Manual Norma Auditoria

ii
Mestrado em Finanas e Seguros

MFS CAEN/UFC

TPICOS EM ECONOMETRIA
Notas de Aula em Verso Preliminar

Prof. Andrei G. Simonassi,
agsimonassi@gmail.com

Este material compreende notas de aula elaboradas pelo autor e todos os erros e omisses so de sua responsabilidade.

Econometria Aplicada MFS-CAEN/UFC

1
1. Programa da disciplina
O Modelo de Regresso Simples.
O Modelo de Regresso Mltipla
Testes e Quebras de Hipteses do Modelo Clssico de Regresso Linear
Previso
Abordagem via Modelos ARIMA
Extras: Contidos nas notas, mas no previstos no programa:
Abordagem via Modelos VAR
Modelos de Varivel Dependente Binria
Um breve resumo sobre estimao em Painel

1.2 Carga horria total prevista

------

1.3 Objetivos

Dotar o aluno de capacidade para estimar modelos de regresso, identificar os
possveis problemas e interpretar os resultados obtidos utilizando o software Eviews.

1.4 Bibliografia recomendada
- Bsica:
Notas de aula
- Complementar:
Econometria Maddala
Econometria Bsica Damodar Gujarati.
Curriculum resumido do professor
Andrei Gomes Simonassi
____________________________________________________________________________

Doutor em Economia pela Escola de Ps-Graduao em Economia da Fundao
Getulio Vargas EPGE/FGV-RJ com especialidade em Econometria, Finanas e Finanas
Pblicas, tendo ingressado na referida instituio como Graduado e Mestre pela
Universidade Federal do Cear, passou a Pesquisador Pleno do Instituto Brasileiro de
Economia da Fundao Getulio Vargas IBRE/FGV entre 2006 e 2008, quando assume o
cargo de professor adjunto I do Curso de Ps-Graduao em Economia da
Universidade Federal do Cear CAEN/UFC.

Mais detalhes em: http://epge.fgv.br/we/AndreiSimonassi
E-mail: agsimonassi@gmail.com


2
Sumrio

I - Introduo e Apresentao de Um Modelo de Dissertao 03
I.1 Estatstica e Econometria Viso Geral 05
II O Curso de Econometria 05
II.1 o Modelo de Regresso Linear Simples 07
II.2 O Modelo de Regresso Mltipla 16
II.3 Testes e Quebras de Hipteses no Modelo Clssico de Regresso Linear 22
II.3.1 Testes sobre os Coeficientes 23
II.3.2 Testes sobre os Resduos 26
II.3.3 Testes de Estabilidade 37
III Previso 38
III.1 Abordagem via Modelos ARIMA 42
III.2 Raiz Unitria 46
III.3 Previso com Modelos VAR 50
IV Modelos de Varivel Dependente Binria 58
V Estimando Modelos em Painel 62
Exerccios Sugeridos 68


3
Notas de Aula de Econometria Aplicada

I Introduo e Apresentao de uma Dissertao: Modelo Bsico

Essas notas de aula compreendem os principais tpicos em Econometria
Clssica e alguns exerccios de sries temporais com aplicaes a partir do software
Eviews 5.0. A formulao deste material bastante sucinto possui o nico propsito de
fornecer subsdios aos que, no processo de elaborao de seus trabalhos de
concluso de curso, no possuem muita familiaridade com o referido software.
Deste modo, tais notas sero poupadas, sempre que possvel, de apresentaes e
demonstraes formais.
A elaborao de uma dissertao consiste na produo de um texto indito,
com tpicos que demonstrem conhecimento sobre a rea de pesquisa selecionada,
explicitem claramente a teoria proposta de acordo com tpicos do curso de
mestrado e, em caso de um trabalho emprico, uma aplicao econmica da teoria
escolhida. Podemos assim entender que uma dissertao preencher os requisitos
bsicos aceitao se apresentar de forma clara as seguintes etapas:
a) Introduo:
Nesta etapa deve ser apresentado o problema envolvido, bem como a
motivao do seu trabalho. Geralmente finaliza-se esta seo apresentando a diviso
da dissertao, ou seja, em quantas sees estar dividido o trabalho e o que ser
apresentado em cada seo.

b) Reviso da Literatura e/ou Evidncia Emprica
Aps apresentar o problema e justificar a importncia do estudo, uma forma
tradicional de reforar os argumentos apresentados a partir de uma discusso dos
trabalhos que foram realizados. Lembre-se que estamos formandos
mestres/especialistas que devem mostrar um conhecimento slido na rea em que
esto pesquisando, logo, preciso explicitar que est atualizado na literatura acerca
do tema em estudo.
Esta seo geralmente apresentada seguindo a cronologia dos estudos at
ento desenvolvidos e culmina com a sua contribuio.
Dados apresentados em tabelas e/ou grficos so quase sempre bem-vindos como
forma de contextualizar o problema.

c) Aspectos Metodolgicos
Tradicionalmente esta seo apresenta o modelo terico e/ou emprico que


4
fornecer subsdios s concluses do estudo. Em caso de uma dissertao envolvendo
modelos economtricos, como a maioria dos casos, inicia-se esta seo
apresentando a amostra que ser utilizada e o perodo. Neste caso temos trs opes
de abordagem: cross-section, onde a dimenso temporal inexiste, geralmente so
vrias observaes em um mesmo instante de tempo (municpios no ano 2000,
indivduos em uma pesquisa anual da PNAD, etc...); srie temporal, onde temos o caso
de uma mesma unidade indivduo, municpio, estado ou pas, etc... em vrios
instantes de tempo regularmente espaados mensal, trimestral, anual, etc...; e um
painel. Neste ltimo caso tanto a dimenso temporal quanto a dimenso seccional
importam. Exemplo: Testar o impacto do uso dos medicamentos genricos sobre a
economia. Como o perodo temporal bastante diminuto, e o nmero de
medicamentos para representar o mercado de genricos vasto, sugere-se a
utilizao das duas dimenses.
d) Resultados
Nesta etapa fundamental que se conhea a teoria economtrica
empregada para apresentao e discusso dos resultados fornecidos pelos modelos.
e) Concluses
Aqui so feitas as consideraes finais do estudo, bem como so sugeridas
novas linhas de pesquisa, afinal, estamos falando de cincia.


5
I.1 Estatstica e Econometria Viso Geral
O curso de Estatstica
* * hipteses de *Testes *
* * * *
s Estimadore dos es Propriedad Estimao/
ade Probabilid de es Distribui
Varincia
VA uma de Esperado Valor
(VA) Aleatria Varivel
a Estatstic Inferncia
etc.. padro, desvio varincia,
Disperso de Medidas *
.... Moda, Mediana, Mdia,
Central Tendncia de Medidas *
Descritiva a Estatstic
a Estatstic
parmetro X estimativa
estimativa estimador al populacion amostra

II - O curso de Econometria

O curso de Econometria bastante vasto para ser resumido em uma diagrama a
exemplo do que foi realizado acima, entretanto, grande parte dele pode ser resumida
como um esforo para se traar uma reta da melhor forma possvel. Como vamos
focar mais em casos de modelos de regresso simples e mltiplas, com leve extenso
aos modelos de sries temporais e painel, destacaremos no uso do E-VIEWS os
seguintes pontos:
Em Econometria Clssica:
Correlao e correlograma
Correlaes, autocorrelaes, autocorrelaes parciais
Regresso linear simples e mltipla
Mtodo de mnimos quadrados
Coeficientes, erros padro, estatsticas t
R2, R2 ajustado,
O caso da autocorrelao serial Teste de Durbin-Watson ou teste
Breusch-Godfrey.


6
O problema da heteroscedasticidade Teste de White
Teste de Normalidade Jarque-Bera
Testes de estabilidade (Chow, Chow-projeo, Ramsey-RESET)

Em Econometria de Sries Temporais:
Identificao e Modelagem ARIMA
Teste de raiz unitria ADF
Modelos Vetoriais Autoregressivos
Previso

Daqui em diante, todos os conceitos apresentados sero aplicados ao software
Eviews em um modelo com as variveis selecionadas: produo industrial municipal
de So Paulo, Produo de Automveis; Consumo de Energia Eltrica, taxa de juros e
temperatura.
A periodicidade ser mensal e a amostra compreender o perodo 2002:1 a
2007:5 (65 observaes).
Demais exerccios sero apresentados e resolvidos ao final destas notas.


7
II.1 O Modelo de Regresso Simples

Quando fazemos uma regresso de uma varivel endgena, dependente ou
explicada em outra exgena, independente ou explicativa estamos interessados
em investigar a natureza (qualitativa ou quantitativa) do relacionamento entre essas
variveis. No caso da regresso simples, estamos procurando explicar o
comportamento de uma varivel com apenas uma outra. Para tal, a forma mais
tradicional plotar em um grfico os valores observados dessas variveis e traar, da
melhor forma possvel uma reta que passe prximo da maioria dos pontos existentes
neste grfico. isso o que faz, por exemplo, o mtodo de mnimos quadrados
ordinrios.
O modelo bsico de regresso linear simples com N observaes, uma
constante e uma varivel independente representado por:
t t t
X Y c | | + + =
1 0
(1)
onde:
t o marcador de tempo, variando de 1 at N,
t
Y o valor da varivel dependente no perodo t,
0
| o termo constante,
t
X o valor da varivel independente no perodo t ,
1
| o coeficiente associado varivel independente,
t
c resduo ou distrbio aleatrio no perodo t.

