Capitulo 02 P03

Propriedades Algébricas do Estimador MQO
Aula 05, Introdução à Econometria
Prof. Moisés A. Resende Filho
Capítulo 02, parte 3
22 e 24 de junho de 2022
Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 1 / 33

1. Introdução
Vimos que as estimativas MQO b β0 e bβ1 do MRLS são obtidas pela

aplicação, aos dados da amostra, dos estimadores MQO
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 )
Estes estimadores são também estimadores MM sob a hipótese

crucial E (u jx ) = 0.

Introdução
Por exemplo, aplicando (1) e (2) à amostra aleatória

f(x1 = 2, y1 = 9), (x2 = 1, y2 = 7), (x3 = 3, y3 = 11)g, obtemos:
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.

Introdução
ybi é o valor previsto, ajustado ou estimado de y , obtido

substituindo x = xi no modelo de regressão amostral ou estimado
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.
Introdução

Introdução
Faremos um exemplo de uso do Stata, mas o arquivo

StataTutorial_aula_05.do na página web da matéria tem todos os
comandos utilizados a seguir. Por exemplo, digite na linha de
comando do Stata bcuse wage1, clear e aperte enter, em seguida,
digite gmm (wageeq: wage - {xb: educ _cons}), instruments(educ)
vce(unadjusted) cformat(%9.2f) pformat(%5.2f) sformat(%8.2f) e
aperte enter, obtendo a saída no próximo slide.

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
Step 2
GMM estimation
Number of parameters = 2
Number of moments = 2
Initial weight matrix: Unadjusted Number of obs = 526
GMM weight matrix: Unadjusted
Coef. Std. Err. z P>|z| [95% Conf. Interval]
educ 0.54 0.05 10.19 0.00 0.44 0.65

_cons -0.90 0.68 -1.32 0.19 -2.24 0.44
Instruments for equation wageeq: educ _cons

Introdução
Obtemos a mesma regressão estimada por MM, mas agora usando o

método de estimação MQO.
Digite na linha de comando do Stata bcuse wage1, clear e aperte
enter, em seguida, digite reg wage educ, cformat(%9.2f)
pformat(%5.2f) sformat(%8.2f) e aperte enter, obtendo:
. bcuse wage1, clear
. reg wage educ, cformat(%9.2f) pformat(%5.2f) sformat(%8.2f)
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
wage Coef. Std. Err. t P>|t| [95% Conf. Interval]
educ 0.54 0.05 10.17 0.00 0.44 0.65

_cons -0.90 0.68 -1.32 0.19 -2.25 0.44

Introdução
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

Introdução
. predict wagehat, xb
. predict uhat, residuals
. list wage educ wagehat uhat in 1/5
wage educ wagehat uhat
1. 3.1 11 5.0501 -1.9501

2. 3.24 12 5.591459 -2.35146
3. 3 11 5.0501 -2.0501
4. 6 8 3.426023 2.573977
5. 5.3 12 5.591459 -.2914593
No caso do quarto resíduo, como wage4 > w[age 4 , é positivo.

No caso dos outros resíduos, como wagei < w
[age i , i 6= 4, são
negativos.
Como medir o grau de ajuste do modelo aos dados?
Por que não usar ∑ni=1 u
bi ?
2. Propriedades Algébricas de MQO
Propriedade 1 - A soma e, consequentemente, a média dos resíduos

MQO u b são zero, ou seja,
∑i =1 ubi = 0 = ub
n
(3)
devido à imposição do momento populacional E (u ) = 0 aos dados ou

devido à primeira equação normal de MQO.
A propriedade 1 somente é assegurada se o modelo é estimado com
intercepto.

Propriedades Algébricas de MQO
A consequência direta da Propriedade 1 é que, como ybi + u

bi = yi ,
1 n 1 n
então n ∑i =1 (ybi + u
bi ) = n ∑i =1 yi , tal que
∑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.

b são ortogonais, ou seja,

Propriedade 2 - x e u
∑i =1 xi ubi = 0,
n
(4)
o que decorre da imposição do momento populacional E (xu ) = 0 aos

dados ou da imposição da segunda equação normal de MQO.

