Escolar Documentos
Profissional Documentos
Cultura Documentos
Lista5 Resolução
Lista5 Resolução
Maio de 2022
Yi = β0 + β1 x1 + ui
y = Xβ + u
1 xn1
1
Note que todos os termos na equação acima são escalares (dimensão 1 × 1), de
forma que podemos reescrever
u′ u = y ′ y − 2y ′ Xβ + β ′ X ′ Xβ
∂u′ u
= −2X ′ y + (X ′ X + (X ′ X)′ )β
β
= −2X ′ y + (X ′ X + X ′ X)β
= −2X ′ y + 2X ′ Xβ
Portanto, temos que f rac∂u′ u∂β = 0 nos dá o seguinte estimador β̂:
− 2X ′ y + 2X ′ X β̂ = 0
X ′ X β̂ = X ′ y
(X ′ X)−1 X ′ X β̂ = (X ′ X)−1 X ′ y
| {z }
I
β̂ = (X ′ X)−1 X ′ y
Como y = Xβ + u,
= β + (X ′ X)−1 X ′ u
c) Use a expressão encontrada em (b) para derivar as formulas de β̂0 , β̂1 que
vimos em listas anteriores.
′
x ∂x′ Ax
1 Se w′ é uma matriz linha, ∂x
= w. Se A é uma matriz quadrada, ∂x
= (A + A′ )x
2
Temos, do item anterior, que β̂ = (X ′ X)−1 X ′ y. Isto é,
−1
" # " # 1 x11 " # y1
βˆ0 1 ··· 1 .. .. 1 ··· 1 ..
= . .
.
βˆ1 x
11 · · · xn1 x11 · · · xn1
1 xn1 yn
" Pn #−1 " P #
n
n xi1 yi
= Pn Pn 2 Pn
xi1 xi1 xi1 yi
" P #" P #
n 2 Pn n
1 xi1 − xi1 yi
= Pn 2 Pn
xi1 )2 − n xi1
Pn
n xi1 − (
P
n xi1 yi
Pn 2 Pn Pn Pn
xi1 y − x x y
Pn i2 P i1 2 i1 i
Pnn xi1 −( n Pxi1 )
= − xi1 n yiP
P
+n n xi1 yi
P n 2 n 2
n xi1 −( xi1 )
Pn
Note que o denominador pode ser escrito como n (xi1 − x̄1 )2 :
n
X n
X Xn
n (xi1 − x̄1 )2 = n x2i1 − 2nx̄1 xi1 + n2 x̄21
n n
!2 n
!2
X X X
2
=n xi1 − 2 xi1 + xi1
n n
!2
X X
=n x2i1 − xi1
Exatamente a mesma fórmula que tı́nhamos para βˆ1 sem usar notação matricial.
Para mostrar que a expressão encontrada para β0 equivale a ȳ − β̂1 x̄1 , vamos
3
abrir essa expressão:
y = Xβ + ε,
−1
β̂ = (X ′ X) X ′y
Note que aqui é necessária a hipótese 4, de que X tem posto completo, o que
garante que (X ′ X)−1 existe. Substituindo o modelo dado e dividindo e multi-
4
1
plicando por n, obtemos
−1
′ −1 ′ 1 ′ 1 ′
β̂ = β + (X X) X ε=β+ XX Xε
n n
Ou seja,
( −1 )
1 ′ 1 ′
plimN →∞ β̂ = β + plim XX × plim Xε
N N
Usando a hipótese 2, de amostra iid, podemos aplicar a Lei dos Grandes Números
para obter que
1 ′ p
XX → E[X ′ X] = Qxx
−
n
e como a função (·)−1 é contı́nua, podemos aplicar o TMP para obter que
−1
1 ′ p
XX → E[X ′ X]−1 = Q−1
− xx
n
1 ′
p
Agora falta mostrar que plim NX ε −→ 0. Vamos usar a primeira e a quarta
hipótese aqui, ou seja, E[εi |Xi ] = 0 e que Xi , εi têm quartos momentos finitos.
