DEPARTAMENTO DE ENSINO E INVESTIGAÇÃO DE ECONOMIA

Trabalho de fim do curso para obtenção do grau de licenciatura

Ensaios econométricos
da função de consumon em economia
de Keynes

Tratamento Econométrico do Modelo de Consumo de Keynes. Estudo de

caso: Aplicação aos Indicadores Económicos de Angola (1984-2016)

Horácio Costa Cauto

Huambo, 2018
 DEPARTAMENTO DE ENSINO E INVESTIGAÇÃO DE ECONOMIA

Trabalho de fim do curso para obtenção do grau de licenciatura

em economia

Tratamento Econométrico do Modelo de Consumo de Keynes. Estudo de

caso: Aplicação aos Indicadores Económicos de Angola (1984-2016)

Autor: Horácio Costa Cauto

Tutor: Alcides Onésimo Nunda
Cotutor: Mbaú Isaac Cainda

Huambo, 2018
 Ninguém irá lhe causar mal
sem o seu consentimento,
você só será atingido quando vier a pensar
que está sendo prejudicado. (Autor desconhecido)

i
Agradecimentos

Agradeço à Deus protetor, pois permitiu em meio de tantas dificuldades concluir com
a minha formação, a todos que de uma forma ou de outra contribuíram para a formação
da pessoa que me tornei hoje.

i
Sumário

1 Fundamentação teórica 4
1.1 Evolução teórica da função consumo . . . . . . . . . . . . . . . . . . . . . 4
1.2 A teoria de consumo Keynesiana . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Hipótes básicas do modelo de Keynes . . . . . . . . . . . . . . . . . 7
1.2.2 Renda total ou renda disponível? . . . . . . . . . . . . . . . . . . . 11
1.2.3 A especificação do modelo econométrico da função consumo de Keynes 11
1.3 A teoria de consumo de Milton Fridman . . . . . . . . . . . . . . . . . . . 13
1.4 A teoria de consumo de Ando e Franco Modigliani . . . . . . . . . . . . . . 14
1.5 Antecedentes históricos da econometria . . . . . . . . . . . . . . . . . . . . 16
1.6 Os primeiros percursores da ciência econométrica e seus contributos . . . . 18
1.6.1 Ragner Frisch e os seus contributos à ciência econométrica . . . . . 18
1.6.2 Jan Tinbergen e os seus contributos à ciência econométrica . . . . . 19
1.7 A metodologia econométrica . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8 Os modelos econométricos . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9 Modelo estático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9.1 O modelo de regressão linear - A natureza do termo regressão . . . 24
1.9.2 Relação estatística versos determinística . . . . . . . . . . . . . . . 24
1.9.3 Terminologia e notação . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.9.4 Análise de regressão linear . . . . . . . . . . . . . . . . . . . . . . . 25
1.9.5 O significado do termo linear . . . . . . . . . . . . . . . . . . . . . 26
1.9.6 O significado do termo erro estocástico . . . . . . . . . . . . . . . . 27
1.9.7 A função de regressão amostral (FRA) . . . . . . . . . . . . . . . . 28
1.10 Modelos de defasagens distribuídas finitas . . . . . . . . . . . . . . . . . . 30
1.10.1 Modelos estacionários . . . . . . . . . . . . . . . . . . . . . . . . . . 31

ii
2 Metodologia 34
2.1 Especificação do modelo e tratamento econométrico . . . . . . . . . . . . . 35
2.2 Fiabilidade dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3 A especificação da técnica utilizada - o método dos mínimos quadrados
ordinários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4 Propriedades dos estimadores de mínimos quadrados dos coeficientes de
regressão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.1 Centricidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.2 Eficiência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.4.3 Consistência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5 Hipóteses do modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6 Técnicas utilizadas para testar as hipóteses . . . . . . . . . . . . . . . . . . 43
2.6.1 O teste RESET . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.6.2 O teste de White . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3 Análise e discussão dos resultados 46

3.1 Estimação do modelo de consumo pelo MQO, utilizando o programa Gretl 47
3.2 Teste das hipóteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.1 O teste de Breusch-Godfrey . . . . . . . . . . . . . . . . . . . . . . 49
3.2.2 O teste de normalidade . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.3 O teste de White . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3 Estimação do modelo de consumo pelo MQO com a heteroscedasticidade
corrigida utilizando o programa Gretl . . . . . . . . . . . . . . . . . . . . . 53
3.3.1 Comparação das estimativas obtidas com as hipóteses do modelo
de Keynes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Limitações 57

Conclusões 58

Recomendações 60

Anexos 65

iii
Lista de Tabelas

1.1 Terminologia e notação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.1 Regressão auxiliar para o teste de especificação RESET Estimativas OLS

usando as 32 observações 1985-2016 Variável dependente: Consumo . . . . 48
3.2 Teste Breusch-Godfrey para autocorrelação de primeira-ordem Estimativas
OLS usando as 31 observações 1986-2016 Variável dependente: µt . . . . . 49
3.3 Teste de White para a heteroscedasticidade Estimativas OLS usando as 32
observações 1985-2016 Hipótese nula: sem heteroscedasticidade Variável
dependente: e2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4 Valores das despesas de consumo das famílias angolanas e do rendimento
expressos em mil milhões de dolar. . . . . . . . . . . . . . . . . . . . . . . 65
3.5 Predição para intervalos de confiança a 95%, t(30, .025) = 2, 042 . . . . . . 66

iv
Lista de Figuras

1.1 Fonte: Gujarat, Função consumo Keynesiana . . . . . . . . . . . . . . . . . 6

1.2 Representação gráfica da função de Ando e Modigliani [Oreiro, 2003] . . . 15
1.3 Linha de regressão para amostra e para uma população . . . . . . . . . . . 30

3.1 Fonte Própria:Resíduos de estimação do modelo por mínimos quadrados . . 50

3.2 Estatística de teste para a normalidade . . . . . . . . . . . . . . . . . . . . 51
3.3 A previsão das despesas de consumo com o modelo estimado. . . . . . . . . 54
3.4 Fonte de obtenção dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . 64

v
Lista de abreviaturas

FRA: Função de regressão amostral

FRP: Função de regressão populacional
Yd : Rendimento disponível
P mc : Propensão marginal a consumir
PMC: Propensão média a consumir
PIB: Produto interno bruto
OLS: Ordinary list square
MQO: Mínimos quadrados ordinários
MDDF: Modelos de defasagens distribuídas finitas
BLUE: Best Linear Unbiased Estimators
R2 : Coeficiente de determinação
2
R : Coeficiente de determinação ajustado

vi
Resumo

A função consumo de Keynes, é em si, uma função económica com carácter mate-
mático que expressa o consumo das famílias; foi desenvolvida por John Maynard Keynes
na sua magna obra publicada pela primeira vez em 1936. Sendo esta função ideal para
calcular o consumo privado de uma economia, em que integram o consumo autónomo e o
consumo induzido pelo rendimento. Este trabalho procurou tratar econometricamente o
modelo de consumo proposto por Keynes, estudando o comportamento do consumo das
famílias angolanas no período entre 1984 − 2016. Os dados utilizados foram retirados da
informação disponibilizada pelo Banco Mundial, através do blog The Global Economy,
com o auxílio do softaware de tratamento econometrico gretl foi possível aplicando a téc-
nica dos mínimos quadrados ordinários que permitiu obter as estimativas que expressam
a natureza do consumo das famílias no período em análise.

Palavra chave: Modelação econométrica. Modelo de consumo Keynesiano.

vii
Introdução

O objectivo deste trabalho reside na utilização de uma técnica econométrica para

estimação da função consumo, proposta pelo economista John Maynard Keynes para
explicar o comportamento das despesas de consumo que possam vir a ser utilizadas para
previsões, proporcionando assim, subsídios para o processo de formulação, implementação
de políticas económicas, uma vez que se prove através de testes estatísticos, a adequação
do modelo aos dados da economia angolana. Como técnica utilizada para estimar esta
função, será utilizado o método dos mínimos quadrados ordinário, vulgarmente conhecido
por OLS (Ordinary list square).
Segundo Keynes, as despesas de consumo são dependentes da renda corrente. Depois
dos estudos de Keynes, surgiram vários estudos sobre o comportamento das despesas
de consumo, como os estudos de Milton Friedman, Franco Modigliani até os estudos
mais recentes de Robert Hall. Embora não é interesse da presente pesquisa fazer uma
abordagem exaustiva sobre estas teorias, será feita uma abordagem síntese para se ter
uma noção das principais ideias propostas pelos autores acima mencionados.
A abordagem das principais teorias de consumo, não são em si o foco do presente
trabalho, mas sim, uma etapa que deve ser obedecida para a formulação, e estimação do
modelo pretendido. A teoria económica servirá também para fazer uma comparação com
os resultados do modelo estimado.
Os dados utilizados para a estimação das despesas de consumo estão expressos em mil
milhões de dolar e remontam o período de 1985 a 2016. Para a estimação do modelo,
foi utilizado o software Gretl e por intermédio do mesmo, foi feita a elaboração de testes
estatísticos, como o teste de White, o teste RESET, o teste de Breusch-Godfrey, o teste de
Durbin Watson e o teste de normalidade que serviram para verificar se o modelo estimado
satisfaz as hipóteses subjacentes a técnica utilizada - o método dos mínimos quadrados
ordinários.

1
 Finalmente fez-se uma comparação entre os dados estimados e a teoria económica
utilizada para a formulação do modelo, na tentativa de verificar a significância económica
das estimativas.

Situação problemática

Na teoria macroeconómica, o consumo é apresentado como uma das principais variá-

veis de determinação da renda. É possível prever através da função consumo, o efeito
multiplicador da política fiscal uma vez conhecida a propensão marginal a consumir.
Muitos autores consideram o consumo como a componente mais importante da demanda
agregada e pela sua grande importância, as sua variações são um elemento chave de picos
e recessões . Saber quais são os verdadeiros parâmetros da função consumo a ser especifi-
cada, ou a verdadeira função de regressão amostral, que permite ter uma ideia do nível de
variação do consumo agregado, dada uma variação no rendimento disponível; portanto,
representar a função consumo através de um modelo econométrico é uma forma de apurar
dados concretos e relevantes à economia [Martins, 2016].
Assim, a presente pesquisa levanta o seguinte problema: Como construir um mo-
delo econométrico capaz de prever o comportamento do consumo agregado da
economia angolana e como essa previsão pode ajudar no processo de definição
de políticas?

Objectivos

Objectivo Geral

A presente pesquisa centra-se no seguinte objectivo geral: Construir um modelo eco-

nométrico capaz de prever o montante das despesas de consumo.

Objectivos Específicos

1. Fundamentar teoricamente e metodologicamente o modelo que se pretende prever;

2. Identificar as principais técnicas para a construção de um modelo econométrico;

3. Procurar analisar e interpretar os dados a serem obtidos pelo software utilizado.

2
Estrutura do trabalho

A presente pesquisa está dividida em três capítulos, no primeiro capítulo figuram a

situação problemática e os objectivos gerais e específicos. O segundo capítulo é dedicado
para a fundamentação teórica, para tal, foi dividido em várias secções como, evolução
da função consumo, antecedentes históricos da econometria, a metodologia econométrica,
modelos econométricos e a explicação da metodologia utilizada para responder ao pro-
blema da pesquisa. Finalmente o terceiro capítulo é dedicado para a análise e discussão
dos resultados, conclusões do trabalho e recomendações.

3
Capítulo 1

Fundamentação teórica

1.1 Evolução teórica da função consumo

A ciência económica tem trabalhado bastante para delinear uma teoria sobre a função
consumo. A abordagem da função consumo é feita em duas perspectivas, uma perspec-
tiva microeconómica, onde é feita a abordagem da função consumo na óptica individual,
analisando quais são as decisões que induzem o indivíduo a consumir um determinado
bem em detrimento de outro e uma perspectiva macroeconómica, em que é analisado de
forma geral o comportamento do consumo numa determinada região deixando as decisões
individuais de parte [de Sousa, ].
O estudo desta função é um exemplo típico da evolução do conhecimento na área
de economia. O processo de evolução da função consumo obedeceu a diversas fases
[Branson, 1979].

1. Clarificação da relação existente entre as despesas de consumo e o rendimento em

1936;

2. O desenvolvimento de informação estatística acerca do comportamento do consumi-

dor e a relação existente entre consumo, poupança e rendimento;

3. O desenvolvimento de teorias com abordagens mais completas sobre a função con-

sumo como a teoria de Dusenberry desenvolvida em 1949, de Friedman, em 1957 e
de Ando e Modigliani na década de 50;

4. A continuação da verificação estatística das teorias e na inclusão de funções de

consumo estatisticamente estimadas nos modelos econométricos.

4
 A partir de um modelo bastante simples proposto por Keynes, a função consumo tem
sido sujeita a sucessivas melhorias e adaptações a lógicas teóricas alternativas [Martins, 2016].
Para os clássicos, o nível de consumo era o resultado da optimização intertemporal
levada a cabo pelos agentes económicos que, dado o fluxo de rendimentos esperados,
escolheriam o plano óptimo de consumo e de poupança, por forma a maximizarem a
sua utilidade ao longo do horizonte temporal do seu plano. Neste quadro de ideias, em
que, no curto prazo se considerava o rendimento fixo no seu nível de pleno emprego, o
papel mais importante era no entanto determinado pela taxa de juro, que representava
o preço do consumo corrente relactivamente ao consumo futuro. A taxa de juro, era
assim considerada como sendo a principal determinante da repartição do rendimento
entre consumo e poupança [Silva, 2013].
Só com a publicação da “Teoria Geral do Juro do Emprego e da Moeda”, o estudo
da relação consumo-rendimento adquire o papel de grande relevo que hoje desempenha
na macroeconomia. Sendo keynes o primeiro autor a reconhecer a possibilidade de as
economias permanecerem por longos períodos em equilíbrio abaixo do pleno emprego, é
naturalmente o primeiro, a poder considerar o rendimento como uma variável importante
na determinação do consumo e a poder descortinar a interdependência entre o consumo
e o rendimento. A relação consumo-rendimento, torna-se assim o veículo de todas as
políticas de controlo da procura agregada, sendo portanto, a chave para obtenção do
pleno emprego, devido ao facto, de um aumento no rendimento, provocar um aumento
nas despesas de consumo e como tal, significar continuados estímulos na procura agregada
[Silva, 2013].
De acordo com a teoria Keynesiana, a taxa de juro tem apenas uma influência secun-
dária e não importante na determinação do consumo.

