Manual Total PDF

9/10/2014 MANUAL GRETL LEANDRO ----------------------- Page 1 ---------------------- -
http://translate.googleusercontent.com/translate_f 1/635
Page 1
MANUAL GRETL LEANDRO
----------------------- Page 1 -----------------------
Usando Gretl para Princpios de Econometria, 4 Edio
Verso 1,0411
Lee C. Adkins
Professor de Economia
Universidade do Estado de Oklahoma
7 abr 2014
1Visit http://www.LearnEconometrics.com/gretl.html para a verso mais recente do
este livro. Alm disso, verifique
a errata (pgina 459) para as alteraes desde a ltima atualizao.
----------------------- Page 2 -----------------------
Licena
c
Usando Gretl para Princpios de Econometria, 4 edio.
Direitos de autor 2011 Lee C. Adkins.
concedida permisso para copiar, distribuir e / ou modificar este documento
sob os termos do
GNU Free Documentation License, Verso 1.1 ou qualquer verso posterior publicada pela
o Software Livre
Foundation (ver Apndice F para mais detalhes).
Eu
----------------------- Page 3 -----------------------
Prefcio
A edio anterior deste manual foi sobre como usar o software
chamado pacote Gretl fazer
vrias tarefas economtricos necessrios em um curso tpico de dois
graduao ou mestrado nvel econo-
seqncia de mtricas. Esta verso tenta fazer o mesmo, mas vrios
melhorias foram feitas
Pgina 1
Page 2
que vai interessar aqueles que ensinam cursos mais avanados. Eu vim para
apreciar o poder e
utilidade da poderosa linguagem de scripting do Gretl, agora chamado Hansl. Hansl
suficiente para poderosa
fazer alguma computao sria, mas bastante simples para iniciantes para aprender.
Nesta verso do livro,
voc vai encontrar mais informaes sobre como escrever funes e usando loops para obter
resultados bsicos. A
programas foram generalizados, em muitos casos, para que pudessem
ser adaptado para outros usos
se desejado. Como eu aprendo mais sobre Hansl especificamente e programao em
geral, eu, sem dvida,
rever a parte do cdigo contido aqui. Fique ligado para mais desenvolvimentos.
Tal como acontece com a ltima edio, o livro escrito especificamente para ser utilizado com um
especial de livros didticos,
Princpios de Econometria, 4 edio (POE4) por Hill,
Griths, e Lim. Pode ser usado
com muitos outros textos introdutrios. Os dados para todas as
exemplos aqui utilizados esto disponveis
como um pacote do meu website em
http://www.learneconometrics.com/gretl.html. Se
so
familiarizado com Gretl e est interessado em us-lo em sala de aula, Mixon
Jr. e Smith (2006) e
Adkins (2011a) escreveram uma breve reviso da Gretl e como ele pode ser usado em
uma graduao
Claro que voc pode convenc-lo a dar-lhe uma tentativa.
Os captulos so organizados na ordem em que aparecem no Princpios de
Econometria. Cada
captulo contm uma breve descrio dos modelos bsicos para ser
estimada e, em seguida, d-lhe a
instrues especficas ou cdigo Gretl para reproduzir (quase) todas as
exemplos no livro. Onde
for o caso, eu adicionei um pouco de material pedaggico que complementa o que
voc vai encontrar no texto.
Eu tentei manter isso ao mnimo uma vez que este no suposto
servir como um substituto para o
livro de texto. A melhor parte sobre este manual que ele, como Gretl, gratuito. Ele
est sendo distribudo em
Formato pdf da Adobe e vou fazer correes ao texto que eu encontrar erros.
Capacidade do Gretl para processar funes do usurio escritas expande
Pgina 2
Pgina 3
a utilidade do cao
cao. Em vrios dos captulos so usadas para estimar
modelos, alguns modelos, e
calcular vrias estatsticas. A linguagem de script, continua a
evoluem de forma til, tornando-se
mais transparente em uso e mais funcional. Embora no
explorada neste livro, a capacidade de
ii
----------------------- Page 4 -----------------------
dar escritores de funo acesso ao GUI bsico e empacotar as coisas em feixes
muito emocionante
desenvolvimento.
As funes podem ser compartilhadas e importado facilmente atravs Gretl, especialmente se voc
esto ligados a
a Internet. Se Gretl no faz o que voc quer que ele agora, ficar
sintonizado. Ele logo se pode. Se recente
atividade qualquer indicao, estou confiante de que a equipe do Gretl
vai continuar a melhorar este
aplicativo j muito til. Espero que este manual igualmente til
aqueles que utilizam os Princpios
de Econometria.
H algumas mudanas significativas na 4 edio do POE e que meios
existem alguns
mudanas neste livro da edio anterior. Como no
edio anterior deste e-book, eu tenho
Tentativas para proporcionar instrues gretl para cada exemplo no livro.
Minhas solues so
no necessariamente a mais elegante. Em alguns casos, d lugar a elegncia
simplicidade de programao,
especialmente no que diz respeito aos tipos de alunos que possam estar usando este
livro. Eu fiz
um eort generalizar alguns do script para que seja mais fcil de se adaptar s
novas necessidades. Eu tambm tenho
fez uso liberal de loops e funes. Estas so ferramentas poderosas
e uma compreenso completa
deles pode ter o seu Gretl e habilidades economtricas para o prximo nvel. Sinta-se livre
para enviar sugestes.
Outra mudana nesta verso do livro que eu fiz algum eort para
Pgina 3
Page 4
generalizar alguns
os scripts. Apesar de que deve tornar mais fcil para generaliz-los para um novo
uso, isso no significa que
eles se tornaram um pouco mais complicado. A forte dependncia do usurio escrito
funes evidente.
Convido os usurios a tomar o tempo para trabalhar com estes, a fim de avanar em sua
programao e
habilidades economtricos.
Para tornar as coisas mais fceis de encontrar no livro, eu adicionei um ndice. No
pdf, voc pode clicar em
o nmero da pgina listada no ndice e ser levado para o local relevante no
texto. Alm disso, a figura
Nmeros, nmeros, equaes e citaes so tambm "quente" e pode ser
utilizada desta forma tambm.
Uma vez que alguns podem preferir imprimir o manual para fora, em vez de trabalhar a partir de
o pdf, optei por fazer
o 'hot' liga na cor preta, que disfara a sua funcionalidade.
Por fim, quero dizer que a minha converso ao Gretl no foi imediata. Em
fato de eu ainda usar outro
software como ocasies exigem, embora mais raramente. Dito isto, eu tenho
tornar-se um verdadeiro crente
no poder do Gretl. Agora a minha vez de software. Eu confio nele. simples
de usar e programar.
Na minha opinio ele combina o melhor de Gauss e Eviews. Ele
ao mesmo tempo um elevado nvel de programao
linguagem e um front-end til para fazer econometria padro.
A facilidade com que se pode
frente e para trs de ambos os usos torna verdadeiramente nico. Como um ex-Gauss
usurio, acho Gretl-se
para as tarefas que eu escolher. Eu recomendo vivamente que voc levar algum tempo
para trabalhar com ele e
aprend-la. Voc no pode deixar de vir a apreciar o seu poder. O que vale
derivado do que ele faz,
no o seu preo.
Quero agradecer a equipe Gretl de Allin Cottrell e Riccardo
Lucchetti para colocar tanto
eort em Gretl. Eu no sei como eles encontrar tempo para fazer essa tal
projeto de valor. Ele
uma ferramenta fantstica para ensinar e fazer econometria. Tem
muitos recursos alm daqueles
Pgina 4
Pgina 5
Discuto neste livro e outras funes so adicionados regularmente. Alm disso, tem Jack
gentilmente me forneceu
com sugestes e programas que fizeram isso muito melhor do que teria
sido de outra forma.
iii
----------------------- Page 5 -----------------------
Quaisquer erros remanescentes so de minha responsabilidade.
Eu tambm quero agradecer ao meu bom amigo e colega Carter Hill para sugerindo
Eu escrevo este e
Oklahoma State University e da nossa Faculdade de Negcios para continuar a me pagar
enquanto eu trabalho em
lo.
c
Copyright 2007, 2008, 2009, 2011 Lee C. Adkins.
iv
----------------------- Page 6 -----------------------
Contedo
1 Introduo
1
1.1 O que Gretl? . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Instalando Gretl . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Gretl Basics. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Convenes Ordinrias . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 5
1.2 Importando dados. . . . . . . . . . . . . . . .
Pgina 5
Pgina 6
. . . . . . . . . . . . . . . . . . . . . 6
1.3 Usando o Gretl Language. . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Console . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Scripts. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Sesses . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 12
1.3.4 Gerando novas variveis. . . . . . .
. . . . . . . . . . . . . . . . . . . . . 13
1.4 Gnuplot. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 14
2 Regresso Linear Simples
19
2.1 Regresso Linear Simples Modelo . . . . . .
. . . . . . . . . . . . . . . . . . . . . 19
2.2 Recuperar os dados . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 19
v
----------------------- Page 7 -----------------------
2.3 Graficamente os dados . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Estimar o gasto de Relacionamento Food
. . . . . . . . . . . . . . . . . . . . 23
2.4.1 Elasticidade. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 25
Pgina 6
Pgina 7
2.4.2 Previso. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 26
2.4.3 Estimar varincias . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 26
2,5 Amostragem repetida . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Estimativa de relaes no-lineares . .
. . . . . . . . . . . . . . . . . . . . . . . 31
2.7 Regresso com uma varivel indicadora .
. . . . . . . . . . . . . . . . . . . . . . . 33
2.8 Simulao de Monte Carlo . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 34
2.9 Script. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 37
3 Intervalo Estimao e Testes de Hipteses
45
3.1 Intervalos de Confiana . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Amostragem repetida . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Monte Carlo Experiment . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Testes de Hipteses . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Script para t-valores e valores de p . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 55
3.6 Combinao linear de parmetros . . .
. . . . . . . . . . . . . . . . . . . . . . . 57
Pgina 7
Page 8
3.7 Script. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 59
4 Prediction, Goodness-of-Fit, e problemas de modelagem
62
4.1 Previso das despesas modelo Food
. . . . . . . . . . . . . . . . . . . . . 62
4.2 Coecient de Determinao . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 64
4.3 Escolhendo uma forma funcional . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 67
vi
----------------------- Page 8 -----------------------
4.3.1 Linear-Log Especificao . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 68
4.3.2 Lotes residuais . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 70
4.3.3 Teste de Normalidade . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 72
4.4 COMUNICAO DE RESULTADOS . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 75
4,5 Modelos polinomiais. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 77
4.5.1 Rendimento de trigo . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 77
4.5.2 Modelo de Crescimento . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 79
Pgina 8
Pgina 9
Equao 4.5.3 Salrio . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 80
4.5.4 Generalized R2 . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 82
4.5.5 As previses do modelo log-linear
. . . . . . . . . . . . . . . . . . . . . . 82
4.5.6 Previso Intervalo . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 83
4.5.7 Log-Log Modelo . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 85
4.6 Script . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 86
5 Multiple Modelo de Regresso
90
5.1 Regresso Linear . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 91
5.2 Burger Barn do Big Andy. . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 92
5.2.1 varincias e covarincias dos Mnimos Quadrados
. . . . . . . . . . . . . . . . . . 93
5.2.2 Intervalos de Confiana . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 94
5.2.3 t-testes, valores crticos e valores de p.
. . . . . . . . . . . . . . . . . . . . . 96
5.3 Polinmios. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 99
5.3.1 Eects Marginais . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 100
Pgina 9
Pgina 10
5.3.2 Optimal Publicidade: Nonlinear Combinaes de
Parmetros . . . . . . . . 101
5.4 Interaes. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 103
vii
----------------------- Page 9 -----------------------
5.4.1 Interaes bsicas de variveis contnuas.
. . . . . . . . . . . . . . . . . . 103
5.4.2 Log-Linear Model . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 105
5.5 Goodness-of-Fit . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 105
5.6 Script. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 108
6 Alm disso Inferncia no modelo de regresso mltipla
110
6.1 F-teste. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 110
6.2 Regresso Significado . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 115
6.2.1 Relao entre T e F-testes
. . . . . . . . . . . . . . . . . . . . . . 118
6.2.2 Nvel timo de Publicidade . . .
. . . . . . . . . . . . . . . . . . . . . . . 119
6.3 Informaes Nonsample . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 121
6.4 Especificao Modelo . . . . . . . . . . .
Pgina 10
Pgina 11
. . . . . . . . . . . . . . . . . . . . . . . 123
6.5 Seleo de Modelos: Introduo ao Gretl funes.
. . . . . . . . . . . . . . . . . 124
6.5.1 R2 ajustado . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 126
6.5.2 Critrios de Informao . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 126
6.5.3 A Funo Gretl estabelecer regras modelo de seleo
. . . . . . . . . . . . . 127
6.5.4 REAJUSTE . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 130
6.6 Carros Exemplo . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 131
6.7 Script. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 134
7 Usando variveis indicadoras
138
7.1 As variveis indicadoras. . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 138
7.1.1 Criando variveis indicadoras . . . .
. . . . . . . . . . . . . . . . . . . . . . . 140
7.1.2 Estimando uma regresso . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 141
viii
----------------------- Page 10 -----------------------
7.2 Aplicando variveis indicadoras . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 142
Pgina 11
Pgina 12
7.2.1 Interaes. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 143
7.2.2 Indicadores regionais. . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 144
7.2.3 Teste de equivalncia de dois Regies
. . . . . . . . . . . . . . . . . . . . . . 146
7.2.4 Modelos Log-Lineares com indicadores .
. . . . . . . . . . . . . . . . . . . . . . 150
7.3 Probabilidade Linear. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 151
7.4 Tratamento Eects . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 152
7.4.1 Escola Fixa Eects . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 156
7.4.2 Usando Probabilidade Linear para Verificar a atribuio aleatria
. . . . . . . . . . . 157
7.5 Extencil de diferenas-em-extencil de diferenas de estimativa. . .
. . . . . . . . . . . . . . . . . . . . . . 158
7.6 Script . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 161
8 Heteroscedasticidade
166
8.1 Despesa com alimentao Exemplo . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 166
8.2 Detectando Heteroscedasticidade . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 169
8.3 Testes Lagrange Multiplier . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 170
Pgina 12
Pgina 13
8.3.1 O teste de White. . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 172
8.3.2 Goldfeld Quandt de teste para Heteroscedasticidade.
. . . . . . . . . . . . . . . . . 173
8.4 Erros Padro heteroscedsticos-consistente.
. . . . . . . . . . . . . . . . . . . . 176
8.5 Mnimos quadrados ponderados . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 177
8.5.1 Dados Agrupados . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 179
8.6 A Funo Hetroskedasticity . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 181
8.6.1 mxima verossimilhana . .
. . . . . . . . . . . . . . . . . . . . . . 183
8.7 Heterocedasticidade no probabilty Modelo Linear
. . . . . . . . . . . . . . . . . 185
ix
----------------------- Page 11 -----------------------
8.8 Script. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 188
9 de regresso com a Time-Series de dados: Stationary
Variveis 196
9.1 Estruturas de Dados: Sries Temporais . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 197
9.2 Terrenos Time-Series . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 199
Pgina 13
Pgina 14
9.3 Lags Distribudos finitos . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 200
9.4 Correlao Serial . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 204
9.4.1 Correlao Serial em um Time-Series .
. . . . . . . . . . . . . . . . . . . . . . 205
9.4.2 Correlao Serial em Resduos . .
. . . . . . . . . . . . . . . . . . . . . . . 208
9,5 Outro teste para autocorrelao. . . . .
. . . . . . . . . . . . . . . . . . . . . . 209
9,6 Estimativa com erros serialmente correlacionados
. . . . . . . . . . . . . . . . . . . . . 211
9.6.1 Mnimos Quadrados e Erros HAC Padro
. . . . . . . . . . . . . . . . . . . 211
9.6.2 Largura de Banda e Kernel. . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 211
9.6.3 No-Lineares Mnimos Quadrados . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 213
9.6.4 A Mais Geral Modelo . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 214
9,7 Auto-regressivos modelos de defasagem distribuda
. . . . . . . . . . . . . . . . . . . . . . . 216
9.7.1 Curva de Phillips . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 216
9.7.2 A lei de Okun. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 221
9.7.3 modelos autoregressivos . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 223
Pgina 14
Pgina 15
9,8 Previso . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 224
9.8.1 Previso com um modelo AR . .
. . . . . . . . . . . . . . . . . . . . . . . 224
9.8.2 Usando a janela. . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 225
9.8.3 Exponencial . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 226
9,9 Anlise Multiplicador. . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 228
x
----------------------- Page 12 -----------------------
9.10 apndice. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 231
9.10.1 Teste de Durbin-Watson . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 231
9.10.2 FGLS e Outros Estimators . . . .
. . . . . . . . . . . . . . . . . . . . . . 231
9.11 Script . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 234
10 Estimativa Aleatrias Regressores e Moment base
248
10.1 Modelo Bsico . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 248
10.2 IV Estimao . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 249
10.2.1 Mnimos Quadrados Estimativa de uma equao salarial.
Pgina 15
Pgina 16
. . . . . . . . . . . . . . . . 249
10.2.2 Dois Estgios Mnimos Quadrados . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 250
10.2.3 Correlaes parciais . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 252
10.3 Testes de Especificao . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 253
10.3.1 Hausman Teste . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 253
10.3.2 Testes para Instrumentos fraco. . .
. . . . . . . . . . . . . . . . . . . . . . . 254
10.3.3 Sargan Teste. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 255
10.3.4 Vrios Endgenos Regressores e Cragg-Donald
F-teste . . . . . . . 257
10.4 Simulao . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 261
10,5 Script. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 263
11 Equaes Simultneas Models
268
11.1 verdadeiro exemplo . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 268
11.2 As equaes de forma reduzida. . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 269
11.3 As Equaes Estruturais . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 269
Pgina 16
Pgina 17
11,4 Fulton Exemplo Fish. . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 272
xi
----------------------- Page 13 -----------------------
11,5 Alternativas para TSLS . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 275
11,6 Script . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 278
12 Regresso com a Time-Series de dados: No-estacionrio
Variveis 281
12.1 Terrenos Series. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 281
12.2 regresses esprias. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 286
12.3 Os testes de estacionariedade . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 287
12.3.1 Outros testes para no-estacionrio. . . .
. . . . . . . . . . . . . . . . . . . . . 292
12,4 Cointegrao. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 295
Correo de erro de 12,5 . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 296
12,6 Script . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 298
13 Vector Correo de Erros e Vector
Autoregressive Modelos: Introduo a
Macroeconometria
305
Pgina 17
Pgina 18
13.1 Vetor de Correo de Erros e VAR Modelos .
. . . . . . . . . . . . . . . . . . . . . 305
13.1.1 Srie Plots-Constant e Tendncias . .
. . . . . . . . . . . . . . . . . . . . . 306
13.1.2 Selecionando Lag Length. . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 307
13.1.3 Cointegrao Teste . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 311
13.1.4 VECM: australiano e PIB dos EUA . .
. . . . . . . . . . . . . . . . . . . . . 311
13.1.5 Utilizao da Command VECM do Gretl. . . . .
. . . . . . . . . . . . . . . . . . . . . 312
13.2 Auto-regresso Vetorial . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 316
13.3 Funes de resposta ao impulso e varincia Decomposies
. . . . . . . . . . . . 322
13,4 Script . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 325
14 variveis no tempo Volatilidade e ARCH Modelos:
Introduo ao Economist Financeiro
mtricas
330
xii
----------------------- Page 14 -----------------------
14.1 ARCH e GARCH . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 331
14.2 Teste de ARCH . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 334
Pgina 18
Pgina 19
14,3 Threshold ARCH. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 336
14,4 Garch-in-mdio . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 341
14,5 Script. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 343
15 Pooling Time-Series e Transversais Dados
347
15.1 A Modelo Bsico . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 349
15.2 Estimativa . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 350
15,3 Eects fixos . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 353
15,4 Aleatrias Eects . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 356
15.5 Entre Estimador. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 357
15.6 Testes de Especificao . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 359
15.6.1 Breusch-Pagan Teste . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 359
15.6.2 Hausman Teste . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 360
15,7 regresses aparentemente no relacionadas . . . .