Repare que a primeira hipótese implica que E[X ′ ε] = 0, e a quarta hipótese
implica que E[X ′ ε] tem segundo momento finito. Podemos então aplicar nova-
1 ′
mente a Lei dos Grandes Números no termo nX ε para mostrar que
1 ′ p
X ε → E [X ′ ε] = 0
N
5
√
multiplicando ambos os lados por n e multiplicando e dividindo o lado direito
1
por n, temos
−1
√
1 ′ 1
n(β̂ − β) = XX √ X ′ε
n n
Considerando agora a hipótese de amostra aleatória e que, como mostrado no
item anterior, V [x′i εi ] < ∞, podemos aplicar também o Teorema Central do
Limite (CLT ou TLC)2 sob o termo √1 X ′ ε e concluir que
n
√
1 ′ d
n xi εi − E [x′i εi ] → N (0, Σ)
n
podemos escrever desta forma por que estamos ”subtraindo zero”uma vez que,
por hipótese, plim n1 x′i εi = E [x′i εi ] = 0. Agora, precisamos abrir o termo
h i
2
Σ = V [x′i εi ] = E (x′i εi ) = E x′i xi · ε2i
′ d ′ p
1 1
→ Q−1
Sabemos então que nX ε → N (0, Σ) e nX X xx , então usando o
Teorema de Slutsky,
−1
1 ′ 1 d
XX √ X ′ ε → N (0, Ω)
n n
Ω = Q−1 ′ −1
xx E [Xi ϵi ϵi Xi ] Qxx
= Q−1
2 ′ −1
xx E ϵi Xi Xi Qxx
= σ 2 Q−1 −1
xx Qxx Qxx
= σ 2 Q−1
xx
2 Lembre-se de que o CLT é enunciado de forma que, para qualquer estimador θ de variância
√ d
finita e amostra iid, temos que n(θ̂ − θ) → N (0, V[θ])
6
e então,
√ d
n(βb − β) → N 0, σ 2 Q−1
xx
(c) Considere que Xi = [1x1,i ] e β = [β0 β1 ], isso é, voltamos para o MQO
simples com intercepto. Calcule a matriz Qxx
Pelo item anterior temos que, sob o contexto de amostra aleatória, Qxx =
E [Xi′ Xi ]. Tomando o caso univariado, temos que
" # " # " #
1 xi E[1] E [xi ] 1 E [xi ]
E [Xi′ Xi ] = E = =
xi x2i E [xi ] E x2i E [xi ] E x2i
7
Como β̃ é linear, podemos escrever:
β̃ = A′ y = A′ (Xβ + u) = A′ Xβ + A′ u
V (β̃ | X) = σ 2 A′ A
= σ 2 (D + (X ′ X)−1 X ′ )(D′ + X(X ′ X)−1 )
= σ 2 (DD′ + DX(X ′ X)−1 + (X ′ X)−1 X ′ D′ + (X ′ X)−1 X ′ X(X ′ X)−1 )
Note que DX(X ′ X)−1 = A′ X(X ′ X)−1 −(X ′ X)−1 X ′ X(X ′ X)−1 = I(X ′ X)−1 −
I(X ′ X)−1 = 0. Portanto,
Portanto,
8
Multicolinearidade
Questão 4
−1
Em notação matricial, vimos que β̂ = (X ′ X) X ′ Y.
a) O que acontece com β̂ quando há perfeita colinearidade entre os Xs? Como
examinar sua existência?
Quando há perfeita colinearidade não conseguimos estimar o β̂ por MQO. Isso
−1
acontece porque a inversa de (X ′ X) não existe. Uma forma bem simples de
examinar a existência de colinearidade perfeita é verificar se (X ′ X) é singular,
ou seja, se o determinante dessa matriz é igual a zero.
b) Seja a seguinte matriz X que contém as explicativas a serem usadas em uma
regressão:
1 0 0
1 7 0
1 0 1
Examine se há perfeita colinearidade.
Podemos verificar colinearidade tentando observar se uma variável pode ser
combinação linear da outra. Podemos ver que, neste caso, não é o que acontece.
Dessa forma, não há colinearidade perfeita.
c) Seja a seguinte matriz X ′ X a ser usada em outra regressão:
9 0 0 0 0
0 4 0 8 0
2 0 7 0 0
1 3 0 6 0
0 0 0 0 5
Examine se há perfeita colinearidade.
Aqui a melhor forma é calcular o determinante da matriz. É fácil verificar que
o determinante de X ′ X é igual a zero.
d) Sob homoscedasticidade, a matriz de variância-covariância é expressa como:
−1
Σβ̂ = σ 2 (X ′ X)
9
Quando há colinearidade perfeita a matriz de variância-covariância dos estima-
dores vai para infinito (explode). E no caso de colinearidade alta essa matriz
assume um valor também alto, o que significa que os erros padrões dos esti-
madores são altos e isso pode levar a conclusões falsas sobre significância de
coeficientes.
