ECONOMETRIA

Prof. Victor Azambuja Gama

Nenhuma parte deste material poderá ser reproduzida para
fins comerciais. Este material foi desenvolvido com o propósito
de auxiliar as aulas da disciplina de Econometria do curso de
Ciências Econômicas da Universidade Estadual de Mato
Grosso do Sul (UEMS).
 EMENTA
 Análise de Regressão (com duas variáveis, com regressão
múltipla);
 O modelo clássico de regressão linear e suas hipóteses básicas;
 Estimadores de mínimos quadrados ordinários e suas
propriedades;
 Intervalos de confiança e teste de hipóteses;
 Regressão com variável “dummy”;
 Regressão com variáveis binárias;
 Violação das hipóteses básicas do modelo clássico de regressão

linear: testes de diagnóstico e procedimentos de correção;

 Modelos auto-regressivos e de defasagens distribuídas;
 Modelos de equações simultâneas;
 Introdução a modelos de séries de tempo: Modelos
autoregressivos, de médias móveis e mistos;
 Tendência determinística e estocástica; raízes unitárias e
cointegração.
 OBJETIVOS

 Demonstrar ao aluno as técnicas e métodos

econométricos básicos, capacitando-o a entender
e analisar trabalhos empíricos na área de
economia. Possibilitando a utilização deste
instrumental em análises econômicas e no próprio
trabalho de conclusão de curso.
 REFERÊNCIA

GUJARATI, Damodar N.; PORTER, Dawn

C. Econometria Básica. 5 ed., Amgh Editora,
2011.
Capítulo 2 - Análise de regressão com
duas variáveis: algumas ideias básicas
 2.1 Um exemplo hipotético

• População total: 60 famílias;

• Y = despesas de consumo semanais;

• X = renda disponível semanal;

• 60 famílias foram divididas em dez grupos com

aproximadamente o mesmo nível de renda ($80,
$100, $120, $140, $160, $180, $200, $220,
$240 e $260)
2.1 Um exemplo hipotético

• Tabela 2.1: fornece a distribuição

condicional de Y para dados valores de X;

• Tabela 2.2: fornece a probabilidade

condicional de Y: p(Y|X);

• Média condicional (valor esperado):

E(Y|X=Xi)
 2.1 Um exemplo hipotético

• Tabela 2.1: fornece a distribuição condicional de Y

para dados valores de X;

• Ao todo, temos dez valores médios para as dez

subpopulações de Y;

• Chamamos esses valores médios de valores esperados

condicionais, pois dependem dos valores dados da variável
condicionante X;

• Simbolicamente, são denotados como E(Y|X), que se lê

como “valor esperado de Y dado o valor de X”
2.1 Um exemplo hipotético
2.1 Um exemplo hipotético

• Importante: valores esperados condicionais

E(Y|X) ≠ valores esperados incondicionais E(Y);

• Valores esperados incondicionais E(Y): são as

despesas de consumo semanais das 60 famílias da
população dividido por 60 ($ 7.272/60 = 121,20);

• É incondicional no sentido de que, para chegar a

esse total, desconsideramos a classe de renda
das várias famílias.
2.1 Um exemplo hipotético

• Perguntas:

• Qual o valor esperado das despesas de consumo

semanais médias de uma família? R: $121,20 (a média
incondicional).

• Qual o valor esperado das despesas de consumo

semanais de uma família cuja renda mensal é de $
140? R: $101 (a média condicional).

• Esta, provavelmente, é a essência da análise de

regressão, como descobriremos ao longo do livro.
2.1 Um exemplo hipotético

• Figura 2.1: mostra a linha (curva) de regressão

populacional;

• Os pontos pretos circulados mostram os valores médios

condicionais de Y para os diversos valores de X;

• Se unirmos os valores médios condicionais obteremos o

que é conhecido como linha de regressão populacional
(LRP) ou, de modo mais geral, a curva de regressão
populacional;

• Simplificando, é a regressão de Y contra X.

2.1 Um exemplo hipotético
2.1 Um exemplo hipotético

• Uma curva de regressão populacional “é apenas o local

geométrico das médias condicionais da variável
dependente para os valores fixados da(s) variável(is)
explanatória(s)”.

• Figura 2.2: fornece a curva de regressão populacional.

É a “curva que conecta as médias das subpopulações de Y
correspondentes aos valores dados do regressor X”.