1.2 A teoria de consumo Keynesiana

A importância da função consumo bem como a simplicidade da sua formulação ma-
temática originaram num grande número de estudos empíricos visando encontrar uma
função consumo [Silva, 2013]. Keynes considera que as despesas de consumo C são uma
função directa do rendimento disponívelYd .

C = f (Yd ). (1.1)

5
 Analiticamente a função consumo de Keynes é escrita da seguinte forma:

C = β1 + β2 Y d (1.2)

,
em que β1 e β2 são parâmetros desconhecidos e representam o consumo autónomo,
isto é, o consumo que é independente do rendimento. Em termos económicos representa o
consumo mínimo de subsistência da economia e apresenta valores positivos e diferentes de
zero e é estável no curto prazo. O montante do consumo autónomo, por si só, não permite
inferir sobre o grau de desenvolvimento da economia, a interpretação de sua estimativa é
feita em duas perspectivas:

1. Comparação em termos temporais: Ao longo do tempo numa dada economia, o

valor do consumo autónomo tende a aumentar;

2. Comparação em termos espaciais: Se for feita a comparação do montante do con-

sumo autónomo de várias economias, em princípio, a economia mais desenvolvida é
a que apresentar um maior valor para o consumo autónomo.

Já a propensão marginal a consumir mede a variação do consumo quando o rendimento

disponível varia de uma unidade monetária , C e Yd representam a variável explicada e
explicativa respectivamente [Sotomayor, 2012].
Graficamente a função consumo de Keynes é representada da seguinte forma:

Figura 1.1: Fonte: Gujarat, Função consumo Keynesiana

6
1.2.1 Hipótes básicas do modelo de Keynes

As contribuições de Keynes em relação a função consumo podem ser resumidas em

três aspectos:
1. Apresentou o conceito de propensão marginal a consumir P mgc , entendida como
a proporção da renda destinada ao consumo sendo que segundo "a lei psicológica fun-
damental,... as pessoas se dispõem, em regra geral e na média, a aumentar o seu con-
sumo quando a renda aumenta, mas não na mesma proporção do aumento da renda "
[Keynes, 1982]. A propensão marginal a consumir foi importante na teoria Keynesiana,
porque, dependerá dela o efeito multiplicador da política fiscal, proposta como solução
para a redução do desemprego através de políticas expansionistas [Martins, 2016].

dC
1> >0 (1.3)
dY
2. Na sua teoria, Keynes afirma que o consumo depende essencialmente da renda. A
taxa de juros, que, segundo os clássicos, estimularia a poupança em prejuízo do consumo
teria para Keynes uma importância secundária.
O valor da propensão marginal a consumir é interpretável por si só, no entanto, quanto
mais desenvolvida for uma economia menor tenderá a ser o montante desse parâmetro e
quanto menos desenvolvida for uma dada economia maior tenderá a ser a estimativa desse
parâmetro. As estimativas da propensão marginal a consumir tomam valores entre 0 e 1,
embora que diversos estudos empíricos tem mostrado que o valor desse parâmetro se situa
no intervalo entre 60% e 90%. Assim, São consideradas economias menos desenvolvidas
àquelas que tiverem valores da propensão marginal a consumir próximos de 90%, e para
economias mais desenvolvidas essas estimativas tendem para valores próximos de 60%
[Sotomayor, 2012].
A comparação da propensão marginal a consumir pode ser feita em duas vias:

• Comparação em termos temporais: no longo prazo, a medida que a economia se

desenvolve a propensão marginal a consumir tende a assumir valores mais baixos,
já que para Keynes no longo prazo as economias tendem a atingir níveis mais altos
de crescimento;

• comparação em termos espaciais: podemos comparar o valor da propensão marginal

a consumir de vários países no mesmo período de tempo, em princípio, a econo-

7
 mia mais desenvolvida será a que apresentar um valor mais baixo dessa estimativa
[Sotomayor, 2012].

Para [Keynes, 1982], o valor da propensão marginal a consumir depende evidente-

mente, (i) em parte do montante da sua renda; (ii) em parte, de outras circunstâncias
objectivas que o acompanham; e (iii) em parte, das necessidades subjectivas, propen-
sões psicológicas e hábitos dos indivíduos que o compõem bem como dos princípios que
governam a distribuição da renda entre eles.
Segundo Keynes, os principais fatores objetivos que podem influenciar a propensão a
consumir são os seguintes:
i) Uma variação na unidade salarial, uma vez que de acordo com Keynes, o consumo
é uma função basicamente da renda real, e não da renda monetária;
ii) Uma variação na diferença entre renda e renda líquida (disponível). Keynes afirma
que é na renda disponível que os indivíduos se baseiam ao decidir sua escala de consumo;
iii) Variações nos valores-capital não permitidos no cálculo da renda (líquida) dispo-
nível;
iv) Variações na taxa de desconto intertemporal, ou seja, na taxa de troca entre bens
presentes e futuros;
v) Variações na política fiscal;
vi) Variações nas expectativas a respeito da relação entre nível de renda presente e
futuro.
De acordo com o autor, existiriam oito motivos de caráter subjetivo em virtude dos
quais os indivíduos se abstêm de gastar sua renda, ou seja, prefeririam poupar:

• A fim de constituir uma reserva para fazer face a contingências imprevistas, isto é,
o motivo precaucional;

• A fim de preparar-se para uma relação futura prevista entre a renda e as necessidades
do indivíduo e sua família, diferente da que existe no momento, como por exemplo
no que diz respeito à velhice, à educação dos filhos ou ao sustento das pessoas
dependentes, isto é, o motivo ciclo da vida;

• A fim de beneficiar-se do juro e da valorização, uma vez que um consumo real

maior no futuro é preferível a um consumo imediato mais reduzido, isto é, o motivo
substituição intertemporal;

8
 • A fim de desfrutar de um gasto progressivamente crescente, satisfazendo a um ins-
tinto normal que leva os homens a encarar a perspectiva de um nível de vida que
melhore gradualmente, de preferência ao contrário, mesmo que a capacidade de
satisfação tenda a diminuir, isto é, o motivo melhoria;

• A fim de desfrutar de uma sensação de independência ou do poder de fazer algo,

mesmo sem idéia clara ou intenção definida da ação específica, isto é, o motivo
independência;

• A fim de garantir uma massa de manobra para realizar projetos especulativos ou

econômicos, isto é, o motivo iniciativa;

• A fim de legar uma fortuna, isto é, o motivo herança;

• A fim de satisfazer a avareza pura, ou seja, inibir-se de modo irracional, mas persis-
tente, de realizar qualquer ato de despesa como tal, isto é, o motivo avareza.

Pode-se notar facilmente a evidente heterogeneidade nos motivos de poupança. É im-

provável que uma simples explicação seja suficiente para abranger todos os membros de
uma dada população num dado momento, ou para um mesmo indivíduo durante certo pe-
ríodo. Podemos intuitivamente observar que as famílias mais ricas apresentam motivações
para poupar bem diferentes das famílias mais pobres [Oreiro, 2003].
3. Keynes concluiu na sua análise empírica que a propensão média a consumir, ou
a relação consumo/renda tenderia a decrescer a medida que se verificasse aumentos na
renda;

C
P MC = + c < 0, (1.4)
Yd
em que P M C representa a propensão média a consumir e C representa o consumo autó-
nomo.
Os resultados dos estudos de Keynes levantaram muitas questões. Se, por um lado, se
tornou evidente a relação entre consumo e renda, por outro lado desde cedo, se reconheceu
a necessidade de considerar o papel de outras variáveis consideradas fixas na análise
Keynesiana de curto prazo.
A aceitação do modelo de Keynes não proporcional entre consumo e renda, levou os
economistas a acreditarem na possibilidade de um estancamento da economia, já que, à

9
medida que ela crescesse o consumo diminuiria [Martins, 2016].
Este pressuposto foi refutado quando Kuznets, em 1946, analisou a evolução da propen-
são média a consumir através de dados de séries temporais para a economia dos Estados
Unidos, onde constatou os seguintes factos estilizados:
(i) Para longos períodos, a relação consumo-rendimento é estável, ou seja, não apre-
senta nenhuma tendência ao aumentar ou diminuir;
(ii) Ao longo de flutuações de curto prazo do nível de emprego e de renda, a relação
consumo-rendimento cai, quando a economia se expande, ou aumenta quando a economia
se contrai, isto é, a propensão marginal a consumir é contra cíclica.
Entretanto, a função consumo Keynesiana é incapaz de reproduzir tais efeitos de
Kuznets simultaneamente [Oreiro, 2003]:
Se for admitida a hipótese de que C = β2 Yd , com β1 = 0, a função consumo Keynesiana
só reproduz o primeiro facto.
Se for admitida a hipótese de que C = β1 + β2 Yd , em que (β1 6= 0), a função consumo
Keynesiana só reproduz o segundo facto.
O estudo feito por Kuznets, veio por em causa a formulação Keynesiana da função
consumo. Uma solução a este impasse, foi a conclusão de que a proposta Keynesiana
seria válida apenas no curto prazo, como conferiam as estimações com dados de séries
temporais e de períodos curtos. Já no longo prazo, a especificação que responderia ao
facto da P M C ser constante e igual à P mgc seria uma relação proporcional entre consumo
e renda dada pela especificação:

C t = c∗ Y t (1.5)

Esta nova função satisfaz a condição de que P M C = P mgc = c∗ , em que c∗ > ct e

representa melhor o comportamento da relação entre consumo e renda em períodos longos.
Uma abordagem cujo objectivo é a resolução do paradoxo de Kuznets, é a hipótese do
rendimento relactivo, de que é o principal expoente Duesenberry. O autor afirma que as
decisões de consumo dos indivíduos não são independentes, pelo que, num dado momento,
a proporção do rendimento consumido por cada agente económico não depende do seu
nível de rendimento, mas da sua posição na distribuição deste, ou seja, do seu rendimento
relactivo. Por outro lado, Duesenberry afirma também que os padrões de consumo são
irreversíveis no tempo, isto é, as deciões de consumo são fortemente influenciadas pelo

10
nível de rendimento mais elevado já atingido [Vieira, 2004].
Logo, a irreversibilidade dos padrões de consumo é a hipótese chave para explicar,
tanto a variabilidade no curto prazo da propensão média a consumir, como a sua estabi-
lidade quando se consideram períodos mais longos [Vieira, 2004].
Foi através das controvérsias existentes entre as especificações de curto e as de longo
prazo, sugeridas através da proposta Keynesiana, que outros autores procuram explicar
a existência das duas funções [Martins, 2016].

1.2.2 Renda total ou renda disponível?

Um dos grandes problemas com que se depara no processo de estimação da função

consumo, consiste em determinar qual o tipo de dados a ser considerado para a variável
explicativa. Será considerada a renda total da economia ou a renda disponível?
Não existe evidência estatística a este respeito nem concordância teórica. Alguns auto-
res preferem utilizar o dado total da renda nacional enquanto outros utilizam o rendimento
disponível. A crítica feita à utilização dos dados da renda nacional, deve-se ao facto de
esta incluir, os impostos directos e indirectos, não incluindo o montante das transferências.
Já uma outra corrente sustenta que a decisão de consumir ou poupar é muitas das vezes
influenciada pelo montante dos impostos directos pagos [Montoro Filho et al., 2008].
Para a presente pesquisa será considerada a renda total, que por definição é dada pela
seguinte expressão:

Y = Yd + T − T r, (1.6)

em que Y representa o rendimento da economia nacional, Yd representa o rendimento

disponível, T representa os impostos directos e indirectos e T r representa as transferências.
A preferência pela utilização da renda nacional como variável explicativa em vez da renda
disponível, é simplesmente pela dificuldade de obtenção de dados referentes a variável em
questão.

11
1.2.3 A especificação do modelo econométrico da função con-
sumo de Keynes

Embora que se pretende utilizar o modelo de consumo de Keynes para estimar o

comportamento do consumo privado da comunidade angolana, tal não é certo, que as
decisões de consumo dependem exclusivamente do rendimento disponível do indivíduo
conforme afirma a teoria.
Além da renda, existem outras variáveis que afetam o consumo da economia e que
não são levadas em consideração no modelo apresentado, devido ao seu grau de abstra-
ção envolvente, portanto, não palpável, mais, influentes em seu contexto de causa-efeito
[de Sousa, ].
Embora que fossem incorporadas outras variáveis na equação proposta por Keynes
para a modelação do comportamento das despesas de consumo das famílias, ainda assim,
não seria obtido um modelo que relacionasse de forma exata as despesas de consumo com
essas variáveis, dado que existiria sempre factores aleatórios que também influenciariam
o consumo, pois, os modelos utilizados para prever variáveis económicas não são modelos
determinísticos, mas, modelos estocásticos [Mendes de Oliveira et al., 2011].
A formulação estocástica do modelo do consumo será dada por:

C t = β1 + β2 Y t + µt . (1.7)

A equação 1.7 representa o modelo típico de regressão linear simples em que C e Yd

são variáveis observáveis e µ é uma variável aleatória não observável.
A inclusão do termo de perturbação no modelo de consumo de Keynes, é uma forma
prática e conveniente de acomodar no modelo uma multiplicidade de outros factores que
têm influência sobre a variável explicada (C), mas não estão adequadamente explicita-
dos pela variável explicativa (Yd ). Pode igualmente ver-se a justificação para inclusão do
termo de perturbação no modelo em certos aspectos do comportamento humano. Os mo-
delos económicos visam normalmente explicar o comportamento dos agentes económicos
ou grupo de agentes que pela natureza humana que lhes é inerente não seguem regras
determinísticas.
Outra razão para explicar a inclusão do termo de perturbação no modelo, é que eles
servem para acomodar os erros de medida na variável explicada desde que tais erros
revistam natureza aleatória. Em economia, a quantificação da variável a explicar resulta,

12
muitas vezes, de procedimentos de estimação ou de agregação ( como o que acontece por
exemplo com o rendimento nacional, com a taxa de inflação, com o nível de desemprego
assim como com as despesas de consumo das famílias ou das despesas de consumo como
um todo) que não garantem uma medição exata.
Da qualidade da informação estatística produzida espera-se que os erros sejam mera-
mente casuais; se uma estatística for tal que consistentemente subavalie ou sobre-avalie a
grandeza que se pretende medir, estar-se em presença de um erro sistemático e não apenas
aleatório [Mendes de Oliveira et al., 2011].
Devido algumas insuficiências no modelo apresentado por Keynes, outros estudos fo-
ram desenvolvidos, na tentativa de se conseguir um modelo que tentasse agregar todas
variáveis importantes na determinação do consumo. Seguem-se assim outras duas teorias
importantes de consumo.