Teste de hipótese
Questão 5
Considere o modelo de regressão múltipla dado por:
Y = Xβ + u
1 1 2
1 0 3
Em que β = [β0 β1 β2 ]′ , Y = [0 1 4 3]′ e X =
1
1 3
1 1 2
a) Estime β̂.
Temos que β̂ = (X ′ X)−1 X ′ y. Assim:
1 1 2
1 1 1 1 4 3 10
′ 1 0 3
X X = 1 0 1 1 =
3 3 7
1 1 3
2 3 3 2 10 7 26
1 1 2
29
2 −4 − 29
(X ′ X)−1 = −4 2 1
− 29 1 3
2
0
1 1 1 1 8
′ 1
X y = 1 0 1 1 = 7
4
2 3 3 2 21
3
10
Assim:
29
13
2 −4 − 92 8 −2
β̂ = (X ′ X)−1 X ′ y = −4 2 1 7 = 3
− 29 1 3
2 21 5
2
b) Seja û o vetor de resı́duos. Estime X ′ û. Esse resultado tem alguma relação
com exogeneidade?
Para estimar û, primeiro precisamos estimar ŷ:
3
1 1 2 13
−2 2
1 0 3 1
ŷ = X β̂ =
1
3 =
1 3
5
4
2 3
1 1 2 2
Assim,
−3
2
0
û = y − ŷ =
0
3
2
2 3 3 2 0
3
2
Lembre que isso não implica em exogeneidade: estamos usando os resı́duos (não
os erros), que, por construção, são ortogonais ao espaço coluna de X. Assim,
esse resultado apenas indica que acertamos os cálculos, mas não diz nada sobre
exogeneidade.
11
V (β̂ | X) = V β + (X ′ X)−1 X ′ u | X
′
= (X ′ X)−1 X ′ V (u | X) (X ′ X)−1 X ′
= (X ′ X)−1 X ′ V (u | X)X(X ′ X)−1
= (X ′ X)−1 X ′ σ 2 IX(X ′ X)−1
= σ 2 (X ′ X)−1 X ′ X(X ′ X)−1
= σ 2 (X ′ X)−1 I
= σ 2 (X ′ X)−1
d) Estime σ̂ 2 .
− 32
û′ û û′ û i
h 0 9
σ̂ 2 = = = − 23 0 0 3
2
=
n−k 4−3 0 2
3
2
29
2 −4 − 29
9
Σ̂β̂ = σ̂ 2 (X ′ X)−1 = −4 2 1
2
− 92 1 3
2
261
4 −18 − 81
4
= −18 9
9
2
− 81
4
9
2
27
4
12
g) Você quer testar a hipótese nula de que β1 = β2 . Como você escreveria essa
hipótese na notação Rβ = r?
Podemos
h escrever
i essa hipótese nula como
R = 0 1 −1 ,
β0
β = β1 e
β2
r=0
5 1
Rβ̂ − r = β̂1 − β̂2 = 3 − =
2 2
261
h i 4 −18 − 81
4 0
RΣ̂β̂ R′ = 0 −1 −18
1 9 9
1
2
− 81
4
9
2
27
4 −1
h i 0
9 9 9
= 4 2 −4 1
−1
9 9 27
= + =
2 4 4
Assim,
1 4 1 1
F = =
2 27 2 27
O valor crı́tico para rejeitar a nula, considerando que temos apenas 1 restrição
e 1 grau de liberdade, é 161, 4, aproximadamente. Portanto, claramente não
podemos rejeitar a nula de que as duas inclinações são iguais.
13
Questão 6
Nessa questão, vamos reaproveitar a base de dados “WAGE1.dta”, que usa-
mos na lista 3. Imagine que agora estamos interessados em estimar a seguinte
regressão usando essa base
em que Wagei é o salário dos indivı́duos, Educi são os anos de educação, Experi
são os anos de experiência trabalhando e Femalei é uma variável dummy igual
a 1 se o indivı́duo é uma mulher.
a) Estime a regressão acima e interprete os coeficientes de educ e exper, o que
eles estão nos dizendo?
14