O objetivo de todo o curso bsico de Econometria determinar
1
| da
melhor forma possvel. No caso do nosso exemplo, inicialmente suponha que voc
deseja investigar a produo industrial de So Paulo apenas a partir do consumo de
energia eltrica neste estado.
A sua regresso simples seria, ento:

t t t
energia pimsp c | | + + =
1 0
(1.1)
Com t=1, ....65.

Para estimar este modelo podemos dispor inicialmente dos dados que sero
utilizados em uma planilha em excell (xls), lotus (wk1, wk2, wk3, wk4), etc..
Para as variveis que sero utilizadas teremos:


8

Note que foram colocadas 12 variveis dummy dummies sazonais cuja
finalidade ser explicada adiante. Temos ento 18 variveis (6 quantitativas + 12
dummies) que sero utilizadas nos exerccios prticos. No Eviews, evite nomes com
uma ou mais que 5 letras. Os seguintes nomes so vetados: ABS; ACOS; AR; ASIN; C;
COM; CNORM; COEF; COS; D; DLOG; DNORM; ELSE; ENDIF; EXP; LOG; LOGIT; LPT1; LPT2;
MA; NA; NRND; PDL; RESID; RND; SAR; SIN; SMA; SQR; THEN.
A tentativa de uso destes nomes ser invalidada pelo software.
No Eviews, partimos da seguinte tela inicial e iniciamos criando o nosso arquivo
clicando em: FILE/NEW/WORKFILE conforme mostra a figura a seguir:


9

Feito isso, uma nova tela aparecer para que seja especificada a
periodicidade dos dados/variveis explicativas e dependente(s).Neste caso temos as
trs opes citadas anteriormente conforme a natureza dos dados que estamos
trabalhando. Como no caso deste exemplo temos uma dimenso temporal (2002:1
2007:5) e apenas uma dimenso seccional produo industrial devemos optar por
uma periodicidade regular mensal e descrever o perodo em anlise conforme
demonstra o quadro a seguir:


10

Feito isso, clique OK. Aparecer ento o arquivo que ser trabalhado
indicando a periodicidade e o nmero de observaes. As lacunas para a constante
da regresso que ser estimada bem como para os resduos j aparecem como
padro. Ver tela a seguir:


11

IMPORTANDO OS DADOS
Agora importaremos do E-VIEWS a nossa planilha de dados em excell. Para isso,
na janela do WORKFILE que foi criada, clique em PROC/IMPORT/READ TEXT LOTUS-
EXCELL


12

O passo seguinte procurar o arquivo em excell aonde se encontram as
variveis. Ao ach-lo, clique em ABRIR e a janela a seguir aparecer:


13

Note que, conforme mostra a figura, as variveis sero importadas em colunas
a partir da clula B2 (na coluna A temos as datas que no precisam ser importadas
veja ao final que o Eviews j reconhece a periodicidade). No arquivo em excell
tnhamos 18 variveis, portanto basta colocar o nmero 18 no espao em branco
conforme indicado que ele importar as 18 variveis com seus respectivos nomes
dados no arquivo excell.
Os dados sero importados e agora pode salvar o arquivo. A nova situao
ser:

CRIANDO E TRANSFORMANDO VARIVEIS

Aps a importao dos dados, novas variveis podero ser inseridas mo,
digamos assim. Basta, na planilha do workfile, clicar em OBJECT/NEW OBJECT e
escolher a opo SERIES. Uma caixa idntica abaixo ira aparecer:


14

Clique em EDIT+/- e preencha os valores desejados. No esquea de dar um
nome varivel (clique em NAME).
Outra opo para criar variveis adicionais utilizando o comando GENR
(conto superior direito da janela do workfile) que nos possibilita criar/transformar
algumas variveis. Eis algumas das funes mais teis a partir da execuo do
comando GENR:
i) Z = X/Y
ii) Z=LOG(Y)
iii) Erro=resid
iv) d(x)
v) d(x,n)
vi) dlog(x)
vii) d1=@seas(n) retorna uma dummy sazonal na periodicidade em questo.
viii) t=@trend tendncia temporal
ix) xpad=(x-@mean(x)/@stdev(x)) verifique esse substituindo X por PIMSP.

ESTIMANDO O PARMETRO DO MODELO DE REGRESSO SIMPLES

Na barra de ttulo superior do Eviews, clique em QUICK/ESTIMATE EQUATION
conforme abaixo:


15

Na nova caixa de texto que aparece ter um espao para especificao da
equao que ser estimada, o mtodo e a periodicidade da srie. Digite o nome da
varivel dependente. A constante sempre ser determinada como c e aps outro
espao digite a independente. Em conformidade com o modelo (1), ver abaixo:


16
Clique OK e teremos o output tradicional do Eviews :

Com base nos resultados temos que 127 , 0 ; 37 , 1
1
1
= ~
|
o | . Antes de discorrer
sobre o diagnstico do modelo estimado passemos ao modelo de regresso mltipla,
pois a anlise ser feita do mesmo modo que seria neste modelo de regresso simples.

II.2 Regresso Mltipla

O modelo bsico de regresso linear mltipla com N observaes, uma
constante e 3 variveis independentes :

t t t t t
X X X Y c | | | | + + + + =
3 3 2 2 1 1 0
(2)

t o marcador de tempo, variando de 1 at N,
t
Y o valor da varivel dependente no perodo t,
0
| o termo constante,
jt
X o valor da j-sima varivel independente no perodo t , com j variando de 1 a 3 ,


17
i
| o coeficiente associado varivel independente
i
X , i=1, 2, 3.
t
c resduo ou distrbio aleatrio no perodo t.

Em termos de notao matricial, isto equivale a:

c | + = X Y

onde y um vetor de dimenso N contendo as observaes da varivel dependente,
| um vetor de dimenso 4 contendo a constante e os coeficientes das 3 variveis
independentes, X uma matriz de dimenso (65 x 4) contendo todas as observaes
das variveis independentes (inclusive uma coluna s com valores iguais a um para a
constante) e c um vetor de dimenso 65 contendo os distrbios aleatrios.
O mtodo dos mnimos quadrados ordinrios produz o vetor |
como estimativa
para o vetor terico dos coeficientes | pela frmula:
Y X X X ' ) ' (
1
= |

Considere que alm do consumo de energia sejam utilizadas a produo de
automveis e a taxa de juros. O modelo (1) seria ento reespecificado para:

t t t t t
juros ipcauto energia pimsp c | | | | + + + + =
3 2 1 0
(2.2)
Com t=1, ....65.

Refazendo os passos at a estimao do modelo, basta reespecific-lo conforme
descrito abaixo:


18

Alm dos coeficientes so tambm mostradas da janela de sada diversas
estatsticas teis para a anlise do modelo adotado.
A coluna do erro padro (std error) apresenta estimativas para os desvios
padro das distribuies dos coeficientes e seus valores permitem medir a confiana
estatstica que se pode ter com relao a essas estimativas:
Quanto maiores forem os erros padro, menor a confiana que se pode ter nos
valores estimados. Se os resduos forem normalmente distribudos, existe
aproximadamente 95% de probabilidade que cada coeficiente estimado esteja no
intervalo entre dois erros padro.
Os erros padro podem ser obtidos tomando-se a raiz quadrada dos termos da
diagonal da matriz de covarincia dos coeficientes, definida por:
1 2
) ' ( )
(

= X X Var o |
,sendo
2
o a soma dos quadrados dos resduos dividida pelos graus de liberdade da
regresso (isto , nmero de observaes menos o nmero de coeficientes estimados):
k N
e e
=
'
2
o
Note-se que e o vetor de resduos observados (que so as realizaes observadas
do resduos tericos c ):


19

| X Y e =

A coluna t-statistic apresenta os resultados das divises de cada coeficiente
por seu respectivo erro padro.
Sabe-se que quando os distrbios aleatrios da regresso seguem uma
distribuio normal, essas estatsticas seguem uma distribuio t de Student.
Com base nos valores conhecidos dessa distribuio possvel realizar testes de
hiptese sobre os valores de determinado coeficiente.