A primeira consequência direta das Propriedades 1 e 2 é que a
covariância e, assim, a correlação amostral de x e os resíduos são
zero, pois
b) = (n 1) 1 ∑i =1 (xi x )(u
n
d (x, u
Cov bi u b), como ub=0
0 1
B n C
@∑i =1 xi u x ∑ i =1 u
1 n
= (n 1) bi bi A = 0
| {z } | {z }
=0 =0
q q
d (x, u
Corr d (x, u
b) = Cov b) / d (x )
Var d (u
Var b) =0
A segunda consequência direta é que, como ybi = b

β0 + b
β1 xi é função
linear de xi , ybi e u
bi são ortogonais, pois,
∑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
Propriedade 3 - A reta da RLS amostral passa no ponto (x̄, ȳ ), tal

que
ȳ = b
β0 + b
β1 x̄
ou seja, fazendo xi igual a média amostral de x, obtemos ybi = ȳ .
De fato, como ybi = bβ +b β xi , então
0 1
n 1
∑ni=1 ybi =n 1bβ0 + b
n
∑ i =1
β1 xi e, assim,
n 1 n y
∑i =1 bi = n nb
1 β0 + b
β1 n ∑ni=1 xi , ou seja,
1
yb = b
β0 + b
β1 x̄,
e, como já obtemos como consequência direta da propriedade 1 que

yb = ȳ , então ȳ = b
β0 + b
β1 x̄. CQD.

3. Qualidade do Ajuste da Regressão MQO
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 =
SQT SQE SQR

Lembremos que n 1 , n 1 e n 1 são os estimadores das variâncias
de y , yb e u
b.

Qualidade do Ajuste da Regressão MQO
SQT pode ser reescrita como:

n n 2
∑ (yi ȳ )2 = ∑ (yi yb ) + (yb
| i {z }i
ȳ ) , pois ybi + ybi = 0
i =1 i =1
∑
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.

Qualidade de Ajuste da Regressão MQO
Para SQT > 0, de…na a parcela da variação total em y explicada por

x ou explicada pela regressão MQO por:
SQE SQR
R2 = =1 (6)
SQT SQT
R 2 é chamado de R-quadrado, R dois ou coe…ciente de

determinação da regressão.

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
Esse resultado é assegurado na RLS estimada com intercepto.

R 2 = 0 indica que não há relação linear entre y e x; e R 2 = 1 indica
que há uma relação linear perfeita entre y e x.
Como um “alto” R 2 não é condição necessária ou su…ciente para se
inferir causalidade de x em y , não devemos ser obsessivos sobre o
valor do R 2 .

[
No modelo RLS estimado wage = 0, 90 + 0, 54educ,
F(1, 524) = 103.36
Model 1179.73204 1 1179.73204 Prob > F = 0.0000
Total 7160.41429 525 13.6388844 Root MSE = 3.3784
educ 0.54 0.05 10.17 0.00 0.44 0.65

_cons -0.90 0.68 -1.32 0.19 -2.25 0.44
como R 2 = 0, 1648, dizemos que escolaridade (educ) explica 16, 48% da

variação total do salário na amostra ou, simplesmente, que a regressão
explica 16, 48% da variação total do salário na amostra.

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.

4. Unidades de Medida e Forma Funcional
Para se poder interpretar as funções de regressão é muito importante

saber como y e x são medidos.
Na regressão estimada com educ em anos de escolaridade:
[
wage = 0, 90 + 0, 54 educ
n = 526, R 2 = 0, 1648
estimamos que um ano de escolaridade aumenta o salário hora em

0, 54 dólares.
No entanto, o que mudaria se educ fosse medido em meses?
Como uma unidade de educ em meses corresponde a 1/12 de educ
em anos b
β1,novo = 0,54 b
12 = 0, 045 e, como 0/12=0, β1,novo = 0, 90.
Estimamos que um mês de estudo formal aumenta o salário hora em
0, 54/12 = 0, 045 dólares.