1.3 A teoria de consumo de Milton Fridman

Distanciando-se da importância que os Keynesianos dão ao rendiemento corrente como
determinante das despesas de consumo, e retomando igualmente aos fundamentos clás-
sicos, a hipótese do rendimento permanente é apresentada por Milton Fridman na sua
celebre obra “A Theory of the Consumption Function” [Martins, 2016]. Para este autor,
as despesas de consumo, não são apenas determinadas pela renda corrente, mas sim, pelo
nível esperado da renda ao longo da vida. Este nível esperado de renda, denominado pelo
autor de renda permanente, seria estimado como uma função, com importância decres-
cente dos rendimentos correntes e passados. Este conceito será algo mais vasto do que
o rendimento corrente, uma vez que se supõe, que nas sociedades modernas, o recurso
ao crédito e a riqueza acumulada permitem tornar o montante de recursos disponíveis
bastante mais estável que o rendimento corrente.
Na lógica do autor, o indivíduo mantém um nível padrão de consumo. Se ocorrer um
aumento eventual na renda, ele poupará o excesso e não elevará por isso o seu consumo.
Uma elevação do padrão de consumo poderá ocorrer somente a partir do momento em
que o indivíduo incorporar essa nova renda no seu nível permanente quando ele acreditar
que o aumento será mantido.
Na proposta de Fridman o consumo depende então da renda permanente Y P ,

13
 Ct = C.Y P. (1.8)

Definindo a renda permanente como uma função da renda corrente e aquela de um

período anterior,

Y Pt = θYt + (1 − θ)Yt−1 , (1.9)

e substituindo essa definição na função consumo, obtém-se uma especificação sujeita a

teste empírico dada por:

Ct = cθYt + c(1 − θ)Yt−1 . (1.10)

No longo prazo, Friedman admite que a renda corrente se iguala a renda permanente
que por sua vez define-se como uma média ponderada das rendas passadas. A função
consumo seria então:

ct = k.Y P, (1.11)

onde k seria a propensão marginal e média a consumir e

Y P = λYt + λ(1 − λ)Yt−1 + λ(1 − λ)2 Yt−2 + ... + λ(1 − λ)n Yt−n , (1.12)

que indica que o peso das rendas mais distantes são cada vez menor.

1.4 A teoria de consumo de Ando e Franco Modigli-

ani
Um dos mais importantes estudos sobre a função consumo, deve-se a Ando e Modigliani
(1969), que formularam a hipótese sobre o ciclo de vida quando tentavam explicar as
propensões marginais e médias a consumir no longo e curto prazo [de Sousa, ].
A hipótese do ciclo de vida constitui um importante corte com os pressupostos da
função consumo Keynesiana, pelo que, representa de retorno aos pressupostos clássicos
quanto ao comportamento do consumidor [Martins, 2016].
Na perspectiva destes autores, as decisões de consumo dos indivíduos têm como hori-
zonte, não uma unidade de tempo arbitrária, mas toda a extensão da sua vida. Assim, o

14
objectivo natural dos consumidores será o de obter um fluxo de consumo estável quanto
possível.
A hipótese principal desenvolvida pelos autores é de que uma pessoa tem uma renda
relactivamente muito baixa no início da sua vida, uma vez que o indivíduo começa a ter
as suas primeiras experiências no mercado de trabalho e no entanto não é tão produtivo,
a sua renda chega a atingir o seu máximo no meio de sua existência voltando a ter níveis
mais baixos no começo da velhice.
A figura apresentada por [Martins, 2016] caracteriza os diversos estágios do ciclo de
vida de um consumidor:

1. O primeiro estágio agrupa toda a juventude que ainda não está inserida no mercado
de trabalho, o que torna a renda desses indivíduos relactivamente baixa levando-os
a se endividarem porque sabem que obterão rendas mais elevadas no futuro;

2. O segundo estágio referente à meia idade, a renda dos indivíduos atinge o ponto
mais alto e os indivíduos pagam as dívidas contraídas no primeiro estágio alem de
pouparem para a velhice.

3. No último estágio a renda tende para zero e os indivíduos utilizam toda a sua
poupança para as suas despesas de consumo.

Figura 1.2: Representação gráfica da função de Ando e Modigliani [Oreiro, 2003]

O gráfico a cima apresentado mostra que o consumidor médio tem um fluxo de rendi-
mentos do trabalho crescente ao longo da sua vida activa, durante a qual deverá acumular
os meios que lhe permitem manter o seu padrão de consumo durante o período de reforma,

15
em que o seu rendimento do trabalho é nulo. Os autores admitem, que o consumidor típico
não recebe nem lega heranças significativas, pelo que, o único motivo para acumulação de
riqueza é o desejo de manutenção do padrão de consumo no período de reforma.
A forma de conciliar um fluxo estável de consumo com um fluxo irregular de rendi-
mentos do trabalho, passa então, pela consideração de um mercado de capitais. Supõe-se
que os indivíduos poderão contrair empréstimos nos períodos em que eles julgam os seus
rendimentos muito baixo para a manutenção das suas despesas de consumo no nível em
que eles julgam ser apropriado. E para aqueles períodos em que o nível de rendimento
é superior ao nível de consumo, o excedente (a poupança) é investido no mercado de
capitais. Deste modo, os agentes económicos não são restringidos na sua acção pelo ren-
dimento disponível num dado período, mas sim pelo valor actualizado dos recursos que
esperam obter ao longo da sua vida activa [Martins, 2016].
Sendo assim, as flutuações da renda corrente teriam impacto unicamente sobre a pou-
pança dos indivíduos e não sobre a sua decisão de consumo [Oreiro, 2003].
Vê-se, pois, a forma como os autores encaram o problema do consumidor, se distancia
muito da abordagem de Keynes, na medida em que, admitindo a possibilidade do recurso
ao crédito quase ilimitado, o indivíduo passa a basear as suas decisões de consumo num
conceito mais amplo de recursos disponíveis, ao mesmo tempo que se volta a colocar o
problema num ambiente de longo prazo.
À luz da hipótese do ciclo de vida a variável fulcral da “propensão marginal a consumir”
é remetida para um papel secundário, considerando assim, a taxa de juro como a variável
que assume um papel preponderante na determinação do consumo, uma vez que dela
depende o valor dos rendimentos actualizado esperados ao longo da vida, bem como a
relação entre esta grandeza e o consumo.

1.5 Antecedentes históricos da econometria

A econometria é uma disciplina importante para a ciência económica. Etimologica-
mente, a palavra econometria deriva da aglutinação de duas palavras das quais a primeira
econo tem a ver com economia e a segunda, metria tem a ver com medida, o que induz a
uma definição literal da disciplina como sendo uma ciência voltada para a medição da eco-
nomia, este conceito nem sempre é válido, já que existe uma disciplina específica voltada

16
para a mensuração dos agregados económicos que é a estatística económica. A econome-
tria preocupa-se simplesmente em procurar saber como é que as variáveis económicas se
relacionam entre si. A econometria divide-se em duas partes, a econometria teórica e a
econometria aplicada.
Segundo o dicionário de economia de [Sandroni, 1987], a econometria é o ramo da eco-
nomia que cuida do estabelecimento de leis quantitativas para os fenómenos económicos.
O autor, argumenta ainda que a econometria visa apenas analisar os dados económicos
fornecidos pela estatística, mediante a aplicação de métodos matemáticos.
Para Wooldridje (2006), a econometria é uma disciplina baseada em um conjunto de
métodos estatísticos , com vista a estimar as relações entre variáveis económicas, testar
teorias, avaliar e implementar políticas de governação e de negócios.
Para Tintner, citado por Gujarat (2011), a econometria consiste na aplicação da esta-
tística matemática a dados económicos para dar suporte empírico aos modelos formulados
pela economia matemática e obter resultados numéricos [Gujarati, 2011].
A definição de econometria proposta pelo economista Goldberger, sugere que a econo-
metria não é uma disciplina separada, o autor considera a econometria como uma "ciência
social em que as ferramentas da teoria económica, da matemática e da inferência estatís-
tica são aplicadas à análise de fenómenos económicos"[Goldberger, 1991].
As definições acima apresentadas, mostram que a econometria tem como disciplinas
auxiliares, a economia que dá as bases para a especificação dos modelos estudados e inter-
pretação dos resultados obtidos a partir da estimação do modelo, a matemática económica
que se preocupa em formular os modelos económicos com base na teoria económica e a esta-
tística económica que está voltada para a coleta, processamento e apresentação dos dados
económicos apresentados normalmente em formas de gráficos e tabelas [Gujarati, 2011].
A disciplina tem assim como principais objectivos, auxiliar o governo na tomada de de-
cisões através da construção e estimação com base em métodos próprios de modelos que
consigam prever possíveis variações sobre determinada variável dada a implementação de
uma política; e testar teorias económicas.
A econometria surge na necessidade de dar uma base sólida à ciência económica, da
mesma forma que as ciências naturais. Antes do surgimento da econometria, utilizava-se
a estatística para a mensuração das actividades económicas, mas no entanto, esta não
supria uma necessidade e que se consubstancia como um dos objectivos principais da eco-

17
nomia, o de estabelecer a relação entre as variáveis económicas de tal forma que podia
ser utilizada, primeiro para testar teorias e segundo, na definição de políticas económicas
através da manipulação de um conjunto de variáveis explicativas com vista a se atingirem
os valores desejados ou pretendidos pela variável explicada. Além da insuficiência que os
métodos estatísticos utilizados na época mostravam, um outro grande problema é que os
modelos utilizados para a mensuração das variáveis económicas não previam o caracter
aleatório que as variáveis económicas deveriam tomar em função dos ciclos económicos
verificados. Muitos autores como Ragner Frischer e Jan Tinbergen estavam insatisfeitos
com os métodos estatísticos utilizados na época nesse sentido, estes autores "desenvolve-
ram uma nova abordagem de se tratar a economia, a estatística e matemática, e acima
de tudo dar uma base sólida na teoria a essa abordagem, que se tornaria na econometria
compacta que é hoje conhecida"[de Almeida, 2014].

1.6 Os primeiros percursores da ciência econométrica

e seus contributos
Vários foram os autores que contribuíram para o desenvolvimento da econometria
como é conhecida nos dias de hoje. Entre estes autores destacam-se Ragner Frish e Jan
Tinbergen, como os principais percursores desta disciplina pelos trabalhos desenvolvidos
pelos dois economistas em suas épocas. Dados os seus grandes contributos para o de-
senvolvimento da ciência económica, estas duas figuras foram os vencedores do primeiro
prémio Nobel de economia em meados do século XVIII e XIX.

1.6.1 Ragner Frisch e os seus contributos à ciência econométrica

Fundador da econometric society e da revista econométrica, Ragner Frish foi um dos

fundadores da ciência econométrica como é conhecida hoje. Tal como foi mencionado an-
teriormente, Frisch, não estava contente com a abordagem estatística utilizada na época
para mensurar fenómenos económicos, o que o motivou a fazer vários estudos até de-
senvolver um modelo adequado para explicar fenómenos económicos. O modelo teórico
formulado pelo autor foi fundamental para o desenvolvimento da econometria ao fazer
uma distinção entre efeitos sistemáticos e aleatório que o autor chamou respectivamente
de propagação e impulso [de Almeida, 2014].

18
 “O trabalho de Frisch é considerado uma das melhores contribuições à econometria,
por ter feito uma união entre economia, matemática e estatística"[de Almeida, 2014]. Nos
seus estudos, o autor utilizou dados hipotéticos em vez de dados reais para a comprovação
da consistência do modelo por si formulado, pois, o autor estava mais interessado em
trabalhar em metodologias e métodos de econometria, deixando a sua aplicação para os
outros autores [de Almeida, 2014].

1.6.2 Jan Tinbergen e os seus contributos à ciência economé-

trica

Tinbergen foi um físico e seu interesse em estudar economia deveu-se ao facto dele
considerar que seria mais útil à sociedade trabalhando como economista do que como
físico, sua maior preocupação era resolver os problemas do desemprego e da pobreza.
Tinbergen foi o primeiro economista a utilizar o termo modelo para designar o produto
especificamente matemático de uma pesquisa empírica em economia [de Almeida, 2014].
Assim como Frisch, Tinbergen também estava insatisfeito com as abordagens estatís-
ticas apresentadas pelos seus antecessores. Um dos objectivos de Tinbergen consistia em
melhorar os modelos estatísticos formulados pelos seus antecessores, segundo o autor, o
desenvolvimento da economia estava tão atrasado que não era possível utilizar a ciência
económica para formulação de políticas, já que para o autor a economia tinha como objec-
tivo dar suporte as decisões políticas-económicas por meio da formulação e quantificação
da relação entre as variáveis económicas [de Almeida, 2014].
A pesar de o termo ’oekonometrie’ ter sido utilizado pela primeira vez em 1910, pelo
economista polonês Pawel Ciompa, o autor referia-se a aplicação da estatística descritiva
em economia. O termo econometria para designar a econometria como é vista nos dias
de hoje, foi elaborado por Ragnar Frisch, um dos fundadores da econometria, e por acaso
o mesmo autor que elaborou os termos macroeconomia e microeconomia.

1.7 A metodologia econométrica

Como qualquer outra ciência, a econometria tem metodologias próprias. A pesar de
existir várias escolas de pensamento sobre a metodologia econométrica, a mais utilizada é
a metodologia tradicional ou clássica, que em regras gerais obedece aos seguintes passos:

19
1. Exposição da teoria ou hipótese;

Todo modelo econométrico tem como base a especificação de uma determinada teoria
económica, é a teoria económica que nos fornece informações sobre a dependência
de uma determinada variável explicada à uma ou mais variáveis explicativas. É
também graças a teoria que o modelador possa confrontar os resultados obtidos por
meio da estimação com as informações dadas pela teoria. Por exemplo, os modelos
de procura especificam que existe uma relação inversa entre a quantidade procurada
de um bem e o preço desse mesmo bem, ou seja, um aumento no preço por exemplo
do bem y, induz a uma redução na quantidade demandada do bem y. Assim a com
base no resultado da estimação, pode-se confrontar se tais resultados obtidos vão de
acordo com a teoria especificada.

