Escolar Documentos
Profissional Documentos
Cultura Documentos
04)
▪ Escolha do estimador:
❖ Baseia-se nas propriedades estatísticas dos candidatos, tais como:
➢Viés
➢Consistência
➢Eficiência
➢Distribuição Amostral
2
Introdução
❖ A1. Linearidade
3
4.2. Motivação para o MQO
▪ Assim:
8
4.3.1. Estimação não viesada
▪ Assim:
9
Conceitos: Ausência de Viés, Eficiência e Consistência
▪ Ausência de Viés
❖ Um estimador é não viesado se seu valor esperado é o verdadeiro valor do
parâmetro.
▪ Eficiência
❖ Um estimador é eficiente se possuir erro padrão inferior a outros estimadores
para um dado tamanho de amostra.
▪ Consistência
❖ Um estimador é consistente se converge para seu verdadeiro valor na medida
em que o tamanho da amostra aumenta. 10
11
Omissão e Inclusão de Variáveis
13
4.3.2. Viés causado pela omissão de variáveis relevantes
14
4.3.2. Viés causado pela omissão de variáveis relevantes
15
Variáveis omitidas: como testar isso?
▪ Seja a regressão abaixo;
❖ Queremos testar se permanência no trabalho e experiência são importantes
(ou não) para o modelo.
16
Variáveis omitidas: como testar isso?
17
Variáveis omitidas: como testar isso?
▪ Hipótese Nula H0 :
as variáveis não são
importantes para a
equação.
▪ Como o p-valor é
menor que 5%,
rejeitamos H0 .
18
Curioso sobre o Likelihood Ratio?
▪ O teste LR é realizado estimando-se 2 modelos e comparando ambos os ajustes. A
exclusão de variáveis de um modelo quase sempre o tornará menos adequado, ou
seja, ele terá menor probabilidade de ser o escolhido.
19
4.3.3. Inclusão de variáveis irrelevantes
▪ Por exemplo:
21
Redundância: como testar isso?
▪ Seja a regressão abaixo:
❖ Queremos testar se permanência no trabalho e experiência são reduntantes
para o modelo.
22
Redundância: como testar isso?
23
Redundância: como testar isso?
▪ Hipótese Nula H0 :
as variáveis são
redundantes para a
equação
▪ Como o p-valor é
menor que 5%,
rejeitamos H0 .
24
Resumo: Direção do Viés
25
26
4.3.4. A variância do estimador MQO
መ também devemos
▪ Além das tendências centrais dos estimadores 𝛽,
ter uma medida de dispersão da distribuição amostral.
▪ Repetindo (4-4):
❖ Assim, “b” é uma função linear das perturbações que, por definição,
geram um estimador linear.
28
4.3.4. A variância do estimador MQO
29
4.3.5. O Teorema de Gauss-Markov
30
4.3.5. O Teorema de Gauss-Markov
▪ 𝛽መ0 , 𝛽መ1 , … , 𝛽መ𝑘 , são BLUE (Best Linear Unbiased Estimators): são os
melhores estimadores estimados não-viesados de 𝛽0 , 𝛽1 , … , 𝛽𝑘 .
❖ Isso é crucial em econometria, e deve ser verificado a cada
regressão, principalmente via Testes de Diagnóstico.
32
Testes de Diagnóstico
▪ Verificar os resíduos leva o nome de “testes de diagnósticos”, estamos verificando
se os erros são Gaussianos.
▪ Devemos sempre checar se a média é realmente zero e se os erros são
homoscedásticos.
33
4.3.7. Estimando a Variância do Estimador MQO
( )
Var ˆ j =
s2
(
SQT j 1 − R 2j )
❖ Onde SQT j = (xij − x j ) : é a variação amostral total em xj ,
2
❖ A variância do erro;
1. A variância do erro:
❖ Mas s2 é uma característica da população. Ele não tem nada a ver com o
tamanho da amostra.
35
Componentes da Variância
❖ Quanto maior a soma dos quadrados totais (SQT), menor a variância dos
estimadores.
