1 MODELO DE REGRESSÃO LINEAR:

VISÃO GERAL

A gora que apresentamos os fundamentos do modelo clássico de regressão linear (MCRL), por onde seguire-
mos? Vejamos a resposta a seguir.
A regressão dos salários dada na Tabela 1.2 se baseia nas premissas do MCRL. A pergunta que natural-
mente se segue é: como saber se esse modelo de fato satisfaz as premissas do MCRL? Precisamos saber as res-
postas para as perguntas a seguir:

1. O modelo de salários dado na Tabela 1.2 é linear nas variáveis e nos parâmetros. A variável salário,
por exemplo, poderia estar em forma logarítmica? As variáveis escolaridade e experiência profissio-
nal também poderiam estar em forma logarítmica? Como não se espera que os salários aumentem
linearmente com a experiência para sempre, poderíamos incluir a experiência ao quadrado como um
regressor adicional? Todas essas perguntas dizem respeito à forma funcional do modelo de regres-
são e há várias formas funcionais. Abordaremos esse tema no Capítulo 2.
2. Suponha que alguns dos regressores sejam quantitativos e alguns sejam qualitativos ou variáveis de
escala nominal, também chamadas de variáveis binárias. Será que as variáveis binárias impõem algu-
mas dificuldades especiais? Como lidar com a interação entre variáveis quantitativas e variáveis bi-
nárias em determinada situação? Na nossa regressão dos salários, temos três variáveis binárias,
feminino, não branco e sindicato. Será que as mulheres sindicalizadas ganham mais do que as mulhe-
res não sindicalizadas? Veremos esse e outros aspectos dos regressores qualitativos no Capítulo 3.
3. Se tivermos vários regressores no modelo de regressão, como saber que não temos o problema da
multicolinearidade? Na presença desse problema, quais serão as consequências? E como lidar com
elas? Abordaremos esse tema no Capítulo 4.
4. Em dados de corte transversal, a variância do erro pode ser heterocedástica em vez de homocedás-
tica. Como podemos saber? E quais são as consequências da heterocedasticidade? Os estimadores de
MQO continuam sendo MELNV? Como podemos corrigir para a heterocedasticidade? Respondere-
mos a essas perguntas no Capítulo 5.
5. Em dados de séries temporais, a premissa da não autocorrelação no termo de erro tem poucas
chances de ser satisfeita. Como podemos saber? Quais são as consequências da autocorrelação?
Como podemos corrigir a autocorrelação? Responderemos a essas perguntas no Capítulo 6.
6. Uma das premissas do MCRL é que o modelo utilizado na análise empírica é “corretamente especifi-
cado” no sentido de que todas as variáveis relevantes são incluídas no modelo, nenhuma variável
supérflua é incluída no modelo, a distribuição de probabilidade do termo de erro é corretamente es-
pecificada e não há erros de medida nos regressores e no regressando. Naturalmente, não é fácil sa-
tisfazer esses critérios. Contudo, é importante descobrir as consequências de uma ou mais dessas
situações se elas tiverem chances de ocorrer em uma aplicação concreta. Discutiremos o problema
2 Econometria

da especificação de modelos no Capítulo 7. Também veremos resumidamente nesse capítulo o caso

dos regressores estocásticos em vez de regressores fixos, como pressupõe o MCRL. Esse tema será
discutido em mais profundidade no Capítulo 19, quando também discutiremos os temas dos mode-
los de equações simultâneas e dos modelos de regressão dinâmicos.
7. Suponha que a variável dependente não seja uma variável de escala de intervalo ou razão, mas sim
uma variável de escala nominal, com valores 1 e 0. Será que ainda podemos aplicar as técnicas nor-
mais de MQO para estimar esses modelos? Caso contrário, quais são as alternativas? As respostas
para essas perguntas podem ser encontradas no Capítulo 8, no qual discutiremos os modelos logit e
probit, capazes de lidar com uma variável dependente nominal.
8. O Capítulo 9 estende os modelos logit e probit bivariados a variáveis multicategóricas de escala no-
minal, nas quais o regressando tem mais de dois valores nominais. Vejamos, por exemplo, os meios
de transporte para ir ao trabalho. Vamos supor que temos três opções: carro, ônibus ou trem. Como
decidir entre essas opções? Será que ainda podemos usar o MQO? Como veremos nesse capítulo,
problemas como esses requerem técnicas de estimativa não lineares. Os modelos logit condicional
multinomial ou probit multinomial discutidos nesse capítulo mostram como as variáveis de escala
nominal multicategorias podem ser modeladas.
9. Apesar de as variáveis de escala nominal não poderem ser facilmente quantificadas, às vezes elas
podem ser ordenadas ou classificadas. Os modelos logit ordenado e probit ordenado, discutidos
no Capítulo 10, mostram como modelos ordenados ou classificados podem ser estimados.
10. Em algumas situações, a variável dependente tem valores restritos devido ao modo como o problema
foi concebido. Suponha que queiramos estudar as despesas com moradia de famílias que ganham
uma renda inferior a $ 50.000 por ano. Naturalmente, isso exclui famílias com renda superior a esse
limite. A amostra delimitada ou monitorada e a modelagem de amostra truncada discutidas no
Capítulo 11 mostram como podemos elaborar fenômenos como esse.
11. Ocasionalmente, nos depararemos com dados do tipo contagem, como o número de visitas a um mé-
dico, o número de patentes recebidas por uma empresa, o número de clientes que passam pelo caixa
de uma loja em um período de 15 minutos e assim por diante. Para modelar esses dados contáveis,
costuma-se utilizar a distribuição de probabilidade de Poisson (DPP). Como a premissa que fun-
damenta a DPP nem sempre é satisfeita, discutiremos resumidamente um modelo alternativo, conhe-
cido como distribuição binomial negativa (DBN). Abordaremos esses temas no Capítulo 12.
12. Em casos envolvendo dados de séries temporais, uma premissa básica do MCRL é que as séries tem-
porais são estacionárias. Se esse não for o caso, será que a metodologia normal de MQO continua
sendo aplicável? Quais são as alternativas? Veremos esses temas no Capítulo 13.
13. Se regredirmos uma série temporal não estacionária em uma ou mais séries temporais não estacio-
nárias, podemos provocar o fenômeno da regressão espúria ou sem sentido. No entanto, se hou-
ver uma relação estável de longo prazo entre as variáveis, ou seja, se as variáveis forem cointegradas,
a regressão espúria passa a ser desnecessária. No Capítulo 14, mostraremos como descobrir isso e o
que acontece se as variáveis forem não cointegradas.
14. Apesar de a heterocedasticidade, em geral, ser associada a dados de corte transversal, ela também
pode surgir em dados de séries temporais no chamado fenômeno da aglomeração de volatilidade
observado em séries temporais nas finanças. Os modelos ARCH e GARCH discutidos no Capítulo 15
mostrarão como podemos modelar a aglomeração de volatilidade.
 MODELO DE REGRESSÃO LINEAR: VISÃO GERAL 3