Hiptese nula : o valor terico do coeficiente igual a zero

Deste modo o que est por trs de cada valor da coluna t-Statistic um teste
de hiptese para assegurar a significncia dos coeficientes estimados do tipo:

0 :
0 :
1
0
=
=
i
i
H
H
|
|

e a estatstica de teste dada por:
i
i
t
|
o
|
= . Esta estatstica fornece o valor calculado

com base na amostra utilizada e deve ser comparada com os valores crticos
tradicionalmente utilizados para 5% ou 10% de significncia (1,64 e 1,96).
A coluna Prob est associada ao nvel de significncia da estimativa (o nvel de
confiana ser igual a um menos este valor). Quanto menor for seu valor, maior o nvel
de confiana da estimativa e, portanto, maior a confiana que se pode ter de que o
coeficiente terico no igual a zero.
Se o valor-P for menor do que 0,05 a hiptese nula pode ser rejeitada com um grau de
certeza de 95%, se a distribuio dos resduos for normal.
A tela de sada da regresso tambm apresenta outras estatsticas teis:
R-squared uma medida do grau do grau de proximidade entre os valores estimados
e observados da varivel dependente dentro da amostra utilizada para estimar a
regresso, sendo portanto uma medida do sucesso da estimativa.
Pode ser interpretado (mas s quando a regresso inclui uma constante) como o
percentual da varincia da varivel dependente que explicada pelas variveis
independentes. O R-quadrado calculado como :
=
) y ` y (
e e'
- 1 R
m m
2


20
onde ym o vetor de observaes da varivel dependente transformadas para
desvios em relao mdia
R2 prximo de 1 se o ajuste da regresso perfeito ou prximo de zero caso
contrrio.
R-Quadrado ajustado (Adjusted R-squared) uma medida semelhante ao R-quadrado
mas que, ao contrrio deste, no aumenta com a incluso de variveis
independentes no significativas.
Dessa forma evita-se o problema caracterstico do R-quadrado, que tende a
aumentar sempre que so adicionadas novas variveis independentes, mesmo que
contribuam pouco para o poder explicativo da regresso. O R-quadrado ajustado
calculado como :

( )( ) | |
k N
N
=
1
R - 1 - 1 R
2 2

Soma dos quadrados dos resduos uma medida til para vrios clculos estatsticos,
sendo definido como:
Erro padro da regresso a raiz quadrada da varincia estimada dos resduos e
indica o grau de disperso dos erros de previso dentro da amostra na hiptese de
normalidade.
Mdia e Desvio Padro da varivel dependente so medidas relativas posio e
formato da distribuio da varivel dependente que se est tentando explicar na
anlise de regresso.
Durbin-Watson uma medida do grau de correlao serial de ordem um (ou AR(1))
dos resduos. Pode ser calculado como:

( )
=
N
t
t t
SQR
e e
DW
2
2
1

Como regra de bolso, admite-se um DW menor do que 1,5 como evidncia de
correlao serial positiva e um DW maior do que 2,5 como evidncia de correlao
serial negativa. (Outra o teste LM=NR
2
)

Log Verossimilhana o valor do logaritmo da funo de verossimilhana (na hiptese
de erros com distribuio normal) calculado para os valores estimados dos
coeficientes.


21
Esta estatstica serve para testes de razo de verossimilhana, que avaliam a
diferena entre seus valores para verses com restrio e sem restrio da equao
de regresso.
A estatstica log verossimilhana (L) calculada por:
( ) | |
N
e e
N
L
'
ln ln ) 2 ln( 1
2
2
+ + + |
.
|
\
|
= o t
,sendo SQR a soma dos quadrados dos resduos e N o nmero de observaes.
Critrio de Informao de Akaike uma estatstica freqentemente utilizada para a
escolha da especificao tima de uma equao de regresso no caso de
alternativas no aninhadas. Dois modelos so ditos no aninhados quando no
existem variveis independentes comuns aos dois. Por exemplo, o nmero de
defasagens a serem includas numa equao com defasagens distribudas pode ser
indicado pela seleo que produz o menor valor do critrio de Akaike.
Quando se quer decidir entre dois modelos no aninhados, o melhor o que produz o
menor valor do critrio de Akaike.
O critrio de Akaike (AIC) definido como:
N / L) - (k 2 AIC =
onde L a estatstica log verossimilhana, N o nmero de observaes e k o nmero
de coeficientes estimados (incluindo a constante).
Critrio de Schwarz uma estatstica semelhante ao critrio de Akaike com a
caracterstica de impor uma penalidade maior pela incluso de coeficientes
adicionais a serem estimados. O critrio de Schwarz (SIC) definido como:
N / L) 2 log(N) (k SIC =
Estatstica F a estatstica utilizada para testar a hiptese de que todos os coeficientes
da regresso (excluindo a constante) so nulos. Pode ser calculada como:

] k) - (N / ) R - (1 [
1)] - (k / R [
F
2
2
=
Na hiptese de que os resduos tericos tm distribuio normal, essa estatstica tem
uma distribuio F com (k-1) graus de liberdade no numerador e (N-k) graus de
liberdade no denominador.
Hiptese nula : o valor terico de todos os coeficientes (excluindo a constante) igual
a zero
Para testar a hiptese nula usaremos a Prob(F), descrita a seguir.
Prob(F) o nvel de significncia associado estatstica F calculada.
Se Prob(F) for menor do que um determinado nvel de significncia, digamos 5%, a
concluso que podemos rejeitar a hiptese nula.


22
Note-se que como a estatstica F usada para testar uma hiptese conjunta,
embora no seja comum, ela pode ser altamente significante mesmo quando todas
as estatsticas-t individuais forem insignificantes.

Possibilidades de Especificao e Interpretao dos Coeficientes

Muitas vezes trabalhamos com especificaes diversas para os modelos
estimados e os respectivos parmetros nos fornecem interpretaes bastante distintas,
vejamos alguns exemplos:

| c | o = + + =
dx
dy
X Y . O aumento de Y, em unidades de X, ser dado por | .
| c | o =
|
|
.
|
\
|
+ + =
dx
y
dy
X Y ln . | nos fornece o impacto da variao de X sobre a
taxa de crescimento de Y.
| c | o = + + =
y
x
dx
dy
X Y ln ln . | a elasticidade de Y em relao a X.

II.3 - Testes e Quebras de Hipteses no Modelo Clssico de Regresso Linear

O uso da econometria para a pesquisa emprica sempre um processo de
tentativa e erro. necessrio inicialmente escolher a especificao de uma relao
matemtica entre vrias sries, que podem ter sido selecionadas no banco de dados
ou produzidas por transformaes lineares ou no-lineares de outras sries (como
logaritmo ou taxa de variao percentual).
A partir do resultado dos diversos testes pode parecer interessante rever a
especificao inicial e, neste caso, toda a bateria de testes repetida mais uma vez.
Em algum momento (com um pouco de sorte) encontra-se uma especificao que
resista bem a todos os testes e parea fazer sentido do ponto de vista da teoria e da
experincia prvia do pesquisador.
Neste ponto o processo de pesquisa emprica atingiu o seu objetivo: uma
representao emprica exata da relao matemtica entre determinadas variveis.
Os procedimentos de teste partem da definio de uma hiptese nula a ser testada.
O resultado do teste composto pelos valores amostrais de uma ou mais estatsticas
de teste e de probabilidades a elas associadas (ou valores-p).


23
A essncia de um teste estimar a probabilidade, na suposio de que a
hiptese nula verdadeira, de se obter um valor terico para a estatstica utilizada
que seja maior ou igual (em valor absoluto) que a estatstica amostral observada.
Um valor pequeno para essa probabilidade sugere a rejeio da hiptese nula.
Por exemplo, uma probabilidade (ou valor-p) entre 0,05 e 0,01 indica que a hiptese
nula pode ser rejeitada ao nvel de significncia de 5% mas no ao nvel de
significncia de 1%.
Os testes de regresso podem se acessados atravs do boto Diagnsticos que
aparece na parte superior da janela de sada da regresso, e so de trs tipos: de
coeficientes, de resduos e de estabilidade.

II.3.1 Testes sobre os coeficientes

Wald
O teste Wald usado para examinar restries impostas aos coeficientes da
regresso (hiptese nula). Ele calcula uma estatstica de teste (Wald-Qui quadrado)
que mede a eficincia das estimativas dos coeficientes da regresso original em
satisfazer as restries da hiptese nula.
Se a hiptese nula for verdadeira, a estatstica W tem uma distribuio
assinttica Qui-quadrado com q graus de liberdade.
A estatstica F compara a soma dos quadrados dos resduos da regresso com
restries com a soma dos quadrados dos resduos da regresso sem restries. Se as
restries so vlidas, deve haver pouca diferena e conseqentemente o valor da
estatstica F deve ser baixo.
O programa tambm calcula as probabilidades Prob(F), usadas para testar a
validade da hiptese nula. No E-views isto pode ser feito a partir da janela da
equao estimada clicando em VIEW/COEFFICIENT TESTS/WALD COEFFICIENT
RESTRICTIONS conforme descreve a figura a seguir:


24

Considere que desejemos, na equao estimada desejemos testar se o
coeficiente estimado para energia igual ao dobro do coeficiente estimado para a
produo de automveis. Note que estamos testando se
2 1
2| | = . Procedemos
ento o seguinte teste:

0 2 :
0 2 :
2 1 0
2 1 0
=
=
| |
| |
H
H

No Eviews,
1
| o coeficiente de nmero 1, e a constante o coeficiente
nmero zero representados por C(1) e C(0), respectivamente. O teste ento feito
na janela seguinte da seguinte forma:


25

Pois C(2)corresponde, na equao (2.2), ao coeficiente da varivel IPCAUTO e C(1) o
da varivel energia. Ao clicarmos em OK, resultado abaixo gerado:

Temos novamente as estatsticas para a distribuio exata F - e amostral
Qui-Quadrado. O valor Prob indica a significncia. Note q ue no rejeitamos a hiptese
nula do teste anterior.