. . . . . . . . . . . . . . . . . . . . . . . 361
15,8 Script. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 372
Pgina 19
Pgina 20
16 modelos de variveis dependentes qualitativas e limitadas
375
16,1 Probit. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 375
16.1.1 Eects marginais e Eects Mdia Marginal
. . . . . . . . . . . . . . . . 377
16.1.2 Erros e intervalos de confiana padro para Marginal
Eects . . . . . . . 380
16.1.3 Testes de Hipteses . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 383
16,2 Logit . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 385
xiii
----------------------- Page 15 -----------------------
16,3 Logit Multinomial . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 389
16.3.1 Usando um script para MNL . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 395
16,4 Logit Condicional . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 397
16,5 Ordered Probit. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 399
16,6 Regresso de Poisson. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 401
16,7 Tobit . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 402
Pgina 20
Pgina 21
16,8 Simulation. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 406
16,9 Selection Bias. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 408
16.10 Usando R qualitativa para escolha Models .
. . . . . . . . . . . . . . . . . . . . . . 414
16.10.1 Logit Multinomial . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 415
16.10.2 Logit Condicional. . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 417
16.10.3 Ordered Probit . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 419
16.11 Script . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 421
A Gretl Comandos
430
B Alguns Conceitos Bsicos de Probabilidade
434
B.1 Script . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 440
C Alguns conceitos estatsticos
441
C.1 Resumo estatstico . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 441
C.2 Estimativa de Intervalo . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 443
C.3 Testes de Hipteses . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 444
Pgina 21
Pgina 22
C.4 A verificao da normalidade . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 445
C.5 Script . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . 446
xiv
----------------------- Page 16 -----------------------
D Usando R com Gretl
449
D.1 Maneiras de usar R em Gretl . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 450
D.1.1 Usando o comando estrangeiro . . . . . .
. . . . . . . . . . . . . . . . . . . . 450
D.1.2 A abertura de uma sesso R . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 451
D.1.3 R Script de Gretl . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 451
D.2 Alguns comandos e convenes bsicas . . . .
. . . . . . . . . . . . . . . . . . . 453
D.3 Pacotes. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 456
D.4 Stata conjuntos de dados . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 457
D.5 Consideraes Finais. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 457
E Errata e Atualizaes
459
F GNU Free Documentation License
Pgina 22
Pgina 23
462
GNU Free Documentation License
462
1. APLICABILIDADE E DEFINIES . . . . . .
. . . . . . . . . . . . . . . . . . . 463
2 CPIAS EXATAS . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 464
3. COPIANDO EM QUANTIDADE . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 464
4. MODIFICAES . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 465
5. COMBINANDO DOCUMENTOS . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 467
6. colees de documentos . . . . . . . .
. . . . . . . . . . . . . . . . . . . 467
7 AGREGAO COM TRABALHOS INDEPENDENTES
. . . . . . . . . . . . . . . . . . 467
8 TRADUO . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 468
9 RESCISO . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 468
10. REVISES FUTURAS DESTA LICENA . . .
. . . . . . . . . . . . . . . . . . . 468
xv
----------------------- Page 17 -----------------------
Lista de Figuras
Pgina 23
Pgina 24
1.1 Abrindo a verso da interface de linha de comando do Gretl usando Iniciar> Executar
. . . . . . 3
1.2 A verso de linha de comando do Gretl . . . . . .
. . . . . . . . . . . . . . . . . . . . 4
1.3 A janela principal para GUI do Gretl . . . . . . .
. . . . . . . . . . . . . . . . . . . . 5
1.4 Abertura de arquivos de dados de amostra a partir da janela principal do Gretl
. . . . . . . . . . . . . . . . 6
Janela de arquivo 1.5 Dados . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 7
1.6 Variveis de Listagem do conjunto de dados . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 7
1.7 A barra de ferramentas aparece na parte inferior do menu principal.
. . . . . . . . . . . . . . . . 9
1.8 A janela de referncia de comando . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 10
. . . . . . . . . . . . . . . . . . . . 11
. . . . . . . . . . . . . . . . . . . . 16
1.11 editor de script de comando. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 17
1.12 A janela da sesso . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 17
1.13 Salvar uma sesso . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 18
1.14 A janela do programa gnuplot. . . . . . . . .
. . . . . . . . . . . . . . . . . . . 18
Pgina 24
Pgina 25
xvi
----------------------- Page 18 -----------------------
2.1 Janela principal Gretl. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 20
Atributos 2.2 dados Editing. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 20
2.3 caixa de dilogo Editar Varivel . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 21
2.4 caixa de dilogo Plotar. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 21
2.5 XY enredo dos dados de gastos com alimentao . . . . . . .
. . . . . . . . . . . . . . . . . . 22
2.6 A abertura da caixa de dilogo OLS . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 23
Caixa de dilogo 2,7 OLS . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 23
2.8 consola Gretl . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 24
Janela 2,9 Modelo: resultados de mnimos quadrados . . . . . . .
. . . . . . . . . . . . . . . . . . . 41
2.10 Obteno de estatsticas de resumo . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 41
2.11 Estatsticas sumrias . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 41
2.12 clculo Elasticidade . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 42
2,13 OLS matriz de covarincia. . . . . . . . . . . . . . . .
Pgina 25
Pgina 26
. . . . . . . . . . . . . . . . . . 42
2.14 Definir a lista de nomeados. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 43
2.15 resultados de Monte Carlo . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 43
2.16 preo versus tamanho de modelos no-lineares . . . . .
. . . . . . . . . . . . . . . . . . . 44
2,17 Preo e seu logaritmo natural . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 44
3.1 utilitrio Critical valores. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 46
3.2 Os valores crticos utilizando o menu de ferramentas. . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 46
Os intervalos de confiana 3.3 . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 48
3.4 Intervalos de confiana na caixa de dilogo . . . . . . .
. . . . . . . . . . . . . . . . . . . 48
3.5 Intervalos de confiana de 10 amostras. . . . . . .
. . . . . . . . . . . . . . . . . . . 50
xvii
----------------------- Page 19 -----------------------
3.6 A cobertura dos intervalos de confiana de 100 amostras
. . . . . . . . . . . . . . . . . . 51
3.7 utilitrio P-valor. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 52
3.8 Os resultados do utilitrio valor crtico . . . . . .
. . . . . . . . . . . . . . . . . . . . 54
Pgina 26
Pgina 27
3.9 Os resultados dos vrios testes . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 57
4.1 Seleo de ANOVA. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 65
4.2 tabela ANOVA. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 65
2
4.3 Resumo estatstico: R . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 66
4.4 agregando valores ajustados aos dados. . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 66
4,5 variveis Destaque . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 67
Matriz 4.6 Correlao . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 68
4.7 Adicionando novas variveis aos dados . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 69
4.8 grfico Linear-Log. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 70
4,9 resduos aleatrios. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 71
4.10 resduos heteroscedsticos. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 72
4.11 Resduos de ajuste linear aos dados quadrtica . . . .
. . . . . . . . . . . . . . . . . . . 73
4.12 As estatsticas de resumo para as praas resduos mnimo.
. . . . . . . . . . . . . . . . 73
Pgina 27
Pgina 28
4.13 resultados do teste Normatity . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 74
A
4.14 opes LT X . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 76
E
4.15 Trigo XY rendimento trama . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 78
Dilogo 4.16 Grfico . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 79
4.17 Trigo XY rendimento com termo cbico . . . . . .
. . . . . . . . . . . . . . . . . . . 80
4.18 Trigo XY rendimento com termo cbico . . . . . .
. . . . . . . . . . . . . . . . . . . 81
Intervalo de previso de 4,19 Salrio . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 85
xviii
----------------------- Page 20 -----------------------
Demanda 4,20 Frango . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 86
5.1 OLS dilogo a partir do menu suspenso. . . . . . .
. . . . . . . . . . . . . . . . . . . 91
5.2 OLS especificar dilogo modelo . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 91
5.3 Os OLS boto de atalho na barra de ferramentas. . . . .
. . . . . . . . . . . . . . . . . . . 92
5.4 Intervalos de confiana de GUI . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 96
Pgina 28
Pgina 29
5.5 Testes de significncia. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 97
6,1 a estimativa dos mnimos quadrados do modelo . . . . . .
. . . . . . . . . . . . . . . . . . . 112
6.2 Testes menu suspenso . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 112
6.3 Omitir caixa de dilogo varivel. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 113
6.4 Os resultados do dilogo varivel omitir . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 114
6.5 caixa de dilogo restrio Linear. . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 115
6.6 Restringir resultados. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 115
6.7 F-teste geral. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 116
6.8 F-teste geral usando omitir. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 117
6.9 Usando restringir para testar hipteses . . . . . . . .
. . . . . . . . . . . . . . . . . . . 120
6.10 teste Conjunto de conjecturas de Andy. . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 121
6.11 Adicionando logaritmos de suas variveis . . . . . . .
. . . . . . . . . . . . . . . . . . . 122
6,12 Gretl sada para a procura de cerveja. . . . . . . . .
. . . . . . . . . . . . . . . . . . . 123
Tabela 6.13 Modelo . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 125
Pgina 29
Pgina 30
7.1 atributos variveis . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 141
7.2 dilogo teste de Chow. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 147
8.1 Lote de gastos com alimentao em relao renda, com mnimos quadrados caber.
. . . . . . . . . . . 168
xix
----------------------- Page 21 -----------------------
Caixa de seleo 8.2 Erros padro robustos. . . . . . . . .
. . . . . . . . . . . . . . . . . . . 193
Caixa de dilogo Opes de 8.3 . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 193
8.4 Lote de gastos com alimentao em relao renda, com mnimos quadrados caber.
. . . . . . . . . . . 194
8,5 despesas alimentares com loess ajuste. . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 195
8.6 Classificando dados. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 195
9.1 assistente estrutura Dataset. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 198
9.2 Dataset assistente estrutura confirmao . . . . . .
. . . . . . . . . . . . . . . . . . . 198
9.3 grficos de sries temporais de dados Okun . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 201
9.4 Vrios grficos de sries temporais de dados Okun . . . .
. . . . . . . . . . . . . . . . . . . 202
Pgina 30
Pgina 31
9.5 Mudana no desemprego e crescimento real do PIB. .
. . . . . . . . . . . . . . . . . . 202
9,6 variveis defasadas adicionado ao conjunto de dados . . . . . . . .
. . . . . . . . . . . . . . . . . . . 204
9,7 variveis defasadas adicionado ao dataset via GUI . . .
. . . . . . . . . . . . . . . . . . . 205
9.8 O crescimento do PIB vs crescimento defasado . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 206
9.9 correlograma para o crescimento do PIB . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 207
9.10 A inflao e as alteraes na taxa de desemprego, OZ . . .
. . . . . . . . . . . . . . . . . . . 208
9.11 Curva de Phillips resduos. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 242
9.12 LM os resultados dos testes de autocorrelao . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 243
9.13 No-Lineares resultados mnimos quadrados . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 243
9.14 correlograma Residual para Okun AR (2) . . . . . .
. . . . . . . . . . . . . . . . . . . 244
9,15 Adicionar observaes a sua amostra . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 244
Caixa de dilogo 9.16 previso. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 245
9,17 grfico Previso . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 245
9.18 suavizao exponencial. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 246
Pgina 31
Pgina 32
xx
----------------------- Page 22 -----------------------
9.19 Impacto e atraso multiplicadores . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 247
10.1 Duas fases estimador de mnimos quadrados a partir dos menus pull-down
. . . . . . . . . . . . 250
Duas fases caixa de dilogo dos mnimos quadrados 10.2 . . . . . . . . .
. . . . . . . . . . . . . . . . . . 267
10.3 Os resultados de usar a declarao de omisso depois de mnimos quadrados
. . . . . . . . . . . . . . 267
12,1 Dispersa para sries temporais. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 283
12.2 Adicionar primeiros extencil de diferenas para os dados. . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 284
12.3 Use controles de edio para atender . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 285
12.4 sries passeio aleatrio parecem estar relacionados. . . . . .
. . . . . . . . . . . . . . . . . . 301
12.5 Escolha o teste ADF a partir do menu suspenso. . .
. . . . . . . . . . . . . . . . . . 302
12.6 A caixa de dilogo de teste ADF. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 302
12,7 Os resultados do teste ADF. . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 303
12.8 A caixa de dilogo para o teste de co-integrao. . . . . .
. . . . . . . . . . . . . . . . . . 303
12.9 Resultados do teste de Engle-Granger . . . . . . . . . . . . . .
Pgina 32
Pgina 33
. . . . . . . . . . . . . . . . . . 304
13.1 Plots dos EUA e PIB australiano e seus extencil de diferenas
. . . . . . . . . . . . . . . 307
13.2 nveis ADF resulta EUA e AUS . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 309
13.3 Teste-se em regresso ADF . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 310
13.4 A caixa de dilogo VECM. . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 314
Sada 13,5 VECM: parte 1 . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 315
Sada 13,6 VECM: parte 2 . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 316
13.7 Erro correo trama . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 317
13.8 Erro correo trama . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 318
13.9 A sada do VECM . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 319
xxi
----------------------- Page 23 -----------------------
Toras 13.10Natural de consumo e de renda e suas extencil de diferenas. .
. . . . . . . . . . . 320
13.11ADF testes de ln (RPCE) . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 321
13.12ADF testes de ln (RPDI). . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 322
Pgina 33
Pgina 34
Caixa de dilogo 13.13The VAR . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 324
Caixa de dilogo respostas 13.14Impulse . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 325
Respostas 13.15Impulse . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 326
14.1 Estimativa ARCH na caixa de dilogo. . . . . . .
. . . . . . . . . . . . . . . . . . 333
14,2 Um histograma da srie ALLORDS desenhada, usando a opo normal.
. . . . . . 335
14.3 Teste de ARCH usando o menu suspenso . . . . .
. . . . . . . . . . . . . . . . . . 336
14,4 caixa Teste ARCH. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 336
14,5 resultados do teste ARCH. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 337
14,6 Plotagem GARCH varincias . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 338
Roteiro GARCH 14,7 Threshold . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . 339
14,8 resultados TGARCH. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 339
14,9 MGARCH roteiro . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 345
Resultados 14.10MGARCH. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 346
15.1 servidor de banco de dados. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 348
Pgina 34
Pgina 35
15.2 Os bancos de dados no servidor . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 349
15,3 Series nos dados Barro-Lee. . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 350
15.4 A janela vista sesso. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 368
Dilogo modelo de escolha 15,5 Sistema . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 369
15.6 As escolhas estimador disponveis na caixa de dilogo do sistema.
. . . . . . . . . . . . . . . 369
xxii
----------------------- Page 24 -----------------------
16.1 caixa de dilogo modelo Probit . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 377
16.2 A sada do logit multinomial . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 390
16.3 probabilidades MNL . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 390
16,4 MNL estimativas do Gretl . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 396
16,5 caixa de dilogo Heckit. . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 413
16,6 logit multinomial resultados de R . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 416
16,7 logit condicional de R. . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 419
Pgina 35
Pgina 36
16,8 ordenados resultados probit de R. . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 420
B.1 Obter estatsticas de resumo . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 436
B.2 Resultados para as estatsticas de resumo. . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 437
B.3 P-valor utilitrio dilogo localizador . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 438
B.4 resultados de valor P. . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 438
Os valores crticos C.1 usando Hansl . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 448
A consola D.1 R . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 452
D.2 Usando R do editor de script em R Gretl. . . .
. . . . . . . . . . . . . . . . . . . 452
D.3 quadrados mnimos, utilizando R . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 454
D.4 ANOVA resulta de R . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 455
XXIII
----------------------- Page 25 -----------------------
Captulo 1
Introduo
Neste captulo, voc ser apresentado a algumas das caractersticas bsicas da
Gretl. Voc vai aprender como
para instal-lo, como obter em torno das vrias janelas no Gretl, e como importar
dados. No final
Pgina 36
Pgina 37
do captulo, voc ser introduzido linguagem poderosa do Gretl.
1.1 O que Gretl?
Gretl um acrnimo para GNU Regression, Econometria e Time-srie
Biblioteca. um software
Pacote para fazer econometria que fcil de usar e poderoso. Ele
apresenta um muito user-friendly
interface que faz com que ele se encaixa para usar em sala de aula. A sua flexibilidade,
extensibilidade e preciso torn-lo
bem adequado para a investigao tambm. Gretl distribudo como software livre que
pode ser baixado a partir de
http://gretl.sourceforge.net e instalado no seu computador pessoal.
Ao contrrio do software vendido
por fornecedores comerciais (SAS, Eviews, Shazam para citar alguns), voc pode redistribuir
e / ou modificar
Gretl sob os termos da GNU General Public License (GPL), publicado pelo
o Software Livre
Fundao. Isso significa que voc livre para corrigir ou estender Gretl como voc v
ajuste.
Gretl vem com muitos arquivos de dados de exemplo e as suas capacidades de internet dar
acesso a vrias
bancos de dados muito teis atendidos pela Universidade Wake Forest. A partir da teia Gretl
site, voc pode baixar
e instalar os conjuntos de dados de exemplo de muitos dos principais livros didticos em econometria,
incluindo o
que este livro baseia-se, Princpios de Econometria por Hill et al. (2011).
Gretl o ers uma gama completa de estimadores de mnimos quadrados com base, quer
para equaes individuais e para
sistemas, incluindo autoregressions vetor e modelos de correo de erros vetor.
Vrios max- especfico
estimadores imum verossimilhana (por exemplo, probit, ARIMA, GARCH) tambm so
fornecida de forma nativa; mais avanada
mtodos de estimao avanadas podem ser implementadas pelo usurio atravs de genrico
mxima verossimilhana ou
no-linear GMM. Gretl usa um programa Gnu separado chamado gnuplot
para gerar grficos e
A
capaz de gerar a sada no formato LTX. Gretl est sob constante
desenvolvimento para que voc possa
Pgina 37
Pgina 38
E
1
----------------------- Page 26 -----------------------
provavelmente esperar alguns bugs, mas na minha experincia, bastante estvel para uso com
meu Windows e
Sistemas Ubuntu Linux. Os principais desenvolvedores, Allin Cottrell e Jack Lucchetti,
participar diariamente
em discusses nos fruns gretl e rapidamente resolver quaisquer erros que so
relatado.
O que me leva para o plug final para Gretl, que inspirado
sua abertura. Como pode ser visto com
um monte de melhor qualidade de software open source, uma comunidade de
desenvolvedores e usurios so tecidas
entre si atravs de fruns de usurios e desenvolvedores ativos. A entrada a partir de
seus muitos participantes ajuda a
fazer Gretl bastante dinmico. Se Gretl no estimar o que voc quer hoje,
sintonizar-se amanh e
algum pode ter escrito o cdigo para estimar o seu problema economtrico.
Alm disso, Gretl est melhorando sua linguagem de script para facilitar
sofisticadas add-ons para o seu
funcionalidade bsica. Em suma, Gretl est rapidamente se tornando software vale a pena ficar
saber para pesquisa
, bem como para utilizaes pedaggicas.
1.1.1 Instalando Gretl
Para instalar Gretl em seu sistema, voc precisar baixar o
arquivo executvel apropriado
para a plataforma de computador que voc est usando. Para o Microsoft Windows
usurios um local adequado
http://gretl.sourceforge.net/win32/. Uma das coisas agradveis
sobre Gretl que o Mac OS
Verses X e Linux tambm esto disponveis. Se voc estiver usando algum
outro sistema de computador, voc pode
baixar o cdigo fonte e compil-lo em qualquer plataforma que voc gostaria.
Isso no algo
voc pode fazer com qualquer pacote de software comercial.
Pgina 38
Pgina 39
Gretl depende de alguns outros programas (gratuitos) para realizar alguma da sua magia.
Se voc instalar o Gretl
em sua mquina com base Mac ou Windows usando o arquivo executvel apropriado
fornecida em Gretl de
pgina de download, em seguida, tudo que voc precisa para tornar o trabalho Gretl deve ser
instalado como parte do
pacote. Se, por outro lado, voc vai construir o seu prprio Gretl
usando os arquivos de origem, voc
ser necessrio instalar alguns dos pacotes de apoio a si mesmo. Parto do princpio de que, se
voc experiente o suficiente
para compilar sua prpria verso do Gretl ento voc provavelmente sabe o que fazer. Para
mais, basta instalar o
executvel auto-extravel, install.exe Gretl, disponvel no site de download.
Gretl vem com
um manual de Adobe PDF que ir gui-lo atravs da instalao e apresent-lo
para a interface.