• Essa figura mostra que, para cada X (isto é, nível de

renda), há uma população de valores de Y (despesas de
consumo semanais) que se espalham em torno da média
(condicional) desses valores de Y.
2.1 Um exemplo hipotético
2.2 Conceito de função de regressão populacional (FRP)

• Função de esperança condicional (FEC) ou

função de regressão populacional (FRP):

𝐸 𝑌 𝑋𝑖 = f(𝑋𝑖 ) (2.2.1)

• Qual é a forma assumida pela função 𝑓(𝑋𝑖 )? R.:

Como primeira aproximação, ou hipótese de
trabalho, podemos supor que a FRP 𝐸 𝑌 𝑋𝑖 é uma
função linear de 𝑋𝑖 do tipo:

𝐸 𝑌 𝑋𝑖 = f 𝑋𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 (2.2.2)
2.2 Conceito de função de regressão populacional (FRP)

𝐸 𝑌 𝑋𝑖 = f 𝑋𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 (2.2.2)

• 𝛽1 e 𝛽2 são parâmetros desconhecidos, mas fixos,

chamados de coeficientes de regressão;

• 𝛽1 e 𝛽2 são também são conhecidos como intercepto e

coeficiente angular, respectivamente;

• Essa equação é conhecida como função linear de

regressão populacional;

• Algumas expressões alternativas usadas na literatura

são: modelo linear de regressão populacional ou regressão
linear populacional.
 2.3 O significado do termo linear

• Linearidade nas variáveis: é o caso em que a

expectativa condicional de Y é uma função linear
de 𝑋𝑖 . Ex.: 𝐸 𝑌 𝑋𝑖 = f 𝑋𝑖 = 𝛽1 + 𝛽2 𝑋 2 não é uma
função linear;

• Linearidade nos parâmetros: a expectativa

condicional de Y, 𝐸 𝑌 𝑋𝑖 , é uma função linear
dos parâmetros, os 𝛽. Todavia, pode, ou não, ser
linear na variável X. Ex.: 𝐸 𝑌 𝑋𝑖 = f 𝑋𝑖 = 𝛽1 +
𝛽 22𝑋 não é linear nos parâmetros.
 2.3 O significado do termo linear

• Importante: de agora em diante, a expressão

regressão “linear” significará sempre uma
regressão linear nos parâmetros;

• Isso significa que os β′ s (isto é, os parâmetros)

são elevados apenas à primeira potência. Podem ou
não ser lineares nas variáveis explanatórias, os X.

• A Tabela 2.3 mostra isso esquematicamente.

2.3 O significado do termo linear
2.4 Especificação estocástica da FRP

• O que podemos dizer sobre a relação entre as

despesas de consumo de uma família e um nível de
renda?

• Vemos na Figura 2.1 que para um nível de renda 𝑋𝑖

as despesas médias de consumo de uma família
agrupam-se em torno do consumo médio de todas as
famílias deste nível 𝑋𝑖 ;

• Isso significa que as despesas médias de consumo

ficam em torno de sua esperança condicional.
 2.4 Especificação estocástica da FRP

• Portanto, podemos expressar o desvio individual de

𝑌𝑖 em torno de seu valor esperado como a seguir:

𝑢𝑖 = 𝑌𝑖 − 𝐸(𝑌|𝑋𝑖 )
ou
𝑌𝑖 = 𝐸 𝑌 𝑋𝑖 + 𝑢𝑖 (2.4.1)

• O desvio 𝑢𝑖 é uma variável aleatória não-observável

que assume valores positivos ou negativos;

• Tecnicamente, ui é conhecida como distúrbio

estocástico ou termo de erro estocástico.
 2.4 Especificação estocástica da FRP

• Como interpretamos a Equação 2.4.1? R: Podemos dizer

que a despesa de consumo de uma família individual, dado seu
nível de renda, pode ser expressa como a soma de dois
componentes:

a) 𝐸(𝑌|𝑋𝑖 ): componente sistemático ou determinístico;

b) 𝑢𝑖 : componente aleatório ou não-sistemático;

• Se supomos que 𝐸(𝑌|𝑋𝑖 ) é linear em 𝑋𝑖 , como na Equação

(2.2.2), a Equação (2.4.1) pode ser escrita da seguinte
maneira:

𝑌𝑖 = 𝐸 𝑌 𝑋𝑖 + 𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 (2.4.2)
 2.4 Especificação estocástica da FRP

• Agora, se tomarmos o valor esperado de (2.4.1) nos dois

lados da equação, obtemos:

𝐸 𝑌 𝑋𝑖 = 𝐸[𝐸 𝑌 𝑋𝑖 ] + 𝐸(𝑢𝑖 |𝑋𝑖 )

𝐸 𝑌 𝑋𝑖 = 𝐸 𝑌 𝑋𝑖 + 𝐸(𝑢𝑖 |𝑋𝑖 ) (2.4.4)
𝐸(𝑢𝑖 𝑋𝑖 = 0 (2.4.5)

• Considerando o fato de que o valor esperado de uma

constante é a própria constante. Considerando que 𝐸 𝑌 𝑋𝑖 =
𝐸 𝑌 𝑋𝑖 ;

• Conclusão: a suposição de que a linha de regressão passa

pelas médias condicionais de Y implica que os valores médios
condicionais de 𝑢𝑖 (condicionados a um dado X) sejam iguais a
zero.
 2.5 O significado do termo “erro estocástico”

• Termo de erro 𝒖𝒊 : representa todas as variáveis omitidas no

modelo, mas que coletivamente afetam Y;

• Perguntas: (a) Por que não introduzir essas variáveis

explicitamente no modelo? (b) Por que não formular um modelo de
regressão com o máximo de variáveis possíveis?