26
II.3.2 Testes de resduos

Dentre os vrios testes sobre os resduos de uma regresso que o E-views
disponibiliza destacamos: normalidade, heteroscedasticidade de White, White
excluindo termos cruzados e correlao serial de Breusch e Godfrey.
a) Normalidade
Em geral os testes existentes para modelos de regresso s so vlidos em
amostras pequenas quando se assume que os distrbios aleatrios tm distribuio
normal.
verdade que mesmo sem a hiptese de normalidade, o uso de muitos testes
ainda pode ser justificado em amostras grandes com base em resultados assintticos,
mas h sempre que se ter cuidados com a possibilidade de vis em amostras
pequenas.
Se os resduos tm distribuio normal, seu histograma deve ter a conhecida
forma de sino e a estatstica de Jarque-Bera no deve ser significante.
A estatstica Jarque-Bera baseada nas diferenas entre os coeficientes de
assimetria e curtose da distribuio observada da srie e da distribuio terica
normal e serve para testar a hiptese nula de que a amostra foi extrada de uma
distribuio normal.
Sob a hiptese nula de uma distribuio normal, a estatstica Jarque-Bera tem
distribuio qui-quadrado com 2 graus de liberdade.
A probabilidade JB apresentada na janela de sada do teste a probabilidade de
que a estatstica Jarque-Bera exceda (em valor absoluto) o valor observado se a
hiptese nula de normalidade dos resduos for verdadeira.
Uma probabilidade pequena (isto , um valor de probabilidade JB prxima de
zero) significa que a hiptese de normalidade deve ser rejeitada.


27

No exemplo apresentado a hiptese de normalidade dos resduos da regresso
no rejeitada.

Correlograma do resduo
Esta opo apresenta as autocorrelaes e autocorrelaes parciais dos
resduos da equao estimada para um nmero especificado de defasagens.
apresentada uma janela com as autocorrelaes e autocorrelaes parciais
do resduo, similar sada da opo Correlograma. No E-views, aps rodada a
regresso, d um duplo clique na srie resid, depois, na janela que se abrir com os
valores clique em VIEW/CORRELOGRAM. A tela abaixo aparecer.


28

Correlograma do resduo quadrado
Apresenta as autocorrelaes e autocorrelaes parciais dos resduos ao
quadrado para um nmero especificado de defasagens.
Estes resultados podem ser usados para verificar heteroscedasticidade
condicional autoregressiva (ARCH) nos resduos. Quando existe ARCH a magnitude dos
resduos aparenta estar relacionada magnitude de resduos recentes.
Se no existe ARCH nos resduos, as autocorrelaes e as autocorrelaes
parciais devem ser zero para todos os lags e a estatstica Q no deve ser significante.
Neste caso podemos concluir que a hiptese nula deve ser rejeitada e, portanto,
conclumos que existe ARCH nos resduos.

b) Heteroscedasticidade

Uma das hipteses do modelo de regresso a de homocedasticidade, isto ,
a de que a varincia terica do termo de distrbio aleatrio, condicional em relao
s variveis independentes, seja constante.


29
Quando a varincia terica (no observvel) do distrbio aleatrio muda ao
longo de diferentes segmentos do intervalo de tempo considerado ou em funo de
variveis independentes temos o caso de heteroscedasticidade.
Neste caso os estimadores de mnimos quadrados deixam de ser estimadores
lineares no-tendenciosos timos (BLUE) e perdem sua eficincia assinttica. Alm
disso, todos os testes de hipteses baseados em estatsticas t, F e Qui-quadrado
deixam de ser vlidos.
Hiptese nula : no h heteroscedasticidade (homoscedasticidade)

Para processar este teste, na janela de sada da regresso clique
VIEW/RESIDUAL TESTS/WHITE... Conforme abaixo:

O teste foi motivado pela observao por White (1980) de que a hiptese de
homoscedasticidade pode ser substituda pela hiptese mais fraca de que os
quadrados dos resduos tericos so no correlacionados com todas as variveis
independentes, seus quadrados e seus produtos cruzados.
Partindo de uma regresso original, como por exemplo:
c | | | o + + + + =
3 3 2 2 1 1
Y X X X
o teste (sem termos cruzados) gera uma regresso auxiliar da forma:


30
n + + + + + + + + =
2
3 3
2
2 2
2
1 1 3 3 2 2 1 1 0
2
e X X X X X X

A regresso auxiliar inclui o quadrados dos resduos estimados como varivel
dependente e tambm adiciona ao conjunto de variveis independentes da
regresso original os seus quadrados e (no caso da incluso de termos cruzados) todos
os seus produtos cruzados.
Note-se que a regresso auxiliar sempre incorpora uma constante, mesmo
quando esta no est presente na regresso original.

A janela de sada do teste apresenta, alm da regresso auxiliar, as estatsticas
F e de White com as probabilidades (valores-p) associadas.
A estatstica F corresponde a um teste de que todas as variveis independentes da
regresso auxiliar, com exceo da constante, so redundantes.
A estatstica de White, Obs*R-Quadrado, corresponde ao produto do nmero
de observaes pelo valor do R-Quadrado da regresso auxiliar.
Se a hiptese nula de que no existe heteroscedasticidade for verdadeira, a
distribuio dessa estatstica converge assintoticamente para uma distribuio Qui-


31
quadrado com nmero de graus de liberdade igual ao nmero de variveis
independentes da regresso auxiliar, sem contar a constante.
No exemplo apresentado a hiptese nula de que no existe
heteroscedasticidade no rejeitada, ou seja, o teste sugere que a regresso no em
de fato um problema de heteroscedasticidade. Vale a pena verificar o
comportamento do resduo da regresso.
White sem Termos Cruzados
Este teste uma verso simplificada do teste de White, que exclui da regresso
auxiliar todos os termos cruzados do tipo (xi xk).
A simplificao recomendvel quando o nmero de variveis independentes
da regresso original grande, o que pode reduzir muito severamente o nmero de
graus de liberdade da regresso auxiliar.
Note-se que se o nmero de variveis independentes da regresso original for
igual a k, sem contar a constante, o nmero de variveis independentes da regresso
auxiliar ser igual a (1,5k+0,5k
2
) mais a constante, ou seja o nmero de variveis
independentes da regresso auxiliar cresce em funo do quadrado do nmero de
variveis independentes da regresso original. Por exemplo, com k=5 este nmero ser
igual 21; com k=6 j atingir 28.

ARCH
Este um teste do tipo multiplicador de Lagrange para a hiptese dos
resduos terem uma estrutura ARCH.ARCH significa heteroscedasticidade condicional
autoregressiva, ou seja, a magnitude dos resduos aparenta estar relacionada
magnitude de resduos recentes. Para executar, proceda da seguinte forma:


32

A presena de ARCH em si no invalida o mtodo de mnimos quadrados, mas
ignorar seus efeitos pode resultar em perda de eficincia na estimao.

Hiptese nula : no h ARCH

Essa especificao foi desenvolvida por Engle(1982) a partir da observao de
que em determinadas sries a volatilidade dos resduos parece ter correlao serial,
ou seja, certos perodos parecem caracterizados por seqncias de resduos grandes
enquanto outros perodos parecem caracterizados por seqncias de resduos
pequenos.
A hiptese nula do teste a de que no existe ARCH quando se consideram q
defasagens nos resduos (ou alternativamente, de que as variveis defasadas na
regresso auxiliar so redundantes). Inicialmente, o usurio deve especificar o nmero
de defasagens a ser considerado:
Se foram especificadas q defasagens (com q sempre maior do que zero), o E-
views rodar uma regresso auxiliar usando os quadrados dos resduos estimados pela
regresso original e suas q defasagens:


33

A presena de ARCH em si no invalida o mtodo de mnimos quadrados, mas
ignorar seus efeitos pode resultar em perda de eficincia na estimao. Se os resduos
tiverem uma estrutura ARCH, os coeficientes das defasagens nessa regresso sero
conjunta e significativamente diferentes de zero.
A janela de sada do teste apresenta, alm da regresso auxiliar, uma
estatstica F e uma estatstica do tipo multiplicador de Lagrange, conhecida como
estatstica LM de Engle, junto com as probabilidades (valores-p) associadas.
Se Prob(ARCH) for menor do que um determinado nvel de significncia, digamos 5%,
a concluso que podemos rejeitar a hiptese nula.
A estatstica F corresponde a um teste de que todas as variveis independentes
da regresso auxiliar, com exceo da constante, so redundantes.
A estatstica LM de Engle da mesma forma Obs*R-Quadrado j encontrada
no teste de White, correspondendo ao produto do nmero de observaes pelo valor
do R-Quadrado da regresso auxiliar.
Se a hiptese nula de que no existe uma estrutura ARCH nos resduos for
verdadeira, a distribuio dessa estatstica converge assintoticamente para uma
distribuio Qui-quadrado com nmero de graus de liberdade igual ao nmero de