Unidades de Medida e Forma Funcional
Consideremos ynovo = byvelho e xnovo = cxvelho , com b e c constantes

diferentes de zero, tal que
b ∑ni=1 cxi ,velho (byi ,velho b ȳvelho )

β1,novo =
∑ni=1 (cxi ,velho cx velho )2
cb ∑ni=1 xi ,velho (yi ,velho ȳvelho )
=
c2 ∑ni=1 (xi ,velho x velho )2
bb
= β (7)
c 1,velho
b bb
β0,novo = bȳvelho β cx velho
c 1,velho
= bb
β0,velho (8)
O R 2 permanece o mesmo.
Unidades de Medida e Forma Funcional
De fato, com o Stata gere a variável educmes com o comando gen

educmes=12*educ
Em seguida, use reg wage educmes, cformat(%9.3f) pformat(%5.2f)
sformat(%8.2f), obtendo

F(1, 524) = 103.36
Model 1179.73204 1 1179.73204 Prob > F = 0.0000
Total 7160.41429 525 13.6388844 Root MSE = 3.3784
educmes 0.045 0.004 10.17 0.00 0.036 0.054

_cons -0.905 0.685 -1.32 0.19 -2.250 0.441

4.1. Usando Logaritmo Natural na Regressão Simples
No exemplo
[
wage = 0, 90 + 0, 54educ
n = 526, R 2 = 0, 1648
estimamos que um ano de escolaridade aumenta o salário hora em

0, 54 dólares para qualquer nível de escolaridade e, consequentemente,
de salário.
Por exemplo, estimamos que alguém com 12 anos (curso médio) e 16
anos (curso superior) de escolaridade receba $9, 54 e $7, 38..
Como permitir que o efeito de educ no salário possa variar segundo o
salário do indivíduo?
Uma forma é admitir que o efeito percentual de educ no salário seja
constante, procedendo como segue.

Usando Logaritmo Natural na Regressão Simples
Podemos aproximar variações percentuais constantes, por exemplo,

aplicando logaritmo natural à variável dependente
log(wage ) = β0 + β1 educ + u (9)
tal que, ceteris paribus,
∂ 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

Assim, no modelo log(wage ) = β0 + β1 educ + u:
100 β1 %∆wage devido a ∆educ = 1
Nesse exemplo, 100 β1 é o retorno da escolaridade, como no caso

do retorno de um investimento, e não depende da unidade em que o
salário é medido (reais, dólares, euros,...).

F(1, 524) = 119.58
Model 27.5606296 1 27.5606296 Prob > F = 0.0000
Residual 120.769132 524 .230475443 R-squared = 0.1858
Total 148.329762 525 .28253288 Root MSE = .48008
lwage Coef. Std. Err. t P>|t| [95% Conf. Interval]
educmes 0.01 0.00 10.94 0.00 0.01 0.01

_cons 0.58 0.10 6.00 0.00 0.39 0.77

[ = 0, 58 + 0, 01educ
lwage
n = 526, R 2 = 0, 1858
Assim, a estimativa do retorno da escolaridade é 0, 01 100 = 1%,

ou seja, para alguém com o salário médio na amostra de $5, 90 por
hora, o retorno estimado é de, aproximadamente, 6 centavos de dólar.
Já para alguém com o salário mais alto na amostra, $24,98 por hora,
o retorno estimado é de, aproximadamente, 25 centavos de dólar.
Ou seja, o efeito estimado de educ no salário depende do salário do
indivíduo, tal que quanto maior o salário, maior é este efeito.

[
wage = exp(0, 58 + 0, 01educ )
wage 8
7
2
0 20 40 60 80 100 120 140
educ

No modelo de elasticidade constante, log-log ou duplo log,
log(salario ) = β0 + β1 log(vendas ) + u (10)
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

Portanto, no modelo log(salario ) = β0 + β1 log(vendas ) + u, β1 é a

elasticidade-vendas do salário.
Elasticidades são livres de unidades de medida.
Um modelo de elasticidade constante de vendas no salário deve fazer
mais sentido que um com efeito constante em unidades monetárias.
Usando os dados no arquivo obtido com o comando Stata bcuse
ceosal1, clear
Renomeie as variáveis usando os comandos ren lsalary lsalario e ren
lsales lvendas.
Então, estime a regressão usando reg lsalario lvendas, cformat(%9.2f)
pformat(%5.2f) sformat(%8.2f), obtendo as estimativas no próximo
slide.

