .0329721 .0600054 0.55 0.584 -.0857953 .1517396
educempres | .0050321 .0026547 1.90 0.060 -.0002222 .0102864
cpropria | -2.57e-06 1.63e-06 -1.57 0.118 -5.81e-06 6.64e-07
_cons | -.1380115 .0333556 -4.14 0.000 -.2040316 -.0719914
------------------------------------------------------------------------------
Como não temos problemas com heterocedasticidade, vemos que os testes t não se
alteram significativamente.
Prof. Dr. Joilson Dias 7
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
A outra opção de correção é mais direta é a utilização da opção robusta com estimativa
iterativa dos pesos, ou seja:
Este commando do Stata rreg seguido da opção de gen(wt) muda o peso de cada
observação. Os pesos mais altos são dados as observações com comportamento melhor.
Para fazer isto o sistema usa internamente as informações do Cook’s D. Casos extremos
em que Cook’sD é acima de 1 pode ser consideradas misssing de tal forma a não serem
inclusas na regressão. Para melhor compreender vamos dar uma olhada nos pesos
considerados.
predict p if e(sample)
(option xb assumed; fitted values)
(5 missing values generated)
. list p r h wt in 1/10
Prof. Dr. Joilson Dias 8
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
+---------------------------------------------+
| p r h wt |
|---------------------------------------------|
1. | .0885105 -.0074105 .0962149 .98271877 |
2. | .0518397 .0321603 .030023 .71000829 |
3. | .088459 .020541 .0883343 .87633355 |
4. | .08114 -.02684 .1689403 .79027954 |
5. | .0657857 .0192143 .0641552 .89083747 |
|---------------------------------------------|
6. | .0583356 .0055644 .0421061 .99064823 |
7. | .0971995 -.0160995 .1334023 .92094427 |
8. | .0485792 .0160208 .0748431 .92408598 |
9. | .0579134 .0021866 .0304926 .99861654 |
10. | .0478028 -.0176028 .0924077 .90803031 |
+---------------------------------------------+
------------------------------------------------------------------------------
| Robust
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0126469 .0037752 3.35 0.001 .0051742 .0201196
atraescol | .0227561 .0041159 5.53 0.000 .0146088 .0309033
salmedpnad | .0000104 .0000134 0.78 0.436 -.000016 .0000369
rico10 | .0329721 .0599755 0.55 0.583 -.0857457 .15169
educempres | .0050321 .0026667 1.89 0.062 -.0002464 .0103106
cpropria | -2.57e-06 1.63e-06 -1.58 0.116 -5.79e-06 6.47e-07
_cons | -.1380115 .0333225 -4.14 0.000 -.2039713 -.0720517
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0109985 .0032317 3.40 0.001 .0046015 .0173955
atraescol | .0217207 .0050111 4.33 0.000 .0118015 .0316399
salmedpnad | .0000195 .0000162 1.20 0.231 -.0000126 .0000517
rico10 | -.0073849 .0590646 -0.13 0.901 -.1242996 .1095298
educempres | .001276 .0025492 0.50 0.618 -.0037699 .006322
cpropria | -3.50e-07 2.24e-06 -0.16 0.876 -4.78e-06 4.08e-06
_cons | -.0836255 .0394864 -2.12 0.036 -.1617863 -.0054647
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0109985 .0032317 3.40 0.001 .0046015 .0173955
atraescol | .0217207 .0050111 4.33 0.000 .0118015 .0316399
salmedpnad | .0000195 .0000162 1.20 0.231 -.0000126 .0000517
rico10 | -.0073849 .0590646 -0.13 0.901 -.1242996 .1095298
educempres | .001276 .0025492 0.50 0.618 -.0037699 .006322
cpropria | -3.50e-07 2.24e-06 -0.16 0.876 -4.78e-06 4.08e-06
_cons | -.0836255 .0394864 -2.12 0.036 -.1617863 -.0054647
------------------------------------------------------------------------------
Façam para o quartil .75 também. Uma alternativa é considerar o conjutno de regressões
e compará-los em um sistema.
Prof. Dr. Joilson Dias 11
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
. sqreg pdes educemp atraescol salmedpnad rico10 educempres cpropria, quant(.25
.50 .75) reps(100)
(fitting base model)
(bootstrapping ......................................................................
> ..............................)