2. Especificação do modelo matemático da teoria;

Já que a teoria diz respeito a variáveis quantificáveis, o economista matemático pode

transformar a informação fornecida pela teoria em representações simbólicas por
meio de um conjunto de relações matemáticas estabelecidas entre as duas variáveis
( quantidade e preço). A função seria assim escrita:

Qx = β1 − β2 .Px , (1.13)

em que Qx e Px , representam a quantidade demanda e o preço do bem x respectiva-

mente, β1 representaria a quantidade vendida do bem que é independente do preço
e β2 representa a magnitude do efeito de uma variação no preço sobre a quantidade
do bem.

3. Especificação do modelo estatístico ou econométrico;

O modelo de demanda agregada apresentado no item anterior é de interesse limitado

para um estudo econométrico, pois supõe que existe uma relação exata ou determi-
nística entre a quantidade demandada do bem e o preço do mesmo bem, o que não é
bem verdade, pois, a relação entre as variáveis económicas regra geral são inexatas.
Para resolver esse problema, é incorporado no modelo económico uma componente
que tem como objectivo acomodar os efeito que podem deturpar a boa relação entre
a variável explicativa (preço do produto) e a variável explicada (quantidade deman-

20
 dada do produto) designada termo de perturbação ou distúrbio (µ). É uma variável
aleatória ou estocástica que tem propriedades estatísticas conhecidas.

Para efeitos de clarificação, Carlos Ribeiro no seu manual de econometria, define um

modelo econométrico como uma família de distribuições conjuntas das observações
das variáveis explicadas e das variáveis explicativas , a verificar um conjunto de
restrições ou hipóteses [Silva Carlos, 2014].

4. Obtenção dos dados;

Para que se faça qualquer estudo econométrico, o pesquisador precisa ter à sua dispo-
sição um conjunto de dados das variáveis selecionadas no modelo que lhe permitirão
fazer os estudos desejados. O sucesso de qualquer análise econométrica, depende
em última instância da disponibilidade de dados adequados[Gujarati, 2011]. No en-
tanto, é necessário analisar minuciosamente, a fonte, a natureza e as limitações dos
dados disponíveis para se fazer a análise empírica.

Segundo [Gujarati, 2011] existem normalmente três tipos de dados utilizados para
análise empírica de fenómenos económicos:

(a) Dados de séries temporais;

(b) Dados de corte transversal;

(c) Dados combinados.

Dados de séries temporais

Os dados são temporais ou cronológicos quando as observações se referem a uma

mesma entidade em diferentes momentos do tempo [Silva Carlos, 2014]. Por exem-
plo, quando analisamos o consumo da economia angolana em distintos períodos
estaríamos diante de uma série de dados temporais.

Outros aspectos que se devem ter em conta nos dados de séries temporais são os
seguinte:

• A frequência temporal das observações: trata-se de saber se as variáveis devem

ser observadas numa base diária, semanal, mensal, trimestral, anual ou outra.

• A tendência: Muitas vezes é importante saber se certa variável depende signi-

ficativamente do tempo.

21
 • [Silva Carlos, 2014] argumenta que quando o comportamento de determinada
variável se altera em certos sub-períodos de um período mais alargado diz-se
que a variável tem sazonalidade

Embora os dados de séries temporais serem muito utilizados nos estudos eco-
nométricos, eles apresentam problemas especiais para o pesquisador, pois, o
pressuposto básico para a utilização desse tipo de dados é que a série seja es-
tacionária (uma série é estacionária quando as suas propriedades estatísticas
não mudam ao longo do tempo, isto é, têm média e variâncias iguais em todos
os períodos), o que é muito raro na maioria das análises [Gujarati, 2011].

Dados em corte transversal

São considerados dados de corte transversal, aqueles em que uma ou mais variáveis
são coletadas no mesmo período de tempo. Assim como os dados de séries temporais,
os dados em corte transversal também têm os seus problemas, especificamente o
problema da heterogeneidade [Gujarati, 2011].

Dados combinados

Os dados combinados como o próprio nome diz, chegam a ser uma combinação entre
os dados de séries temporais e os dados de corte transversal. Esse conjunto de dados
dão a possibilidade de estudar femómenos como o comportamento do consumo de
várias famílias em diferentes períodos [Gujarati, 2011].

5. Estimação dos parâmetros do modelo econométrico;

Uma vez obtidos os dados, o passo seguinte consiste na estimação dos parâmetros do
modelo em estudo. Existem vários métodos para fazer a estimação dos parâmetros
dos modelos econométricos, portanto, a escolha dessa técnica depende em grande
parte da forma matemática que está inscrito o modelo. "A análise empírica dos
modelos em estudo pressupõe a apresentação clara das hipóteses subjacentes a cada
modelo (...)"[Silva Carlos, 2014].

6. Projeção ou previsão;

Depois de verificadas todas hipóteses e se ter a confirmação que tais hipóteses não
refutam a teoria considerada, está-se em tão em condições de se utilizar o modelo
para fins de previsão.

22
 7. Uso do modelo para efeitos de controlo ou de política.

Pode-se depois de todo o trabalho econométrico feito utilizar o modelo para fins de
controlo de política, pois é possível agora, prever o valor que a variável explicada
pode tomar conhecido os valores ou valor da variável explicativa.

1.8 Os modelos econométricos

Os modelos macroeconómicos procuram explicar, através de relações entre variáveis
económicas o comportamento dos dados sobre essas variáveis. É através da estimação
econométrica destes que se consegue mensurar essas relações, a partir de dados empíricos
com base em dados retirados das estatísticas económicas reais. Com base nos resultados
dos modelos estimados consegue-se então prever, a relação existente entre as variáveis do
modelo e realizar simulações. Como a ciência económica não tem a facilidade de realizar
experimentos controlados sobre a realidade, essas simulações permitem obter resultados
esperados do efeito nas variáveis de toda a economia da alteração em alguma das condições
existentes [Martins, 2016].
Existe uma infinidade de modelos em econometria desde os mais simples aos mais
complexos. [Wooldridge, 2006] faz uma distinção entre modelos estáticos e modelos de
defasagens distribuídas finitas.

1.9 Modelo estático

O nome modelo estático, deriva do facto de estar a se fazer a modelação de uma
relação contemporânea entre a variável explicada e a variável explicativa. Em geral o
modelo estático é postulado quando se acredita que uma mudança na variável explicativa
no período t terá um efeito imediato na variável explicada [Wooldridge, 2006].
Para [Santos and Fernandes, 2010], o modelo estático não é mais do que uma repre-
sentação das relações entre as variáveis no mesmo momento de tempo.

Yt = f (yt ) (1.14)

23
1.9.1 O modelo de regressão linear - A natureza do termo re-
gressão

O termo regressão foi criado por Francis Galton. Em seu artigo "Natural inheritance",
Galton verificou que embora existisse uma tendência de que pais altos tendiam a ter filhos
altos e pais baixos tendiam a ter filhos baixos, esses filhos não têm a propensão de serem
tão altos como seus pais. O mesmo vale para pais baixos - seus filhos tenderão a ser
baixos mais não tão baixos quanto eles próprios. Esse fenómeno faz então com que a
altura das crianças de pais altos e pais baixos tendesse a regredir para a média da altura
da população [Gujarati, 2011].
No entanto, a interpretação moderna de regressão é muito diferente. Enquanto Galton
nos seus estudos estava preocupado em saber porque havia estabilidade na distribuição
da altura em uma população, a análise moderna de regressão diz respeito ao estudo da
dependência de uma variável, a variável explicada, em relação a uma ou mais variáveis, a
variável explicativa, visando estimar ou prever o valor médio (da população) da primeira
em termos dos valores conhecidos ou fixados da segunda, ou seja, na análise moderna de
regressão procura-se saber como a altura média dos filhos varia dada a altura dos pais.
Os estudos de Galton passaram a ser aplicados em vários campos de estudos. A
nível de economia se poderia estar interessado em estudar a relação de dependência entre
as despesas de consumo e o rendimento disponível, interessado em saber a relação de
dependência entre a variação dos salários nominais e a taxa de desemprego entre outros.

1.9.2 Relação estatística versos determinística

Que tipo de relação é feita numa análise de regressão? Uma análise estatística ou
determinística? Quando Galton fez os seus estudos sobre a distribuição das alturas da
população, ele entendia que a altura era determinada por alguma combinação de caracte-
rísticas inatas e forças externas. Estás últimas podiam incluir ambiente, saúde infantil ou
simplesmente o acaso. "A análise de regressão preocupa-se com o que é conhecido como
dependência estatística e não funcional ou determinística"[Gujarati, 2011]. Já em estudos
que envolvem relações estatísticas, as variáveis em questão, são normalmente variáveis
aleatórias ou estocásticas, isto é, aquelas que têm distribuições de probabilidades.

24
1.9.3 Terminologia e notação

Além das terminologias, variável dependente e variável independente, existem outras

notações para se fazer referência a estas variáveis que serão apresentadas na tabela a
baixo:

Tabela 1.1: Terminologia e notação

Variável dependente Variável independente
Variável explicada Variável explicativa
Regressando Regressor
Variável prevista Previsor
Resposta Estímulo
Variável endógena Variável exógena
Saída Entrada
Variável controlada Variável controle

As terminologias a serem utilizadas na presente pesquisa serão variável explicada e

explicativa.

1.9.4 Análise de regressão linear

A análise de regressão linear relaciona uma variável Y (variável explicada), com um

conjunto de variáveis X2 , X3 , ...Xk (variáveis explicativas) e uma variável aleatória µ
[Mendes de Oliveira et al., 2011]. Consiste em prever ou estimar os valores médios da
variável explicada com base nos valores conhecidos ou fixados da variável explicativa.

Análise de regressão linear de duas variáveis

A análise de regressão linear de duas variáveis represente a forma mais simples deste
tipo de modelo. Este tipo de análise, estuda a relação existente entre a variável explicada
com uma variável explicativa. Sua expressão matemática é dada por:

Yt = β1 + β2 Xt + µ, (1.15)

em que Yt e Xt representam a variável explicada e explicativa respectivamente, β1 e β2

representam o termo intercepto e coeficiente de inclinação respectivamente e µ representa

25
o erro aleatório do modelo.

Análise de regressão linear múltipla

Na maioria dos casos, não é possível explicar o comportamento de uma determinada

variável económica com apenas uma variável explicativa, por essa razão, é necessário
ampliar o modelo de regressão linear simples para abranger casos que envolvem mais de
duas variáveis. Quando se adicionam mais variáveis ao modelo, este passa a designar-se
por modelo de regressão linear múltiplo.
Por definição, o modelo de regressão linear múltiplo, relaciona uma variável, a variável
explicada com duas ou mais variáveis explicativas. Matematicamente é descrito pela
seguinte equação:
Y = β1 Xt + β2 Xt2 + βXt3 + ... + βk Xk + µ, (1.16)

em que Y é uma variável aleatória observável, Xt2 , Xt3 , ..., Xk são também as variáveis
observáveis de que Y depende; β1 , β2 , β3 , ..., βk são constantes desconhecidas e µ é uma
perturbação estocástica não observável.

1.9.5 O significado do termo linear

Embora que a equação 1.16 representa uma função linear, o termo linear no âmbito
do modelo de regressão apresenta dois significados:

Linearidade nas variáveis

O significado mais plausível de linearidade é o caso em que a espectativa condicional

de Y é uma função linear de Xt . Essa interpretação nos induz a concluir que uma equação
de regressão escrita na forma:

E(Y |X) = β1 + β2 Xt2 , (1.17)

não é uma função linear porque a variável X aparece com um expoente diferente de 1,
pois, por definição uma função Y = f (X) é linear em X, se X tiver exclusivamente como
expoente 1 e não estiver multiplicado ou dividido por uma variável qualquer.

26
Linearidade nos parâmetros

A interpretação de linearidade nos parâmetros, postula que, a espectativa condicional

da variável explicada E(Y |X) seja uma função linear nos parâmetros, podendo ou não
ser linear nas variáveis. De acordo com esse pressuposto, a expressão

E(Y |X) = β1 + β2 Xt2 , (1.18)

é ainda uma função linear apesar de o expoente da variável explicativa ser diferente da
unidade. Já não seria linear se o modelo fosse escrito na forma:

E(Y |X) = β1 + β22 Xt . (1.19)

Embora que existe duas interpretações sobre a linearidade da função de regressão,

apenas a linearidade nos parâmetros é importante no âmbito do modelo de regressão
linear, a equação pode ou não ser linear nas variáveis explicativas e ainda assim continuar
a ser denominada equação de regressão linear.

1.9.6 O significado do termo erro estocástico

Como foi referido anteriormente, a inclusão do termo de perturbação no modelo serve

para acomodar os efeitos das variáveis que não estão incluídas no modelo, mas que no
entanto, influenciam o comportamento da variável explicada. Uma questão que se coloca
é: porque não são colocadas tais variáveis no modelo?
Gujarat (2011) justifica a não inclusão dessas variáveis pelas seguintes razões:

1. Caracter Vago da teoria: a teoria, se existe alguma, que explica o comportamento

de Y pode ser , e muitas vezes é incompleta. Um caso concreto é a famosa teoria de
Keynes que postula a existência de uma relação entre as despesas de consumo e o
rendimento Y = f (R), enquanto que outros que dedicaram seu tempo no estudo do
comportamento dos consumidores, ainda identificam outras variáveis importantes
para a explicação das despesas de consumo. portanto µ pode ser usado como um
substituto para todas as variáveis excluídas ou omitidas;

2. Indisponibilidade de dados: mesmo que as variáveis excluídas fossem conhecidas,

talvez não haveria informação quantitativa a respeito dessas variáveis. É muito
frequente na análise empírica que as variáveis a serem incluídas no modelo, não têm

27
 os seus dados disponíveis. Por exemplo, em princípio se poderia incluir o Yd em vez
da utilização da renda da economia, mas, como esses dados não estão normalmente
disponíveis, o pesquisador é obrigado a substituir essa variável pela renda nacional;

3. Variáveis proxy pouco adequadas: embora que o modelo de regressão suponha

que as variáveis Y e X sejam medidas com exatidão, na prática os dados podem
estar infestados de erros de medição. Na teoria de consumo de Milton Friedman por
exemplo, considera-se o consumo permanente (Y p ) como uma função da renda per-
manente (X P ), mas como os dados relactivos a essas variáveis não são directamente
observáveis, na prática faz-se o uso de variáveis proxy, como consumo corrente (Y ) e
renda corrente (X) que são observáveis. Como os Y e X observáveis não são iguais
aos (Y p ) e (X p ) há um problema de erro de medição. Nesse caso o termo µ também
pode representar o erro de medição ;

1
4. Princípio da parcimónia: de acordo com a navalha de Occam o ideal seria
formular o modelo de regressão mais simples possível;

5. Forma funcional errada: mesmo se as variáveis aleatórias de um fenómeno fo-

rem teoricamente corretas, e mesmo que haja disponibilidade de dados para essas
variáveis, muitas vezes desconhece-se a forma funcional da relação entre a variável
explicada e a variável explicativa;

6. Caracter intrinsecamente aleatório do comportamento humano: mesmo

se que for possível incluir todas as variáveis relevantes no modelo, sempre haverá
aleatoriedade intrínseca nos valores individuais da variável dependente.