Eu sugiro que voc comece com ele, com especial ateno para os 3 primeiros
captulos, que abordam
instalao com mais detalhes e algumas noes bsicas sobre como usar a interface.
Uma vez que este manual baseado nos exemplos de Princpios de Econometria,
4 edio (POE4)
por Hill et al. (2011), voc tambm deve baixar e instalar o acompanhamento
arquivos de dados que vo com
este livro. O arquivo est disponvel em
http://www.learneconometrics.com/gretl/POE4data.exe.
Este um arquivo de janelas auto-extraveis que ir instalar o POE4
conjuntos de dados para a pasta c: \ Program
Files (x86) \ Gretl \ data de harddrive.1 do seu computador
Se voc tiver instalado Gretl
1My sistema de 64 bits. Se a sua cpia do Windows de 32 bits, em seguida, o diretrio
estrutura susceptvel de ser de dierent
2
----------------------- Page 27 -----------------------
em qualquer lugar diferente de c: \ Program Files (x86) \ Gretl, ento voc est
dada a oportunidade de
Pgina 39
Pgina 40
especificar um novo local para se instalar o programa durante a instalao.
1.1.2 Gretl Basics
Existem vrias maneiras dierent para trabalhar em Gretl. At que voc aprenda a usar
do Gretl bastante simples
e sintaxe da linguagem intuitiva, a maneira mais fcil de usar o programa atravs de sua
embutido grfica
interface com o usurio (GUI). A interface grfica deve ser familiar para a maioria de vocs.
Basicamente, voc usa
o rato do seu computador para abrir caixas de dilogo. Preencha as opes desejadas e
executa os comandos
clicando no boto OK. Gretl est usando o seu de entrada do
dilogos, entregues pelo mouse
cliques e algumas teclas, para gerar cdigo de computador que executado no
fundo.
Claro, voc pode gerar seus prprios programas diretamente, quer atravs da utilizao de um
verso de linha de comando
ou usando a GUI atravs do console Gretl ou atravs de scripts.
Verso de linha de comando do Gretl um executvel separado que lhe d acesso
para comandos gretl
diretamente a partir da linha de comando do seu computador. Isso ignora o GUI completamente.
Para abrir a verso de linha de comando do Gretl no Windows, abra uma
janela de comando e digite
gretlcli. No Windows 7 v em Iniciar> Executar para abrir a caixa de dilogo mostrada na figura 1.1.
No quadro, a utilizao
Figura 1.1: Abrindo a verso da interface de linha de comando do Gretl usando
Iniciar> Executar
Boto Procurar para localizar o diretrio em que Gretl est instalado. Em
minha mquina instalada
no "C: \ Program Files (x86) \ Gretl \ gretlcli.exe" drive. Clique em OK e
na linha de comando
verso mostrada na figura 1.2 aberta. H um par de mensagens
que algumas entradas no podia
ser encontradas no registro do Windows, o que neste caso significa que esses programas
no esto instalados
Pgina 40
Pgina 41
ou registados na minha mquina particular. Se voc receber estes, no
se assuste. Gretl ainda vai
operar. O ponto de interrogao (?) o prompt de comando. Para abrir
um dos conjuntos de dados que
instala com Gretl, tipo Engel aberto no prompt. Os dados gretl definir
engel.gdt abre e alguns
mins.
3
----------------------- Page 28 -----------------------
Figura 1.2: A verso de linha de comando do Gretl
informaes sobre a quantidade de dados e quais as variveis que ele contm so impressas
a tela. De
aqui se pode emitir comandos gretl ou executar scripts. Para fechar a janela, tipo
Sada.
Se voc est de fato usando o sistema operacional Microsoft Windows, ento voc
provavelmente no ser
usando Gretl a partir da linha de comando, muitas vezes, de qualquer maneira. Esta verso do
o programa provavelmente
o mais til para os usurios do Linux que desejam executar Gretl a partir de uma janela de terminal.
Se voc estiver usando uma
mquina que um recurso limitado, a interface de linha de comando uma forma de
recursos livres que
de outra forma, ser utilizado para operar a interface grfica. Ns no vai usar
na linha de comando
verso deste manual.
A melhor maneira de executar comandos individuais gretl atravs do
consola Gretl. Em condies normais
prtica, o console muito mais fcil de usar do que o gretlcli.exe. Ele
Oers alguns recursos de edio
e acesso imediato a outras formas de usar Gretl que no esto disponveis no
comando direto
linha verso do programa. O console e seu uso discutido na seo 1.3.1.
Se voc quiser executar uma srie de comandos, voc faz isso usando scripts. Uma
das grandes coisas
Pgina 41
Pgina 42
sobre Gretl que ele acumula comandos executados individualmente a partir do console
para um comando
log que pode ser executado em sua totalidade em outro momento. Este tpico pode ser
encontradas na seo 1.3.2. Ento,
se voc tiver concludo uma anlise que envolve muitas etapas sequenciais, os passos
podem ser salvos em um
arquivo de script que pode ser aberto mais tarde e correr em uma etapa para obter o resultado.
Voc pode usar o ambiente de script para realizar estudos de Monte Carlo
em econometria. Monte
Estudos Carlo usar simulao por computador (por vezes referido como experimentos) para
estudar o prop-
propriedade uma tcnica particular. Isto especialmente til quando o
propriedades matemticas de
sua tcnica so particularmente dicult de determinar. Nos exerccios a seguir,
voc vai aprender um pouco
em fazer esses tipos de experimentos em econometria. Alm disso, voc pode consultar um
separada de papel
meu Adkins (2011b), que pode ser encontrada em
http://www.learneconometrics.com/pdf/MCgretl/
index.htm.
Na Figura 1.3 voc encontrar a janela principal do Gretl.
4
----------------------- Page 29 -----------------------
Figura 1.3: A janela principal para GUI do Gretl
Na parte superior da janela, voc encontra na barra de menu. A partir daqui voc importar
e manipular
de dados, anlise de dados e gerenciar a sada. Na parte inferior da janela est
a barra de ferramentas Gretl. Este
contm uma srie de utilitrios que podem ser lanados a partir do Gretl.
Entre outras coisas,
voc pode comear com o site da Gretl daqui, abrir a verso pdf do manual,
ou abrir o MS
Calculadora do Windows (muito til!). Mais ser dito sobre estas funes
mais tarde.
1.1.3 Convenes Ordinrias
Pgina 42
Pgina 43
No incio, vou ilustrar os exemplos que utilizam um nmero de figuras
(Um nmero excessivo
para ter certeza). Estes nmeros so capturas de tela de janelas de Gretl como eles
quando intimados
a partir dos menus pull-down. Como voc se familiarizar com Gretl a freqncia
desses nmeros vai
diminuir e vou encaminh-lo para os comandos apropriados que podem ser executados em
o console ou como um
script usando apenas palavras. Mais complexa srie de comandos podem exigir que voc use
o script Gretl
instalaes que basicamente permitem que voc escrever programas simples em sua totalidade,
armazen-los em um arquivo,
e, em seguida, executar todos os comandos em um nico lote. A
conveno utilizada ser de referir-se a
itens de menu como A> B> C o que indica que voc deve clicar sobre a opo A na
barra de menu, selecione
B a partir do menu suspenso e selecione a opo mais C do B de
menu suspenso. Tudo isto
prtica bastante normal, mas se voc no sabe o que isso significa, pergunte ao seu
instrutor agora.
Existem alguns truques usados neste manual para fazer os scripts funcionarem em vrios
plataformas sem
muitas modificaes. Gretl contm macros especiais para a localizao de comumente
arquivos usados. H sim
um diretrio de trabalho que Gretl l e grava. Esse local pode ser definida
pelo utilizador usando
No menu arquivo. Para se referir a este local genericamente, use a macroworkdir.
A instalao Gretl
diretor referenciado porgretldir e armazenamento temporrio pode ser acessado via
dotdir. Se qualquer um dos
esses diretrios tm espaos em seus nomes, ento no se esquea de incluir o
comando entre aspas duplas.
5
----------------------- Page 30 -----------------------
Por exemplo, no meu sistema Windows 7, Gretl est instalado no
"C: \ Programas \; Files (x86) \ Gretl"
diretrio. Os conjuntos de dados para POE4 esto em "gretldir \ data \ poe \". Para se referir a
este local que posso
simplesmente usar "gretldir \ data \ poe".
Pgina 43
Pgina 44
1.2 Importando dados
A obteno de dados em econometria e coloca-lo em um formato que pode ser usado
pelo seu software
pode ser um desafio. Existem dezenas de peas dierent de software e muitos
usar dados proprietrias
formatos que fazem a transferncia de dados entre aplicaes dicult.
Voc vai notar que os autores
de seu livro forneceram dados em vrios formatos para sua convenincia.
Neste captulo, vamos
explorar alguns dos recursos de tratamento de dados de Gretl e mostrar-lhe (1) como
acessar os conjuntos de dados
que acompanham o seu livro (2) como trazer um desses conjuntos de dados em Gretl
(3) como listar o
variveis do conjunto de dados e (4) como modificar e salvar seus dados. Gretl Oers
grande funcionalidade
a respeito disso. Atravs Gretl voc tem acesso a um nmero muito grande de alta
conjuntos de dados de qualidade de
outros livros didticos, bem como a partir de fontes da indstria e do governo.
Alm disso, uma vez que abriu em
gretl esses conjuntos de dados podem ser exportados para uma srie de outros formatos de software.
Primeiro, vamos carregar os dados de despesas alimentos utilizados no captulo 2 do POE4.
O conjunto de dados contm
duas variveis nomeadas x e y. A varivel y gastos semanais sobre alimentos em
uma casa e x
a renda semanal medido em incrementos de $ 100.
Abra a janela principal Gretl e clique em File> Open dados> Amostra
arquivo, como mostrado na Figura
1.4.
Figura 1.4: Abertura de arquivos de dados de exemplo do Gretl do principal
janela
Alternativamente, voc pode clicar no boto conjunto de dados aberto na barra de ferramentas.
O boto parece
uma pasta e fica no lado extremo direito da barra de ferramentas. Esta vontade
abrir outra janela (Figura
1.5) que contm guias para cada uma das compilaes de dados que voc tem
instalada no Gretl / dados
Pgina 44
Pgina 45
6
----------------------- Page 31 -----------------------
diretrio do seu programa. Se voc instalou os conjuntos de dados que acompanham
este livro usando o auto
extrao de programa do Windows, em seguida, aparecer uma aba como a mostrada na Figura
1.5.
Figura 1.5: Esta a janela arquivos de dados do Gretl. Observe que, alm
para POE, os conjuntos de dados de
Ramanathan (2002), Greene (2003), Stock e Watson (2006), e
outros esto instalados no meu
sistema.
Clique no POE 4 ed. guia e desa at encontrar os dados
conjunto chamado 'food', destaque
lo usando o cursor, e abra-o usando o boto "Abrir" no topo
da janela. Esta vontade
trazer as variveis dos dados de despesas alimentos fixados em Gretl. Neste
ponto, selecionar dados sobre a
barra de menu e, em seguida, Exibir valores como mostrado na figura 1.6.
Figura 1.6: Use o cursor para destacar todas as variveis. Em seguida,
Clique em Dados> Valores indicados para
listar o conjunto de dados.
A partir do menu esta suspenso muita coisa pode ser realizado. Voc pode editar, adicionar
observaes, e
impor uma estrutura do conjunto de dados. A estrutura do conjunto de dados importante.
Voc pode escolher
entre o tempo de-srie, sees transversais, ou estruturas de dados do painel. As opes
Gretl lhe d depende
7
----------------------- Page 32 -----------------------
nesta estrutura. Por exemplo, se os seus dados esto estruturados como uma
de sries temporais, Gretl permitir que voc
para tirar o atraso e as extencil de diferenas das variveis. Certos procedimentos
pode ser usado para sries temporais
anlise s ser possvel se o conjunto de dados foi
Pgina 45
Pgina 46
estruturado estruturado para isso. Se um
Gretl comando no est disponvel a partir da estrutura de conjunto de dados definidos, depois
ele fica inativo em
os menus pull-down.
Observe na Figura 1.4 que Gretl d-lhe a oportunidade de
Importao de Dados. A expanso deste
(File> Open dados> Importar) d acesso a vrios outros formatos, incluindo
Stata, Excel, Eviews,
SPSS e SAS (se instalado). Por exemplo, simplesmente arrastando um Stata
conjunto de dados sobre o Gretl principal
janela ir trazer os dados para Gretl.
Alm disso, a partir do menu suspenso Arquivo, voc pode exportar um conjunto de dados para outro
formato. A exportao
recurso particularmente til para a obteno de dados em R.
Se voc clicar em File> Bases de dados> On banco de dados servidor (Figura 1.4)
voc ser levado a uma web
local (se o seu computador est conectado Internet) que contm um
nmero de alta qualidade
conjuntos de dados. Voc pode puxar qualquer um destes conjuntos de dados em Gretl no
mesma maneira que a descrita
acima para o POE4 conjuntos de dados. Se voc obrigado a escrever um termo
papel em uma de suas aulas,
esses conjuntos de dados pode fornecer-lhe todos os dados que voc precisa. A base de dados
servidor discutido
em mais detalhe abaixo.
1.3 Usando o Gretl Idioma
A GUI Gretl certamente fcil de usar. No entanto, voc pode obter resultados ainda
mais rpido usando gretl de
lngua. A linguagem pode ser usada a partir do console ou atravs da recolha de vrios
linhas de programao
cdigo em um arquivo e execut-las todas de uma vez em um script. Gretl tem agora uma
nomear para o seu script
linguagem, Hansl. Hansl um acrnimo recursivo para Hansl um puro
linguagem de script (ou mo
linguagem de script), e certamente isso. H muitas coisas que voc pode fazer
utilizando este poderoso
ferramenta. Sintaxe de Hansl particularmente fcil de usar, na minha opinio, e eu fortemente
Pgina 46
Pgina 47
Recomendamos que voc
aprender a us-lo.
Um fato importante a ter em mente quando se utiliza Gretl que sua linguagem
maisculas e minsculas. Este
significa que minsculas e maisculas tm significados dierent em Gretl. A
implicao prtica
isso que preciso ter muito cuidado ao usar a linguagem. Desde
Gretl x considera ser
dierent de X, fcil cometer erros de programao. Se Gretl
d-lhe um erro de programao
declarao de que voc no consegue decifrar, certifique-se de que a varivel ou comando
voc est usando
no caso adequado.
1.3.1 Console
Console da Gretl fornece-lhe uma maneira de executar programas de forma interativa. A
janela do console abre
e no prompt (?), voc pode executar comandos Gretl uma linha de
tempo. Voc pode abrir o
8
----------------------- Page 33 -----------------------
Gretl consola a partir do menu Ferramentas pull-down ou clique no boto esquerdo do mouse
sobre a "consola Gretl"
boto na barra de ferramentas. Este boto o terceiro da esquerda
lado da barra de ferramentas na Figura
1.3. No console voc executar comandos, um por um, digitando o cdigo Gretl
aps o comando
alerta. Cada comando que voc digita retido na memria para que
voc pode acumular o que
equivale a uma "histria de comando." Para reutilizar um comando, basta usar o
seta para cima para rolar
atravs dos comandos que voc digitou em at chegar ao que
quer. Voc pode editar o
comando para corrigir quaisquer erros de sintaxe ou de fazer quaisquer mudanas que voc deseja antes de bater
a tecla enter
para executar a instruo.
Pgina 47
Pgina 48
No prompt de comando, '?' voc pode digitar comandos
da lngua Gretl. Para
exemplo, para estimar o modelo de gastos com alimentao na seo 2.4 usando menos
Tipo de praas
? ols y x const
Os resultados vo ser a sada para a janela do console. Voc pode usar a janela de
barra de rolagem direita
lado para rolar para cima, se voc precisar.
Lembre-se, (quase) tudo o que pode ser feito com o pull-down
menus tambm pode ser feito
atravs do console. claro que, usando o console exige que voc use o
sintaxe da linguagem correta,
que pode ser encontrada na referncia de comando Gretl. A referncia de comando pode ser
acessado a partir de
Na barra de ferramentas, clicando no boto que se parece com um salva-vidas. a quarta
uma do lado direito
lado da barra de ferramentas.
.
Figura 1.7: A barra de ferramentas aparece na parte inferior da pgina
menu.
A referncia de comando tambm acessvel a partir da barra de menus atravs de
Ajuda. A opo
marcado texto F1 simples, na verdade, traz tona todos os comandos em
um formato de hipertexto. Clicando
em qualquer coisa em azul ir lev-lo para a informao desejada para
esse comando. Obviamente, o
atalho de teclado F1 tambm far com que a referncia de comando (Figura
1.8). Voc tambm notar
9
----------------------- Page 34 -----------------------
que as verses .pdf das referncias de comando e funo tambm pode ser
recuperado do Ajuda
Pgina 48
Pgina 49
menu drop-down.
Figura 1.8: A referncia de comando pode ser acessado de vrias maneiras: O
cone 'salva-vidas' em
Na barra de ferramentas, Ajuda> Referncia de comandos a partir do menu suspenso, ou teclado
F1 atalho.
Observe que voc tambm pode procurar por comandos por tpico do comando
janela de sintaxe. Em
o lado esquerdo um painel liderado como Index (ver Figura 1.9). Escolha o desejado
categoria a partir da lista
e em seguida, selecione o comando que deseja ajudar com (por exemplo, Avaliao> arco).
As palavras indicado
na cor azul so links para comandos relacionados. Por exemplo, ao clicar
em GARCH ir lev-lo para o
entrada de referncia para a modelagem GARCH.
A referncia de funo uma adio relativamente nova para Gretl que vai ajudar
para localizar o
nomes Gretl usa para armazenar temporariamente os resultados (chamados acessores), para
transformar variveis, e
escrever seus prprios programas. Para acessar a referncia de funo, clique em Ajuda> Funo
de referncia
o menu suspenso como mostrado na Figura 1.10.
1.3.2 Scripts
Comandos Gretl pode ser coletados e colocados em um arquivo que pode
ser executados de uma s vez e
salvo para ser usado novamente. Isto conseguido atravs da abertura de uma nova
comando script a partir do
menu Arquivo. O comando File> Script arquivos> Novo script a partir do
pull-down menu abre a
editor de script de comando mostrado na Figura 1.11. Digite os comandos que voc
deseja executar no
caixa utilizando uma linha para cada comando. Observe que na primeira linha
do roteiro, "I: \ Program
Files \ Gretl \ data \ poe \ food.gdt ", o nome do arquivo e caminho completo so colocados em
aspas duplas,
10
Pgina 49
Pgina 50
----------------------- Page 35 -----------------------
Figura 1.9: Encontrar ajuda sobre o comando arco usando o comando
Referncia
"". Isto necessrio porque o programa Diretrio de arquivos no
caminho inclui um espao de. Se
voc tem Gretl instalado em um local que no inclui um espao, em seguida, estes
pode ser omitida.
Se voc tem um tempo muito longo de comando que ultrapassar a linha, use a barra invertida (\)
como uma continuao
de comando. Ento, para salvar o arquivo, use o boto "Salvar" na parte superior da caixa
(Primeiro da
esquerda). Se este um novo arquivo, voc ser solicitado a fornecer um nome para ele.
Para executar o programa, clique com o mouse sobre o boto "engrenagem". Na figura
mostrado, o food.gdt
arquivo de dados Gretl aberto. Os comandos da srie so usados para tomar o
logaritmo de y e x, e
o comando ols discutido na seo 2.4 usado para estimar um linear simples
modelo de regresso que
tem ln (y) como varivel dependente e ln (x) como independente
varivel. Note, o modelo tambm
inclui constante.
Um novo arquivo de script tambm pode ser aberto a partir da barra de ferramentas com o mouse
clicar sobre o "novo script"
boto ou usando o comando de teclado, Ctrl + N.2
Uma das caractersticas teis da janela de script de comando como
a funo de ajuda opera.
No topo da janela h um cone que se parece com um salva-vidas
. Clique no boto de ajuda
eo cursor se transforma em um ponto de interrogao. Mova o ponto de interrogao sobre a
ordeno que voc quer
de ajuda e clique. Voila! Voc quer receber uma mensagem de erro ou voc ser levado
ao tema da
referncia de comando. Slick!
Pgina 50
Pgina 51
2 "Ctrl + N" a tecla "Ctrl" significa pressionar e, segurando-o para baixo, pressione "N".