Simultaneous quantile regression Number of obs = 130
bootstrap(100) SEs .25 Pseudo R2 = 0.2678
.50 Pseudo R2 = 0.2398
.75 Pseudo R2 = 0.2439
------------------------------------------------------------------------------
| Bootstrap
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
q25 |
educemp | .0141044 .0045218 3.12 0.002 .0051538 .023055
atraescol | .0172761 .0046492 3.72 0.000 .0080733 .0264789
salmedpnad | -2.14e-06 .0000165 -0.13 0.897 -.0000348 .0000305
rico10 | .1395047 .0745576 1.87 0.064 -.0080776 .2870869
educempres | .0038837 .0030696 1.27 0.208 -.0021924 .0099597
cpropria | 7.51e-08 1.59e-06 0.05 0.962 -3.06e-06 3.21e-06
_cons | -.1812963 .0340239 -5.33 0.000 -.2486444 -.1139482
-------------+----------------------------------------------------------------
q50 |
educemp | .0109985 .0047357 2.32 0.022 .0016244 .0203726
atraescol | .0217207 .0053814 4.04 0.000 .0110686 .0323728
salmedpnad | .0000195 .0000201 0.97 0.333 -.0000203 .0000594
rico10 | -.0073849 .0844142 -0.09 0.930 -.1744777 .1597079
educempres | .001276 .0043805 0.29 0.771 -.0073949 .009947
cpropria | -3.50e-07 2.56e-06 -0.14 0.891 -5.41e-06 4.71e-06
_cons | -.0836255 .0519555 -1.61 0.110 -.1864682 .0192172
-------------+----------------------------------------------------------------
q75 |
educemp | .0134563 .0054695 2.46 0.015 .0026297 .0242828
atraescol | .0302505 .0063468 4.77 0.000 .0176874 .0428135
salmedpnad | .000025 .0000276 0.90 0.367 -.0000297 .0000797
rico10 | -.0788984 .1242255 -0.64 0.527 -.3247951 .1669983
educempres | .0037571 .0056097 0.67 0.504 -.007347 .0148612
cpropria | -3.49e-06 3.16e-06 -1.11 0.271 -9.74e-06 2.76e-06
_cons | -.0971863 .0792844 -1.23 0.223 -.2541249 .0597524
------------------------------------------------------------------------------
Estas regressões quantílicas foram utilizadas recentemente como inovadores para explicar
os dados de desempregados dos países pelo meu amigo Pedro Portugal.
------------------------------------------------------------------------------
| Bootstrap
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | -.0006481 .0049503 -0.13 0.896 -.010447 .0091508
atraescol | .0129744 .0069247 1.87 0.063 -.0007326 .0266814
salmedpnad | .0000271 .0000287 0.95 0.345 -.0000296 .0000839
rico10 | -.2184031 .1057026 -2.07 0.041 -.4276349 -.0091712
educempres | -.0001266 .0049816 -0.03 0.980 -.0099873 .0097341
cpropria | -3.57e-06 2.65e-06 -1.35 0.180 -8.80e-06 1.67e-06
_cons | .08411 .0628758 1.34 0.183 -.0403488 .2085689
------------------------------------------------------------------------------
4.3 – AUTOCORRELAÇÃO-SOLUCIONANDO
Os dados anteriores são “pooled” e, portanto, requer que os interpretamos como série
temporal para ter sentido a análise econômica. Outra opção é utilizarmos os dados de
séries temporais da primeira aula. A aplicação aos dados de série temporal consumo e
renda será deixado como exercício para casa. Aqui vamos nos limitar a aprender os
comandos e efetuar a solução para os dados disponíveis.
Primeiro devemos informar que agora vamos trabalhar com os dados na forma de séries
temporais através do seguinte comando:
tsset seq
Neste caso informamos ao programa que a variável seq representa os anos, como ela vai
de 1 a 130 quer dizer que temos 130 anos de observação neste momento em vez de dados
pooled, que é o correto. Para efetuar os testes e poder corrigir potencial problemas,
faremos a regressão básica novamente.
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0126469 .0027115 4.66 0.000 .0072796 .0180142
atraescol | .0227561 .0041838 5.44 0.000 .0144745 .0310376
salmedpnad | .0000104 .0000137 0.76 0.448 -.0000167 .0000375
rico10 | .0329721 .0491237 0.67 0.503 -.0642653 .1302096
educempres | .0050321 .0021324 2.36 0.020 .0008111 .0092531
cpropria | -2.57e-06 1.86e-06 -1.38 0.170 -6.26e-06 1.12e-06
_cons | -.1380115 .0326976 -4.22 0.000 -.2027345 -.0732886
-----------------------------------------------------------------------------
. dwstat
Durbin-Watson d-statistic( 7, 130) = 1.726857
O comando durbina não requer que todas as variáveis independentes sejam estritamente
exógenas.