36
Componentes da Variância
37
4.3.7. Estimando a Variância do Estimador MQO
38
Lembre-se do cap. 03
▪ Vetor dos resíduos dos mínimos quadrados resíduos:
❖ Por (3-13), “M” pode ser interpretada como uma matriz que produz o vetor
dos resíduos dos mínimos quadrados na regressão de “y” em “X”.
39
4.3.7. Estimando a Variância do Estimador MQO
▪ Segue-se que
❖ A notação Est. Var [·] indica uma estimativa da amostra da variância amostral
de um estimador.
❖ A raiz quadrada do k-ésimo elemento diagonal desta matriz,
é o erro padrão do estimador bk.
41
4.3.8. A Hipótese da Normalidade
42
4.3.8. A Hipótese da Normalidade
43
Testando Normalidade dos Resíduos no Eviews
44
Testando Normalidade dos Resíduos no Eviews
45
4.4.1. Consistência do Estimador MQO de β
▪ Ela assegura que o estimador não errará persistentemente a sua meta, seja
para cima ou para baixo.
47
Consistência
48
Multicolinearidade
Ausência de Valores (Missing Values)
Erro de medida
49
4.7.1. Multicolinearidade
▪ Na regressão permite-se que as variáveis sejam correlacionadas, mas
não pode haver relações lineares exatas entre as variáveis
independentes.
50
4.7.1. Multicolinearidade
▪ Forma de reduzir a variância do erro:
❖ Adicionar mais variáveis explicativas à equação, ou seja, retirar fatores
do termo de erro.
51
4.7.1. Multicolinearidade
▪ Mas o "problema" de multicolinearidade não é muito bem definido.
❖ Por exemplo, Rj2 = 0,9 significa que 90% da variação da amostra em xj
pode ser explicada pelas outras variáveis independentes no modelo.
52
4.7.1. Multicolinearidade: Variance Inflation Factor (VIF)
54
4.7.4. Missing Values
▪ Numa base de dados é comum haver “buracos”, por várias razões:
❖ Talvez o mais frequente seja que, numa pesquisa de entrevistas, os
entrevistados podem simplesmente deixar de responder às perguntas.
▪ Em séries temporais:
❖ Dados podem faltar porque eles não existem na frequência necessária.
❖ Por exemplo, o modelo pode especificar relações mensais, mas algumas
variáveis são observadas apenas trimestralmente.
▪ Em dados de painel:
❖ Os “buracos” podem surgir por causa de “atritos” na pesquisa.
❖ Isto é comum quando indivíduos decidem não mais participar de uma
pesquisa. 55
4.7.4. Missing Values
▪ Há vários casos possíveis a considerar, dependendo do porque os
dados estão faltando.
▪ Erro Aleatório:
❖ Está associado ao fato de que, quando uma medida é repetida, ela será
diferente do valor anterior.
57
4.7.5. Erro de Medida
▪ Erro de Medida na Variável Dependente:
❖ Seja o modelo para descrever a renda esperada:
▪ Sabe-se que:
61
4.7.5. Erro de Medida
20
15
10
5
y = 0,604x - 1,0312
R² = 0,1434
0
0 2 4 6 8 10 12 14 16 18 20
Educação (anos de estudo)
63
4.7.6. Outliers
Gráfico de Dispersão com Reta de Regressão
Salários vs Educação
Salário (US$/hora)
25
20
15
10
5
y = 0,604x - 1,0312
R² = 0,1434
0
0 2 4 6 8 10 12 14 16 18 20
Educação (anos de estudo)
64
4.7.6. Outliers
Gráfico de Dispersão com Reta de Regressão
Salários vs Educação com outliers
Salário (US$/hora)
120
100
outliers
80
60
40 y = 0,5612x + 0,8972
R² = 0,0148
20
0
0 2 4 6 8 10 12 14 16 18 20
Educação (anos de estudo)
65
Comparação de Modelos
66