11
----------------------- Page 36 -----------------------
1.3.3 Sesses
Gretl tambm tem um conceito de "sesso" que permite que voc salve modelos, grficos,
e arquivos de dados em
um espao "icnico" comum. A janela de sesso aparece a seguir na Figura 1.12. A
janela da sesso
muito til. Ele contm cones que do acesso imediato informao
sobre o conjunto de dados,
que abre a janela de editar dados, que so apresentados quaisquer escalares voc computados,
estatsticas de resumo,
correlaes e as anotaes que voc pode querer fazer.
Os objetos so representados como cones e esses objetos podem ser guardadas para mais tarde
usar. Quando voc salva
a sesso, os objetos que voc adicionou devem estar disponveis novamente quando voc
re-abrir a sesso.
Para adicionar um modelo para a sua sesso, use o Arquivo> Salvar para sesso como cone
opo a partir do modelo de
menu suspenso. Para adicionar um grfico, clique direito sobre o grfico e escolha a opo
salvar a sesso
como cone. Se voc quiser salvar os resultados em sua sesso, no se esquea de fazer
assim; clique direito sobre o
janela da sesso e escolha Salvar sesso ou do Gretl principal
janela, selecione Arquivo> Session
arquivos> Salvar sesso, conforme mostrado abaixo na Figura 1.13.
Uma vez que um modelo ou grfico adicionado, seu cone aparecer no cone da sesso
window view. Double-
Clicando sobre o cone exibe o objeto, enquanto boto direito do mouse abre um menu
que permite que voc exiba
ou excluir o objeto. Voc pode pesquisar o conjunto de dados, olhar para as estatsticas de resumo
e correlaes, e
salvar e rever os resultados da estimao (modelos) e grficos.
A tabela do modelo uma forma de combinao de vrios modelos estimados em uma nica
tabela. Isto muito
til para a comparao de modelo. Do manual Gretl ((Cottrell e Lucchetti,
Pgina 51
Pgina 52
. 2011, pp 16-17)):
Na pesquisa economtrica comum para estimar vrios modelos com um
dependncia comum
varivel dent os modelos contm variveis independentes dierent ou so
estimada usando
estimadores dierent. Nesta situao, conveniente apresentar a
resultados da regresso
sob a forma de uma tabela, em que cada coluna contm os resultados
(estimativas coecient
e os erros padro) para um determinado modelo, e cada linha contm o
Estimativas para um dado
varivel entre os modelos.
No Gretl janela vista cone fornece um meio de construir
tal tabela (e
A
copi-lo em texto simples, LTX ou Rich Text Format). Aqui est como fazer
ele:
E
1. estimar um modelo que voc deseja incluir na tabela, e no
exibio do modelo
janela, no menu Arquivo, selecione Salvar a sesso como
cone ou Salvar como cone
e fechar.
2. Repetir o passo 1 para os outros modelos de ser includos na tabela (se
para um total de seis
modelos).
3 Quando voc terminar de estimar os modelos, abra a exibio de cones de sua
sesso Gretl,
seleccionando vista cone no menu Exibir no principal
Gretl janela, ou atravs
clicando na sesso icon vista na barra de ferramentas Gretl.
4 Na viso cone, h um cone chamado tabela Model.
Decida qual modelo voc
deseja que aparea na coluna mais esquerda da tabela de modelo e adicion-lo
para a tabela,
Pgina 52
Pgina 53
12
----------------------- Page 37 -----------------------
arrastando seu cone para o cone de mesa modelo, ou por
clicar com o boto direito do mouse no
modelo cone e selecione Adicionar para modelar a tabela do
No menu pop-up.
5 Repita o passo 4 para os outros modelos que voc deseja incluir no
tabela. A segunda
modelo selecionado ir aparecer na segunda coluna da esquerda, e
assim por diante.
6 Quando terminar de compor a mesa de modelo, exibi-lo por
clicando duas vezes no
seu cone. No menu Editar na janela que aparece, voc
tem a opo
de copiar a tabela para a rea de transferncia em vrios formatos.
7 Se a ordenao dos modelos da tabela no o que
voc queria, clique com o boto direito em
o cone de tabela do modelo e selecione Limpar tabela. Ento v
volta para a etapa 4 acima e
tente novamente.
Na seo 6.4, voc encontrar um exemplo que utiliza a tabela de modelo e uma figura
(6.13) que ilustra
o resultado.
1.3.4 Gerando novas variveis
Neste manual, estaremos gerando novas variveis, as estatsticas de computao
com base na sada Gretl
colocar e executar os clculos de matrizes usando linguagem de script do Gretl.
Isso significa que ser
gerao de srie, escalares, matrizes, listas e at cordas. Como o Gretl
lidar com isso?
Gretl realmente muito indulgente na gerao de novos resultados.
O comando 'me' para
Pgina 53
Pgina 54
fazer isso genr. O comando genr praticamente faz tudo. No
adequado contexto, sries,
escalar e matriz so sinnimos para este comando.
Assim, para criar um novo resultado escalar, dizem c criar uma constante que igual
3, voc pode usar escalar
c = 3 ou genr c = 3 Os comandos escalares e genr deixar Gretl saber que
voc est calculando
algo e chamando-C.
Para criar uma nova varivel, voc pode usar o comando srie ou genr. Suponha
voc tem uma varivel
em seu conjunto de dados chamado exp alimentos. Voc quer criar uma nova varivel
como o logaritmo natural do
exp alimentos. Isto pode ser feito utilizando a srie ou genr (por exemplo, sries l
exp = ln alimentos (alimentos exp)). Em
no contexto de um genr ou srie de frmulas, variveis devem ser referenciado por sua
nomes, no o seu ID
nmeros. A frmula deve ser uma combinao bem-formado de nomes de variveis,
constantes, operadores
e funes. Mais detalhes sobre alguns aspectos desse comando pode ser encontrada em
Usurios Gretl
Guia.
Como voc viu, um comando genr pode render tanto uma srie ou um escalar
resultado. Por exemplo,
a frmula x2 = x * 2 naturalmente produz uma srie se a varivel
x uma srie e um escalar se x
um escalar. As frmulas x = 0 e = mx mdia (x) retornar naturalmente
escalares. O comando genr
lida com ambos os casos sem emenda.
Em algumas circunstncias, voc pode querer ter um resultado escalar expandiu-se para
uma srie ou vetor.
Voc pode fazer isso usando sries como "Alias" para o comando genr.
Por exemplo, sries x =
13
----------------------- Page 38 -----------------------
0 produz uma srie em que todos os valores so definidos para 0 Voc tambm pode usar genr como
um alias para escalar.
Pgina 54
Pgina 55
No possvel coagir um resultado vetor em um escalar, mas o uso deste
indica que a palavra-chave
resultado deve ser um escalar: se no for, ocorre um erro.
Em muitos casos, voc pode at omitir o genr, srie, escalar ou matriz
declaraes e Gretl
vai descobrir o que calcular com base no que est no lado direito do seu
equao. Este
perigoso, porm, porque voc pode inadvertidamente estar tentando calcular objetos
com incompatvel
dimenses ou de tipos incompatveis.
Neste livro, eu s vezes pode usar genr em vez de a srie preferida
comando para criar um novo
variveis. Foi-me dito por membros da equipe de Gretl que uma boa prtica para
chamar as coisas que eles
so e assim por srie, escalar, e matriz so melhores do que o genrico
Genr (mas igualmente eective).
Uma das coisas surpreendentes sobre a linguagem Gretl que a omisso destes
comandos no total
Geralmente funciona assim mesmo. Ainda assim, eu acho que h boas razes para obter
comeou com o p direito por
adopo de boas practices.3 programao H pelo menos trs comandos
que exigem o uso de
genr, em vez de em srie. Estas envolvem a criao de um ndice de tempo (genr
variveis de tempo) e dummies
(Unitdum genr e genr simulado). Estes casos sero apontados quando
chegar at eles.
Uma das vantagens do uso de prefixos descritivos de srie, escalares e
matrizes ocorre quando
voc escrever funes. Gretl funes so uma forma muito poderosa de estender gretl de
capacidades. Eles
so mimado embora. As entradas devem ser identificados por tipo como faz qualquer sada.
Tipo descasamentos
so uma fonte comum de erro. Assim, quanto mais pensava que entra em
uso dirio vai pagar dividendos
mais tarde voc decidir comear a escrever suas prprias funes gretl.
1.4 GNUPlot
Pgina 55
Pgina 56
No final de cada captulo que se segue, voc encontrar listagens de todo o
roteiro Gretl utilizado para
gerar os resultados que esto contidos na mesma. Quando um grfico gerado utilizando
gnuplotin um script
ou a partir do console, a sada gravada em um arquivo que colocado no
diretrio de Gretl trabalhando.
Se voc no tem certeza de onde que , clique em Arquivo> Diretrio de trabalho em
Na janela principal Gretl para
encontrar ou alterar esse local. A localizao do arquivo tambm ser exibida na
tela para localiz-lo
deve ser bastante fcil.
Para visualizar o grfico e para edit-lo requer que voc abrir o programa gnuplot.
No Windows, o
maneira mais fcil de fazer isso abrir o console Gretl e digite:
lanamento wgnuplot
Esta ser a aparncia
Programadores 3Astute vai notar que a minha prpria programao deixa muito a ser
desejado. Adoo de melhores prticas
quando aprender a programa teria feito fazendo econometria muito mais fcil.
14
----------------------- Page 39 -----------------------
.
Isso abre gnuplot em uma nova janela. Agora, v at a janela do gnuplot e em
o gnuplot
prompt de comando digite
carga 'C: \ Temp \ gpttmp01.plt'
O caminho eo nome de arquivo dentro das aspas simples localizar os arquivos no
seu disco rgido. Lugares Gretl
estas parcelas no diretrio de trabalho, o que pode ser definido usando Arquivo> Trabalhar
Pgina 56
Pgina 57
diretrio do
janela principal do Gretl. Figura 1.14 mostra o que isso parece.
Outra maneira de fazer isso abrir uma janela de comando (Figura
1.1) e digite "C: \ Program
Files (x86) \ Gretl \ wgnuplot "no prompt de comando. A
aspas duplas so necessrias uma vez
o nome da pasta tem um espao na mesma. Isto ir abrir o programa gnuplot mostrado na
Figura 1.14, a partir de
que voc pode procurar e abrir grficos que so gravados no disco rgido.
Esta implementao
um pouco desajeitado e no muito bem documentado no Guia de Usurios gretl neste
ponto, mas, como com
a maioria das coisas Gretl um trabalho em andamento. No momento em que voc l este, o
situao poderia ser muito
melhorada.
Embora os scripts so dadas para gerar grficos neste texto, a melhor maneira de
faz-lo usando o
GUI ou do console. Grficos gerados via GUI ou o console aberto para o
tela. Uma vez que o
grfico gerado e visvel na tela, um clique com o boto direito do mouse
permite que voc edite o grfico
e salv-lo em uma variedade de formatos teis. Isso o que eu tenho feito em um
nmero de grficos que
siga para torn-los mais fceis de ler do pdf. Usando gnuplot manualmente
realmente necessrio apenas
se os seus grficos so gerados em um script, como alguns dos mais neste texto
so.
Voc no tem que aceitar o nome de grfico padro do Gretl. Voc pode
atribuir um voc mesmo usando o
--output = filename, que envia a sua sada para o arquivo especificado.
Finalmente, h uma srie de outros tipos de terrenos que voc pode fazer em Gretl.
Estes incluem boxplots,
histogramas, qqplots e Faixa / parcelas dizer. O mecanismo subjacente que gera
destes gnuplot
, Mas Gretl d-lhe acesso fcil a sua gerao. Voc tambm pode acessar
gnuplot pelo roteiro atravs
File> Script arquivos> Novo script> roteiro gnuplot a partir do menu principal.
Pgina 57
Pgina 58
15
----------------------- Page 40 -----------------------
Figura 1.10: A referncia de funo pode ser acessada por Ajuda> Referncia de funo
do pull
no menu suspenso.
16
----------------------- Page 41 -----------------------
Figura 1.11: O editor de script de comando usado para coletar uma srie de comandos
no que Gretl
chama um script. O script pode ser executado como um bloco, salvo e execute novamente a uma
tempo mais tarde.
Figura 1.12: A janela da sesso
17
----------------------- Page 42 -----------------------
Figura 1.13: Salvando uma sesso
Figura 1.14: A janela do programa gnuplot. Esta aberto a partir de dentro Gretl por
lanamento de digitao
wgnuplot do console. Tipo de carga 'filename' carregar 'filename', que
deve incluir o
caminho correcto. Neste caso, o arquivo a ser carregado "C: \ Temp \ gpttmp01.plt '.
18
----------------------- Page 43 -----------------------
Captulo 2
Regresso Linear Simples
Neste captulo voc apresentado ao linear simples
modelo de regresso, que se estima
utilizando o princpio dos mnimos quadrados.
Pgina 58
Pgina 59
2.1 Regresso Linear Simples Modelo
O modelo de regresso linear simples
comida exp = + renda + et =
1, 2,. . . , T (2.1)
t 1 2 t t
onde os alimentos exp a varivel dependente, incomet o
varivel independente, et aleatria
t
erro e e so os parmetros que voc deseja estimar.
Os erros do modelo, e,
1 2
t
tem um valor mdio de zero para cada valor da renda; cada
tem a mesma varincia, 2, e
t
no esto relacionados um com o outro. A varivel independente, renda, tem que
assumir, pelo menos, dois
t
valores dierent em seu conjunto de dados. Se no, voc no ser capaz de estimar uma ladeira!
As hipteses de erro
2
pode ser resumido como e | renda iid N (0, ). A expresso iid
representa, independentemente, e
t t
identicamente distribudo e significa que os erros so estatisticamente independentes
a partir de uma outra
(E, por conseguinte, no correlacionados) e que cada uma delas tem a mesma probabilidade
distribuio. Tomar um aleatrio
amostra de uma nica populao faz isso.
2.2 recuperar os dados
O primeiro passo o de carregar o alimento e despesas dados rendimento
em Gretl. O arquivo de dados
includas na sua amostra gretl arquivos-desde que voc tenha instalado o
Princpios de Econometria
suplemento de dados que esto disponveis em nosso site. Consulte a seo 1.1.1 para
Pgina 59
Pgina 60
detalhes.
19
----------------------- Page 44 -----------------------
Figura 2.1: A janela Gretl principal. Os dados de gastos com alimentao
carregado a partir food.gdt usando
File> Open dados> arquivo de amostra e escolhendo o conjunto de dados de alimentos a partir do
arquivos de exemplo que acompanham
POE4.
Carregar os dados a partir do ficheiro de dados food.gdt. Lembre-se, este
realizado pelos comandos
File> Open dados> Amostra de arquivo no menu bar.1 Escolha alimentos
a partir da lista. Quando voc traz
o arquivo que contm os dados para o Gretl sua janela ser parecido com o de
Figura 2.1. Observe que
no Descritiva coluna rtulo contm algumas informaes sobre o
variveis no programa de
memria. Para alguns dos conjuntos de dados includos neste livro, pode ser em branco.
Estas descries,
quando existem, so utilizados pelo programa grfico para marcar a sua sada e
ajud-lo a manter o controle
de variveis que esto disponveis para utilizao. Antes de representar graficamente a sua sada ou
gerar resultados para um relatrio
ou papel que voc pode querer rotular suas variveis para fazer a sada mais fcil
entender. Isto pode
ser feito editando os atributos das variveis.
Figura 2.2: Realce a varivel desejada e clique com o boto direito para trazer
o menu suspenso mostrado
Aqui. Voc tambm pode usar atalhos de teclado F2 ou "Ctrl + E" para abrir o dilogo.
1Alternately, voc pode clicar no boto de dados aberto na barra de ferramentas.
aquele que se parece com uma pasta no
lado direito.
20
Pgina 60
Pgina 61
----------------------- Page 45 -----------------------
Para fazer isso, primeiro selecione a varivel cujos atributos voc deseja
para editar, clique com o boto direito e do
menu mostrado em (veja a Figura 2.2) aparece. Selecione Editar atributos para
abrir uma caixa de dilogo (Figura
2.3), onde voc pode mudar o nome da varivel, atribuir varivel
descries e nomes de exibio.
Descrever e rotular o exp comida varivel como "Despesas Food 'e
resultado como "Resultado Semanal
($ 100). ' O dilogo tambm pode ser aberto usando F2 a partir da janela principal ou Gretl
utilizando o teclado
Figura 2.3: Caixa de dilogo Editar Varivel
atalho, 'E.' Finalmente, o comando setinfo pode ser usado para definir a descrio
eo rtulo usado
Figura 2.4: Use o dilogo para traar as despesas de alimentos contra
Renda semanal
em grficos.
No exemplo a seguir um script gerado que abre o food.gdt
conjunto de dados, e acrescenta varivel
descries e atribui uma etiqueta a ser utilizada nos grficos posteriores.
21
----------------------- Page 46 -----------------------
aberto "gretldir \ data \ poe \ food.gdt"
setinfo food_exp-d "despesa alimentar das famlias por semana"
\
n "Despesas Food"
setinfo renda d "renda familiar semanal" n "Weekly
Renda "
rtulos
A bandeira D dado seguido por uma seqncia entre aspas duplas. usado
para definir a etiqueta descritiva.
A bandeira -n usado da mesma forma para definir o nome da varivel em grficos.
Pgina 61
Pgina 62
Note-se que no primeiro e
ltimos usos de setinfo no exemplo que eu j emitiu o comando continuao
(\) Uma vez que estes
comandos so muito grande para caber em uma nica linha. Se voc emitir o comando rtulos,
Gretl responder
imprimindo as descries para a tela.
2.3 Grfico de Dados
Para gerar um grfico dos dados da despesa alimentar que se assemelha a um em
Figura 2.6 do POE,
voc pode usar o boto na barra de ferramentas Gretl (terceiro boto da
direita). Ao clicar neste boto
traz um dilogo para traar as duas variveis contra o outro. Figura 2.4
mostra esse dilogo onde
x colocado sobre o eixo x e y no eixo y. O resultado aparece
na Figura 2.5. Observe que o
rtulos aplicados acima aparecem agora os eixos do grfico.
Figura 2.5: XY dos dados de gastos com alimentao
22
----------------------- Page 47 -----------------------
Figura 2.5 parcelas gastos com alimentao no eixo y e Renda Weekly sobre o x.
Gretl, por padro,
tambm traa a linha de regresso ajustada. Os benefcios da atribuio de etiquetas para o
torna-se mais variveis
bvia. Ambos os X e Y eixos so rotulados informatively eo ttulo do grfico
tambm mudou. Mais
sobre isso mais tarde.
Figura 2.6: Na barra de menu, selecione Modelo> Ordinria Menos Squares para abrir os mnimos quadrados
caixa de dilogo
Figura 2.7: A caixa de dilogo Modelo Especifique abre quando voc seleciona Modelo> Ordinria
mnimos quadrados
Pgina 62
Pgina 63
2.4 estimar o gasto de Relacionamento Food
Agora voc est pronto para usar Gretl para estimar os parmetros da comida
equao despesas.
comida exp = + + e renda t = 1, 2,
. . . , T (2.2)
t 1 2 tt
Na barra de menu, selecione Modelo> Ordinria Mnimos Quadrados do
menu suspenso (ver Figura
2.6) para abrir a caixa de dilogo mostrada na Figura 2.7. A partir deste dilogo
voc precisa dizer que Gretl
varivel a ser usada como varivel dependente e que o
varivel independente. Observe que, por
padro, Gretl assume que pretende estimar uma interceptao ()
e inclui uma constante quanto
1
23
----------------------- Page 48 -----------------------
uma varivel independente, colocando a const varivel na lista de
padro. Para incluir x como um
varivel independente, real-lo com o cursor e clique no
"Add-> 'boto.
O console Gretl (ver seco 1.3.1) fornece uma maneira fcil de
executar uma regresso. O Gretl
console aberto ao clicar no boto do console na barra de ferramentas,
. A janela de console, resultando
mostrada na Figura 2.8.
Figura 2.8: A janela Gretl console. Nessa janela, voc pode digitar Gretl
comandos diretamente
e realizar anlises muito rapidamente, se voc conhece os comandos adequados gretl.
No ponto de interrogao no console basta digitar
Pgina 63
Pgina 64
ols y x const
para estimar a funo de regresso. A sintaxe muito simples,
ols diz Gretl que voc quer
para estimar uma funo linear utilizando mnimos quadrados ordinrios. A
primeira varivel listado ser o seu
varivel dependente e todas as que se seguem, as variveis independentes.