Prof. Dr. Joilson Dias 14
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
. durbina
Durbin's alternative test for autocorrelation
---------------------------------------------------------------------------
lags(p) | chi2 df Prob > chi2
-------------+-------------------------------------------------------------
1 | 2.353 1 0.1250
---------------------------------------------------------------------------
H0: no serial correlation
. bgodfrey
Breusch-Godfrey LM test for autocorrelation
---------------------------------------------------------------------------
lags(p) | chi2 df Prob > chi2
-------------+-------------------------------------------------------------
1 | 2.460 1 0.1168
---------------------------------------------------------------------------
H0: no serial correlation
Como a hipótese Ho é de não serial correlation é aceitável para 12% das vezes, portanto,
está ok mas poderia ser melhor por exemplo acima de 20%. Portanto, vamos considerar
um teste conjunto de heterocedasticidade e autocorrelação para finalizar.
. archlm
LM test for autoregressive conditional heteroskedasticity (ARCH)
---------------------------------------------------------------------------
lags(p) | chi2 df Prob > chi2
-------------+-------------------------------------------------------------
1 | 0.677 1 0.4107
---------------------------------------------------------------------------
H0: no ARCH effects vs. H1: ARCH(p) disturbance
Este ultimo teste é bastante conclusivo ao informar que não a ocorrência de ambos. Neste
caso o teste aceita a hipótese nula a 41%.
A solução pode ser feita utilizando as técnicas propostas por Corchrane e Orcutt
(Mínimos Quadrados em Dois Estágios) e o Método proposto por Prais-Winstem. Ambos
usam o mesmo comando prais. Enquanto o primeiro desconsidera a primeira observação
após a correção o segundo a considera utilizando uma transofrmação (veja aula).
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0117364 .0025919 4.53 0.000 .0066055 .0168673
atraescol | .022848 .004194 5.45 0.000 .0145456 .0311505
salmedpnad | .0000119 .000015 0.79 0.430 -.0000179 .0000417
rico10 | .0193643 .0488563 0.40 0.693 -.0773516 .1160803
educempres | .0054488 .0020596 2.65 0.009 .0013717 .0095259
cpropria | -1.72e-06 1.82e-06 -0.95 0.345 -5.32e-06 1.88e-06
_cons | -.1313763 .0323754 -4.06 0.000 -.1954666 -.067286
-------------+----------------------------------------------------------------
rho | .160077
------------------------------------------------------------------------------
Durbin-Watson statistic (original) 1.726857
Durbin-Watson statistic (transformed) 2.020042
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0115963 .0025631 4.52 0.000 .0065227 .0166698
atraescol | .0227063 .0041653 5.45 0.000 .0144612 .0309513
salmedpnad | .0000133 .0000147 0.91 0.366 -.0000157 .0000423
rico10 | .0206538 .0485533 0.43 0.671 -.0754546 .1167621
educempres | .0053463 .0020351 2.63 0.010 .001318 .0093745
cpropria | -1.62e-06 1.80e-06 -0.90 0.370 -5.18e-06 1.94e-06
_cons | -.1305057 .0322065 -4.05 0.000 -.1942566 -.0667548
-------------+----------------------------------------------------------------
rho | .1623959
------------------------------------------------------------------------------
Durbin-Watson statistic (original) 1.726857
Durbin-Watson statistic (transformed) 2.053094
Nesta segunda regressão utilizamos o Método de Prais-Winstem e podemos verificar que
a semelhança entre ambas é muito grande. O valor do ρ=0,16, portanto autocorrelação
pequena mas significativa.
------------------------------------------------------------------------------
| Semi-robust
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0115963 .0034887 3.32 0.001 .0046905 .018502
atraescol | .0227063 .0039864 5.70 0.000 .0148155 .030597
salmedpnad | .0000133 .0000143 0.93 0.353 -.0000149 .0000415
rico10 | .0206538 .0647545 0.32 0.750 -.1075239 .1488314
educempres | .0053463 .0025646 2.08 0.039 .0002698 .0104227
cpropria | -1.62e-06 1.48e-06 -1.09 0.277 -4.55e-06 1.31e-06
_cons | -.1305057 .0334218 -3.90 0.000 -.1966622 -.0643493
-------------+----------------------------------------------------------------
rho | .1623959
------------------------------------------------------------------------------
Durbin-Watson statistic (original) 1.726857
Durbin-Watson statistic (transformed) 2.053094
Para concluir sobre Hetero-Auto lembro que existem várias opções que podem ser
combinadas para solucionar estas técnicas, tais como hc2, hc3, newey, etc. Quando
encontrar ests problemas em suas pesquisas procure dedicar ao aprendizado mais
detlhado que se encontra nos manuais e no sistema help do programa.
Repitir este processo para os dados da aula2, que é uma série temporal.