1.9.7 A função de regressão amostral (FRA)

Na prática a análise empírica é feita a partir de amostras representativas, porque

torna-se praticamente impossível inserir toda população numa análise económica. Por esta
razão, o dever de um economista consistirá em estimar a função de regressão populacional 2
a partir das informações de uma amostra representativa. Assim, a reta de regressão obtida
1
"As descrições devem ser mantidas o mais simples possível até que se prove sua inadequação
[Silva et al., 2015].
2
A função de regressão populacional (FRP) indica a variação do valor médio da variável explicada
com base nos valores conhecidos e fixados da variável explicativa

28
a partir das informações de uma amostra é chamada de função de regressão amostral
(FRA) que algebricamente é dada pela expressão:

E(Yˆ|Xt ) = βˆ1 + βˆ2 Xt , (1.20)

em que E(Yˆ|X) representa o estimador de E(Y |X) da população; βˆ1 representa o esti-
mador de β1 da população e βˆ2 representa o estimador de β2 .
Gujarat (2011) argumenta ainda que não é possível estimar com precisão a função
de regressão amostral devido a variações na amostra. Segundo o autor, um estimador
é apenas uma regra ou fórmula ou método que nos diz como estimar o parâmetro da
população com base na informação da amostra disponível. O valor numérico obtido pela
aplicação do estimador é conhecido como estimativa.
Assim, a análise de regressão tem como objectivo estimar a função de regressão popu-
lacional (FRP)
Y = β1 + β2 Xt + µ, (1.21)

com base na função de regressão amostral (FRA)

Ŷ = βˆ1 + β2ˆXt + µ̂, (1.22)

porque frequentemente a análise de regressão baseia-se em uma única amostra da popula-

ção, mas, devido a variações amostrais, as estimativas da FRA são na melhor das hipótese,
apenas uma aproximação da verdadeira FRP. Como exemplo dessa aproximação é feita
a representação gráfica da FRP e da FRA em que se tem como variável explicada as
despesas de consumo e como variável explicativa a renda.

29
 Figura 1.3: Linha de regressão para amostra e para uma população

Verifica-se através da figura acima apresentada, que o valor previsto da variável expli-
cada (Ŷ ) superestima o verdadeiro valor populacional (Y |Xt ) para os valores fixados de
Xt . Da mesma forma que para cada Xt a esquerda do ponto A, a FRA subestimará a
verdadeira FRP. Essa superestimação e subestimações são no entanto inevitáveis devido
à variações na amostra [Gujarati, 2011].
Como a FRA é apenas uma aproximação da verdadeira FRP, é necessário encontrar um
método que permite, que essa aproximação esteja mais próxima possível. O método mais
utilizado para a resolução desse problema é o método dos mínimos quadrados ordinários.

1.10 Modelos de defasagens distribuídas finitas

Os modelos de defasagens distribuídas finitas são modelos em que o tempo desempenha
uma função fundamental. Tipicamente, esta dependência no tempo é obtida pela inclusão,
como variável explicativa, da própria variável desfasada [Santos and Fernandes, 2010].
[Werner, 2003] define o modelo de defasagens distribuídas finitas, como aquele em que
uma ou mais variáveis explicativas afetem a variável explicada com defasagens. Esses
modelos estão ainda divididos em modelos estacionários e modelos não estacionários.

30
1.10.1 Modelos estacionários

Para [Werner, 2003] modelos estacionários são aqueles que se encontram em equilíbrio.
Esses modelos podem ser fracamente estacionários ou fortemente estacionários.
O conceito de estacionaridade é a principal ideia que se deve ter para estimar uma
série temporal. É fundamentalmente a constatação de estacionaridade que permitirá
proceder a inferência estatística sobre os parâmetros estimados com base na realização de
um processo estocástico [da Silveira Bueno, 2008].3
O processo estocástico ou série temporal é fracamente estacionário se:

1. E|Yt |2 < ∞, ∀t ∈ T ;

2. E(Yt ) = µ, ∀t ∈ T ;

3. E(Yt − µ)(Yt−j − µ) = γj .

A primeira condição afirma apenas que o segundo momento não centrado deve ser finito
ainda que desigual em diferentes períodos. A segunda condição assegura que a média é
igual para todo o período ainda que a distribuição da variável aleatória se vai alterando
ao longo do tempo. A terceira condição estabelece que a variância é igual para todo o
período e que a autocovariância não depende do tempo mas da distância temporal entre
as observações [da Silveira Bueno, 2008].
Por outro lado, o processo estocástico é fortemente estacionário se a função de dis-
tribuição conjunta do primeiro momento for igual à função de distribuição do segundo
momento.

Modelos autoregressivos

Em um modelo autoregressivo, a série de dados históricos Yt é descrita por seus valores

passados e regredidos e pelo ruído aleatório µt [Werner, 2003]. O modelo autoregressivo
de ordem 1 ou AR(1), é a versão mais simples dessa classe de modelos, sua representação
algébrica é dada por

Yt = c + φ1 Yt−1 + εt , (1.23)
3
Carlos (2014) argumenta que um processo estocástico é apenas um outro nome que se pode dar a
uma sucessão de variáveis aleatórias.

31
em que εt é um ruído branco independente de Yt−1 . É um modelo de caracter importância
para a economia porque reproduz razoavelmente a dinâmica de muitas séries económicas
e financeiras[Mendes de Oliveira et al., 2011].
Em um modelo autorregressivo AR(1), existe uma correlação implícita entre Yt e
Yt−2 . Isso está presente na FAC, por meio do decaimento exponencial. Entretanto, é
possível filtrar as correlações de forma a manter-se apenas a correlação pura entre as
duas observações. este processo de filtragem implica gerar a função de autocorrelação
parcial, FACP, pela qual eliminam-se as correlações implícitas entre as duas observações
[da Silveira Bueno, 2008].
começa-se agora por calcular a média marginal da série:

E(yt ) = E(c + φ1 Yt−1 + εt ) = c + φ1 E(Yt−1 ), (1.24)

tal que E(εt ) = 0

A variância da série é dada por

V ar(Yt ) = V ar(c + φ1 Yt−1 + εt ) = φ21 V ar(Yt−1 + σ 2 ).

Uma forma generalizada de um processo autoregressivo é o designado processo auto-

regressivo de ordem p ou AR(p)

Yt = φ1 Yt−1 + φ2 Yt−2 + ... + φp Yt−p + εt . (1.25)

A condição de estacionanridade do modelo é que |φ| < 1 e que as autocovariâncias

(γk ) sejam independentes.

32
Modelo de médias móveis

Em um modelo de médias móveis do inglês (moving average), a série Yt resulta da com-

binação dos ruídos brancos do período atual com aqueles ocorridos em períodos anteriores
(Werner, 2003).
O processo MA(1) é dado por:

Yt = α + θ1 εt−1 + εt = α + (1 + θL)εt . (1.26)

Este modelo é utilizado para modelar fenómenos de memória muito curta, já que,
a autocorrelação da variável explicada extingui-se muito rápido, pois, a sua memória é
apenas de um período. Isto significa que o erro de um período está apenas relacionado
com o seu predecessor e o seu sucessor (Werner, 2003).
Importa também definir aqui os conceitos de função de autocorrelação (FAC) e função
de autocrrelação parcial (FACP). Segundo [da Silveira Bueno, 2008], a função de auto-
correlação, é o gráfico da autocorrelação contra a defasagem. Esta função, permitirá
identificar a ordem q de um processo de médias móveis

33
Capítulo 2

Metodologia

Para [Santos and Parra Filho, 2012] a metodologia é o conjunto de abordagens, téc-
nicas e processos utilizados pela ciência para formular e resolver problemas de aquisição
objectiva do conhecimento, de maneira sistemática.
Para [Marconi and Lakatos, 2003] especificação da metodologia de pesquisa é a que
abrange maior número de itens, pois responde à um só tempo às questões, como? com
quê? onde? e quanto?
A presente pesquisa pode assim ser classificada quanto a forma de abordagem em
pesquisa quantitativa pois serão utilizadas ferramentas estatísticas para a análise dos
dados, e em pesquisa qualitativa, pois, a presente pesquisa apresenta um lado descritivo.
Para o efeito deste trabalho de pesquisa, baseou-se na pesquisa documental, biblio-
gráfica e estudo de caso que se resumiu na obtenção de dados através da base de dados
do portal ’The Global economy.com", estimação do modelo, análise e interpretação dos
resultados. Assim sendo:
Para a estimativa do modelo foi utilizado a técnica dos Mínimos Quadrados Ordinários
aplicado ao software Gretl que também permitiu obter resultados para o teste RESET,
teste de White, o teste de Breusch-Pagan e o teste de normalidade.

34
2.1 Especificação do modelo e tratamento economé-
trico
Para estimar a função de consumo, foi utilizada a análise de regressão linear simples
descrita pela seguinte equação:

CON S = β1 + β2 Rendt + µ (2.1)

em que CON S, representa o consumo final das famílias, Rendt representa o ren-
dimento da economia, β1 representa o coeficiente intercepto ou linear, β2 representa o
coeficiente angular e µ é uma variável aleatória não observável.
O termo intercepto β1 representa o consumo das famílias quando o rendimento da
economia for igual a 0 e o coeficiente angular β2 , representa a variação do consumo das
famílias quando o rendimento variar em uma unidade monetária.

2.2 Fiabilidade dos dados

Os dados relactivos ao consumo final das famílias e ao produto interno bruto expressos
em mil milhões de dolar, refletindo o período de 1985 − 2016, encontrados na primeira
tabela em anexo utilizados para a pesquisa, são provenientes do banco mundial e retirados
da base de dados do the Global economy.

2.3 A especificação da técnica utilizada - o método

dos mínimos quadrados ordinários
O método dos mínimos quadrados ordinários é atribuído a Carl Friedrich Gauss um
matemático alemão. Segundo Gujarat (2011), o método dos mínimos quadrados or-
dinários (MQO) é o mais utilizado para análise de regressão porque é intuitivamente
convincente e matematicamente muito mais simples em relação a outros métodos como
o método da máxima verossimilhança (MV). Para o autor, o método MQO tem
algumas propriedades estatísticas muito atraentes que o tornaram um dos métodos de
análise de regressão mais poderosos e difundidos.

35
 Começa-se agora por explicar em que consiste o princípio dos mínimos quadrados.
Tomando primeiro a equação, 1.21 ora designada por FRP

Y = β1 + β2 Xt + µ,

e que como se viu, esse é um modelo que postula a existência de uma relação entre a
variável explicada e a variável explicativa, válida para qualquer indivíduo pertencente a
uma dada população. Esta relação, é caracterizada nomeadamente, pelos k parâmetros β
desconhecidos [Mendes de Oliveira et al., 2011].
A estimação dos coeficientes de regressão será feita através da equação 1.22, que é
no entanto uma equação que representa a FRA, com uma amostra de dimensão T , cada
observação é descrita por uma sequência ordenada de valores X2 , X3, ..., Xk , Y como em:
 
 X21 X31 ..., Xk1 Y1 
 
X22 X32 ..., Xk2 Y2
 
 
 
 

 . 

 
 

 . 

 
X2n X3n ..., Xkn , Yn

Nesta sessão, os símbolos Xjt e Yi ( j = 2, 3, ..., k; t = 1, 2, ..., T ) designarão respectiva-

mente, os valores observados para as variáveis explicativas (Xj ) e para a variável explicada
a
(Y ) para a t amostra.
O objectivo é o de determinar valores numéricos (estimativas) para os coeficientes
β1 , β2 , ..., βK ,. Determinadas as estimativas, é possível prever o valor da variável explicada,
conhecido o valor da variável explicativa.
Um critério possível para obter os estimadores dos coeficientes do modelo de regressão,
será o de procurar que os resíduos de estimação, dado pela expressão

et = Yt − Ŷt , (2.2)

sejam em valores absolutos próximos de zero, fazendo assim com que os valores observa-
dos da variável explicada Y e os valores estimados (Ŷ ) estejam o mais próximo possível.
É importante ressaltar que um valor reduzido ou mesmo nulo para a soma simples dos
resíduos, não é um bom critério, já que, podendo os resíduos ser positivos ou negativos, na
soma esses valores poderão compensar-se sem que tal se traduza numa maior aproximação

36
dos valores estimados e previstos da variável explicada. Para ultrapassar este inconveni-
ente, uma possibilidade é a de minimizar a soma dos valores dos resíduos elevando-os ao
P 2
quadrado, e t [Mendes de Oliveira et al., 2011].
Atendendo precisamente ao critério em que se baseia este método,( minimização da
soma dos quadrados dos resíduos), é assim chamado de método dos mínimos quadrados
ordinários, MQO, mais vulgarmente conhecido pela sigla inglesa OLS (ordinary least
squares) [Mendes de Oliveira et al., 2011].
Começam assim por se deduzir os estimadores de mínimos quadrados a partir da
seguinte equação:

Ŷ = βˆ1 + βˆ2 Xt + e. (2.3)

Obtendo a soma do quadrado dos resíduos, tem-se a seguinte expressão:

e2t = (Yt − Ŷt )2 = (Yt − β̂1 − βˆ2 Xt )2 ,

X X X

O critério de mínimos quadrados requer como primeira condição, que a derivada de

primeira ordem seja nula, logo tem-se:

P 2 P 2
∂ t e t ∂ e
=0 =0
ˆ
∂ β1 ˆ
∂ β2
Essas derivadas parciais de primeira ordem são:
 P 2
∂ e t
(Yt − βˆ1 − βˆ2 Xt )(−1) = −2 (Yt − βˆ1 − βˆ2 Xt )
 P P

 =2
∂Pβˆ1


∂ e2t
= 2 (Yt − βˆ1 − βˆ2 Xt )(Xt ) = 2 (Yt − βˆ1 − βˆ2 Xt )Xt

 P P

∂ βˆ2



e igualando essa equação a zero, obtém-se o seguinte sistema de duas equações a duas
incógnitas (βˆ1 ) e (βˆ2 ):
 