Esses nomes devem corresponder ao
as utilizadas em seu conjunto de dados. Desde o nosso, os gastos com alimentao
exemplo so nomeados, y e x,
respectivamente, estes so os nomes usados aqui. No se esquea de
estimar uma intercepo adicionando um
constante (const) a lista de variveis explicativas. Alm disso, no se esquea que Gretl
sensvel a maisculas para que x
e X so entidades dierent.
Esta janela rendimentos mostrados na Figura 2.9 abaixo. Os resultados esto resumidos na
Tabela 2.1.
Uma maneira equivalente para apresentar os resultados, especialmente em pequena
como modelos lineares simples
regresso, para usar a forma de equao. Neste formato, os resultados so gretl:
exp comida = 83,4160 + 10,2096 renda
(43,410) (2,0933)
2
T = 40 R = 0,3688 F (1, 38) = 23,789 =
(erro padro entre parnteses)
Por fim, a janela de observao em Gretl principal (Figura 1.3) que a primeira coluna
tem uma rubrica denominada
24
----------------------- Page 49 -----------------------
Pgina 64
Pgina 65
Tabela 2.1: MQO estimativas usando as 40 observaes 1-40.
OLS, usando observaes 1-40
Varivel dependente: exp alimentos
Coecient Std. Erro t-ratio
Valor de p
const 83,4160 43,4102 1,9216
0,0622
renda 10,2096 2,09326 4,8774
0,0000
Mdia var dependente 283.5735 SD var dependente
112.6752
Sum squared resid 304.505,2 SE da regresso
89,51700
R2 0.385002 R2 ajustado
0.368818
F (1, 38) 23,78884 Valor P (F)
0.000019
Log-verossimilhana -235.5088 Critrio de Akaike
475.0176
Schwarz critrio 478.3954 Hannan-Quinn
476.2389
ID #. Um ID # atribudo a cada varivel na memria e voc pode usar o ID #
em vez da sua
nome da varivel em seus programas. Por exemplo, as duas linhas seguintes produzir
resultados idnticos:
1 ols food_exp renda const
2 ols 1 0 2
Um (1) o nmero de identificao para exp alimentos e dois (2) o nmero de identificao de renda.
A constante possui
ID zero (0). Se voc tende a usar nomes de variveis longos e descritivos
(Recomendado, por sinal),
usando o nmero de identificao pode poupar um monte de digitao (e alguns erros).
Pgina 65
Pgina 66
2.4.1 Elasticidade
Elasticidade um conceito importante na economia. Ele mede o quanto
responsividade uma varivel
a alteraes na outra. Matematicamente, o conceito de elasticidade bastante
simples:
variao percentual em y Ay / y
= =
(2.3)
variao percentual em x Ax / x
Em termos da funo de regresso, estamos interessados na elasticidade da
gastos mdios dos alimentos
no que diz respeito s mudanas na renda:
AE (y) / E (y) x
= = 2 .
(2.4)
Ax / x E (y)
E (y) e x so normalmente substitudos pelos seus meios de amostra e por 2
sua estimativa. A mdia de
exp alimento e renda pode ser obtida usando o cursor para realar
ambas as variveis, utilize o
25
----------------------- Page 50 -----------------------
Exibir> Estatsticas sumrias na barra de menu, como mostrado na Figura 2.10, eo
A computao pode
ser feito mo. No entanto, voc pode tornar isso ainda mais fcil usando o Gretl
linguagem para fazer tudo
os clculos no-calculadora necessrio! Basta abrir um novo script e digite:
1 ols food_exp --quiet renda const
2 escalar elast = $ coeff (renda) * mdia (renda) / mdia (food_exp)
Pgina 66
Pgina 67
Isto produz o resultado mostrado na figura 2.11.
Aps uma regresso por mnimos quadrados, Gretl armazena os mnimos quadrados
As estimativas da constante e
a inclinao em variveis chamadas $ coeff (const) e US $ coeff (receitas), respectivamente.
Alm disso, ele utiliza
mdia (renda) e mdia (exp alimentos) para calcular a mdia das variveis
renda e exp alimentos.
A opo --quiet conveniente quando voc no quer ou precisa do
produo a partir da regresso
impresso na tela. O resultado deste clculo exibido na figura abaixo
2.12.
2.4.2 Predio
Da mesma forma, Gretl pode ser usado para produzir as previses. A
gastos com alimentao prevista de um
ter famlia mdia renda semanal de US $ 2000 :
exp = 83,42 + comida 10.21incomet = 83,42 + 10,21 (20) =
287,61 (2.5)
t
Lembre-se, o resultado medido em US $ 100, ento 20 na expresso acima representa
20 * $ 100 = $ 2.000.
O script Gretl :
escalar yhat = $ coeff (const) + $ coeff (receitas) * 20
, que produz o resultado desejado.
2.4.3 Estimativa de varincia
No ponto 2.7 do POE4, voc recebe expresses para as variaes da
estimadores de mnimos quadrados
da origem e do declive, bem como sua covarincia. Estes estimadores
exigem que voc estimar
a varincia global do modelo de erros, 2. Gretl no explicitamente
Pgina 67
Pgina 68
relatar o estimador, 2
mas sim, a sua raiz quadrada, . chama isso de "SE de
regresso ", que voc pode ver a partir do
sada 89,517. Assim, 89,5172 = 8013,29. Gretl tambm relata a soma de
resduos quadrados, igual
para 304.505,2, a partir do qual possvel calcular a estimativa. Dividindo a soma de
resduos quadrados por
graus do estimador de rendimentos liberdade 25 / 38 = 8.013,29.
26
----------------------- Page 51 -----------------------
As varincias estimadas e covarincia do estimador de mnimos quadrados pode ser
uma vez obtido o
modelo estimado por mnimos quadrados, selecionando a Anlise> Coeficiente
matriz de covarincia
comando a partir do menu suspenso da janela do modelo, como mostrado na Figura 2.13.
O resultado :
Matriz de covarincia de regresso coeficientes:
renda const
1.884,44 -85,9032 const
4,38175 renda
Assim, estima variaes do estimador de mnimos quadrados do
interceptao e inclinao so 1.884,44 e
4,38175, respectivamente. Os mnimos quadrados erros padro so simplesmente o quadrado
razes dessas num-
bros. A covarincia estimada entre a inclinao e intercepo -85,9032.
Voc tambm pode obter a matriz de varincia-covarincia, especificando o --vcv
opo quando esti-
Acoplamento de um modelo de regresso. Para o uso exemplo gastos com alimentao:
ols food_exp --vcv renda const
Pgina 68
Pgina 69
para estimar o modelo usando mnimos quadrados e para imprimir a covarincia varincia
matriz para os resultados
janela.
2,5 amostragem repetida
Talvez a melhor maneira de ilustrar as propriedades de amostragem de mnimos quadrados
atravs de uma rincia
iment. Na seo 2.4.3 do seu livro, voc apresentado com resultados
a partir de 10 regresses dierent
(POE4 Tabela 2.2). Estes foram obtidos utilizando o table2-2.gdt dataset
o qual est includo na
conjuntos de dados gretl que acompanham este manual. Para reproduzir o
resultados nesta tabela que voc poderia
estimar 10 regresses separadas
aberto "gretldir \ data \ poe \ table2_2.gdt"
ols y1 const x
ols Y2 const x
.
.
.
ols Y10 const x
Os dez regresses pode ser estimada usando uma forma mais compacta do Gretl de
ciclo constri. A
primeiro passo criar uma lista que contm os nomes das variveis para o dependente
Variveis como a linha
27
----------------------- Page 52 -----------------------
1 do roteiro abaixo. A lista de instrues yList usado para colocar os dados
srie em uma coleo chamada
yList; cada uma das sries, y1, y2, ..., y10 so includos. Essas listas de nomes poder
ser usado para fazer o seu
os scripts menos detalhadas e repetitivas, e mais fceis de modificar. Desde
listas esto em listas de fato da srie ID
nmeros que podem ser usados somente quando um conjunto de dados est em vigor. A
loop foreach na linha 2 usa uma
Pgina 69
Pgina 70
varivel ndice, i, o ndice de uma lista especfica de strings. O loop
executado uma vez para cada seqncia em
a lista. O valor numrico do ndice de inicia em 1 e incrementado por 1
a cada iterao. Para
referem-se a elementos da lista, use o nome da lista de sintaxe. $ i. Certifique-se de fechar a
loop usando endloop.
1 aberta "gretldir \ Data \ poe \ table2_2.gdt"
2 lista yLista = y1 y2 y3 y4 y6 Y5 y7 y8 y9 y10
3 lao foreach i Ylist
4 ols yList. $ I 0 x
5 endloop
Na GUI Gretl, listas de nomeados pode ser inspecionado e editado sob a dados
menu principal
janela, via o item definir ou editar lista. Esta caixa de dilogo mostrada na Figura 2.14
A simples modificao do script Hansl permite que coletar os resultados
das 10 amostras
e encontrar os valores mdios dos coecients estimados. Simplesmente
adicionar a opo progressista para
3 como na linha:
3 lao foreach i Ylist --progressive
Este um exemplo de como fcil realizar um Monte Carlo
simulao em Gretl. Este ser
longamente discutido abaixo na seo 2.8.
Voc tambm pode gerar seus prprios amostras aleatrias e conduzir a Monte Carlo
experimento utilizando
Gretl. Neste exerccio, voc ir gerar 100 amostras de dados de
os dados sobre as despesas de alimentos,
estimar os parmetros inclinao e intercepo com cada conjunto de dados, e
ento estudar como o menos
praas estimador realizado ao longo desses 100 amostras dierent. O que ser
claro est presente, o
resultado de uma nica amostra um indicador pobre do verdadeiro valor do
parmetros. Manter este
pensamento humilhante em mente sempre que voc estimar um modelo com o que invariavelmente
apenas uma amostra
Pgina 70
Pgina 71
ou instncia da verdade (mas sempre desconhecido) processo de gerao de dados.
Comeamos com o modelo de gastos com alimentao:
comida exp = + + e renda
(2.6)
t 1 2 tt
onde os alimentos exp uma despesa total de alimentos para o perodo de tempo determinado e
incomet a renda. Suponha
t
alm disso, que sabemos o quanto a renda de 40 famlias cada ganha em
uma semana. Alm disso, ns
saber que, em mdia, uma famlia gasta pelo menos R $ 80 na comida se tem
renda ou no e
28
----------------------- Page 53 -----------------------
que uma famlia mdia vai gastar dez centavos de cada novo dlar de renda sobre
alimento adicional. Em
termos de regresso isso se traduz em valores de parmetros de 1 = 80 e 2
= 10.
Nosso conhecimento de algum agregado familiar consideravelmente menor.
Ns no sabemos o quanto
ele realmente gasta em comida em uma semana qualquer e, diferente de
extencil de diferenas com base no lucro, ns
No sei como os seus gastos com alimentao poderiam di er.
Gastos com alimentao so a certeza de variar
para outros fins que extencil de diferenas na renda familiar razes. Alguns
famlias so maiores do que outros, gostos
e preferncias dier, e alguns podem viajar com mais frequncia ou mais fazer comida
consumo mais
dispendioso. Por qualquer motivo, impossvel para ns saber
antemo exatamente quanto qualquer
domstico vai gastar em comida, mesmo se sabemos o quanto a renda que ganha.
Tudo isso a incerteza
capturado pelo termo de erro no modelo. Por uma questo de experimentao,
Suponho tambm sabemos
2
Pgina 71
Pgina 72
et que N (0, 88).
Com esse conhecimento, podemos estudar as propriedades dos mnimos quadrados
estimador gerando
amostras de tamanho 40, usando o mecanismo de gerao de dados conhecidos. Geramos 100
amostras utilizando o
valores de parmetros conhecidos, estimar o modelo para cada um usando mnimos quadrados, e
em seguida, use resumo
estatsticas para determinar se mnimos quadrados, em mdia, de qualquer maneira, ou muito
precisa ou precisa.
Portanto, neste exemplo, ns sabemos o quanto cada famlia ganha, quanto
o agregado familiar mdio
gasta em comida que no est relacionada com a renda (1 = 80), e quanto isso
despesas nasce em
o aumento da renda mdia. O que no sabemos como qualquer particular,
despesas do agregado familiar
responde a renda ou o quanto autnoma.
Uma nica amostra pode ser gerado da seguinte maneira. A
componente sistemtica de alimentos
despesas para a famlia tth 80 + 10 receitas. Este Diers da sua
gastos com alimentao real
t
por um valor aleatrio que varia de acordo com uma distribuio normal ter de zero
significa e padro
desvio igual a 88 Ento, usamos computador gerado nmeros aleatrios
para gerar um nmero aleatrio
erro, e, a partir dessa distribuio particular. Repetimos isso para o
restantes 39 indivduos. A
t
gera uma amostra de Monte Carlo e ento utilizado para estimar a
parmetros do modelo.
Os resultados so salvos e, em seguida, outra amostra de Monte Carlo gerado e usado
para estimar o
modelo e assim por diante.
Desta forma, podemos gerar tantas amostras dierent de tamanho 40
como desejamos. Alm disso,
pois sabemos que os parmetros subjacentes so para estas amostras,
podemos depois ver o quo perto
nossos estimadores comea a revelar esses valores verdadeiros.
Pgina 72
Pgina 73
Agora, as sequncias geradas por computador de nmeros aleatrios no so
realmente aleatrio na verdade
sentido da palavra; elas podem ser replicadas exatamente se voc sabe o
frmula matemtica utilizada para
ger-los e a "chave" que inicia a seqncia. Na maioria dos casos, estes
nmeros se comportam como se
eles gerado aleatoriamente por um processo fsico.
Para realizar um experimento utilizando mnimos quadrados em Gretl usar o script encontrado
em baixo:
2 aberto "gretldir \ Data \ poe \ food.gdt"
3 Conjunto de sementes 3213789
4 lao 100 --progressive --quiet
29
----------------------- Page 54 -----------------------
5 sries u = normal (0,88)
6 sries y1 = 80 + 10 * renda + u
7 ols y1 renda const
8 endloop
Vamos olhar para o que cada linha realiza. A primeira linha abre o
dados de oramentos familiares definido
que reside na pasta poe do diretrio de dados. A linha seguinte, o que
na verdade, no necessrio
para fazer as experincias, inicia os nmeros pseudo-aleatrios numa
ponto especfico. Isto til,
uma vez que ir permitir que voc obtenha os mesmos resultados cada vez que voc executar o script.
Em Monte Carlo laos experimentos so usados para estimar um modelo usando muitos
amostras dierent
que o experimentador gera e para coletar os resultados. A
mais simples em construo de loop Gretl
inicia-se com o circuito de comando NMC --progressive --quiet e
termina com endloop. Este
chamado um circuito de contagem. NMC, neste caso, o nmero de amostras de Monte Carlo voc
deseja usar e
a opo --progressive um comando que suprime o indivduo
Pgina 73
Pgina 74
sada em cada iterao
de ser impresso; a opo --quiet ir suprimir alguma impresso para a tela
bem.
Opcionalmente, voc pode adicionar um par de comandos adicionais.
As coletas de comando de impresso
(Escalar) estatsticas que voc tenha calculado e encontra suas mdias e padro
desvios. A
comando de armazenamento permite que voc armazene-los em um arquivo de dados Gretl. Estes so
discutido mais abaixo.
Dentro do prprio loop, voc diz Gretl como gerar cada amostra e estado
como voc quer que
amostra para ser utilizado. A srie de comandos usada para gerar novo
variveis. Na primeira linha u
gerado usando o comando Gretl normal (), o qual, quando utilizado, sem
argumentos produz
um computador gerado varivel aleatria normal. Neste
caso, a funo contm dois
argumentos (por exemplo, sries u = normal (0,88)). A funo normal leva um
par ordenado como entradas
(Comumente referido como 'argumentos'), o primeiro dos quais a mdia desejada de
o aleatria normal
e a segunda o desvio padro. A prxima linha acrescenta este aleatria
elemento para a sistemtica
parte do modelo para gerar uma nova amostra para gastos com alimentao
(Usando os valores conhecidos de
renda a partir do conjunto de dados).
Em seguida, o modelo estimado utilizando mnimos quadrados. Aps a execuo
O roteiro, impresses gretl fora
algumas estatsticas de resumo para a tela. Estes aparecem como um resultado do uso do
lao --progressive
opo. O resultado aparece na Figura 2.15. Note-se que a mdia
valor da intercepo de cerca de
88,147. Isto est a ficar perto da verdade. O valor mdio do talude
9,55972, tambm razoavelmente
perto do valor real. Se voc tivesse que repetir os experimentos com maior
nmeros de Monte Carlo
iteraes, voc vai achar que estas mdias se aproximar dos valores
dos parmetros utilizados para
gerar os dados. Isto o que significa ser imparcial. Vis tem apenas
ou seja, dentro de
no contexto de amostragem repetida. Em seus experimentos, voc gerou muitos
Pgina 74
Pgina 75
amostras e mdia
resultados sobre essas amostras para chegar perto de descobrir a verdade. Em
prtica, voc no tem
esse luxo; voc tem uma amostra ea proximidade de suas estimativas
para os verdadeiros valores da
parmetros sempre desconhecido.
Na seo 2.8 e no roteiro, no final deste captulo,
voc vai encontrar um outro exemplo de
Monte Carlo, que discutido em POE4. Neste exemplo, uma amostra de regressores
gerado usando
30
----------------------- Page 55 -----------------------
um ciclo simples e as propriedades dos mnimos quadrados examinada usando 1000
amostras. O uso do
comandos de impresso e de armazenamento sero examinados na seo 2.8 tambm.
2.6 Estimativa no-lineares Relacionamentos
Como as relaes econmicas muitas vezes no linear, que muitas vezes precisa permitir
para a possibilidade de que
a varivel independente e dependente so no linearmente relacionado.
Considere o seguinte simples
regresso
preo = + + p e
(2.7)
1 2
O parmetro, medidas 2 a variao esperada no preo dado um adicional
metros quadrados de vida
espao em casa. Conforme especificado, este Eect marginal o mesmo para as casas de
todos os tamanhos. Ele pode
fazer mais sentido de permitir que o tamanho deste Eect marginal depender do tamanho
da casa. Maior
casas tambm tendem a ser mais luxuoso e, portanto, mais um metro quadrado de
sala de estar pode adicionar
mais para o preo mdio casa. Isto pode ser modelado por meio de um termo quadrtico
no modelo.
preo = + + e sqft2
(2.8)
Pgina 75
Pgina 76
1 2
O Eect marginal de outro p quadrado agora price / sqft = 2 p. A
elasticidade estimada
2
igual
p sqft2
= lope = (2)
(2,9)
2
preo preo
Obviamente, o declive e elasticidade dependem do tamanho e preo da sua casa.
Assim, o utilizador deve
selecione valores em que estes devem ser avaliados. Isto feito em
o script abaixo onde inclinado
para casas de tamanho 2000, 4000 e 6000 metros quadrados so computados.
As elasticidades so computadas
para os preos de $ 117.461,77, 302.517,39 dlares e $ 610.943,42. O escalar
e uma srie, que so utilizados so
no estritamente necessrios Gretl. Eu usei-os aqui para tornar as coisas
mais clara e um bom
prtica de programao em geral.
1 aberto "gretldir \ data \ poe \ br.gdt"
2 sries sqft2 = p ^ 2
3 ols preo sqft2 const
4 escalar slope_2000 = 2 * $ coeff (sqft2) * 2000
7 escalar elast_2000 = slope_2000 * 2000 / 117.461,77
9 escalar elast_6000 = slope_6000 * 6000 / 610943,42
A sada a partir da regresso linear
preo = 55.776,6 + 0,0154213 sqft2
Pgina 76
Pgina 77
(2890,4) (0,00031310)
2
T = 1080 R = 0,6921 F (1, 1078) = 2426,0
=
31
----------------------- Page 56 -----------------------
eo grfico de preo em casa contra o tamanho mostrado no lado direito da
Figura 2.16.
Outra forma de estimar uma relao no linear entre o preo eo p
para alterar o funcional
forma do modelo. Um modelo de log-linear utiliza o logaritmo de uma varivel como o
varivel dependente,
e o valor do regressor no transformada como a varivel independente.
