Escolar Documentos
Profissional Documentos
Cultura Documentos
22 e 24 de junho de 2022
b
β0 = ȳ b
β1 x (1)
b ∑ni=1 xi (yi ȳ )
β1 = (2)
∑ni=1 xi (xi x )
∑ni=1 xi yi n 1 ∑ni=1 xi ∑ni=1 yi
= 2
∑ni=1 xi2 n 1 (∑ni=1 xi )
58 3 1 6 27 d (x, y ) = 4/3
Cov
b
β1 = = =2
14 3 1 62 d (x ) = 2/3
Var
e
b 27 6
β0 = 2 =5
3 3
Pois, n = 3, ∑ni=1 xi yi = 2 9 + 1 7 + 3 11 = 58,
∑ni=1 xi = 2 + 1 + 3 = 6, ∑ni=1 yi = 9 + 7 + 11 = 27 e
∑ni=1 xi2 = 22 + 12 + 32 = 14.
ybi = b
β0 + b
β1 xi
Por exemplo, como yb3 = 5 + 2x3 = 11, dizemos que o valor previsto
de y é 11 se x é 3.
bi
u yi ybi é o resíduo da regressão MQO, tal que
bi = yi
u b
β0 b
β1 xi
b3 = 11
Por exemplo, u 11 = 0 é o resíduo da terceira observação da
regressão MQO.
Se o valor observado de y é maior que o previsto ybi , u
bi > 0; já se o
bi < 0. Vide grá…co
valor observado de y é menor que o previsto ybi , u
no próximo slide.
Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 4 / 33
Introdução
. gmm (wageeq: wage - {xb: educ _cons}), instruments(educ) vce(unadjusted) cformat(%9.2f) pformat(%5.2f) s
> 2f)
Step 1
Iteration 0: GMM criterion Q(b) = 37.006863
Iteration 1: GMM criterion Q(b) = 1.674e-24
Iteration 2: GMM criterion Q(b) = 4.135e-31
Step 2
Iteration 0: GMM criterion Q(b) = 3.637e-32
Iteration 1: GMM criterion Q(b) = 6.928e-34
GMM estimation
Number of parameters = 2
Number of moments = 2
Initial weight matrix: Unadjusted Number of obs = 526
GMM weight matrix: Unadjusted
Como b
β0 = 0, 90 e b
βeduc = 0, 54, a RLS estimada é
[
wage i = 0, 90 + 0, 54educi
[
No Stata, gere a série dos valores previstos de wage, wage i ,
digitando na linha de comando predict wagehat, xb
bi da regressão com o comando predict
Gere a série dos resíduos u
uhat, residuals
Em seguida, visualize as cinco primeiras observações das variáveis
wage, educ, wagehat e uhat, digitando o comando list wage educ
wagehat uhat in 1/5
. predict wagehat, xb
∑i =1 ubi = 0 = ub
n
(3)
∑i =1 ybi + n 1 ∑i =1 ubi ∑i =1 yi
1 n n 1 n
n = n
n 1 ∑i =1 ybi ∑i =1 yi , se ∑i =1 ubi = 0
n 1 n n
= n
ou seja,
yb = ȳ ,
a média dos valores previstos de y é a própria média amostral de
y.
∑i =1 xi ubi = 0,
n
(4)
∑i =1 ybi ubi
n
∑i =1 bβ0 + bβ1 xi ubi
n
=
β 0 ∑ i =1 u β1 ∑i =1 xi u
b n n
= bi + b bi = 0
Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 14 / 33
Propriedades Algébricas de MQO
yb = b
β0 + b
β1 x̄,
Vamos de…nir soma dos quadrados total (SQT ), soma dos quadrados
explicada (SQE ) e soma dos quadrados dos resíduos (SQR) como
∑i =1 (yi
n
SQT ȳ )2
∑i =1 (ybi
n
SQE yb)2
∑ i = 1 ( yi ∑i =1 ubi2
n n
SQR ybi )2 =
∑
n 2
= i =1
(ubi + (ybi bi
ȳ )) , pois u yi ybi
n n
∑ ∑
n
= bi2
u +2 bi (ybi
u ȳ ) + ∑ (ybi ȳ )2
i =1 | i =1 {z } i =1
pois ∑ni=1 ybi ubi =∑ni=1 ubi =0
tal que,
SQT = SQE + SQR (5)
Lembremos que ∑ni=1 ybi u
bi = ∑ni=1 u
bi = 0 é assegurado se a RLS é
estimada com intercepto.
d (y , yb)2 , o quadrado da
Como é possível mostrar que R 2 = Corr
correlação amostral entre y e yb, então
0 R2 1
[
No modelo RLS estimado wage = 0, 90 + 0, 54educ,
Source SS df MS Number of obs = 526
F(1, 524) = 103.36
Model 1179.73204 1 1179.73204 Prob > F = 0.0000
Residual 5980.68225 524 11.4135158 R-squared = 0.1648
Adj R-squared = 0.1632
Total 7160.41429 525 13.6388844 Root MSE = 3.3784
Como
. correlate wage wagehat
(obs=526)
wage wagehat
wage 1.0000
wagehat 0.4059 1.0000
d (wage, w
observe que, de fato, R 2 = Corr [age )2 = 0, 40592 = 0, 1648.
[
wage = 0, 90 + 0, 54 educ
n = 526, R 2 = 0, 1648
b bb
β0,novo = bȳvelho β cx velho
c 1,velho
= bb
β0,velho (8)
O R 2 permanece o mesmo.
Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 23 / 33
Unidades de Medida e Forma Funcional
No exemplo
[
wage = 0, 90 + 0, 54educ
n = 526, R 2 = 0, 1648
∂ log(wage )
100 β1 = 100
∂educ
∂ log(wage ) ∂wage
= 100
∂wage ∂educ
∂wage
1 ∂wage wage 100
= 100 =
wage ∂educ ∂educ
%∆wage mudança percentual no salario
∆educ mudança em educ
[ = 0, 58 + 0, 01educ
lwage
n = 526, R 2 = 0, 1858
[
wage = exp(0, 58 + 0, 01educ )
wage 8
7
2
0 20 40 60 80 100 120 140
educ
temos que,
∂ log(salario )
β1 =
∂ log(vendas )
∂ log(salario ) ∂salario ∂vendas
=
∂salario ∂vendas ∂ log(vendas )
∂salario/salario 100
=
∂vendas/vendas 100
mudança percentual em salario
mudança percentual em vendas