34
variveis independentes da regresso auxiliar sem contar a constante, ou seja, igual
ao nmero de defasagens utilizadas.
No exemplo apresentado a hiptese nula de que as variveis defasadas na regresso
auxiliar so redundantes pode ser rejeitada, ou seja, existe uma estrutura ARCH com
duas defasagens nos resduos.
c) Breusch-Godfrey: Correlao Serial
O teste de Breusch-Godfrey para correlao serial outro teste da classe de
testes assintticos conhecidos como testes de multiplicador de Lagrange (LM).
Ao contrrio do teste de correlao serial com base na estatstica de Durbin-
Watson, que s se aplica a processos auto-regressivos de primeira ordem,
denominados AR(1), o teste Breusch-Godfrey pode ser usado para testar processos
ARMA de qualquer ordem.
Alm disso, neste teste a presena de variveis dependentes defasadas no
lado direito da equao no produz vis como no caso do teste baseado na Durbin-
Watson. Proceda da mesma forma conforme a figura a seguir:

Escolha o nmero de lags.
A hiptese nula do teste de que no existe correlao serial dos resduos at
a defasagem de ordem q. A hiptese alternativa que os resduos so uma ARMA(r,p)


35
sendo q=Max(r,p), ou seja, a hiptese nula testada contra alternativas tanto AR
como MA.
Partindo de uma regresso original, como por exemplo:
y = c + a1 x1 + a2 x 2 + e
que pode conter ou no uma constante, se o usurio especificar um nmero q de
defasagens o E-views produzir uma regresso auxiliar da forma:
e = b0 + b1 x1 + b2 x 2 + b3 et-1 + ... + b(3+q) et-q
ou seja, uma regresso do resduo estimado na regresso original contra as variveis
independentes utilizadas, mais uma constante obrigatria e mais as defasagens dos
resduos.

Hiptese nula : no h correlao serial at a ordem q

Seguindo a orientao de Davidson e MacKinnon (1993, pg. 343), os valores
dos resduos defasados que antecedem o intervalo de tempo da regresso original
devem ser zerados, de modo que a regresso auxiliar possa ser estimada no mesmo
intervalo. Davidson e MacKinnon demonstram que essa opo produz estatsticas de
teste com melhores propriedades em amostras finitas do que a alternativa de reduzir o
intervalo de tempo da estimativa.
A janela de sada do teste apresenta uma estatstica F e uma estatstica do tipo
multiplicador de Lagrange, conhecida como estatstica LM de Breusch-Godfrey, junto
com as probabilidades (valores-p) associadas :


36

A estatstica F corresponde a um teste de que todos os resduos defasados da
regresso auxiliar so redundantes.
A estatstica LM de Breusch-Godfrey da mesma forma Obs*R-Quadrado
encontrada nos testes de heteroscedasticidade de White e no teste de ARCH nos
resduos, correspondendo ao produto do nmero de observaes pelo valor do R-
Quadrado da regresso auxiliar.
Se a hiptese nula de que no existe correlao serial dos resduos at a
defasagem de ordem q for verdadeira, a distribuio dessa estatstica converge
assintoticamente para uma distribuio Qui-quadrado com q graus de liberdade.
No exemplo apresentado a hiptese nula de que no existe correlao serial dos
resduos ou, equivalentemente, que o resduo defasado includo na regresso auxiliar
redundante, pode ser rejeitada mesmo ao nvel de significncia de 1%.

Deste modo o teste sugere que existe de fato autocorrelao de primeira
ordem nos resduos. Note-se que isto confirma o resultado do teste baseado na
estatstica Durbin-Watson, na regresso original.


37
II.3.3 - Testes de estabilidade

O E-views disponibiliza trs tipos de teste para avaliar se os parmetros da
regresso so estveis ao longo do intervalo de estimativa.
Teste Chow
Neste teste a estabilidade dos parmetros verificada a dividindo-se o
intervalo da amostra em duas partes e estimando-se novamente os parmetros em
cada sub-amostra.
O ponto que divide os dois intervalos chamado de ponto de quebra e cada
sub-amostra deve conter mais observaes do que o nmero de coeficientes
estimados. Se esta restrio for um problema devido a poucas observaes
disponveis, deve ser usado o Teste Chow Previso. Proceda conforme a figura, a partir
da regresso estimada:

O teste Chow compara a soma dos quadrados dos resduos da regresso
original com a soma dos quadrados dos resduos das novas regresses feitas a partir
das sub-amostras.


38
Caso haja uma diferena significativa nas estimativas, pode-se concluir que
houve, a partir do ponto de quebra, uma mudana estrutural no relacionamento entre
as variveis do modelo.
Hiptese nula : as estimativas para os coeficientes so estveis
So apresentadas duas estatsticas no teste Chow : a estatstica F e a estatstica
Log Razo Verossimilhana.
A estatstica F, sob a hiptese de estabilidade, tem uma distribuio F se os
resduos forem independentes e normalmente distribudos.
A estatstica Log Razo Verossimilhana baseada na comparao entre os
mximos com restrio e sem restrio da funo log verossimilhana e tem uma
distribuio assinttica Qui-quadrado com k graus de liberdade sob a hiptese de que
h estabilidade, ou seja, de que no h mudana estrutural a partir do ponto de
quebra.
Ser ento pedida a data do ponto de quebra. Neste exemplo informaremos a
data de 07/2004, imaginando uma data fictcia para o racionamento de energia
eltrica. Clique em Ok para processar o teste. No caso do exemplo obtm-se a sada
da figura a seguir, que nos leva a no rejeitar a hiptese nula a partir dos valores
Prob(F) e Prob(LRV) calculados:


39

Teste de estabilidade- Ramsey RESET
RESET um teste proposto por Ramsey (1969). a abreviatura de Regression
Specification Error Test (ou, em portugus, teste de erro de especificao em
regresso).
RESET um teste geral para erros de especificao que podem ter diversas
origens, como variveis independentes omitidas, forma funcional incorreta, erros de
medida em variveis, erros de simultaneidade e incluso de valores defasados da
varivel dependente quando os resduos tm correlao serial.
Para usar esta opo selecione no menu da regresso estimada VIEW\STABILITY TESTS
Ramsey RESET, como mostrado na figura a seguir :

A motivao para o teste RESET muito simples. Se a regresso original, por exemplo
y = c + a1 x1 + a2 x 2 + e
est corretamente especificada e satisfaz a hiptese de que o erro terico tem valor
esperado condicional aos valores das variveis independentes igual a zero, ou seja:
E(e / x1 , x 2 ) = 0
ento a adio de qualquer funo no-linear das variveis independentes
regresso original deve ser irrelevante do ponto de vista da explicao da varivel
dependente.


40
A proposta de Ramsey, para evitar o problema de se ter de escolher uma
funo no-linear especfica envolvendo todas as variveis independentes entre as
muitas possibilidades plausveis, testar a adio de potncias dos valores previstos
para a varivel dependente na regresso original.
A idia que um polinmio construdo a partir desses valores estimados da
varivel dependente pode ser visto como uma forma reduzida para diversas
combinaes diferentes de potncias e produtos cruzados envolvendo as variveis
independentes.
O passo inicial do teste a especificao do nmero de potncias da srie
estimada da varivel dependente que ser includa. A experincia tem demonstrado
que a incluso de apenas dois termos, ou seja, o quadrado e o cubo da varivel
dependente estimada tem sido suficiente na maioria dos casos.

A partir da definio do nmero de termos a serem includos, o Eviews roda a seguinte
regresso auxiliar:
y = b0 + b1 x1 + b2 x 2 + b3 (y
e
)
2
+ b4 (y
e
)
3

onde y
e
a srie dos valores estimados da varivel dependente na regresso original.
Hiptese nula : a regresso original foi corretamente especificada
ou seja, os coeficientes das potncias da varivel dependente estimada que foram
adicionadas na regresso auxiliar no so significantes.
Se a hiptese for rejeitada, essas potncias no podem ser excludas da
regresso sem comprometer o nvel de explicao da varivel dependente, o que
sugere que a regresso original no foi corretamente especificada.


41

A janela de sada deste teste similar a dos anteriores, incluindo, alm da
regresso auxiliar, as estatsticas F e de razo de verossimilhana com as
probabilidades (valores-p) associadas.
No exemplo apresentado a hiptese nula no rejeitada, sugerindo que a regresso
est corretamente especificada. Caso contrrio, poderamos corrigir isto, por exemplo,
re-especificando a regresso original transformando as variveis para variaes
absolutas de um perodo dos seus logaritmos (o que equivale a aproximaes
logartmicas de taxas de variao percentual).