No preo casa simples
este modelar
preo ln = + P + e
(2.10)
1 2
A transformao logartmica usado frequentemente em dados que vm de uma forte
distribuio assimtrica
que tem uma longa cauda direita. Dando uma olhada os histogramas de preo
e logaritmo natural
mostrado na Figura 2.17 revela apenas este tipo de dados e como o log natural pode
"Regularizar" a srie.
Estes grficos foram produzidos em primeiro lugar, tendo o logaritmo natural e depois
utilizando a funo freq para
gerar os histogramas. O cdigo
1 srie l_price = ln (preo)
Preo 2 freq
3 freq l_price
Pgina 77
Pgina 78
Finalmente, o modelo de log-linear estimado e os valores previstos pela
regresso so plotados
contra tamanho da casa.
Preo 1 registros
2 ols l_price p const
3 sries l_yhat = $ Yhat
4 srie yhat = exp (l_yhat)
Preo 5 gnuplot yhat p --output = display --suppress equipada
Na primeira linha, um mtodo alternativo de se gerar o singular
logaritmos usado. Os logs
comando pode ser til, especialmente se mais de uma srie colocado em logaritmos;
apenas uma lista a outra
srie aps o comando logs. A regresso estimada na linha 2, o
valores previstos pela
regresso salvos em uma nova srie chamada yhat na linha 3, e depois convertido novamente
de preos, tomando
o anti em linha 4 O preo e os valores previstos so plotados contra p
na ltima linha, com
a sada enviada para a tela do computador.
A equao estimada :
ln (preo) = 10,839 + 0,0004113 p
(0,0246) (9.708e-006)
2
T = 1080 R = 0,6244 F (1, 1078) = 1794,8
= 7
O grfico aparece no lado esquerdo da Figura 2.16 abaixo. Comparando o
modelo log-linear
para os shows que a no-linearidade quadrtica estimada pelo log-linear
semelhantes, mas um pouco mais
pronunciado.
Pgina 78
Pgina 79
32
----------------------- Page 57 -----------------------
2.7 Regresso com uma varivel indicadora
Uma varivel de indicador uma varivel que pode ser igual a um dos dois possveis
valores. Comumente,
esta varivel de um indicador pode ser um 1 ou um 0 Assim, por exemplo, se uma casa
localizado na Universidade
Cidade subdiviso da varivel determinado o valor de 1 e, se no for igual
0.
utown = 1 Se a casa estiver em cidade universitria
(2.11)
0 se no
Pode-se olhar para as distribuies empricas dos dois conjuntos de preos das casas usando
histogramas. Neste
caso, o comando SMPL usado para limitar a amostra para cada um dos dois casos.
1 Abra o "C: \ Program Files (x86) \ Gretl \ data \ utown.gdt"
2 smpl utown = 0 --restrict
3 preo freq --show-plot --nbins = 13
4 smpl utown = 1 --replace --restrict
5 Preo freq --show-plot --nbins = 13
Na linha 2 da opo --restrict do comando SMPL usada para restringir o
amostra para a obser-
vaes para que o utown srie zero. O comando usado para freq
gerar o histograma
para a srie de preos. A opo --show-enredo ir enviar o plano para o
tela do computador eo
--nbins = 13 opo define o nmero de clulas para o histograma para 13.
Este ltimo assegura que a
enredos parecidos com os da Figura 2.18 do POE4.
O modelo de regresso torna-se
Pgina 79
Pgina 80
preo = + + e utown
(2.12)
1 2
Como apontado em POE4, tomando o valor esperado de uma regresso muito
til quando contem
uma varivel de indicador. Isto ir revelar como interpretar sua coecient. Em
este modelo
E (preo) = + utown = 1 + 2 se
utown = 1 (2.13)
1 2
1 se
utown = 0
Assim, estimar o modelo usando os rendimentos de dados utown.gdt
preo = 215,732 + 61,5091 utown
(1,3181) (1,8296)
2
T = 1000 R = 0,5306 F (1, 998) = 1130,2 =
Isto implica que o preo mdio de casa (em 1000 dlares) em Universidade
Cidade 215.7325 + 61,5091 =
277.2416 eo preo mdio em outros lugares 215,7325.
O script que produz o mesmo resultado simples:
33
----------------------- Page 58 -----------------------
1 aberto "gretldir \ data \ poe \ utown.gdt"
2 ols preo const utown --quiet
Pgina 80
Pgina 81
3 escalar ut = $ coeff (const) + $ coeff (utown)
4 escalar outro = $ Coeff (const)
5 printf "mdia \ nO em Utown .4f% ea mdia
em outros lugares .4f% \ n ", ut, outro
2.8 Simulao de Monte Carlo
O primeiro passo de um exerccio de Monte Carlo modelar a gerao de dados
processo. Isto exige
o que Davidson e MacKinnon (2004) referem-se como totalmente
modelo estatstico especificada. Um totalmente
modelo paramtrico especificado " aquela em que possvel simular o
varivel dependente
uma vez que os valores dos parmetros so conhecidos "(Davidson e MacKinnon, 2004, p.
19). Primeiro voc
precisa de uma funo de regresso, por exemplo:
E (y | ) = + x
(2.14)
tt 1 2 t
onde yt a varivel dependente, xt a varivel dependente,
Cot o atual conjunto de informaes,
e 1 e 2 os parmetros de interesse. O conjunto de informaes
Cot contm xt, bem como outros
variveis explicativas potenciais que determinam a mdia de y. A
mdia condicional de y dado
t
t
o conjunto de informaes pode representar um modelo de regresso linear ou um discreto
modelo de escolha. No entanto,
equao (2.14) no completa; requer alguma descrio de como
o despercebida ou excludos
fatores y AECT | .
tt
Para completar a especificao precisamos especificar uma "receita inequvoca"
para simular a
modelo em um computador (Davidson e MacKinnon, 2004, p. 17). Isso significa que ns vamos
precisa especificar um
distribuio de probabilidade para os componentes no observados do modelo e, em seguida, usar
Pgina 81
Pgina 82
um pseudo-aleatrio
Gerador de nmero para gerar amostras com o tamanho desejado.
Neste exemplo, o processo de gerao de dados ser como se segue. Vamos deix-
N = 40 e considerar
um modelo linear do formulrio
y = + x + ei = 1, 2,
, 40. (2.15)
i 1 2 ii
Os erros do modelo ir iid N (0, 88). Os parmetros 1
= 100 e 2 = 10 Finalmente, vamos
x, x, , x = 10 e deixe x, x, , x = 20 Isso nos d
informao suficiente para simular
1 2 20 21 22 40
amostras de yi do modelo. O script Hansl (Hansl um acrnimo para
Hansl um script limpo
linguagem :
1 nulldata 40
2 # Gerar X
3 sries x = (ndice> 20) ? 20: 10
4
5 # Gerar sistemtica poro de modelo
34
----------------------- Page 59 -----------------------
6 ys srie = 100 + 10 * x
7
8 de loop 1000 --progressive --quiet
9 y = ys + normais (0,50)
Pgina 82
Pgina 83
10 ols y x const
11 escalar b1 = $ coeff (const)
12 escalar b2 = $ coeff (x)
13 escalar SIG2 $ = sigma ^ 2
14 impresso b1 b2 SIG2
15 loja "workdir \ coef.gdt" SIG2 b2 b1
16 endloop
17
18 aberto "workdir \ Coef.gdt"
19 Resumo
20 freq b2 --normal
A primeira linha cria um conjunto de dados vazio que tem espao para 40
observaes. Linha 3 contm uma
ternrio operator.2 atribuio condicional Aqui est como ele funciona.
Uma srie x est sendo criado.
A declarao em parnteses est marcada. O ponto de interrogao (?) o
atribuio condicional. Se
a declarao em parnteses verdade, ento x atribudo o valor esquerda
do clon. Se falso
ele recebe o valor direita. Ento, quando o ndice (uma forma padro de Gretl
identificar a observao
nmero) superior a 20, x definido como 20, se o ndice menor do que ou igual a 20
ele definido como 10.
Em seguida, a poro sistemtica do modelo criado. Para isso, precisamos x
e os valores conhecidos
os parmetros (100, 10). Em seguida, fazemos um loop de 1 a 1000 em incrementos de 1.
Variates aleatria normal
so adicionados ao modelo, estimado por is, e vrias
estatsticas de que a computao so
recuperado, impresso, e armazenado num local especfico.
A (0,50) declarao normal, gera variveis aleatrias normais com mdia 0
e uma varincia
de 50 A declarao de impresso utilizado neste contexto, na verdade, diz a Gretl
acumular as coisas que
Pgina 83
Pgina 84
so listados e imprimir estatsticas de resumo de sua computao no interior do
loop. A loja
comando diz Gretl para b1 sada, b2, e SIG2 para um arquivo externo.
A opo --progressive
para o comando loop altera a impresso e armazenamento de comandos um pouco, e voc pode
consultar o Gretl
Guia do Usurio para obter mais informaes sobre como.
Aqui a sada de Monte Carlo. Primeiramente, a sada do
ciclo progressivo:
2A operador ternrio tem trs partes. Neste caso, as partes nos dar uma fantasia
maneira de criar if / else. A
primeira parte, um, encontra-se esquerda de?, o segundo, b, cai entre o
ponto de interrogao e dois pontos eo ltimo, c,
direita do clon, por exemplo, um b: c. Se um verdadeiro, ento B, se no, ento c.
35
----------------------- Page 60 -----------------------
Em um loop progressivo, Gretl ir imprimir a mdia eo padro
desvio a partir da srie de
estima. Ele funciona com todos os estimadores uniequacionais em Gretl e bastante
til para Monte Carlo
anlise. A partir desta voc pode ver que o valor mdio da constante em 1000
amostras 100,491.
O declive mdio foi 9,962. A terceira coluna indica a mdia da
clculo do erro padro
da simulao. Se os erros padro esto sendo estimados de forma consistente, em seguida, estes devem ser
bastante prximo do desvio padro de coefi coe estimados para a sua esquerda.
O resultado do
comando de impresso :
Quando o comando de impresso emitido, ele ir calcular e imprimir a
a tela de 'significa' e
'Std. dev. da estimativa escalar. Note que b1 e b2 coincidir com o
sada produzida pela
opo --progressive. O comando de impresso til para estudar o comportamento de
vrias estatsticas
(Como testes, os intervalos de confiana, etc) e outros estimadores que no podem ser
Pgina 84
Pgina 85
tratada adequadamente dentro
um ciclo progressivo (por exemplo, MLE, comandos MGM, e de estimao do sistema).
A declarao loja trabalha nos bastidores, mas gera este informativo
pedao de informao:
Isto diz-lhe onde Gretl escreveu o conjunto de dados que contm os escalares listados,
e que se foi escrito
adequadamente. Agora voc est pronto para abri-lo e realizar uma anlise adicional.
Neste exemplo, ns
ter usado a macroworkdir. Isso basicamente diz Gretl para ir ao
diretrio de trabalho para escrever
o arquivo. Voc pode gravar arquivos para o diretrio temporrio do Gretl usando
dotdir \ coef.gdt.
O conjunto de dados aberta e as estatsticas de resumo gerada (mais uma vez, se
necessrio)
36
----------------------- Page 61 -----------------------
1 aberto "workdir \ coef.gdt"
2 Resumo
3 freq b2 --normal
A partir daqui voc pode traar distribuio de freqncia e teste para ver se o mnimo
praas estimador
de inclinao normalmente distribuda.
O histograma certamente parece ser normalmente distribudos em relao linha
enredo do normal.
Alm disso, o teste de hiptese da normalidade nulo contra no normalidade
no podem ser rejeitadas em qualquer
nvel razovel de significncia.
2.9 Script
O roteiro para o captulo 2 encontrado abaixo. Esses scripts tambm pode ser
encontradas em meu site http:
//www.learneconometrics.com/gretl.
Pgina 85
Pgina 86
1 set echo off
2 aberto "gretldir \ data \ poe \ food.gdt"
3 setinfo food_exp-d "despesa alimentar das famlias por semana" \
4-n "Despesas Food"
Renda 5 setinfo -d "renda familiar semanal" n "Weekly
Renda "
37
----------------------- Page 62 -----------------------
6 rtulos
7
8 #Least praas
9 ols food_exp --vcv renda const
10 ols 1 0 2
11
12 #Summary Estatsticas
13 Resumo renda food_exp
14
15 Dados do #Plot
16 gnuplot renda food_exp
17
18 Dados do #List
19 impresso --byobs renda food_exp
20
Pgina 86
Pgina 87
21 #Elasticity
23 de escalar elast = $ coeff (renda) * mdia (renda) / mdia (food_exp)
24
25 #Prediction
26 de escalar yhat = $ coeff (const) + $ coeff (receitas) * 20
27
28 #Table 2.2
29 aberto "gretldir \ data \ poe \ table2_2.gdt"
31 loop foreach i Ylist --progressive
32 ols yList. $ I const x
33 endloop
34
35 # encostas e elasticidades em diferentes pontos
36 abertos "gretldir \ data \ poe \ br.gdt"
37 sries sqft2 = p ^ 2
38 ols preo sqft2 const
44 escalar elast_6000 = slope_6000 * 6000 / 610943,42
45
Pgina 87
Pgina 88
46 # histograma preo e log (preo)
47 sries l_price = ln (preo)
Preo 48 freq
49 freq l_price
50
51 # parcelas para as regresses no-lineares
52 abertos "gretldir \ data \ poe \ br.gdt"
53 quadrado p
54 ols preo p const
55 ols preo sq_sqft
56 sries yhat = $ yhat
38
----------------------- Page 63 -----------------------
57 gnuplot yhat preo p --output = display --suppress equipada
58
Preo 59 registros
60 ols l_price p const
61 sries l_yhat = $ yhat
Srie 62 yhat = exp (l_yhat)
63 gnuplot yhat preo p --output = display --suppress equipada
64
65 # regresso utilizando variveis indicadoras
66 # histogramas para os preos de ambos os bairros
67 aberto "C: \ Program Files (x86) \ Gretl \ data \ utown.gdt "
68 smpl utown = 0 --restrict
Pgina 88
Pgina 89
70 smpl utown = 1 --replace --restrict
72
73 # regresso
74 abertos "gretldir \ data \ poe \ utown.gdt"
75 ols preo const utown --quiet
76 escalar ut = $ coeff (const) + $ coeff (utown)
77 escalar outro = $ coeff (const)
78 printf "Mdia \ nO em Utown .4f% ea \
79% mdia est em outro lugar .4f \ n ", ut, outro
80
81 # Simulao de Monte Carlo
82 abertos "gretldir \ data \ poe \ food.gdt"
83 set semente 3213789
84 malha 100 --progressive --quiet
86 sries y1 = 80 + 10 * renda + u
87 ols y1 renda const
88 endloop
89
90 # Simulao de Monte Carlo # 2
91 # Gerar poro sistemtica de modelo
92 nulldata 40
93 # Gerar X
94 sries x = (ndice> 20)? 20: 10
95
Pgina 89
Pgina 90
96 # Gerar poro sistemtica de modelo
97 sries ys = 100 + 10 * x
98
100 sries y = ys + normais (0,50)
101 ols y const x
102 escalar Coef b1 = $ (const)
103 escalar Coef b2 = $ (x)
104 escalar SIG2 = $ sigma ^ 2
105 impresso b1 b2 SIG2
106 loja "workdir \ coef.gdt" SIG2 b2 b1
107 endloop
39
----------------------- Page 64 -----------------------
108
109 aberto "workdir \ Coef.gdt"
110 resumo
111 freq b2 --normal
40
----------------------- Page 65 -----------------------
Figura 2.9: A janela modelo aparece com os resultados da regresso. De
aqui voc pode realizar
operaes subseqentes (grficos, testes, anlises, etc) sobre o modelo estimado.
Figura 2.10: Usando os menus pull-down para obter estatsticas de resumo. Destaque
a varivel desejada
veis e usar estatsticas View> Resumo a partir do menu suspenso.
Figura 2.11: Resumo estatstico
Pgina 90
Pgina 91
41
----------------------- Page 66 -----------------------
Figura 2.12: Resultados do script para calcular uma elasticidade baseado numa
de regresso linear.
Figura 2.13: Obtenha a matriz que contm as estimativas de mnimos quadrados de
varincia e covarincia
a partir do menu suspenso de seu modelo estimado.
42
----------------------- Page 67 -----------------------
Figura 2.14: Escolha Dados> Definir ou editar a lista da barra de menu Gretl
Figura 2.15: Os resultados resumidos de 100 amostras aleatrias da Monte Carlo
experimento.
43
----------------------- Page 68 -----------------------
Figura 2.16: preo versus tamanho de log-linear e quadrtico.
Figura 2.17: Preo e seu logaritmo natural.
44
----------------------- Page 69 -----------------------
Captulo 3
Intervalo de Estimao e Testes de Hipteses
Neste captulo, vou discutir como gerar confiana
intervalos e testar hipteses usando
Gretl. Gretl inclui vrios utilitrios que iro ajud-lo a obter
valores crticos e os valores de p
a partir de vrias distribuies de probabilidade importantes. Como de costume, voc pode usar o
caixas de dilogo ou Hansl
Pgina 91
Pgina 92
- Linguagem de programao do Gretl - para fazer isso.
3.1 Intervalos de Confiana
importante saber como precisa o seu conhecimento do
parmetros . Uma maneira de fazer
isso olhar para os menos estimativa de parmetro quadrados, juntamente com um
medida de sua preciso, isto ,
seu erro padro estimado. O intervalo de confiana serve um semelhante
objectivo, embora seja muito
mais simples de interpretar, porque lhe d limites superiores e inferiores
entre os quais o
parmetro desconhecido recair sobre um determinado probability.1
Em Gretl voc pode obter intervalos de confiana, quer atravs de uma
dilogo ou pela construo manualmente
los usando salvo resultados da regresso. No 'manual' um mtodo de
pode usar o genr ou escalar
comandos para gerar os limites superior e inferior, com base nos resultados de regresso que so
salvo no Gretl de
memria, permitindo fazer o Gretl aritmtica. Voc pode procurar o adequado
valor crtico de
uma mesa ou usar a funo crtica do Gretl. Ambos so demonstradas abaixo.
1Este probabilidade, no sentido de freqncia. Alguns autores alarido sobre o
interpretao exata de um intervalo de confiana
(Desnecessariamente eu acho). Voc muitas vezes so dadas advertncias severas para no
interpretar um intervalo de confiana como contendo o
parmetro desconhecido com a probabilidade dada. No entanto, a frequncia
definio de probabilidade refere-se ao longo
executar freqncia relativa com que um evento ocorre. Se isso que
probabilidade , em seguida, que diz que um parmetro
cai dentro de um intervalo com dada probabilidade significa que os intervalos
assim construdo ir conter o parmetro que
proporo do tempo.
45
----------------------- Pgina 70 -----------------------
Considere a equao de um intervalo de confiana de POE4
Pgina 92
Pgina 93
P [b - t se (b) b + t se (b)]
= 1 - (3.1)
kc kkk ck
Lembre-se que b o estimador de mnimos quadrados de , E que se (b)
o erro padro estimado.
k k k
O tc constante a / 2 valor crtico da distribuio t e o
probabilidade total pretendido
associada com a rea de "rejeio" (fora da rea do confiana
intervalo).
Voc precisa saber o valor t crtico, que pode ser
obtido a partir de uma estatstica mesa,
c
Ferramentas> Estatstica Caixa de dilogo tabelas contidas no programa, ou
usando o comando Gretl
crtico. Primeiro, tente usar a caixa de dilogo mostrada na Figura 3.1. Escolha o separador
para a distribuio t
e dizer Gretl quanto peso colocar na cauda direita da probabilidade
e como distribuio
muitos graus de liberdade a sua estatstica t tem, no nosso caso, 38 Uma vez que voc fizer isso,
clique em OK. Voc vai ter
o resultado mostrado na Figura 3.2. Isto mostra que para o t (38) com / 2
probabilidade da cauda direita 0,025
e = 0,05, o valor crtico 2.02439.2 Em seguida, o gerar
limites inferiores e superiores (usando
Figura 3.1: Obteno de valores crticos, utilizando as Ferramentas> Estatstica
caixa de dilogo tabelas.