(Yt − βˆ1 − βˆ2 Xt ) = 0 Yt − βˆ1 − βˆ2 Xt = 0
 P  P P P
 
⇔ P
 P(Y − βˆ1 − βˆ2 Xt )Xt = 0 Yt Xt − βˆ1 Xt − βˆ2 Xt2 = 0
 P P
t


Resolvendo a primeira equação do sistema teremos:

Yt = nβˆ1 + βˆ2 Xt
P P

isolando βˆ1 tem-se

P P
Yt Xt
βˆ1 = − βˆ2
n n
37
 βˆ1 = Y − βˆ2 X (2.4)

Tomando agora a segunda equação do sistema tem-se que:

Yt Xt − βˆ1 Xt − βˆ2 Xt2 = 0

P P P

substituindo βˆ1 na segunda equação do sistema tem-se:

P P
Yt Xt

Yt Xt − − βˆ2 Xt − βˆ2 Xt2 = 0
P P P
(
n n

!
Xt2
P P
Yt Xt
Yt Xt − − βˆ2 − βˆ2 Xt2 = 0
P P
n n
isolando βˆ2 tem-se:

!
Xt2 P 2
P P
Yt Xt
Yt Xt − = βˆ2 − Xt
P
n n

1P P 1P
 
Yt Xt = βˆ2
P 2
Yt Xt − Xt − (Xt )2
P
n n
isolando β2 tem-se:

1P P
Yt Xt −
P
Yt Xt
βˆ2 = n (2.5)
1P
Xt2 − (Xt )2 )
P
(
n

2.4 Propriedades dos estimadores de mínimos qua-

drados dos coeficientes de regressão
Uma das razões da estimação dos modelos econométricos pelo método dos mínimos
quadrados ordinários, deve-se ao facto de esse possuir algumas propriedades importantes,
e que o tornam num método muito interessante. Essas propriedades são as seguintes:

2.4.1 Centricidade

Diz-se cêntrico ou centrado o estimador cujo seu valor esperado é igual ao parâmetro
a estimar. Algebricamente tem-se:

38
 E(β̂) = β

A partir da equação 2.4 e calculando o valor esperado das expressões em ambos os

membros da equação obtem-se o seguinte resultado:

E(βˆ1 ) = E(Y t − βˆ2 X t )

2.4.2 Eficiência

Por definição, um estimador é dito eficiente quando este apresentar menor variância
em relação aos demais estimadores.
Começa-se então por deduzir as variâncias dos estimadores e as suas respectivas cova-
riâncias:
 
 V ar(βˆ1 ) Cov(β̂1 , βˆ2 ) Cov(β1ˆ, β3 ) .... Cov(β̂1 , βˆk ) 
 
Cov(β̂2 , β̂1 ) V ar(βˆ2 ) Cov(β̂2 , β̂3 ) .... Cov(β̂2 , β̂k ) 
 

 
V ar(βˆ3 )
 

 Cov(β̂3 , β̂1 ) Cov(β̂3 , β̂2 ) ... Cov(β̂3 , β̂k ) 

 
 

 . . . . . 

 
Cov(β̂k , β̂1 ) Cov(β̂k , β̂1 ) Cov(β̂k , β̂1 ) ... V ar(βˆk )
A matriz das variâncias e covariâncias, assume para o caso concreto do modelo de
regressão linear simples
Yt = β1 + β2 Xt + µt

a seguinte expressão:

 
ˆ
 β1 
V ar(β̂) = V ar  
βˆ2

= σ 2 (X 0 X)−1
 −1
P
n Xt 
= σ2 
 P 
Xt2
P
Xt
 
Xt2 − Xt 
P P
1
= σ2 P 2

n Xt − ( Xt )2 − P Xt
P  
n
2
Xt2 = n Xt2 − (nX)2 = n( Xt2 − nX ) = n
P P P P 2
Como n x t

39
 Xt2 − Xt
 P P 
P 2
n x2t
P
n P xt
 
V ar(β̂) = σ 2 
 
 − Xt n 

P 2 P 2
n xt n xt
P 2
Xt −X t
 
P 2 P 2 
xt xt 

= σ2 

−X t 1 


n x2t
P P 2
xt

X2 σ2X
P
1
Logo tem-se que: V ar(βˆ1 ) = σ P 2t ; V ar(βˆ2 ) = σ 2 P 2 e Cov(βˆ1 , βˆ2 ) = − P 2 .
2
xt xt xt
Deduzidas a s variâncias dos estimadores MQO, é importante estudar a eficiência des-
ses mesmos estimadores, ou seja, comparativamente com outros estimadores alternativos
para os parâmetros β, os estimadores MQO apresentam uma maior ou menor variância?
São mais eficientes do que os outros estimadores lineares?
Para responder a essa questão é necessário recorrer ao teorema de Gauss- Marcov, que
afirma que, uma vez verificadas as hipóteses clássicas do modelo de regressão linear, os
estimadores de mínimos quadrados de β, são os estimadores de variância mínima, na classe
dos estimadores cêntricos de β, e lineares em Y . Os estimadores MQO são assim chamados
estimadores BLUE (Best Linear Unbiased Estimators), isto é, os melhores estimadores
lineares e cêntrico, neste sentido, o termo melhor tem o significado de menor variância.

2.4.3 Consistência

O conceito de consistência de estimadores tem a ver com a distribuição assimptótica

dessas variáveis aleatórias, ou seja, com o seu estudo considerando que o número de
observações que compõe a amostra tende para infinito.
Depois de deduzidos os estimadores de mínimos quadrados ordinários, ainda assim
não se pode aplicar directamente esse método (MQO), por causa do problema da auto-
correlação nos resíduos que consequentemente causam problemas drásticos à estimação
do modelo como a não eficiência dos estimadores. Para resolver esse inconveniente, é
necessário fazer correção para que os resíduos do modelo sejam não correlacionados.

40
2.5 Hipóteses do modelo
Deduzidos os estimadores de mínimos quadrados dos coeficientes de regressão, coloca-
se a questão de saber quais serão as propriedades desses estimadores: serão por exemplo
estimadores centrados? consistentes?
Como o modelo de regressão é escrito como função da variável explicada e da va-
riável explicativa,as propriedades dos estimadores vão depender das características destas
variáveis, em particular de Y , dependerão da variável aleatória µ, que é uma das suas com-
ponentes. Para analisar as propriedades estatísticas dos estimadores é necessário conhecer
a distribuição de probabilidade da variável µ ou, pelo menos de conhecer os principais mo-
mentos da sua distribuição. Não sendo essa distribuição conhecida, nem sendo a variável µ
observável, terão de estabelecer-se determinadas hipóteses relactivas a sua distribuição de
probabilidade. Essas hipóteses e outras relactivas às variáveis explicativas, são conhecidas
como hipóteses clássicas do modelo de regressão linear [Mendes de Oliveira et al., 2011].

1. Hipótese [H0] Existe numa determinada população, uma relação entre as variáveis
Y, X2 , X3 , ..., Xk descrita pela equação:

Y = β1 + β2 X2 + β3 X3 + ...βk Xk µ, (2.6)

em que Y é uma variável aleatória observável, X2 , X3 , ..., Xk são também as variáveis

observáveis de que Y depende; β1 , β2 , β3 , ..., βk são constantes desconhecidas e µ é
uma perturbação estocástica não observável.

É possível tirar algumas ilações sobre [H0]:

(a) Postula-se em [H0] a existência de um conjunto de indivíduos (pessoas, famílias,

empresas, regiões países, entre outros) que têm em comum a verificação de uma
determinada relação quantitativa. Atente-se no facto de que os coeficientes
serem constantes e no entanto iguais para todos os indivíduos da população;
[Mendes de Oliveira et al., 2011];

(b) Está subjacente em [H0] a definição de um sentido de causalidade cujos funda-

mentos a que procurar na teoria económica;

(c) Está também implícita em [H0] uma decomposição dos valores assumidos pela
variável explicada numa componente sistemática (...) e numa componente
residual a que expressamente se confere natureza aleatória

41
 (d) Subentende-se em [H0] que está identificada a lista completa de todas as va-
riáveis explicativas que tem influência sobre a variável dependente.

2. Hipótese H1
E(µ|X2i , X3i, , ..., Xki, ) = 0, ∀t . (2.7)

Essa hipótese de que o valor observado do termo de perturbação é igual a 0 é plausível

se se considerar a justificação apresentada para a sua presença no modelo de que
relacionada com a não inclusão explícita de determinados factores explicativos de Y
de caracter aleatório ou residual. Alguns desses factores terão influência positiva e
outros negativa de tal forma que essas influências tendem a compensar-se tornando
assim nulo o valor de µ.

3. Hipótese H2

V ar(µ|X2i , X3i, , ..., Xki, ) = σ 2 , ∀t , 0 < σ 2 < ∞ (2.8)

Está-se assim a postular que a variância do termo de perturbação, é uma constante

idêntica qualquer que seja a sequência ordenada (X2i , X3i, , ..., Xki, ). Está hipótese
afirma que para a mesma sequência de variáveis explicativas, qualquer que ela seja,
ter-se-ão diversos valores da variável explicada e consequentemente diferentes va-
lores para µ, mas no entanto, a dispersão desses valores (variância) será sempre
igual. Esta hipótese é conhecida como hipótese da homoscedasticidade (igual
variância) [Mendes de Oliveira et al., 2011].

Por definição, V ar(µ) = [µ − E(µt )]2 , pelo que pela hipótese H1, pode-se se rescre-
ver:

V ar(µ) = E(µ)2 = σ 2 , ∀t (2.9)

4. Hipótese H3

A terceira hipótese é relactiva a covariância entre dois quaisquer termos de per-

turbação. A hipótese postula que a covariância entre dois quaisquer termos de
perturbação é nula, ou seja, não estão correlacionadas. Esta hipótese é conhecida
por hipótese de ausência de autocorrelação [Mendes de Oliveira et al., 2011].
De forma simplificada, vem:

42
 Cov(µi , µj ) = 0, ∀i,j

como Cov(µi , µj ) = E[µi − E(µi )][µj − E(µj )], a consideração conjunta das hipóte-
ses [H3] e [H1] conduz a:

Cov(µi , µj ) = E(µi µj ) = 0, ∀i , j : i 6= j

Por sua vez, a consideração simultânea das hipóteses [H1], [H2] e [H3] permite
escrever:


 σ 2 , se i = j
Cov(µi ; µj ) = E(µi ; µj ) = 
 0, se i 6= j

5. Hipótese H4

X2 , X3 , ..., Xk são variáveis não aleatórias.

As variáveis são consideradas em aleatórias e não aleatórias. Por definição, uma

variável diz-se aleatória se os valores que ela assume para os diferentes momentos
dependem do acaso, não sendo possível determinar esses valores a priori através
de uma qualquer relação determinística com outras variáveis ou factores explicati-
vos. Para as variáveis não aleatórias, os valores assumidos por estas variáveis não
dependem do acaso [Mendes de Oliveira et al., 2011].

2.6 Técnicas utilizadas para testar as hipóteses

A utilização do método dos mínimos quadrados ordinários para a estimação do modelo
e a utilização do mesmo para previsão (que é um do principais objectivos da estimação dos
modelos econométricos), só é válida se as hipóteses acima mencionadas forem satisfeitas.
Para esse efeito, serão utilizados um conjunto de testes para verificar se estas hipóteses
se cumprem ou não ao modelo especificado.

2.6.1 O teste RESET

Uma hipótese fundamental no modelo clássico de regressão linear, que foi anterior-
mente designada por H0 , postula a existência numa certa população de uma relação entre

43
a variável explicada e a variável explicativa, descrita pela equação:

Y = β1 + β2 X2 + β3 X3 + ... + βk + µ

Esta hipótese pode ser contrariada ou violada numa grande multiplicidade de situa-
ções, constituindo assim os chamados erros de especificação.
Uma primeira situação de violação desta hipótese ocorre quando as variáveis explica-
tivas são incorretamente selecionadas. Existirá erro de especificação, se Y não for apenas
causado por X2 , X3 , ..., Xk , mas também por outras variáveis explicativas não explicitadas
no modelo.
Um segundo caso de erro de especificação é o que respeita a forma funcional. Uma
incorreta escolha da forma matemática da relação de Y , levará a que a utilização do
método OLS para estimação dos coeficientes do modelo conduza a estimadores enviesados
e inconsistentes.
Para a deteção do problema da má especificação do modelo será utilizado o teste
RESET. A estatística de teste segue uma distribuição F com p − 1 graus de liberdade no
numerador e n − (k + p − 1) no denominador, pelo que se pode testar H0 confrontando
o Fobs com o Fc . Um Fobs > Fc implica a rejeição de H0 , o que indicaria uma incorreta
especificação do modelo.
A hipótese nula, de correta especificação do modelo, é

H0 : δ2 = δ3 = ... = δp = 0

sendo a alternativa
H1 :3 δi 6= 0, i = 2, 3, ..., p

2.6.2 O teste de White

Este teste baseia-se no facto de que, perante heteroscedasticidade, o estimador da

matriz de variâncias e covariâncias dos estimadores de mínimos quadrados é inconsistente.
O problema de heteroscedasticidade se detectado, torna necessária a utilização do
método dos mínimos quadrados generalizados (MQG). Se fosse utilizado o estimador
de mínimos quadrados ordinários, não levando em consideração a homoscedasticidade
dos resíduos, as estimativas dos estimadores ainda seriam não viesadas e consistentes,
mas, deixariam de ser estimadores eficientes, desta forma, os testes de significância das
estimativas seriam enviesadas se o MQO, fosse utilizado [Loureiro and Costa, 2009].

44
Segundo [Hill et al., 2006], o teste de White efetua-se do seguinte modo :

1. Estimar por mínimos quadrados o modelo e calcular e2t ;

2. Estimar um modelo com termo independente em que a variável explicativa é e2t e

que os regressores são as variáveis explicativas do modelo original, os seus quadrados
e produtos cruzados.

3. Testar a hipótese H0 : β2 = ... = βk = δ2 = ...δk = 0 usando o facto de, sob H0 ser

nR2 uma variável aleatória que segue distribuição assimptótica χ2([k(k+1)/2]−1) .

A não rejeição da hipótese nula é evidência estatística de existência de homoscedas-

ticidade dos termos de perturbação.