III - Previso

Para sermos bem pragmticos, considere que desejemos prever em abril de
2007 qual ser o valor da produo industrial de So Paulo no ms seguinte. possvel
fazer isso de vrias formas distintas das quais selecionaremos trs: aplicao de um
modelo de regresso mltipla, seleo de um modelo ARIMA(p,d,q) ou via utilizao
de modelos vetoriais autoregressivos (VAR).
Para o primeiro caso, se quisermos prever uma varivel, digamos Y, a partir de
3 2 1
, , X X X , precisaremos dos valores observados destas ltimas nas datas aonde se
quer prever Y. Por este motivo esta uma metodologia pouco utilizada.


42
Isto posto, resta aos econometristas o uso de tcnicas de sries temporais como
modelos ARIMA e, em tempos mais modernos, a utilizao de modelos vetoriais
autoregressivos (VAR). Mostraremos estes dois casos para o nosso exemplo padro.

III.1 - A abordagem via modelos ARIMA

Neste caso o ponto de partida a identificao do modelo que descreve o
processo estocstico da varivel que se quer prever. Para tal analisamos as
autocorrelaes simples e parciais da referida srie. No Eviews o ponto de partida,
novamente, selecionar a srie que se quer prever, e dando um duplo clique abrir a
tabela de dados.
Teoricamente, passamos boa parte de um curso de econometria em sries
temporais para verificar que, denotando como
0
a varincia de cada modelo AR(p)
ou MA(q) e como
i
a autocovarincia de ordem i de cada um deles, teremos:
Para um modelo AR(1) do tipo
t t t
Y Y c m o + + =
1

Temos:
2
2
0
1 m
o
= e . 1 ,
0
> = k
k
k
m De forma que as autocorrelaes simples de um
modelo AR(.) so dadas por
k
k
m p = . Se o modelo estacionrio temos que 1 < m de
modo que a funo de autocorrelao deve decrescer exponencialmente. A funo
de autocorrelao arcial, por outro lado, truncada na ordem do modelo AR(.) (zero
para ordem superior).
Para um modelo MA(1) tipo:
1
=
t t t
Y uc c
2 2
0
) 1 (
c
o u + = ;
2
1 c
uo = e . 2 , 0 > = k
k

Seguindo uma regra de bolso bsica, o quadro a seguir fornece, a partir do
acima exposto, subsdios para identificao do modelo ARMA adequado que
descreva o comportamento da sua srie. Em caso de sries integradas (ver prximo
tpico) sugere-se tirar a primeira diferena.


43

Processo Autocorrelao Simples Autocorrelao Parcial
AR(p) Declinante Truncada em k = p
MA(q) Truncada em k = q Declinante
ARMA (p,q) Declinante Declinante

Sugere-se, a comparao de modelos ARMA previamente selecionados, a
partir de previses realizadas dentro da amostra. Voltemos ao nosso exemplo na
tentativa de prever a PIMSP. Na janela com os dados da PIMSP, v em
VIEW/CORRELOGRAM.
Note, na figura abaixo, que a funo de autocorrelao simples declinante
enquanto a parcial truncada em (1), o que sugere um modelo AR(1).

Para estimar o modelo ARMA sugerido fazemos: QUICK/ESTIMATE EQUATION e
na caixa em branco escrevemos: pimsp c pimsp(-1) (ou, pimsp c AR(1)) conforme


44
descrito a seguir. Um bom teste de diagnstico para o modelo selecionado consiste
em verificar se o resduo deste modelo um rudo branco.

Da em diante clique em PROC/MAKE MODEL/SOLVE e depois especifique o
perodo em que deseja realizar a previso.


45

A srie prevista sair nomeada como nome da srie_0.
ATENO: No esquea de ajustar o RANGE e o SAMPLE para o perodo que deseja
realizar a previso. Faa previses dentro do perodo amostral conhecido e compare,
via Erro Quadrtico Mdio, pelo menos duas opes de modelos.
Erro quadrado mdio =
( )
+
+ =
h t
t j
j j
h
y y
1
2

Outras Possibilidades:
Raiz do erro quadrado mdio T+h
( ( t yt )
2
/ h )
t=T+1
Erro mdio absoluto T+h
| t yt | / h
t=T+1


46
Erro mdio percentual absoluto T+h
| (t yt ) / yt | / h
t=T+1
Coeficiente de desigualdade de Theil T+h
( ( t yt )
2
/ h )
t=T+1
______________________________
T+h T+h
( t
2
/ h ) + ( yt
2
/ h )
t=T+1 t=T+1

Em geral quanto menores os valores dessas estatsticas, melhor a qualidade da
previso. As duas primeiras estatsticas dependem da escala da varivel dependente
e podem ser usadas para comparar previses da mesma serie geradas por diferentes
equaes. As duas ltimas estatsticas so invariantes em relao escala da varivel
dependente. O coeficiente de Theil sempre tem valor entre zero e um, com o zero
indicando uma previso perfeita.

Dica:
Quando a regresso no tem defasagens da varivel endgena entre as variveis
independentes, as sries ajustada e prevista ficam iguais dentro do perodo amostral
da regresso. Nesse caso a Raiz do erro mdio quadrado praticamente igual ao Erro
padro da regresso.

IV - Raiz unitria - ADF
Na especificao de modelos de regresso preciso evitar relacionar sries
temporais no estacionrias, ou seja, sries que no tm mdia e varincia constantes
ao longo do tempo.


47
Isto ocorre, por exemplo, quando a variao absoluta (ou diferena) de uma
srie segue um caminho aleatrio (random walk).
Neste caso a srie chamada de integrada (ou I(1)). Sabe-se que os
procedimentos tradicionais de inferncia no se aplicam a regresses que contm
uma varivel dependente integrada ou variveis independentes integradas.
Na anlise de regresso tradicional se d grande importncia a medidas da
qualidade do ajustamento (como o R-quadrado ou o erro mdio da regresso) e a
estatsticas t. Mas pode ocorrer o fenmeno da regresso espria, particularmente
quando as variveis envolvidas so caminhos aleatrios.
Com a emergncia da literatura sobre regresses esprias sabemos agora que
as tcnicas clssicas de regresso so invlidas quando aplicadas a variveis que
incluem um forte movimento de tendncia.
Isto porque a inferncia estatstica clssica foi desenhada apenas para
variveis que so estacionrias (isto , com distribuies que no se alteram ao longo
do tempo, pelo menos mantendo mdia e varincia constantes).
Portanto, fundamental testar se uma srie estacionria ou no antes de
us-la em uma regresso. O mtodo formal para se testar se uma srie estacionria
o teste de raiz unitria.

Considere o modelo auto-regressivo de ordem 1 AR(1) :
t t t
Y Y c m o + + =
1

onde
o e m so os parmetros do modelo
t
c um rudo estacionrio
Y estacionria se m est entre 1 e 1. Se m for 1 diz-se que existe uma raiz unitria, o
que significa que a srie no-estacionria.

Subtraindo-se
1 t
Y dos dois lados da equao tem-se o seguinte modelo alternativo:

t t t
Y Y c u o + + = A
1

Onde 1 = m u
Queremos testar a hiptese nula de que existe uma raiz unitria.

Hiptese nula : 0 = u (existe raiz unitria)


48
Ao produzimos uma regresso para estimar o modelo acima, nota-se que no
possvel fazer um teste-T convencional, pois como demonstrado por Dickey e Fuller
(1979), a estatstica t no segue a distribuio t-Student quando a hiptese nula de
raiz unitria verdadeira.
A distribuio no padro da estatstica T neste caso foi identificada e
tabulada por Dickey-Fuller. MacKinnon (1991) produziu estimativas que permitem o
calculo de valores crticos para rejeio da hiptese nula para qualquer tamanho de
amostra, com ou sem incluso de constante e tendncia temporal.
O teste descrito acima s vale para o modelo AR(1). Para considerar ordens
autoregressivas maiores, foi deduzido um modelo aumentado (Augmented Dickey-
Fuller) :
t p t p t t t t
Y Y Y Y Y c u o + A + + A + A + + = A

...
2 2 1 1 1

No Eviews, para testar se a varivel PIMSP tem raiz unitria, por exemplo, basta
dar um duplo clique abrindo a srie correspondente a esta varivel e clicar em
VIEW/UNIT ROOT TEST conforme mostra a figura a seguir:


49
A seguir selecione uma das opes envolvendo a Constante e o Tempo a partir do
tipo de srie escolhida.
Se a srie aparenta apresentar uma tendncia, deve ser includa constante e
tempo. Se a srie no mostra tendncia e tem mdia no nula, deve ser includa
apenas a constante. Se a srie parece flutuar em torno de uma mdia nula, no deve
ser includa nem constante nem tempo.