• Há muitas razões:
1) Caráter vago da teoria;
2) Indisponibilidade de dados;
3) Variáveis essenciais versus variáveis periféricas/secundárias;
4) Caráter intrinsecamente aleatório do comportamento humano;
5) Variáveis proxy pouco adequadas;
6) Princípio da parcimônia;
7) Forma funcional errada.
 2.6 A função de regressão amostral (FRA)

• Até agora, ao limitar nosso exame dos valores de Y

correspondentes aos X fixados para a população;

• Mas na maioria das situações práticas, o que temos é uma

amostra de valores de Y correspondentes a alguns X
fixados;

• Nossa tarefa agora é estimar a função de regressão com

base em informações amostrais;

• Imagine que a população da Tabela 2.1 seja desconhecida

e que a única informação que tenhamos seja uma amostra
selecionada aleatoriamente de valores de Y para os X
fixados, como na Tabela 2.4.
2.6 A função de regressão amostral (FRA)
 2.6 A função de regressão amostral (FRA)

• Perguntas:
a) Com base na amostra da Tabela 2.4, é possível prever as
despesas médias de consumo semanais Y para a população como um
todo correspondentes aos X escolhidos?
b) Podemos estimar a FRP com base nos dados da amostra?

• Resposta: não seremos capazes de estimar “precisamente” a FRP

devido a variações amostrais.

• Para melhor entender, suponha que selecionemos outra amostra

aleatória da população da Tabela 2.1, como a que aparece na Tabela
2.5;

• Representando graficamente os dados das Tabelas 2.4 e 2.5,

obtemos o diagrama de dispersão apresentado na Figura 2.4.
2.6 A função de regressão amostral (FRA)
 2.6 A função de regressão amostral (FRA)

• No diagrama, traçamos duas linhas de regressão amostral

para “ajustar” os pontos razoavelmente: 𝐹𝑅𝐴1 baseia-se na
primeira amostra e 𝐹𝑅𝐴2 , na segunda;

• Qual das duas linhas de regressão representa a linha de

regressão populacional “real”? R.: não há como ter certeza
absoluta;

•As linhas de regressão da Figura 2.4 são conhecidas como

linhas de regressão amostral;

• Elas representam a linha de regressão populacional, mas

devido às variações amostrais, elas são, no máximo,
aproximações da verdadeira regressão populacional;
 2.6 A função de regressão amostral (FRA)

• Tal como no caso da FRP subjacente à linha de

regressão populacional, podemos formular o conceito de
função de regressão amostral (FRA) para representar
a linha de regressão da amostra;

• A equação correspondente à (2.2.2) para a amostra

pode ser escrita como:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 (2.6.1)

em que 𝑌 lê-se “Y chapéu”;

𝑌𝑖 = estimador de 𝐸(𝑌|𝑋𝑖 );
𝛽1 = estimador de 𝛽1 ;
𝛽2 = estimador de 𝛽2 ;
 2.6 A função de regressão amostral (FRA)

• Podemos expressar a FRA na Equação 2.6.1 em sua forma

estocástica como a seguir:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 (2.6.2)

• Resumindo: verificamos que nosso objetivo primordial na

análise de regressão é estimar a FRP

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 (2.4.2)

com base na FRA (2.6.2);

• Mas, devido a variações amostrais, nossas estimativas da FRP

com base na FRA são, na melhor das hipóteses, apenas uma
aproximação. Essa aproximação é apresentada graficamente na
Figura 2.5.
2.6 A função de regressão amostral (FRA)
 2.6 A função de regressão amostral (FRA)

• Em termos da FRA, o 𝑌𝑖 observado pode ser expresso como:

𝑌𝑖 = 𝑌𝑖 + 𝑢𝑖 (2.6.3)

e em termos de FRP, como:

𝑌𝑖 = 𝐸 𝑌 𝑋𝑖 + 𝑢𝑖 (2.6.4)

• A pergunta crítica agora é: sabendo que a FRA não é mais do

que uma aproximação da FRP, podemos formular uma regra ou
um método que torne essa aproximação a mais próxima
possível?

• Resposta: Capítulo 3