45
Capítulo 3

Análise e discussão dos resultados

Para estimar a função de consumo, foi utilizado o método MQO, por ser o método
mais adequado para modelos de regressão linear.
Os dados utilizados na presente pesquisa são provenientes do banco mundial e retirados
da base de dados do the Global economy, com vista a tentar provar a especificação do
modelo de consumo de Keynes, que relaciona, as despesas de consumo com o rendimento
da economia, aos dados da economia angolana.
No presente capítulo serão feitos ainda, os testes de RESET, para averiguar a correta
especificação do modelo, o teste de White para procurar identificar se a variância dos resí-
duos são homoscedastícas, o teste de Breusch Pagan, para identificar possíveis indícios de
autocorrelação entre os resíduos e o teste de normalidade dos resíduos. Todo tratamento
dos dados será feito através do software econométrico Gretl.

46
3.1 Estimação do modelo de consumo pelo MQO, uti-
lizando o programa Gretl
Modelo 1: Estimativas OLS usando as 32 observações 1985–2016
Variável dependente: Consumo

Variável Coeficiente Erro Padrão estatística-t valor p

const −18,752 2,12704 −8,8162 0,0000

Rend 0,809935 0,0380756 21,2718 0,0000

Média da variável dependente 19,5753

D.P da variável dependente 25,2269
Soma dos resíduos quadrados 1226,66
Erro padrão dos resíduos (σ̂) 6,39442
R2 não-ajustado 0,937822
R̄2 ajustado 0,935750
Graus de liberdade 30
Estatística de Durbin–Watson 0,614782
Coeficiente de autocorrelação de primeira-ordem 0,699916
Logaritmo da verosimilhança −103,74
Critério de informação de Akaike 211,494
Critério Bayesiano de Schwarz 214,426
Critério de Hannan–Quinn 212,466

\ = −18, 7523 + 0, 809935 Rendimento

Consumo
(2,127) (0,038076)

T = 32 R̄2 = 0, 9357 F (1, 30) = 452, 49 σ̂ = 6, 3944

(erros padrão em parentísis)

Essa equação corresponde a reta estimada para os pontos, ou seja, de acordo com o mé-
todo dos mínimos quadrados ordinários essa é a melhor reta que explica o comportamento
das despesas de consumo e relação a renda.
Com base nos resultados apresentados, é possível afirmar que o montante do consumo
autónomo das famílias angolanas é de −18, 7523 e a variação de uma unidade monetária

47
no rendimento da economia, proporcionará uma variação nas despesas de consumo de
0, 809935.
O R̄2 da equação foi de 0, 9357. Esse resultado evidencia uma relação muito forte
entre as despesas de consumo e a renda da economia. O indicador mostra precisamente o
quanto o modelo consegue explicar o comportamento das despesas de consumo em função
do rendimento.

3.2 Teste das hipóteses

Teste RESET

Tabela 3.1: Regressão auxiliar para o teste de especificação RESET Estimativas OLS
usando as 32 observações 1985-2016 Variável dependente: Consumo

VARIÁVEL COEFICIENTE ERRO PADRÃO ESTAT. T VALOR P

Const -2,55962 4,06800 -0,629 0,53431
Rend 0,223449 0,156901 1,424 0,16546
e2 0,000102523 8,22446E-05 1,247 0,22289

\ = βˆ1 + βˆ2 Rendt + β̂3 Rend2t

O modelo seria agora descrito como Consumo
A hipótese nula, de correta especificação do modelo é:

H0 : βˆ3 = 0

sendo a alternativa
H1 : βˆ3 6= 0

Estatística de teste: F = 47,482097, com valor p = P(F(2,28) > 47,4821) = 0,16578

Conclui-se no entanto que com um Fobs = 47.4821 > Fc = 2, 95 e face a informação
estatística disponível, a hipótese H0 é rejeitada a um nível de significância de 5%. Pode-
se ainda obter igual informação da rejeição da hipótese nula através da comparação da
P (F (2, 28) = 0, 16578 com o nível de significância, como 5% < 0, 16578 a hipótese nula é
rejeitada.

48
3.2.1 O teste de Breusch-Godfrey

Tabela 3.2: Teste Breusch-Godfrey para autocorrelação de primeira-ordem Estimativas

OLS usando as 31 observações 1986-2016 Variável dependente: µt
Hipótese nula: sem autocorrelação Estatística de teste: LMF = 25,9247 com valor p =
P(F(1,28) > 25,9247) = 2,15876e-005

VARIÁVEL COEFICIENTE ERRO PADRÃO ESTAT. T VALOR P

Const -1,29122 1,62771 -0,793 0,43429
Rend 0,0286431 0,0289650 0,989 0,33119
µt 0,724462 0,142328 5,090 0,00002

R-quadrado não-ajustado = 0,480758

Estatística de teste:
LM F = 25, 924709,

com valor p
= P (F (1, 28) > 25, 9247) = 2, 16e − 005

O teste do Multiplicador de Lagrange (LM), é um nome alternativo ao teste de au-

tocorrelação de Breusch e Godfrey, porque se considera que o teste proposto pelos dois
autores tem como fundamentos o multiplicador de Lagrange e o teste tem distribuição F.
Como o Fobs = 25, 924709 > Fc = 3, 34, a hipótese nula de ausência de autocorrelação
entre os resíduos é rejeitada, a um nível de significância de 5%. O resultado da estatística
de LM, mostra assim, que o modelo que está a ser estimado não cumpre com a hipótese
H3 da ausência de autocorrelação entre os resíduos.

49
 Figura 3.1: Fonte Própria:Resíduos de estimação do modelo por mínimos quadrados

Como alternativa ao teste de Breusch e Godfrey, fez-se recurso a estatística de Durbin-

Watson. Como o modelo estimado tem apenas uma variável explicativa e que foi es-
timado com uma amostra de dimensão 32, obteve-se a estatística de Durbin Watson
=0, 614782.compreendido entre 0 e 2 (0 < 0, 614782 < 2), a haver autocorrelação do tipo
AR(1) será autocorrelação positiva. As hipóteses em confronto são então,

H0 : ρ = 0

(supondo perturbações geradas segundo um processo AR(1), ou seja, µt = ρµt−1 + εt ),

contra a alternativa
H1 : ρ > 0

.
Consultada a tabela de Durbin-Watson para um nível de significância de 5% e para
n = 32 e k = 1 (número de variáveis explicativas), obtém-se os valores de dl = 1, 37 e
du = 1, 50. Sendo d = 0, 615 < dl = 1, 37, a hipótese nula é também rejeitada, concluindo-
se, para um nível de significância de 5%, pela existência de autocorrelação positiva de tipo

50
AR(1). Neste sentido pode concluir-se que no modelo estimado, existe uma relação de
dependência entre os resíduos e os estimadores de mínimos quadrados deixam de ser assim,
estimadores de variância mínima embora que continuam a ser não viesados e consistentes.

3.2.2 O teste de normalidade

Teste da normalidade dos resíduos - Hipótese nula: o erro tem distribuição Normal
Estatística de teste: Qui-quadrado(2) = 1,84812 com valor p = 0,396905

Figura 3.2: Estatística de teste para a normalidade

O teste de normalidade dos resíduos feito através da estatística de teste χ2 = 1, 848,

com um valor de probabilidade de 0.3969, evidencia a não rejeição da hipótese nula de
normalidade dos resíduos a um nível de significância de 5%, no entanto, a hipótese de
normalidade no modelo que está a ser estimado não é violada.
Através da observação do gráfico da figura acima apresentada, verifica-se também que
o valor assumido pela média é aproximadamente 0, (µ = −3, 4209e−015 ), constatando
assim, a não violação da hipótese H1, que postula ser nula as espectativas dos resíduos;
E(µ = 0).

51
Tabela 3.3: Teste de White para a heteroscedasticidade Estimativas OLS usando as 32
observações 1985-2016 Hipótese nula: sem heteroscedasticidade Variável dependente: e2

VARIÁVEL COEFICIENTE ERRO PADRÃO ESTAT. T VALOR P

Const -62,4089 44,5897 -1,400 0,17223
Rend 3,43036 2,00557 1,710 0,09787
e2 0,0167843 -1,176 0,819 0,24923

3.2.3 O teste de White

Para executar o teste de White para deteçção de heteroscedasticidade, a regressão

auxiliar a estimar seria
e2 = βˆ1 + βˆ2 Rend + βˆ2 Rend2 + µ

.
O resultado na tabela acima apresentada da variável dependente, e2 corresponde ao
quadrado do t.o resíduo da estimação
R-quadrado não-ajustado = 0,349982
Estatística de teste: T R2 = 11, 199411, com valor p = P (Qui − quadrado(2) >
11, 199411) = 0, 003699
Através da estatística de teste T R2 = 11, 199411, com valor P == P (Qui−quadrado(2) >
11, 199411) = 0, 003699, conclui-se pela rejeição da hipótese nula, uma vez que o valor
de probabilidade 0, 003699 é inferior ao nível de significância considerado (5%), não se
cumprindo assim com a hipótese H2 que postula a existência de variância constante en-
tre os resíduos. Neste sentido, existe perda das propriedades dos estimadores de mínimos
quadrados, os estimadores continuam a ser ainda não viesados e consistentes, contudo,
deixam de ser estimadores eficientes, isto é, não são estimadores com variância mínima.
A heterosceedasticidade afecta também a validade dos testes de hipótese e dos in-
tervalos de confiança, uma vez que a variância dos estimadores estão alteradas e sobre-
estimadas. Como solução para ultrapassar o problema da heteroscedasticidade, se a va-
riância for conhecida, é possível voltar a estimar o modelo através do software Gretl,
fazendo a correção da heteroscedasticidade.

52
3.3 Estimação do modelo de consumo pelo MQO com
a heteroscedasticidade corrigida utilizando o pro-
grama Gretl
Modelo 2: Estimativas heterocedasticidade-corrigida usando as 32 observações
1985–2016
Variável dependente: Consumo

Variável Coeficiente Erro Padrão estatística-t valor p

const −13,876 1,39048 −9,9799 0,0000

Rend 0,680022 0,0451234 15,0703 0,0000

Estatísticas baseadas nos dados pesados:

Soma dos resíduos quadrados 55,5379

Erro padrão dos resíduos (σ̂) 1,36061
R2 não-ajustado 0,883320
R̄2 ajustado 0,879431
Graus de liberdade 30
Estatística de Durbin–Watson 0,436699
Coeficiente de autocorrelação de primeira-ordem 0,841541
Critério de informação de Akaike 112,455
Critério Bayesiano de Schwarz 115,386
Critério de Hannan–Quinn 113,426

\ = −13, 8769 + 0, 680022 Rendimento

Consumo
(1,3905) (0,045123)

T = 32 R̄2 = 0, 8794 F (1, 30) = 227, 11 σ̂ = 1, 3606

(erros padrão em parentísis)

53
 Figura 3.3: A previsão das despesas de consumo com o modelo estimado.

O coeficiente de determinação não ajustado (R2 ) é de 0, 88 no entanto, superior que

2
o coeficiente de determinação ajustado (R = 0, 879), indicador normalmente utilizado
para medir a qualidade do ajustamento do modelo. Assim, o coeficiente de determinação
ajustado, indica que em média, 87, 9% das despesas de consumo da economia angolana,
são explicadas por variações ocorridas no rendimento.
A estatística de Durbin Watson =0, 4367 encontrata-se na zona de autocorrelação
positiva (0 < 0, 0, 4367 < 2). Consultada a tabela de Durbin-Watson para um nível de
significância de 5% e para n = 32 e k = 1 (número de variáveis explicativas), obtém-se
os valores de dl = 1, 37 e du = 1, 50. Sendo d = 0, 0, 4367 < dl = 1, 37, a hipótese nula
é também rejeitada, concluindo-se, para um nível de significância de 5%, pela existência
de autocorrelação positiva de tipo AR(1). Neste sentido pode concluir-se que no modelo
estimado, existe uma relação de dependência entre os resíduos e os estimadores de mínimos
quadrados deixam de ser assim, estimadores de variância mínima embora que continuam
a ser não viesados e consistentes.
A constatação da correlação positiva entre os resíduos pode ser também verificada
através do coeficiente de autocorrelação de primeira-ordem = 0, 8415 evidenciado uma
forte correlação entre os resíduos.
Quanto ao critério de Critério de informação de Akaike e Bayesiano de Schwarz (cri-
térios frequentemente utilizados para selecionar modelos com maior precisão em diversas

54
áreas de conhecimento. Segundo esses critérios, o melhor modelo será aquele que apre-
sentar o menor valor de informação de Akaike e Bayesiano [Paulo, 2009].
Se for feita comparação entre o modelo estimado por mínimos quadrados ordinários e
o modelo com a heteroscedasticiade corrigida, o melhor modelo de acordo com o Critério
de informação de Akaike e Bayesiano de Schwarz, é o modelo estimado com correção
de heteroscedasticidade, pois a informação dos valores assumidos por esse modelo para
o critério de informação de Akaike e Bayesiano de Schwarz são de 112, 455 e 115, 386
respectivamente, enquanto os valores assumidos por esses critérios na estimação do modelo
por mínimos quadrados ordinários são de 211, 494 e 214, 426 respectivamente.
O valor assumido pela componente autónoma do modelo estimado é de −13, 876,
e possui um tobs = −9, 9799 e o tc = 2, 042. Como |tobs | > |tc | a hipótese nula de não
significância estatística do modelo é rejeitada a um nível de significância de 5%. Portanto,
alternativamente poder-se-ia utilizar o p−valor = 0, 000 fornecido pelo Gretl, para análise
do teste. Como p − valor < 0, 05, a hipótese nula é rejeitada e obtém-se a mesma
conclusão estatística do termo independente do modelo, ou seja, que o termo independente
é estatisticamente significante a um nível de significância de 5%. Portanto, podia se inferir
que −13, 876 é o montante de consumo para a comunidade angolana quando o rendimento
da economia for nulo, e que não parece fazer sentido tal interpretação.
O valor determinado para o coeficiente de inclinação é de 0, 68 e que para o modelo
que está a ser estudado, representa a propensão marginal a consumir. A estimativa possui
um tobs = 15, 07 e um tc = 2, 042 e como |tobs | > |tc |, logo chega-se a mesma conclusão de
rejeição da hipótese nula a um nível de significância de 5%, para tal, o rendimento é uma
variável estatisticamente significante para explicar as despesas de consumo de Angola.