Figura 3.2: O valor crtico obtido a partir de Ferramentas> Estatstica
caixa de dilogo tabelas.
o console Gretl) com os comandos:
2Voc tambm pode obter os valores crticos de nvel a partir do console ou em um
roteiro, emitindo o comando escalar c =
crtico (t, 38, ). Aqui a rea desejada na cauda direita do
Pgina 93
Pgina 94
distribuio t.
46
----------------------- Page 71 -----------------------
3 escalar lb = $ coeff (renda) - 2.024 * $ stderr (renda)
4 escalar ub = $ coeff (renda) + 2.024 * $ stderr (renda)
5 impresso lb ub
A primeira linha abre o dataset. A segunda linha (OLS) resolve para o
estimativas que minimizem
a soma dos quadrados dos erros de um modelo linear que tem exp alimentos como
a varivel dependente com um
constante e renda como variveis independentes. As prximas duas linhas
gerar o inferior e superior
limites para o intervalo de confiana de 95% para o parmetro de inclinao . A ltima
linha imprime os resultados
2
da computao.
A sintaxe da linguagem Gretl precisa de um pouco de explicao. Quando Gretl faz uma
computao, ele vai
salvar certos resultados como estimativas coe cientes, seus erros-padro,
soma dos quadrados dos erros e assim
em na memria. Estes resultados podem ser utilizados para calcular outras estatsticas,
desde que voc saiba o
O nome de acesso que Gretl usa para armazenar e recuperar o clculo.
Esses chamados acessores
transportar $ prefixos e uma lista do que pode ser acessado aps o clculo da
pode ser encontrado na funo
referncia. As linhas 3 e 4 usam assessores para os coecients
($ Coeff (renda)) e erros padro
($ Stderr (renda)) da varivel entre parnteses. A lista de
acessores na verdade est crescendo bastante
rapidamente em resposta s solicitaes dos usurios, por isso uma viagem para a referncia de funo pode ser
vale a pena
ver o que est disponvel.
No exemplo acima, Gretl usa as estimativas de mnimos quadrados e sua
Pgina 94
Pgina 95
erros padro estimados
para calcular intervalos de confiana. Aps o comando ols, mnimos quadrados
As estimativas so armazenados em
$ Coeff (nome da varivel). Desde 2 estimada utilizando a varivel
renda, a sua estimativa coecient
guardado em $ coeff (receitas). O erro padro correspondente guardado na
$ Stderr (receitas). Alm disso,
no se esquea que a referncia de funo (Figura 1.10) inclui uma lista de
acessores.
De forma equivalente, voc pode usar built-in funo crtica do Gretl para
obter o desejado crtico
valor. A sintaxe geral para a funo depende da desejada
distribuio de probabilidade. Este
segue desde distribuies dierent contm nmeros de parmetros dierent
(Por exemplo, a distribuio t
tem um nico parmetro graus de liberdade, enquanto o padro de normalidade
tem nenhum!). Este exemplo
usa a distribuio t eo roteiro torna-se:
3 escalar lb = $ coeff (renda) - crtico (t, $ df, 0.025) *
$ Stderr (renda)
4 escalar ub = $ coeff (renda) + crtico (t, $ df, 0.025) *
$ Stderr (renda)
5 impresso lb ub
A sintaxe para a distribuio t crtica (T, graus de
liberdade, / 2). Os graus de
liberdade da regresso anterior so salvos como $ df e para a 1 - = 95%
intervalo de confiana,
/ 2 = 0,025.
47
----------------------- Pgina 72 -----------------------
O exemplo encontrado na seo 3.1.3 do POE4 calcula uma confiana de 95%
intervalo para a renda
parmetro no exemplo de gastos com alimentao. Os comandos gretl acima foram utilizados
para produzir o
sada encontrada na Figura 3.3.
Pgina 95
Pgina 96
Figura 3.3: Obtendo o intervalo de confiana de 95% para a renda em coecient
os gastos com alimentao
exemplo.
Para utilizar as caixas de dilogo para obter intervalos de confiana to fcil assim.
Primeiro estimar o modelo usando
mnimos quadrados da maneira usual. Escolha modelo> Ordinria menos
praas da pull principal
no menu suspenso, preencha as variveis dependentes e independentes na caixa de dilogo ols
e clique em OK.
Os resultados aparecem na janela do modelo. Agora escolha
Anlise> Confiana intervalos para
coeficientes de menu suspenso da janela do modelo (visto na Figura 4.1). Este
gera o
resultar mostrada na Figura 3.4. O cone circulado pode ser utilizado para
alterar o tamanho da confiana
Figura 3.4: O intervalo de confiana de 95% para o coecient renda em alimentos
exemplo despesas
usando o dilogo.
intervalo, que pode ser configurado para qualquer nvel (inteiro) percentual que voc desejar.
3.2 amostragem repetida
Nesta seo, as dez amostras em tabela2 2.gdt so usados para produzir dez
conjuntos de confiana de 95%
intervalos. Para tornar o programa mais simples, o constructo introduzido no circuito
captulo 2 empregado.
O script para estimar estes no circuito :
3 foreach loop de i yList --progressive --quiet
48
----------------------- Page 73 -----------------------
Pgina 96
Pgina 97
5 escalar b1 = $ coeff (const) # no Gretl voc pode usar genr
ou escalar
7 escalar s1 = $ stderr (const)
8 escalar s2 = $ stderr (x)
9
# 10 2,024 o valor crtico de 0,025 t (38)
distribuio
11 escalares c1L = b1 - crtico (t, $ df, .025) * s1
12 escalar C1r = b1 + crtico (t, $ df, .025) * s1
13 escalares C2L = b2 - crtico (t, $ df, .025) * s2
14 escalar C2R = b2 + crtico (t, $ df, .025) * s2
15
16 escalar sigma2 $ = sigma ^ 2
17 lojaworkdir \ coeff.gdt b1 b2 s1 s2 c1L C1r C2L C2R
sigma2
18 endloop
Como no captulo 2, o conjunto de dados aberta e uma lista criada que contm cada
das dez amostras de
a varivel dependente. O foreach iniciada na linha 3 e o
--progressive e --quiet
opes so escolhidos. O modelo estimado usando mnimos quadrados e
coecients, desvios padro,
limites de confiana inferior e superior e varincia so gerados e armazenados
no coe.gdt conjunto de dados,
que colocado em c: \ temp no disco rgido.
Como se isso no fcil, h uma sintaxe mais simples
que ir realizar o mesmo
coisa. Ele utiliza o facto de que as variveis dependentes todos comeam com a letra
Nmero 'y' e ter
suXes. Neste caso, o loop foreach pode ser simplificado por linhas substituindo 2-4
com:
Pgina 97
Pgina 98
lao foreach i y1..y10
ols $ i const x
Uma vez que este executado, pode-se abrir coe.gdt e realizar uma anlise mais aprofundada. Em
Neste caso, vou imprimir
os limites de confiana superior e inferior como Hill et al. ter feito em sua mesa
3.2 de POE4.
aberto workdir \ coeff.gdt
imprimir --byobs c1L C1r C2L C2R
A opo --byobs utilizado com o comando de impresso, caso contrrio, cada uma das sries
ser impresso
separadamente. O resultado aparece a seguir na Figura 3.5. Lembre-se que o verdadeiro
valor de 2 = 10 e
cada um dos intervalos estimados contm. O valor real da intercepo
80, e 1 cai tambm
cai dentro dos limites estimados em cada uma das amostras. Numa
grande nmero de amostras, ns
seria de esperar cerca de 5% dos intervalos no contian o verdadeiro valor do
parmetros. Este
explorado na prxima seo.
49
----------------------- Page 74 -----------------------
Figura 3.5: Intervalos de confiana para 10 amostras.
3.3 Experimento Monte Carlo
Mais uma vez, as consequncias de amostragem repetida podem ser exploradas usando uma
simples de Monte Carlo
estudo. Neste caso, vamos gerar 100 amostras e contar o
nmero de vezes que a confiana
intervalo inclui o verdadeiro valor do parmetro. A simulao
ir basear-se na food.gdt
dataset.
O novo script parecido com este:
Pgina 98
Pgina 99
2 set semente 3213798
3 anel 100 --progressive --quiet
5 sries y = 80 + 10 * renda + u
Renda const 6 ols y
7
8 escalar c1L = $ coeff (const) -
crtico (t, $ df, .025) * $ stderr (const)
9 escalar C1r = $ coeff (const) +
10 escalar C2L = $ coeff (renda) -
crtico (t, $ df, .025) * $ stderr (renda)
11 C2R escalar = $ coeff (renda) +
12
13 # Compute as probabilidades de cobertura da Confiana
Intervalos
14 escalar p1 = (80> c1L && 80 <C1R)
15 escalar p2 = (10> C2L && 10 <C2R)
16
17 p1 p2 impresso
50
----------------------- Pgina 75 -----------------------
18 lojaworkdir \ cicoeff.gdt c1L C1r C2L C2R
19 endloop
Os resultados encontram-se armazenados nos dados estabelecidos gretl cicoe.gdt. Abertura
Pgina 99
Pgina 100
este conjunto de dados (abertaworkdir \
cicoeff.gdt) e examinar os dados revelam estimativas intervalares que variam
bem como aqueles em
Tabelas 3.1 e 3.2 do POE4. Na linha 4 deste script pseudo-aleatrio
normais so desenhadas usando o
normal (mdia, DP) de comando, ea mdia foi definido para 0 eo padro
desvio de 88 A
As amostras de y so geradas de forma linear (80 + 10 * exp alimentos) para o qual o aleatrio
componente adicionado na
A linha 5 Em seguida, os limites superiores e inferiores so calculadas. Nas linhas 14
e 15 de gretl "e" lgica
operador, &&, usado para determinar se o coecient (80 ou 10)
se inscreve no calculado
limites. O operador && realmente produz a interseco de dois conjuntos
de modo que, se for superior a 80
o limite e menor do que os p1 superior inferior, em seguida, a condio verdadeira e p1
igual a 1, Se
a afirmao falsa, igual a zero. Calculando a mdia P1 e P2 d
que a proporo dos tempos
no Monte Carlo que a condio verdadeira, o que equivale ao emprico
taxa de cobertura da
intervalo computadorizada.
Com esta semente, recebo a seguinte (Figura 3.6) resultado: Voc pode ver que
a intercepo cai dentro
Figura 3.6: As taxas de cobertura nominal empricas de confiana de 95%
intervalos de 100 aleatrio
amostras.
O tempo estimado 93 de 100 vezes e encosta no seu intervalo de 92%
do tempo.
3.4 Testes de Hipteses
O teste de hipteses nos permite enfrentar quaisquer noes prvias que possa ter sobre
o modelo com
o que realmente observar. Assim, se antes de tirar uma amostra, acredito que
alimentos semanal autnoma
despesas nada menos do que US $ 40, em seguida, uma vez que a amostra retirada I
pode determinar por meio de uma hiptese
teste se a experincia realmente coerente com isso.
Pgina 100
Pgina 101
51
----------------------- Pgina 76 -----------------------
No ponto 3.4 do seu livro os autores testar vrias hipteses sobre
. Em 3.4.1a o nulo
2
hiptese de que 2 = 0 contra a alternativa de que positiva (ou seja, 2
> 0). A estatstica de teste
:
t = (b - 0) / se (b) t
(3.2)
2 2 38
desde que 2 = 0 (a hiptese nula verdadeira). Selecione = 0,05 que
faz com que o valor crtico
para uma alternativa face (2> 0) igual a 1,686. A
regra de deciso rejeitar H0 em favor
da alternativa, se o valor calculado de sua estatstica t se enquadra no
regio de rejeio de seu
de ensaio; isto , se ele for maior que 1.686.
A informao que voc precisa para calcular t est contido no mnimo
praas resultados da estimao
produzido por Gretl:
Modelo 1: MQO, usando observaes 1-40
Valor de p
const 83,4160 43,4102 1,9216
0,0622
renda 10,2096 2,09326 4,8774
0,0000
Mdia var dependente 283.5735 SD dependente
var 112.6752
Soma resid quadrado 304.505,2 SE de
Pgina 101
Pgina 102
regresso 89,51700
0.368818
F (1, 38) 23,78884 P-value (F)
0.000019
Log-verossimilhana -235.5088 Critrio Akaike
475.0176
Critrio de Schwarz 478.3954 Hannan-Quinn
476.2389
Os clculos
t = (b - 0) / se (b) = (10,21-0) /2.09 = 4,88
(3.3)
2 2
Uma vez que este valor se situe dentro da regio de rejeio, ento no suficiente
evidncia ao nvel de 5% de
significado para nos convencer de que a hiptese nula incorreto; o nulo
rejeitado a esta hiptese
nvel de significncia.
Figura 3.7: A caixa de dilogo para a obteno de valores de p usando o construdo em
quadros estatsticos em Gretl.
52
----------------------- Pgina 77 -----------------------
Podemos usar Gretl para obter o p-valor para esse teste usando o
Ferramentas menu suspenso. Neste
dilogo, voc tem que preencher os graus de liberdade para a sua distribuio t (38),
o valor de b2 (10,21),
seu valor sob a hiptese nula, algo Gretl se refere como
'Mdia' (0), ea estimativa
erro padro de sua impresso (2,09). Isto vai produzir a informao:
t (38): a rea direita = 4,88 9.65032e-006
(Bicaudal value = 1.93006e-005; complemento = 0,999981)
Isto indica que a rea de uma cauda quase zero. O valor-p bem
abaixo do nvel normal
Pgina 102
Page 103
significncia, = 0,05, ea hiptese rejeitada.
Gretl tambm inclui um comando de programao que ir calcular os valores de p
a partir de vrios tribuio
buies. A funo pValue funciona de forma semelhante funo crtica discutido
no precedente
seo. A sintaxe :
escalar p = pValue (distribuio, parmetros, xval)
O valor de p funo calcula a rea direita da xval no especificada
distribuio. Escolhas
incluir z para Gaussian, t para t de Student, X para qui-quadrado, F para F, G para
gamma, B para binomial,
P para Poisson, W para Weibull, ou E para o erro generalizado. O argumento
parmetros refere-se a
parmetros conhecidos de distribuio, como em seus graus de liberdade. Assim, para este
exemplo try
3 t2 escalar = ($ coeff (receitas) -0) / $ stderr (renda)
4 escalar p2 = pValue (t, $ df, t2)
O resultado 9.72931e-006, que muito prximo do valor produzido pela
caixa de dilogo. Estes valores
dier porque o valor na caixa de dilogo foi arredondado para 4,88
enquanto que o valor calculado aqui
tem muitos mais dgitos significativos para usar no clculo.
No exemplo seguinte, os autores de POE4 testar a hiptese
que 2 = 5.5 contra a
alternativa que 2> 5,5. Os clculos
t = (b - 5.5) / se (b) = (10,21-5,5) /2.09 = 2,25
(3.4)
2 2
O nvel de significncia, neste caso, escolhido para ser de 0,01 e a correspondente
Pgina 103
Page 104
valor crtico pode ser
encontrado usando uma ferramenta encontrada em Gretl. As Ferramentas> Quadros estatsticos
menu suspenso abrir o
de dilogo apresentada na Figura 3.1.
Este resultado encontrado na Figura 3.8. O valor crtico de 0,01 unilateral
2,42857. Uma vez que menos 2,25
53
----------------------- Page 78 -----------------------
Figura 3.8: Os resultados da caixa de dilogo para a obteno de valores crticos usando
o construdo em estatstica
tabelas no Gretl.
Fora isso, no podemos rejeitar a hiptese nula ao nvel de 1% de significncia.
Na seo 3.4.2 do POE4, os autores realizar um teste unilateral em que o
quedas regio de rejeio
na cauda esquerda da distribuio t. A hiptese nula 2
= 15 ea alternativa
2 <15 A estatstica de teste e distribuio
t = (b - 15) / se (b) t
(3.5)
2 2 38
desde que 2 = 15, O clculo
t = (b - 15) / se (b) = (10,21-15) /2.09 = -2,29
(3.6)
2 2
Com base no nvel desejado de significncia, = 0,05, rejeitaram o nulo
favor do one-sided
alternativa se t <-1,686. e, portanto, podemos concluir que o coecient
inferior a 15 neste
Pgina 104
Pgina 105
Na seo 3.4.3 do POE4 exemplos de duas caudas testes so encontrados.
No primeiro exemplo, a
hiptese econmica que as famlias vo gastar $ 7,50 de cada US $ 100 de
renda em alimentos.
Assim, H: = 7,50 e a alternativa H: = 7,50. A estatstica
t = (b - 7,5) / se (b) t
0 2 1 2
2 2 38
H, se verdade que calculado t = (b - 7.5) / se (b) = (10,21 -
7,5) /2.09 = 1,29. Os dois lados,
0 2 2
= 0,05 valor crtico 2,024. Isso significa que voc rejeita H0 se
ou t <-2,024, ou se t> 2,024.
A estatstica computadorizada no , e, portanto, no rejeitamos a hiptese
que 2 US $ 7,50. L
simplesmente no h informao suficiente na amostra para nos convencer do contrrio.
Voc pode tirar as mesmas concluses de usar um intervalo de confiana
que voc pode a partir deste
dois lados t-teste. O 100 (1 - )% intervalo de confiana para 2
b - t se (b) b + t se (b)
(3,7)
2 c 2 2 2 c 2
Em termos do exemplo o intervalo de computao
10,21-2,024 (2,09) 2 10,21 +
2,024 (2,09) (3.8)
que como vimos anteriormente no manual 5,97 2 14,45. De um
hiptese perspectiva teste,
voc no seria capaz de rejeitar a hiptese de que 2 dierent
a partir de 7,5, a um nvel de 5% de
significado, pois 7,5 quedas dentro deste intervalo.
54
----------------------- Page 79 -----------------------
No seguinte exemplo, um teste de significncia geral de 2 conduzida.
Por uma questo de rotina,
Pgina 105
Page 106
voc sempre quer testar para ver se o seu parmetro de inclinao dierent
de zero. Se no, ento o
varivel associada a ele no podem pertencer em seu modelo. Ento, H0
: 2 = 0 ea alternativa
H: = 0 A estatstica t = (b - 0) / se (b) t, se
H verdadeiro, e este calculado
1 2 2 2 38
0
t = (b - 0) / se (b) = (10,21-0) /2.09 = 4,88. Mais uma vez, o
dos dois lados, = 0,05 valor crtico
2 2
2,024 e 4,88, enquadra-se a regio de rejeio de 5% deste teste.
Estes nmeros devem
parece familiar uma vez que este o teste que realizado por padro
sempre que voc executa uma regresso em
Gretl.
Como vimos anteriormente, Gretl tambm torna a obteno de um ou dois lados p-valores para
as estatsticas de teste
voc calcular muito fcil. Basta usar a caixa de dilogo Localizador de p-valor disponvel a partir de
Ferramentas suspenso
menu (ver Figura 3.8) para obter um ou dois valores de p lados.
3.5 Script para t-valores e valores de p
Uma coisa que ns mostramos neste captulo que muitos dos resultados obtidos
usando o pull-down
menus (muitas vezes referida como a GUI) em Gretl pode ser obtida usando
Hansl a partir do console ou
em um script. Na verdade, a GUI do Gretl apenas um front-end para o seu
programao language.3 Neste
captulo usamos a pValue e funes crticas para obter valores de p ou crtica
valores da estatstica.
O script a seguir acumula o que ns cobrimos e completa os exemplos
no texto.
1 aberta "gretldir \ Data \ poe \ food.gdt"
3
Pgina 106
Page 107
4 #one teste lados (Ha: b2> zero)
5 tratio1 escalar = ($ coeff (renda) - 0) / $ stderr (renda)
6 escalar c1 = critical (t, $ df, 0,05)
7 escalar p1 = pValue (t, $ df, tratio1)
8 printf "A estatstica =% .4f, 5 %% valor crtico =% .4f
e \
9 pValue =% .4f \ n ", tratio1, c1, p1
10
11 #one teste lados (Ha: b2> 5.5)
12 tratio2 escalar = ($ coeff (renda) - 5,5) / $ stderr (renda)
e \
17
18 #one teste lados (Ha: b2 <15)
19 tratio3 escalar = ($ coeff (receita) - 15) / $ stderr (renda)
20 escalar c3 = -1 * crtico (t, $ df, 0,05)
21 escalar P3 = pValue (t, $ df, abs (tratio3))
e \
3Este verdade em Stata tambm.