O teste mais famosa deste tipo de opção é aquele de igualdade dos coeficientes da função
de produção Cobb-Douglas, ou seja você quer verificar se ambos possuem igual
participação na regressão. Podemos fazer um teste de igualdade de parâmetros e a seguir
estimar a regrssão restringido os parâmetros de ambos para serem iguais em importância.
Este será o objetivo desta seção.
F( 1, 123) = 3.37
Prob > F = 0.0687
F( 1, 123) = 4.77
Prob > F = 0.0309
------------------------------------------------------------------------------
pdes | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0129505 .0021649 5.98 0.000 .0086662 .0172349
atraescol | .0224381 .003839 5.84 0.000 .0148407 .0300354
educempres | .0048238 .0017884 2.70 0.008 .0012845 .0083631
_cons | -.1216439 .0247726 -4.91 0.000 -.1706682 -.0726196
-------------+----------------------------------------------------------------
rho | .1675617
------------------------------------------------------------------------------
Durbin-Watson statistic (original) 1.657671
Durbin-Watson statistic (transformed) 2.011483
. test educemp=2*educempres
( 1) educemp - 2 educempres = 0
F( 1, 126) = 0.43
Prob > F = 0.5128
O resultado acima informa que 51% das vezes é verdade, portanto podemos fazer nossa
regressão com restrição, ou seja.
Prof. Dr. Joilson Dias 18
Programa de Mestrado em EConomia
Universidade Estadual de Maringá
Maringá-PR
29/11/2005 jdias@uem.br
Os dados as vezes são censuradas ao terem um limite acima e/ou abaixo. Por exemplo,
considere o caso em que medimos a taxa de desemprego até um limite de 10%, mas
sabemos que aqueles estados cuja taxa for de 10% não serão idênticos em especficação.
Neste caso, conhecendo o problema podemos utilizar uma técnica que minimiza este
fator de censuramento.
. gen pdes1=pdes
Para não prejudicar as nossas variáveis criamos a seguinte variável pdes1 e depois a
censuramos através do segundo comando a ter um limite superior.
------------------------------------------------------------------------------
pdes1 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0131252 .0021224 6.18 0.000 .0089254 .0173251
atraescol | .0218152 .0035334 6.17 0.000 .0148232 .0288072
educempres | .0039747 .0017272 2.30 0.023 .0005569 .0073925
_cons | -.1146791 .0232387 -4.93 0.000 -.1606643 -.0686939
-------------+----------------------------------------------------------------
_se | .0175862 .0011679 (Ancillary parameter)
------------------------------------------------------------------------------
Obs. summary: 118 uncensored observations
12 right-censored observations at pdes1>=.1
------------------------------------------------------------------------------
pdes1 | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educemp | .0115422 .0017352 6.65 0.000 .0081085 .014976
atraescol | .0193614 .0028907 6.70 0.000 .0136412 .0250816
educempres | .0018378 .0014128 1.30 0.196 -.0009579 .0046336
_cons | -.0779082 .0189954 -4.10 0.000 -.1154966 -.0403197
-------------+----------------------------------------------------------------
_se | .0144094 .0009602 (Ancillary parameter)
------------------------------------------------------------------------------
Obs. summary: 118 uncensored observations
12 right-censored observations at pdes1>=.1
Dados truncados são aqueles cujas observações para valores acima de determinado
patarmar e/ou inferior a outro não estão presents na base de dados. É como se não
observassemos as informações dos estados cuja taxa de desemprego seja superior a 10%.
Para solucionar este problema (minizar é a palavra correta) devemos utilizar regressões
truncadas.
. drop if pdes1>=0.10
(12 observations deleted)
O primeiro comando apaga as observações cujos valores sejam superiores a 10%. Como
sabemos que existe os dados para tal valores, portanto, devemos compensar utilizando a
técnica de dados censurados.
Truncated regression
Limit: lower = -inf Number of obs = 107
upper = .09 Wald chi2(3) = 42.70
Log likelihood = 341.52222 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
pdes1 | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
eq1 |
educemp | .0070825 .0019863 3.57 0.000 .0031895 .0109756
atraescol | .0151162 .0027392 5.52 0.000 .0097475 .0204849
educempres | .0036649 .00136 2.69 0.007 .0009994 .0063305
_cons | -.0556622 .0187661 -2.97 0.003 -.0924431 -.0188813
-------------+----------------------------------------------------------------
sigma |
_cons | .0109192 .0008702 12.55 0.000 .0092135 .0126248
Como podemos ver temos várias opções para trabalhar com diferentes dados truncados
e/ou que não observmos na base de dados. Além destas opções ainda o sistema possui
várias outras que permite ser considerada. Se o seu problema comporta este tipo de
técnica não tenha medo, veja nos artigos, manuais, etc e enfrente-o com bravura.