3.3.1 Comparação das estimativas obtidas com as hipóteses do

modelo de Keynes

Uma vez provada a significância estatística das estimativas do consumo autónomo e

da propensão marginal a consumir, é necessário fazer uma comparação das estimativas
obtidas e constatar se estas estimativas estão dentro dos intervalos definidos pela teoria
económica:
i) Keynes postula na sua teoria, que o montante do consumo autónomo é superior
que 0 isto é, βˆ1 > 0, mas no entanto, constatou-se que a estimativa obtida para o consumo

55
autónomo no modelo estimado é βˆ1 = −13, 876 < 0. Podemos inferir com isso, que
embora o consumo autónomo seja significante do ponto de vista estatístico, a estimativa,
é insignificante do ponto de vista económico;
ii) Por outro lado, o modelo de Keynes postula que a propensão marginal βˆ2 a
consumir, encontra-se dentro do intervalo entre 0 e 1 ou seja, 0 < βˆ2 < 1 e através da
estimação do modelo, obteve-se o valor da propensão marginal a consumir βˆ2 = 0, 68 e
que por acaso está dentro do intervalo inicialmente definido pela teoria económica, isto
quer dizer, que o valor obtido para a propensão marginal a consumir é estatisticamente e
economicamente significante.

56
Limitações

Como qualquer outra pesquisa, para a elaboração do presente trabalho nos deparamos
com algumas limitações que de certa forma colocaram em causa a qualidade do trabalho:

1. Por indisponibilidade de dados relactivos ao rendimento disponível das famílias an-

golanas, não foi possível utilizar tal variável, para tal, em substituição do rendimento
disponível foi utilizado o rendimento da economia nacional;

2. As informações estatísticas disponíveis nos relatórios do instituto nacional de esta-

tística são insuficientes para um estudo econométrico apropriado já que não atingem
uma cifra de pelo menos 25 observações (períodos) dos dados necessários, para tal
fez-se recurso a outras fontes de informações para a obtenção dos dados necessários
para a elaboração do estudo em causa.

57
Conclusões

Apresente pesquisa procurou através da técnica dos mínimos quadrados ordinários,

utilizar o modelo de consumo de Keynes para prever o comportamento das despesas de
consumo para a economia angolana.
Primeiramente foi determinado as estimativas do modelo fazendo recurso ao software
gretl
A presente pesquisa teve como finalidade, a análise empírica do modelo de consumo
de Keynes para a economia angolana utilizando como técnica de estimação o método dos
mínimos quadrados ordinários.
Uma vez estimado o modelo, procedeu-se a elaboração de alguns testes que se achou
relevante para verificar que o modelo estimado cumpre com as hipóteses básicas do mé-
todo utilizado. Primeiramente foi feito o teste de RESET, para verificar se o modelo
proposto por Keynes para determinação das despesas de consumo é suficientemente ade-
quado para explicar o comportamento das despesas de consumo da economia angolana,
portanto, de acordo as estatísticas, o teste rejeita a utilização do modelo de Keynes para
explicar o montante das despesas de consumo para a economia angolana. Posteriormente
procedeu-se O teste de Breusch-Godfrey para para verificação de possíveis problemas de
autocorrelação entre os resíduos, e de acordo com as estatísticas o modelo estimado apre-
sentava indícios de autocorrelaão entre os resíduos, violando assim a hipótese de ausência
de autocorrelação entre os resíduos, como teste alternativo, foi utilizado o teste de Dur-
bin e Watson e verificou-se também através deste teste inícios de autocrrelação positiva
entre os resíduos. Quanto ao teste de normalidade dos resíduos, verificou-se que estes
estão normalmente distribuídos, pois apresentam média 0. Finalmente foi feito o teste de
White na tentativa de averiguar possíveis problemas de heteroscedasticidade nos resíduos
e verificou-se também a violação da hipótese que postula ser constante a variância entre
os resíduos, para resolver esse problema o modelo foi novamente estimado pelo método

58
dos mínimos quadrados generalizados, uma vez que trata-se de um método em que não
existe violação da hipótese de variância constante entre os resíduos.
Sugere-se portanto,em futuras investigações a utilização de testes e técnicas mais avan-
çadas que permitem corrigir essas infrações.
tanto para o modelo estimado por MQO quanto para o estimado por MQG, os re-
sultados da estatística de teste mostravam que os parâmetros do modelo são estatistica-
mente significantes e apresentaram valores um valor significativo para os coeficientes de
determinação, significando isso que realmente grande parte das despesas de consumo são
explicadas por variações ocorridas no rendimento.
Embora que as estimativas obtidas apresentaram-se como estatisticamente significante,
verificou-se um problema quando foi feita a comparação das estimativas obtidas, com os
intervalos de valores propostos por Keynes e verificou-se que para o consumo autónomo,
o resultado da estimativa encontrava-se fora do intervalo ora definido por Keynes, pois
para o autor, a propensão marginal a consumir deve sempre assumir valores positivos, e
obteve-se valor negativo para essa estimativa nos dois modelos estimados violando assim
a própria teoria económica e conclui-se assim que a estimativa do consumo autónomo são
economicamente insignificantes mas no entanto, estatisticamente significante. Quanto o
valor da propensão marginal a consumir, a estimativa obtida apresenta-se como económica
e estatisticamente significante.
Por último procedeu-se a uma previsão e comparação da série observada e a série
estimada, onde constatou-se que existem períodos em que a série estimada super-estima
o valor do consumo e outros períodos que ela sobre-estima o valor do consumo.

59
Recomendações

O presente trabalho baseou-se apenas na criação de um modelo de consumo de Angola

assente na teoria de Keynes. Como é de conhecimento do universo académico em ciências
económicas, o modelo de Keynes apresenta certas limitações, como a apresentada por
Kuznets, que o modelo de Keynes é apenas estável no curto prazo.
Esse facto criou a necessidade de se desenvolverem modelos de consumo de longo
prazo, para tal, recomenda-se que para os próximos estudos sejam também feitas análises
empíricas para a economia de Angola, utilizando outros modelos teóricos de consumo e
depois fazer comparações entre os resultados dos diversos modelos e identificar o que mais
se ajusta para os dados da economia de Angola.
Recomenda-se que utilizam-se ainda diferentes técnicas para modelação, para se aferir,
dentre as técnicas utilizadas, a que proporciona um melhor ajuste e menor resíduo entre
variáveis.
Um dos grandes problemas com que o pesquisador se pode defrontar ao construir mo-
delos econométricos, é a utilização dos dados para a modelação. O universo estatístico em
Angola não é fiável. Ninguém pode afirmar com absoluta certeza que os números apre-
sentados são certos e constituem uma base segura para construir modelos econométricos
de análise da economia, quer isto dizer, que não há uma base de confiança em termos
numéricos, por consequência, criar um modelo da economia de Angola assente nos índices
oficiais pode estar completamente desfasado da realidade e transmitir sinais errados aos
decisores. Para tal, recomenda-se ter certo cuidado quando se tiver que utilizar dados ofi-
ciais para a estimação dos modelos, pois, os modelos são muito sensíveis quanto a escolha
dos dados a serem analisados.

60
Referências Bibliográficas

[Branson, 1979] Branson, W. H. (1979). Macroeconomic theory and policy. Technical

report.

[da Silveira Bueno, 2008] da Silveira Bueno, R. D. L. (2008). Econometria de séries tem-
porais. Cengage Learning.

[de Almeida, 2014] de Almeida, R. G. (2014). O debate keynes-tinbergen: relato histó-

rico de uma controvérsia sobre a origem da econometria. Revista Economia Ensaios,
29(esp.).

[de Sousa, ] de Sousa, L. G. Ensaios de Economia. Juan Carlos Martínez Coll.

[Goldberger, 1991] Goldberger, A. S. (1991). A course in econometrics. Harvard Univer-

sity Press.

[Gujarati, 2011] Gujarati, Damodar N & Porter, D. C. (2011). Econometria Básica-5.

Amgh Editora.

[Hill et al., 2006] Hill, R. C., Griffiths, W. E., Judge, G. G., and de Farias, A. A. (2006).
Econometria. Saraiva.

[Keynes, 1982] Keynes, J. M. (1982). A teoria geral do emprego, do juro e da moeda.

Atlas São Paulo.

[Loureiro and Costa, 2009] Loureiro, A. O. F. and Costa, L. O. (2009). Uma breve dis-
cussão sobre os modelos com dados em painel. Nota técnica, 37.

[Marconi and Lakatos, 2003] Marconi, M. d. A. and Lakatos, E. M. (2003). Fundamentos

de metodologia científica. 5. ed.-São Paulo: Atlas.

61
[Martins, 2016] Martins, G. I. V. (2016). Uma revisão sobre a teoria da função consumo
e sua aplicação empírica ao caso brasileiro. Multitemas, (15).

[Mendes de Oliveira et al., 2011] Mendes de Oliveira, M., Santos, L., and Fortuna, N.
(2011). Econometria. Escolar Editora.

[Montoro Filho et al., 2008] Montoro Filho, A. F., de Abreu Cardoso, E., del Monaco,
J. M. G., and Montelo, J. (2008). Análise econométrica da função consumo. Revista
Brasileira de Economia, 22(1):92–131.

[Oreiro, 2003] Oreiro, F. D. R. (2003). Os microfundamentos do consumo: de keynes até

a versão moderna da teoria da renda permanente. Revista de Economia, 29.

[Sandroni, 1987] Sandroni, P. (1987). Dicionário de economia. Best Seller São Paulo.

[Santos and Parra Filho, 2012] Santos, J. A. and Parra Filho, D. (2012). Metodologia
científica. Cengage Learning.

[Santos and Fernandes, 2010] Santos, N. S. and Fernandes, P. O. (2010). Análise e pre-
o
visão da procura turística na região norte de portugal. In 16. Congresso da APDR,
pages 322–343.

[Silva, 2013] Silva, J. M. C. S. (2013). Função consumo: alguns desenvolvimentos recentes

e análise do caso português. PhD thesis.

[Silva et al., 2015] Silva, R. M., Almeida, T., and Yamakami, A. (2015). Quanto mais
simples, melhor! categorização de textos baseada na navalha de occam. Anais do 12th
Encontro Nacional de Inteligência Artificial e Computacional (ENIAC’15), pages 2–15.

[Silva Carlos, 2014] Silva Carlos, R. (2014). Econometria. Escolar Editora.

[Sotomayor, 2012] Sotomayor, A. M. (2012). Introdução à Macroeconomia. Letras e con-

ceitos lda.

[Vieira, 2004] Vieira, J. G. (2004). A evolução da teoria da função consumo de keynes

até nossos dias. Revista Brasileira de Economia, 28(2):93–114.

[Werner, 2003] Werner, Liane & Ribeiro, J. L. D. (2003). Previsão de demanda: uma apli-
cação dos modelos box-jenkins na área de assistência técnica de computadores pessoais.
Gestão e produção. São Carlos, SP. Vol. 10, n. 1 (abr. 2003), p. 47-67.

62
[Wooldridge, 2006] Wooldridge, J. M. (2006). Introdução à econometria: uma abordagem
moderna. Pioneira Thomson Learning.

[Paulo, 2009] Paulo Cesar E. (2009).Fundamento e aplicações dos critérios de informação:

Akaike e Bayesiano.

63
Anexos

Figura 3.4: Fonte de obtenção dos dados

64
Tabela 3.4: Valores das despesas de consumo das famílias angolanas e do rendimento
expressos em mil milhões de dolar.
Observações Consumo Rendimento Observações Consumo Rendimento
1985 3,34 22,5 2001 5,43 29,5
1986 3,34 23,4 2002 6,21 33,5
1987 3,34 24,4 2003 7,53 35
1988 3,34 25,9 2004 10,77 38,6
1989 3,34 25,9 2005 10,97 46,7
1990 3,34 25 2006 10,6 55,6
1991 4,54 25,3 2007 24,65 68,4
1992 3,28 23,8 2008 34,98 77,9
1993 1,77 18,1 2009 51,16 79,9
1994 1,11 18,3 2010 39,97 82,5
1995 1,11 21,1 2011 46,16 85,7
1996 2,5 23,9 2012 47,63 90,2
1997 1,64 25,7 2013 61,46 96,3
1998 3,44 26,9 2014 73,91 100,9
1999 1,18 27,4 2015 78,47 103,9
2000 1,43 28,3 2016 74,47 103,9

65
 Tabela 3.5: Predição para intervalos de confiança a 95%, t(30, .025) = 2, 042

Observações Consumo predição erro padrão Intervalo de confiança a 95%

baixo alto
1985 3,34 1,42 1,504 −1,65 4,49
1986 3,34 2,04 1,498 −1,02 5,09
1987 3,34 2,72 1,493 −0,33 5,76
1988 3,34 3,74 1,487 0,70 6,77
1989 3,34 3,74 1,487 0,70 6,77
1990 3,34 3,12 1,490 0,08 6,17
1991 4,54 3,33 1,489 0,29 6,37
1992 3,28 2,31 1,496 −0,75 5,36
1993 1,77 −1,57 1,548 −4,73 1,59
1994 1,11 −1,43 1,546 −4,59 1,72
1995 1,11 0,47 1,515 −2,62 3,57
1996 2,50 2,38 1,495 −0,68 5,43
1997 1,64 3,60 1,487 0,56 6,64
1998 3,44 4,42 1,485 1,38 7,45
1999 1,18 4,76 1,484 1,72 7,79
2000 1,43 5,37 1,484 2,34 8,40
2001 5,43 6,18 1,486 3,15 9,22
2002 6,21 8,90 1,506 5,83 11,98
2003 7,53 9,92 1,519 6,82 13,03
2004 10,77 12,37 1,561 9,18 15,56
2005 10,97 17,88 1,710 14,39 21,37
2006 10,60 23,93 1,941 19,97 27,90
2007 24,65 32,64 2,355 27,83 37,45
2008 34,98 39,10 2,702 33,58 44,61
2009 51,16 40,39 2,774 34,72 46,05
2010 39,97 42,22 2,877 36,35 48,10
2011 46,16 44,40 3,002 38,27 50,53
2012 47,63 47,46 3,180 40,97 53,96
2013 61,46 51,61 3,426 44,61 58,61
2014 73,91 54,74 3,614 47,36 62,12
66
2015 78,47 56,78 3,738 49,14 64,41
 Função de autocorrelação dos resíduos
"LAG"ACF PACF Q-stat. [valor p]
1 0,6530 *** 0,6530 *** 14,9644 [0,000] 2 0,3794 ** -0,0819 20,1846 [0,000] 3 0,0829
-0,2310 20,4424 [0,000] 4 0,0997 0,3016 * 20,8284 [0,000] 5 0,1566 0,0935 21,8171 [0,001]
6 0,0848 -0,3106 * 22,1182 [0,001]

67