. reg lsalario lvendas, cformat(%9.2f) pformat(%5.2f) sformat(%8.2f)

F(1, 207) = 55.30
Model 14.0661688 1 14.0661688 Prob > F = 0.0000
Residual 52.6559944 207 .254376785 R-squared = 0.2108
Total 66.7221632 208 .320779631 Root MSE = .50436
lsalario Coef. Std. Err. t P>|t| [95% Conf. Interval]
lvendas 0.26 0.03 7.44 0.00 0.19 0.32

_cons 4.82 0.29 16.72 0.00 4.25 5.39
Como b βlvendas = 0, 26, estimamos que cada 1% de aumento nas vendas da

empresa resulta em um aumento de 0, 26% no salário do seu chefe
executivo, o CEO.

Modelo Var. Dep. Var. Indep. β1

Nível-Nível y x ∆y = β1 ∆x
Nível-Log y log(x ) ∆y = ( β1 /100)%∆x
Log-Nível log(y ) x %∆y = (100β1 )∆x
Log-Log log(y ) log(x ) %∆y = β1 %∆x
A possibilidade de usar o logaritmo natural e, assim, obter relações

não lineares entre y e x levanta a questão: Como devemos entender o
termo "linear"da regressão?
A resposta é que o modelo deve ser linear nos parâmetros β0 e β1 .

Capitulo 02 P03

Enviado por

Dados do documento

Título original

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

Capitulo 02 P03

Enviado por

Direitos autorais:

Formatos disponíveis

Propriedades Algébricas do Estimador MQO

Aula 05, Introdução à Econometria

Prof. Moisés A. Resende Filho

Capítulo 02, parte 3

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 1 / 33

Vimos que as estimativas MQO b β0 e bβ1 do MRLS são obtidas pela

Estes estimadores são também estimadores MM sob a hipótese

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 2 / 33

Por exemplo, aplicando (1) e (2) à amostra aleatória

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 3 / 33

ybi é o valor previsto, ajustado ou estimado de y , obtido

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 5 / 33

Faremos um exemplo de uso do Stata, mas o arquivo

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 6 / 33

Coef. Std. Err. z P>|z| [95% Conf. Interval]

educ 0.54 0.05 10.19 0.00 0.44 0.65

Instruments for equation wageeq: educ _cons

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 7 / 33

Obtemos a mesma regressão estimada por MM, mas agora usando o

. reg wage educ, cformat(%9.2f) pformat(%5.2f) sformat(%8.2f)

Source SS df MS Number of obs = 526

wage Coef. Std. Err. t P>|t| [95% Conf. Interval]

educ 0.54 0.05 10.17 0.00 0.44 0.65

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 8 / 33

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 9 / 33

. predict uhat, residuals

. list wage educ wagehat uhat in 1/5

wage educ wagehat uhat

1. 3.1 11 5.0501 -1.9501

No caso do quarto resíduo, como wage4 > w[age 4 , é positivo.

Propriedade 1 - A soma e, consequentemente, a média dos resíduos

devido à imposição do momento populacional E (u ) = 0 aos dados ou

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 11 / 33

A consequência direta da Propriedade 1 é que, como ybi + u

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 12 / 33

b são ortogonais, ou seja,

o que decorre da imposição do momento populacional E (xu ) = 0 aos

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 13 / 33

A segunda consequência direta é que, como ybi = b

Propriedade 3 - A reta da RLS amostral passa no ponto (x̄, ȳ ), tal

e, como já obtemos como consequência direta da propriedade 1 que

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 15 / 33

SQT SQE SQR

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 16 / 33

SQT pode ser reescrita como:

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 17 / 33

Para SQT > 0, de…na a parcela da variação total em y explicada por

R 2 é chamado de R-quadrado, R dois ou coe…ciente de

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 18 / 33

Esse resultado é assegurado na RLS estimada com intercepto.

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 19 / 33

wage Coef. Std. Err. t P>|t| [95% Conf. Interval]

educ 0.54 0.05 10.17 0.00 0.44 0.65

como R 2 = 0, 1648, dizemos que escolaridade (educ) explica 16, 48% da

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 20 / 33

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 21 / 33

Para se poder interpretar as funções de regressão é muito importante

estimamos que um ano de escolaridade aumenta o salário hora em

Moisés Resende Filho (ECO/UnB) Propriedades Algébricas MQO 24/06/2022 22 / 33

Consideremos ynovo = byvelho e xnovo = cxvelho , com b e c constantes

b ∑ni=1 cxi ,velho (byi ,velho b ȳvelho )

De fato, com o Stata gere a variável educmes com o comando gen

Source SS df MS Number of obs = 526