A opo Defasagem automtica (Automatic Selection) quando marcada faz
com que o programa obtenha o nmero de defasagens que produz o menor critrio
de Schwarz, como sugerido por Fumio Hayashi (2000, cap. 9). Quando esta opo est
desmarcada o programa considera o nmero de defasagens indicado no campo
Maximum lags.
A janela de sada desta opo apresenta, alm dos coeficientes e estatsticas
relativos regresso acima, o valor da estatstica ADF e os valores crticos de
MacKinnon para os nveis de significncia de 1%, 5% e 10%. Ao ser acionada, esta
opo apresenta a janela da figura a seguir:


50

A hiptese nula rejeitada em determinado nvel de significncia quando o
valor calculado da estatstica ADF for maior que o valor crtico de MacKinnon
correspondente.
Para o exemplo ilustrado, que considera a srie PIMSP com um termo defasado,
a hiptese nula de existncia de raiz unitria seria rejeitada ao nvel de significncia de
5% ou a 10%. A concluso que o processo gerador de dados (data-generation
process, ou DGP) dessa srie no estacionrio.

III.3 - Previso com modelos VAR

Finalmente, um ltimo tpico bastante utilizado em trabalhos acadmicos
refere-se utilizao de modelos vetoriais autoregressivos para realizao de previso.
Esta tcnica especialmente interessante quando no podemos garantir a
exogeneidade das variveis que compem o nosso modelo e, ao mesmo tempo,
quando no podemos desprezar o poder de explicao do passado destas variveis
sobre seus comportamentos presentes e futuros.
Para utilizao desta tcnica pr-requisito o conhecimento de tcnicas de


51
raiz unitria e cointegrao. Uma abordagem tradicional para testar a presena de
raiz unitria no processo estocstico descrito por uma srie o teste ADF
anteriormente apresentado.
Para exemplificar, tomaremos, no nosso exemplo, a relao entre produo
industrial de So Paulo e produo de automveis (PIMSP & IPCAUTO) considerando
que elas no apresentassem, inicialmente, raiz unitria.
Clicamos nas duas variveis (segure o CTRL) e abrimos como um VAR conforme
mostra a figura a seguir:

Aps aberto o VAR, clique OK e veja o VAR estimado com o padro do Eviews.
O passo seguinte determinar at que ponto o passado dessas variveis
importante para explicar o presente. Para tal analisamos o critrio de Schwarz
clicando, na janela do VAR estimado, em VIEW/LAG STRUCTURE/LAG LENGTH CRITERIA


52

Aceita o padro do Eviews e um asterisco * indicar o nmero de
defasagens timo. No nosso caso temos que deve ser 3:


53

Voltamos em VIEW/ESTIMATION OUTPUT e, novamente na janela do VAR, clicamos em
ESTIMATE e redefinimos o lag timo conforme a figura a seguir:


54

Teremos ento o VAR corretamente especificado. Para realizao de previso
basta seguir da mesma forma que no caso dos modelos ARMA. A nica diferena ser
que estaremos prevendo as duas variveis simultaneamente.
E a estabilidade do VAR?
Um primeiro procedimento indispensvel verificar a estacionaridade do VAR.
Para tanto, precisamos analisar as razes do polinmio caracterstico. Na estimao do
VAR, clique em VIEW/LAG STRUCTURE/AR ROOTS GRAPH ou VIEW/LAG STRUCTURE/AR
ROOTS TABLE
Os seguintes resultados aparecero:


55

Por outro lado, se tivssemos o caso de duas sries que so ditas no


56
estacionrias, isto , se existisse raiz unitria em seus processos estocsticos (razes fora
do crculo unitrio), pode ainda existir uma combinao linear entre elas que
estacionria. Entenda como se as duas variveis possussem, individualmente,
comportamentos explosivos, mas a distncia entre elas permanece constante ao
longo do tempo. Um exemplo clssico ocorre quando confrontamos consumo e PIB.
Torna-se necessrio, portanto, sempre testar se as variveis so estacionrias e,
em caso afirmativo, se elas so cointegradas. Para tanto, na janela do VAR estimado,
clique em VIEW/COINTEGRATION TEST conforme abaixo:

Escolha a opo mais indicada (idem raiz unitria incluso de tendncias e
interceptos) do teste de Johansen e clique em OK. Os resultados so auto explicativos:
afirmam se existem ou no vetores de cointegrao. Caso sim, ser necessrio
reestimar o VAR como VECM.


57

Para estimar o nosso VECM, fazemos, na janela do VAR, a opo por este
mtodo e o VAR ser estimado em diferenas.


58
IV - Modelos de Varivel Dependente Binria

Nesta classe de modelos bastante especfica temos uma varivel dummy
como dependente (e eventualmente como explicativa). Um modelo da forma
i i i
X Y c | | + + =
1 0
onde
i
Y uma varivel binria denominado Modelo de
Probabilidade Linear (MPL), uma vez que | |
i i
X Y E pode ser interpretada como a
probabilidade condicional de que o evento ocorrer dada a ocorrncia de
i
X , ou
seja, | | | |
i i i i
X Y X Y E 1 Pr = = .
DEM:
Suponha, como tradicionalmente, que | | 0 =
i
E c , logo | |
i i
X Y E
1 0
| | + = .
Da definio de esperana temos que | |

=
=
n
i
i i i
Y p Y E
1
, mas como
i
Y s assume dois
valores, | | | | | | | | | | 1 Pr 0 0 Pr 1 1 Pr = = = + = =
i i i i i
Y Y E Y Y Y E . O que implica que a
esperana condicional neste modelo pode ser de fato interpretada como a
probabilidade condicional de
i
Y . O problema deste modelo reside na impossibilidade
de garantir que as previses estejam no intervalo [0,1]. Da a razo de recorrer-se aos
modelos Logit e Probit.
Considere um modelo semelhante do tipo (ver ex3):

erro impropr salrio casado Branco aprovado
4 3 2 1 0
+ + + + + = | | | | | (1)

onde aprovado uma dummy indicando se o pedido de emprstimo bancrio do
indivduo i foi aprovado (=1) ou negado (=0). Branco uma varivel dummy indicando
se o indivduo branco (=1) ou negro (=0), casado uma dummy indicando se o
indivduo casado (1) ou no (0), salario uma varivel contnua representando o
salrio do indivduo e improp uma varivel dummy indicando se o indivduo mora em
imvel prprio (1) ou no (0). Ao estimarmos o modelo (1) obteremos provavelmente
0
3
> | , o que indicaria uma relao positiva entre o salrio recebido pelo indivduo e
a probabilidade de o mesmo ter o seu pedido de emprstimo aprovado. Contudo,
pela linearidade do modelo, note que a probabilidade associada ao indivduo ter o
seu pedido de emprstimo aprovado condicional a
(Branco=1,casado=1,salario=x,improp=1), ou seja ao indivduo ser branco, casado,
receber um salrio igual a x e morar em imvel prprio :
| |
4 3 2 1 0
X 1 improp x, salario 1, casado 1, Branco aprovado E | | | | | + + + + = = = = =


59

Assim, o simples fato de 0
3
> | garante que existe um nvel de salrio X tal que
| | 1 1 improp x, salario 1, casado 1, Branco aprovado E > = = = =
Note que esse resultado conseqncia imediata do fato de que no Modelo
de Probabilidade Linear (MPL) o efeito parcial de qualquer varivel explicativa
constante.
O processo de estimao de modelos de varivel dependente binria segue o
mesmo processo descrito anteriormente. Basta que na especificao do modelo opte
por BYNARY Binary choice (Logit, Probit, extreme value). Conforme mostra a figura
abaixo:

A escolha por um modelo Probit ou Logit est relacionada distribuio do seu
termo de erro:

Probit: | | ( ) ( ) | | |
i i i i
X X X Y u = u = = 1 , 1 Pr onde u a funo distribuio
cumulativa da normal padro.

Logit: | |
|
|
.
|
\
|
+
= =

|
|
|
i
i
X
X
i i
e
e
X Y
1
1 , 1 Pr que, analogamente, baseada na funo de
distribuio acumulada Logstica.


60

O Eviews estima os parmetros do modelo utilizando procedimentos iterativos e
requer que a varivel dependente seja zero-um em todos os seus valores. Um exemplo
segue abaixo:

Como mostra a barra de ttulo, os parmetros so estimados por Mxima
Verossimilhana e a significncia destes dada da forma tradicional.
A interpretao dos coeficientes, contudo, complicada porque os
coeficientes estimados de um modelo binrio no podem ser interpretados como os
efeitos marginais sobre a varivel dependente. O efeito marginal de
j
X sobre a
probabilidade condicional dado por:

| |
( )
j i
ij
i i
X f
X
X Y E
| |
|
'
,
=
c
c
onde f(.) representa a funo densidade de
probabilidade. O sinal do coeficiente estimado s indica de a varivel eleva (caso
positivo) ou reduz (caso negativo) a chance de ocorrncia do sucesso (dependente
igual a 1).
Sobre as estatsticas relevantes temos:


61

i) Log Likelihood : o valor mximo da funo de verossimilhana;
ii) Avg. Log likelihood: o valor anterior dividido pelo nmero de observaes;
iii) LR STATISTIC: Testa a hiptese nula conjunta de que todos os coeficientes,
exceto a constante, so iguais a zero;
iv) Probability (LR stat): o p-valor correspondente estatstica LR. Distribuio
Qui-Quadrado sob a nula.
v) McFadden R-squared: Anlogo ao R
2
para modelos lineares tradicionais.