15. A previsão é um campo especializado na econometria de séries temporais. No Capítulo 16, discutire-
mos como a previsão econômica usa o modelo de regressão linear (MRL), bem como dois métodos de
previsão bastante utilizados, o ARIMA (autorregressivo integrado de médias móveis) e o VAR (veto-
res autorregressivos). Demonstraremos com exemplos o funcionamento desses modelos.
16. Os modelos discutidos nos capítulos anteriores lidaram com dados de séries temporais ou dados de
corte transversal. O Capítulo 17 lida com modelos que combinam dados de corte transversal e dados
de séries temporais. Esses modelos são conhecidos como modelos de regressão com dados em
painel. Mostraremos nesse capítulo, como esses modelos são estimados e interpretados.
17. No Capítulo 18, discutiremos o tema da análise de sobrevivência ou duração. A duração de um
casamento, a duração de uma greve, a duração de uma doença e a duração do desemprego são alguns
exemplos de dados de duração.
18. No Capítulo 19, discutiremos um tema que tem recebido considerável atenção na literatura: o método
de variáveis instrumentais (VI). A maior parte deste livro é dedicada ao caso de regressores não
estocásticos, ou regressores fixos, mas em algumas situações temos de considerar regressores esto-
cásticos, ou aleatórios. Se os regressores estocásticos forem correlacionados com o termo de erro, os
estimadores de MQO não só serão tendenciosos como também serão inconsistentes ou, em outras
palavras, o viés não diminui por mais que a amostra seja grande. O princípio básico das VIs é que elas
substituem os regressores estocásticos por outro conjunto de regressores, chamados de variáveis
instrumentais (ou simplesmente, instrumentos), que são correlacionados com os regressores
estocásticos, mas não são correlacionados com o termo de erro. Como resultado, podem-se obter
estimativas consistentes dos parâmetros de regressão. Nesse capítulo, mostraremos como fazer isso.
19. O Capítulo 20, sobre os modelos de regressão quantílica (MRQ), traz a análise e a descrição mais comple-
ta da distribuição condicional de uma variável do que apenas a média condicional, como nos modelos
tradicionais de regressão linear. Em algumas situações, pode ser mais interessante estimar um modelo
de regressão com base na mediana, que é menos sensível às observações de valores discrepantes.
Podemos ir ainda mais longe e dividir os nossos dados em vários grupos, como quartis (divisão
em quatro grupos), decis (divisão em dez grupos) ou centis (divisão em 100 grupos). Ao examinar os
vários quantis, podemos descobrir se o valor médio do regressando difere de um quantil ao outro. Se
for o caso, conduzir apenas uma regressão para todas as observações da amostra pode distorcer a
verdadeira natureza da relação entre o regressando e os regressores.
20. O Capítulo 21 aborda o tema dos modelos de regressão multivariados (MRMs), que passaram a
ser aplicados em diversos campos. No MRM, temos diversas variáveis dependentes, ou regressandos,
mas todos eles têm os mesmos regressores. Por exemplo, o teste de aptidão escolar (SAT, scholastic
aptitude test) nos Estados Unidos mede o desempenho de um aluno em testes verbal e quantitativo
em relação a diversas variáveis socioeconômicas. Em princípio, é possível estimar as regressões de
MQO separadas para a parte verbal e a parte quantitativa do SAT. No entanto, isso negligencia a
possibilidade de as notas dos alunos nos testes verbal e quantitativo poderem ser correlacionadas.
O MRM leva em conta essa correlação e estima as duas notas em conjunto.
Os MRMs constituem um caso especial de regressões aparentemente não relacionadas. Por
exemplo, as decisões de investimento de capital da General Motors (GM), da Ford Motor e da Chrysler,
embora tomadas de modo independente, na verdade podem não ser independentes, porque todas es-
sas empresas operam nas mesmas condições regulamentares e de mercado de capitais. Desse modo,
pode ser necessário levar esses fatores em consideração ao elaborar as funções de dispêndio (regres-
são) das três empresas. Nesse capítulo, mostraremos como as MRMs lidam com esse tipo de problema.