Uma extenso que pode ser feita nesses tipos de modelos atribuir um cut-off
point a partir do qual o seu modelo consideraria aquela probabilidade como um
sucesso. isso o que faz o recurso VIEW/EXPECTATION-PREDICTION TABLE na janela do
output da regresso estimada. Em particular este comando til para comparar o
desempenho de dois modelos (ver ex5).


62
V- Estimando um Modelo em Painel no E-views 5.0

Abra o Programa e v em FILE / NEW / WORFILE conforme indica a figura abaixo:

Defina a dimenso temporal do seu painel de dados que deve estar nas linhas
do excell conforme indica a figura a seguir:


63

Agora, sugiro que selecione todas as variveis que sero utilizadas, no caso as
clulas em linhas no Excell e COLE ESPECIAL como texto no formatado no
WORD. A colagem ser feita com um TAB entre as variveis que sero
utilizadas no Painel. Alm disso, selecione todos os identificadores para os cross
section, no caso as aes: ACES4, AVIL4, ILDM4, ..... e faa o mesmo, elas
ficaro com um ENTER, sem problemas, mas tem que ser como texto. (Veja a
figura abaixo)

Agora, no E-views, clique em OBJECT / NEW OBJECT. A figura abaixo aparecer.
Selecione, conforme indicado, a opo Pool:


64

Selecione o texto do WORD com os identificadores dos cross section, copie e cole
conforme descreve a figura abaixo e depois clique em DEFINE.

Agora voc precisa importar os dados. Os dados devem estar como nmeros
no excell. Para evitar problemas sugir que tireos percentuais. Ex: 15% = 0,15.
Clique em PROC / IMPORTA DATA conforme a figura a seguir:


65

No texto com as explicativas em WORD, coloque uma interrogao (?) ao final de
cada varivel explicativa para que o e-views entenda que elas sero as variveis
comuns todas as aes. Copie e cole no espao indicado na figura a seguir.
Ademais, note que no arquivo em Excell suas observaes comeam em C2 e que a
planilha foi nomeada como Stacked. Confira a figura abaixo e d OK.

Na janela POOL, d nome ao seu pool de dados e pode fech-lo. No caso, nomeei
como Pool01. Voc dever ento estar na seguinte situao no Eviews: Veja a figura
abaixo:


66

Cada quadrinho amarelo, refere-se varivel da linha do excell, seguido do nome da
ao, por exemplo:

Varivel na linha: SIZE
Ao: ACES4
Quadrinho a que se refere: SIZEACES4 . Neste quadrinho devemos ter as informaes
do SIZE para a ACES4 entre 1994 e 2004. Para os valores em branco o E-views coloca
NA.

Finalmente, para estimar o modelo em Painel, clique no POOL01 (CONE AZUL - ver
figura acima) abra seu pool e clique em ESTIMATE.
Selecione a varivel dependente e as explicativas e o mtodo.

No caso da figura a seguir, coloquei SELIC SIZE e TELCO explicando o RSPREAD s para
que sirva como exemplo e rodei o modelo em efeitos aleatrios:
Veja os resultados:


67

RESULTADOS


68
EXERCCIOS

Ex1
Usando os dados no arquivo Excel pnad05_mincer_RMS.xls, considere uma equao
de rendimentos usando como varivel dependente o logaritmo neperiano dos
rendimentos-hora (w)dos trabalhadores, e como explicativas, anos de estudo (educ),
anos de experincia (exp medido como a idade menos a idade em que comeou a
trabalhar) e exp ao quadrado e dummy de cor (1 para branco e 0 para no-branco),
chamada branco e sexo (1 para feminino e 0 para masculino), chamda fem.
lnw = o + |
1
educ + |
2
exp + |
3
exp
2
+ |
4
fem+|
5
cor + c,

1) Interprete o R
2
da regresso.
2) Teste a hiptese de que os coeficientes beta so iguais a zero em conjunto.
3) Teste a significncia e interprete o coeficiente |
5
. Como seria a interpretao, se a
varivel dependente fosse w, ao invs de lnw?
4) Calcule o efeito marginal da experincia nos rendimentos.
5) Teste a hiptese H
0
: |
4
=0, interpretando com cuidado o resultado.
6) Considere a possibilidade de um termo de interao entre sexo e cor. Reestime o
modelo e calcule a diferena de rendimentos de mulheres brancas em relao a
homens no-brancos, controlados os outros fatores da regresso (educao e
experincia).

7) Usando os dados e uma verso simplificada do modelo estimado

lnw = o + |
1
educ + |
2
exp + |
3
exp
2
+ |
4
cor + c,

Teste a hiptese de heterocedasticidade. Seja claro na hiptese nula e alternativa e o
teste usado.
8) Qualquer que seja o resultado do teste de heterocedasticidade, re-estime o modelo
usando uma matriz de varincia-covarincia dos coeficientes robusto
heterocedasticidade. A concluso acerca da significncia dos coeficientes muda?

Ex2
Considere um modelo de previso das importaes brasileiras. O modelo especificado

Ln(M
t
)=o+ |
1
ln(ER
t
)+ |
2
ln(PIB
t
)+ c
t

Onde t=1995:1, ..., 2006:4 (dados trimestrais), Mt so as importaes em USD, ERt a taxa
de cmbio real (descontada a inflao brasileira, ER=E/IPA) e PIBt o PIB trimestral.

1) Estime o modelo acima e verifique a existncia de autocorrelao de 1, 2, 3 ou 4
ordem.
2) De acordo com a ordem de autocorrelao encontrada, re-estime o modelo
usando uma matriz de varincia-covarincia dos coeficientes robusto
autocorrelao. A concluso sobre da significncia dos coeficientes muda, em
relao a questo 1?
3) De acordo com a ordem de autocorrelao encontrada, re-estime o modelo
usando termos autoregressivos do erro no modelo. A autocorrelao desaparece
dos resduos?


69
Ex3

Use os dados Loanapp para rodar a seguinte regresso

erro Branco aprovado
1 0
+ + = | | (1)

onde aprovado uma dummy indicando se o pedido de emprstimo bancrio do
indivduo i foi aprovado (=1) ou negado (=0). Branco uma varivel dummy indicando
se o indivduo i branco (=1) ou negro (=0).
(a) existe discriminao contra negros ?
(b) agora estime a seguinte regresso

erro BNH BM BH aprovado
3 2 1 0
+ + + + = | | | | (2)

onde BH=dummy indicando se branco e homem; BM= dummy indicando branca e
mulher; NH=dummy indicando negro e homem. Pergunta-se:
(i) por que no foi includo na regresso (2) uma dummy para mulheres negras ?
(ii) qual grupo mais discriminado de acordo com regresso (2) ?

Ex4
Utilize os dados do arquivo padro - econometriaaplicada.wf1 e proponha
um modelo de previso para a produo industrial de So Paulo. Fundamente a sua
escolha.

Ex5
Parte 1:
Considere o seguinte modelo

c | | | | | | | | + + + + + + + + = 6 6 exp exp
7 6 5
2
4 3 2 1 0
kidsge kidslt age er er educ nwifeinc inlf

onde:
inlf ("in the labor force") = 1 se a mulher participa do mercado de trabalho e 0 caso
contrrio;
nwifeinc = renda do marido, medida em USD 1000;
educ = anos de educao;
exper = quantidade de anos no mercado de trabalho;
age = idade;
kidslt6 = nmero de filhos com menos de 6 anos;
kidsge6 = nmero de filhos com idade entre 6 e 18 anos.
A partir da base de dados MROZ estime o modelo anterior para a participao
de mulheres casadas no mercado de trabalho pelos mtodos MPL, Logit e Probit. A
referida base de dados apresenta informaes relativas a 753 mulheres casadas, das
quais 428 esto no mercado de trabalho e 325 no esto. Verifique a proporo de
acertos de cada modelo e comente os resultados.

Parte 2:
Com base nos modelos da questo anterior, considere o seguinte exerccio:
seja uma mulher com nwifeinc=20.13, educ=12.3, exper=10.6, idade=32.5 e kidsge6=1.
Qual a reduo na probabilidade de trabalhar quando essa mulher passa da
condio de 0 para 1 filho com menos de 6 anos? E quando passa de 1 para 2?
Responda para os casos MPL, Probit e Logit.

Manual Norma Auditoria

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Manual Norma Auditoria

Enviado por

Direitos autorais:

Formatos disponíveis

ii

Mestrado em Finanas e Seguros

= . Esta estatstica fornece o valor calculado

Você também pode gostar