55
----------------------- Pgina 80 -----------------------
24
Pgina 107
Page 108
25 #two teste lados (Ha: b2 igual a 7,5)
27 escalar c4 = critical (t, $ df, .025)
28 escalar p4 = 2 * pValue (t, $ df, abs (tratio4))
e \
30 pValue =% .4f \ n ", tratio4, c4, P4
31
32 intervalo #Confidence
$ Stderr (renda)
$ Stderr (renda)
35 printf "O intervalo de confiana de 95 %% (% .4f,
.4f%) \ N ", lb, ub
36
37 #two teste lados (Ha: b2 igual a zero)
40 escalar p5 = 2 * pValue (t, $ df, abs (tratio5))
e \
O valor de p em funo Gretl mede a rea da probabilidade
distribuio que se encontra
direito da estatstica computadorizada. Se o t-ratio calculado
positiva e sua alternativa de dois
frente e verso, multiplicar o resultado por 2 para medir a rea esquerda do seu
negativo; este pode ser visto nas
linhas 28 e 40 A outra funo usada aqui printf. Esta funo uma
maneira extravagante de impresso
seus resultados para a tela e seu uso explicado em detalhes na seo 5.2.2.
Porque as linhas so
Pgina 108
Page 109
muito tempo, foi tambm utilizado o comando continuao (\) discutido no captulo 1. Este
diz que o Gretl
linha atual continuar para a prxima.
Se o t-ratio negativo, Gretl no ir calcular a rea (e que voc no faria
quer, de qualquer maneira).
Foi o que aconteceu para tratio3 no script e eu usei o valor absoluto
funo, abs ( )
na linha 21, para obter o seu valor positivo. A rea direita da positiva
valor equivalente
rea esquerda do valor negativo. Assim, o clculo correcta.
Basicamente, o uso adequado do pValue em testes unilaterais de um
hiptese nica requer um pouco
pensei. Muito pensamento, na minha opinio. Gostaria de evit-lo, a menos
voc est confortvel com a sua
usar. Em outros contextos de teste de hipteses (por exemplo, 2 e F-testes)
p-valores so muito mais fceis de usar
correctamente. Eu us-los livremente nesses casos. Com os testes t ou z-testes
(Distribuio normal), apenas
mais fcil realizar um teste, comparando o valor calculado do seu estatstica para o
corrigir o valor crtico.
A sada do script bom e puro, graas ao uso de printf e
o uso do conjunto echo
fora. Isso aparece na Figura 3.9 abaixo. O conjunto comando echo off
utilizada no incio do
captulo terminando os scripts reduz o que impresso na tela quando o script
executado. Ordinariamente,
Gretl vai escrever (ECHO) cada comando executado de volta para a tela antes que ela
produz o requerido
sada. Isso til na maioria dos casos, mas quando executado um script mais,
incmodo. O conjunto
echo off desliga o eco de comandos o padro. Para lig-lo novamente, use
conjunto echo on.
56
----------------------- Page 81 -----------------------
Figura 3.9: Os resultados produzidos pelo script para testar hipteses na
regresso simples.
Pgina 109
Pgina 110
3,6 combinao linear dos parmetros
Desde lojas gretl e d acesso aos valores estimados da
coecients e a varincia-
matriz de covarincia, testes de hipteses sobre combinaes lineares de
parmetros muito simples.
Suponha que voc queira uma estimativa da despesa alimentar semanal mdia para uma famlia
ganhando 2.000 dlares americanos
por semana. A mdia para todo o nvel de renda modelado usando linear
regresso:
E (exp comida | renda) = + renda
(3.9)
1 2
Ele pode ser facilmente demonstrado que a E (c X + Y c + c) = c E (X) + c E (Y) + c
em que c, c, e c so
1 2 3 1 2
3 1 2 3
constantes. Se mnimos quadrados imparcial para a intercepo ea inclinao ento E (b
) = e E (b) = .
1 1 2 2
Assim, uma estimativa das despesas de alimentos para uma famlia que ganha $ 2000 por semana
exp comida = b + b 20 = 83,416 + 10,2096 20 =

287.6089 (3.10)
1 2
A hiptese de que a mdia estatisticamente superior a US $ 250 pode ser
formalmente testado como:
H0: 1 + 2 0 H1: 1 + 202> 250
(3.11)
A estatstica
b1 + 20B2 - 250
t = tN -2 sob H0
(3.12)
Pgina 110
Page 111
se (b1 + 20B2 - 250)
Tomando a varincia de uma combinao linear apenas ligeiramente mais
complicada do que encontrar o
Quer dizer, uma vez no clculo da varincia qualquer covarincia entre X e Y
precisa ser contabilizado.
2 2
Em geral, var (c X + Y c + c) = c var (X) + c var (Y) + 2c c cov (X,
Y). Note-se que a adio de um
1 2 3 1 2 1 2
constante para uma combinao linear de variveis aleatrias no tem no seu Eect
varincia somente sua mdia.
Para um modelo de regresso, os elementos necessrios para fazer este clculo so encontrados
na varincia-
matriz de covarincia.
A preciso dos mnimos quadrados (e outros estimadores) resumido pelo
varincia-covarincia
matriz, que inclui a medio da variao da intercepo e o
inclinao e covarincia
dade entre as duas. As variaes do estimador de mnimos quadrados
cair sobre a diagonal desta
57
----------------------- Page 82 -----------------------
matriz quadrada ea covarincia est no o -diagonal.
var (b) cov (b,
b)
cov (b, b) = 1 1
2 (3.13)
1 2 cov (b, b) var (b)
1 2 2
Todos estes elementos tm de ser estimados a partir dos dados. Para
imprimir uma estimativa da varincia-
matriz covarincia seguinte uma regresso usar a opo de com o seu --vcv
regresso em Gretl:
ols food_exp --vcv renda const
Pgina 111
Page 112
2
2
Em termos de hiptese, var (b + 20b - 250) = 1 var (b) + 20
var (b) + 2 (1) (20) cov (b, b).
1 2 1
2 1 2
A matriz de covarincia impresso por esta opo :
Matriz de covarincia dos coeficientes de regresso:
const renda
1.884,44 -85,9032 const
4,38175 renda
A aritmtica de varincia var (b1 + 20B2 - 250) = 1884,44 + (400) (4,38175)
+ (40) (- 85,9032) =
201,017. A raiz quadrada da presente o erro padro, ou seja, 14.178.
claro que, quando voc sabe o erro padro estimado, voc poderia
to bem estimar uma
intervalo para a despesa mdia comida. O script para fazer isso encontrado
abaixo. Usando Hansl
para fazer a aritmtica torna as coisas muito mais fceis.
1 escalar vc = $ vcv [1,1] + 20 ^ 2 * $ vcv [2,2] + 2 * 20 * $ vcv [2,1]
2 escalar SE = sqrt (VC)
3 escalar tval = ($ coeff (const) + 20 * $ coeff (receitas) -250) / SE
4 escalar p = pValue (t, $ df, tval)
5
6 escalar avg_food_20 = $ coeff (const) + 20 * $ coeff (renda)
7 escalar lb = avg_food_20-crtica (t, $ df, 0.025) * se
8 escalar ub = avg_food_20 + crtico (t, $ df, 0.025) * se
9
Pgina 112
Page 113
10 de impresso do SE vc tval p avg_food_20 lb ub
Na primeira linha, o assessor $ vcv usado. Nele o
varincia-covarincia do anteriormente
modelo estimado. (Os colchetes conter a localizao da linha e coluna
o elemento desejado.
Isto , a varincia estimada de b1 o elemento localizado na primeira linha
primeira coluna e, portanto,
Vcv $ [1,1]. A covarincia entre b1 e b2 pode ser encontrado tanto no
a primeira linha, segunda coluna
58
----------------------- Page 83 -----------------------
ou a segunda linha, primeira coluna. Ento, vcv $ [1,2] = $ vcv [2,1]. O script tambm
produz o valor-p
associada com um teste de dois lados 5%.
Na linha 6, a despesa mdia comida calculado em Lucro =
20, o que corresponde a
$ 2.000 / semana (renda medido em US $ 100). O inferior e superior a 95%
intervalos de confiana so
calculado em linhas 7 e 8.
? print vc se tval p avg_food_20 lb ub
vc = 201,01688
se = 14.178042
tval = 2.6526132
p = 0,0057953880
avg_food_20 = 287,60886
lb = 258,90692
ub = 316,31081
Voc pode ver que o clculo manual, e que a partir de Gretl so o
mesma. O valor-p menor
que 0,05 e ns rejeitamos H0 em favor da alternativa em
neste caso. A comida mdia
despesas para uma famlia que ganha $ 2000 / semana $ 287. O intervalo de confiana de 95%
Pgina 113
Page 114
para a mdia
($ 258,907, $ 316,311).
3.7 Script
1 set echo off
2 # intervalos de confiana
5 escalar lb = $ coeff (renda) - 2.024 * $ stderr (renda)
6 escalar ub = $ coeff (renda) + 2.024 * $ stderr (renda)
7 impresso lb ub
8
9 # utilizando a funo fundamental para obter valores crticos
$ Stderr (renda)
$ Stderr (renda)
12 impresso lb ub
13
14 # t-ratio
17
18 #one teste lados (Ha: b2> zero)
Pgina 114
Pgina 115
59
----------------------- Page 84 -----------------------
22 printf "A estatstica =% .4f, 5 %% crtica % = valor .4f e \
24
25 #one teste lados (Ha: b2> 5,5)
31
32 #one teste lados (Ha: b2 <15)
33 tratio3 escalar = ($ coeff (receita) - 15) / $ stderr (renda)
34 escalar c3 = -1 * crtico (t, $ df, 0,05)
35 escalar P3 = pValue (t, $ df, abs (tratio3))
38
39 #two teste lados (Ha: B2 igual a 7,5)
42 escalar p4 = 2 * pValue (t, $ df, tratio4)
45
Pgina 115
Page 116
46 intervalo #Confidence
47 escalar lb = $ coeff (renda) - Crtico (t, $ df, 0.025) *
$ Stderr (renda)
48 escalar ub = $ coeff (renda) + Crtico (t, $ df, 0.025) *
$ Stderr (renda)
49 printf "O intervalo de confiana de 95 %% (% .4f, .4f%) \ n", lb, ub
50
51 #two teste lados (Ha: no B2 igual a zero)
54 escalar p5 = 2 * pValue (t, $ df, tratio5)
57
58 # combinaes lineares de coeficientes
60 ols food_exp --vcv renda const
61 vc escalar = $ vcv [1,1] + 20 ^ 2 * $ vcv [2,2] + 2 * 20 * $ vcv [2,1]
62 escalares SE = sqrt (vc)
63 tval escalar = ($ coeff (const) + 20 * $ coeff (receitas) -250) / SE
64 escalar p = pValue (t, $ df, tval)
65
66 escalar avg_food_20 = $ coeff (const) + 20 * $ coeff (renda)
67 escalar lb = avg_food_20-crtica (t, $ df, 0.025) * se
68 escalar ub = avg_food_20 + crtico (t, $ df, 0.025) * se
69
70 print vc se tval p avg_food_20 lb ub
Pgina 116
Page 117
60
----------------------- Pgina 85 -----------------------
E para o exerccio repetido de amostragem, o script :
1 set echo off
4 loop foreach i yList --progressive --quiet
8 escalar s1 = $ stderr (const)
9 escalar s2 = $ stderr (x)
10
# 11 2,024 o valor crtico de 0,025 t (38)
distribuio
12 escalares c1L = b1 - crtico (t, $ df, .025) * s1
13 escalar C1r = b1 + crtico (t, $ df, .025) * s1
14 escalares C2L = b2 - crtico (t, $ df, .025) * s2
15 escalar C2R = b2 + crtico (t, $ df, .025) * s2
16
17 escalar sigma2 $ = sigma ^ 2
18 lojaworkdir \ coeff.gdt b1 b2 s1 s2 c1L C1r C2L C2R
sigma2
19 endloop
20
21workdir open \ coeff.gdt
Pgina 117
Page 118
22 impresso c1L C1r C2L C2R --byobs
Monte Carlo para medir as probabilidades de cobertura dos intervalos de confiana
1 set echo off
3 Conjunto de sementes 3213798
6 series y = 80 + 10 * renda + u
Renda const 7 ols y
8 # 2,024 o valor crtico de 0,025 t (38)
distribuio
9 escalar c1L = $ coeff (const) -
10 C1r escalar = $ coeff (const) +
11 escalar C2L = $ coeff (renda) -
12 C2R escalar = $ coeff (renda) +
13
14 # Compute as probabilidades de cobertura da Confiana
Intervalos
15 escalar p1 = (80> c1L && 80 <C1R)
16 escalar p2 = (10> C2L && 10 <C2R)
17
18 p1 p2 impresso
19 lojaworkdir \ cicoeff.gdt c1L C1r C2L C2R
20 endloop
61
----------------------- Page 86 -----------------------
Pgina 118
Page 119
Captulo 4
Prediction, Goodness-of-Fit, e Modelagem
Questes
Diversas extenses do modelo de regresso linear simples so agora considerados.
Primeiro, condicional
previses so gerados usando os resultados salvos por Gretl. Em seguida, uma
utilizada a medida de
discutido qualidade do ajuste linear fornecida pela regresso. Ns
em seguida, tomar um breve desvio para
discutir como Gretl pode ser usado para fornecer sada de aparncia profissional
que pode ser utilizado na sua
pesquisa.
A escolha de uma forma funcional de uma regresso linear importante
e o ensaio de RESET da
adequao de sua escolha examinado. Por fim, os resduos so testados para
normalidade. A normalidade da
erros do modelo uma propriedade til na medida em que, quando existe, melhora a
o desempenho de
mnimos quadrados e os testes relacionados e intervalos de confiana que considermos
quando as amostras so
pequeno (finita).
4.1 Previso das despesas modelo Food
Gerar os valores previstos de despesas comida para uma pessoa com um dado
renda muito simples
em Gretl. Aps estimar o modelo com mnimos quadrados, voc pode usar
o genr ou srie para obter
valores previstos para todas as observaes ou utilizao escalar para obter uma previso em um
ponto especfico. No
exemplo, um agregado familiar, tendo incomeo = $ 2000 de renda semanal est previsto para
gastar aproximadamente
287,61 dlares em alimentos. Lembrando que a renda medida em centenas de dlares em
os dados, o Gretl
comandos para calcular este a partir do console so:
Pgina 119
Pgina 120
62
----------------------- Page 87 -----------------------
3 escalar yhat0 = $ coeff (const) + $ coeff (receitas) * 20
Isso gera EXP0 comida = 287,609. Poderamos ter usado genr ao invs de
escalar (ou nada
yhat0 antes) e o resultado correcto seria calculada. Usando escalar torna
claro para algum
mais lendo o programa que voc pretende que este para calcular um nico nmero, no um
srie.
A obteno do intervalo de confiana de 95% um pouco mais difcil na medida em que no existam
comandos internos
em Gretl que vai fazer isso. A informao necessria est prontamente disponvel,
no entanto. A frmula a seguinte:
2
2 2
var (f) = + + (Renda - renda) var (b
) (4.1)
o
2
T
Na seo 2.4 foi estimada 2 = 8.013,29 e var (b) = 4,3818. A mdia
valor da renda encontrado
2
destacando a renda varivel na janela eo Gretl principal
selecionando Exibir> Resumo
Estatsticas no menu suspenso. Isso gera renda = 19.6047.1
O t38 5% valor crtico
2,0244 e o computation2
8013.2941 2
var (f) = 8013,2941 + + (20-19,6047)
4,3818 = 8.214,31 (4.2)
Pgina 120
Page 121
40
Em seguida, o intervalo de confiana :
exp comida t se (f) = 287,6069 2,0244 = 8.214,31

[104,132, 471,086] (4.3)
0 c
O script completo para produzir os resultados computados no Gretl :
3 escalar f = 8013,2941 + (8013,2941 / 40) + 4,3818 * (20-19,6047) ^ 2
4 escalar ub = yhat0 + 2,0244 * sqrt (f)
5 escalar lb = sqrt yhat0-2.0244 * (f)
Neste ponto, voc pode estar se perguntando se h alguma maneira de usar o interno
funes de Gretl
para produzir o mesmo resultado? Como vimos, Gretl salva muitos dos que resultados
precisa internamente e
estes por sua vez pode ser posta em servio em clculos subseqentes usando o seu
acessores.
Por exemplo, a soma dos quadrados dos erros de regresso dos mnimos quadrados
pode ser acessado usando
$ Ess. Os graus de liberdade eo nmero de observaes so salvos como $ df e
$ Nobs, respectivamente.
Alm disso, voc pode usar uma funo Gretl interno para calcular a renda, mdia (renda),
e a crtica
funo discutido no captulo anterior para obter o valor crtico desejado.
Assim, a previso
intervalo pode ser automatizado e tornada mais precisa usando o seguinte script.
1Sua resultado pode variar um pouco dependendo de quantos dgitos so realizadas
para a direita da casa decimal.
2Voc pode calcular isso facilmente usando o console Gretl digitando: escalar f
= 8013.2941 + (8013,2941 / 40) +
Pgina 121
Pgina 122
4,3818 * (20-19,6047) 2 **
63
----------------------- Page 88 -----------------------
2 escalar yhat0 = $ coeff (const) + 20 * $ coeff (renda)
3 escalar SIG2 = $ ess / $ df
4 escalar f = SIG2 + SIG2 / $ nobs +
((20-mdia (renda)) ^ 2) * ($ stderr (renda) ^ 2)
5 escalar lb = yhat0-crtica (t, $ df, 0.025) * sqrt (f)
6 escalar ub = yhat0 + crtico (t, $ df, 0.025) * sqrt (f)
7 impresso yhat0 SIG2 f lb ub
Isto produz
yhat0 = 287,60886
SIG2 = 8013,2941
f = 8214.3110
lb = 104,13228
ub = 471,08545
quais so os valores que esperamos.
4.2 Coecient de Determinao
Um uso da anlise de regresso a "explicar" a variao em dependentes
varivel como uma funo de
a varivel independente. Um resumo estatstico que utilizado para esta
finalidade a de coecient
2
determinao, tambm conhecida como R.
H um certo nmero de formas de obteno de R2 dierent em Gretl. A
maneira mais simples de obter R2
para l-lo diretamente o da produo de regresso do Gretl. Isto mostrado na figura
Pgina 122
Pgina 123
4.3. Uma outra maneira, e
Provavelmente o mais dicult, calcular manualmente utilizando a anlise de
varincia (ANOVA)
tabela. A tabela ANOVA pode ser produzido aps uma regresso, escolhendo
Anlise> ANOVA de
menu de puxar para baixo da janela do modelo tal como mostrado na Figura 4.1. Ou, pode-se simplesmente
usar o --anova
opo de OLS para produzir a tabela a partir da consola, como parte de um script.
ols --anova renda const renda
O resultado aparece na Figura 4.2.
Na tabela ANOVA apresentado na Figura 4.2, o SSR, SSE e SST pode ser
encontrada. Gretl tambm
faz o clculo R2 para que, como mostrado na parte inferior da
sada. Se voc quiser verificar a
clculo do Gretl, ento
SST = SSR + SSE = 190627 + 304505 = 495132
(4.4)
64
----------------------- Pgina 89 -----------------------
Figura 4.1: Depois de estimar a regresso, selecione Anlise> ANOVA do
pull modelo de janela
no menu suspenso.
Figura 4.2: A tabela ANOVA
e
SSR SSE 190627
= 1 - = = 0,385
(4,5)
SST SST 495132
Dierent autores referem-se a soma de quadrados da regresso, soma dos quadrados dos resduos e
soma total dos quadrados
Pgina 123
Page 124
por siglas dierent. Ento, vale a pena ter cuidado ao calcular R2 manualmente.
Refere-se ao POE4
soma de quadrados da regresso como SSR ea soma dos quadrados dos resduos como SSE (soma dos
erros ao quadrado).
Finalmente, voc pode pensar em R2 como a correlao ao quadrado entre
suas observaes sobre o seu
varivel dependente, exp de alimentos, e os valores previstos com base em sua estimativa
modelo, exp alimentos. A
roteiro Gretl para calcular esta verso da estatstica se encontra abaixo de
seo 4.5.4.
Para utilizar a GUI, voc pode seguir os passos listados aqui. Estimar o modelo
(Equao 2.1) usando
mnimos quadrados e adicionar os valores previstos a partir do modelo estimado,
exp de alimentos, para o conjunto de dados.
Em seguida, use a matriz de correlao Gretl para obter a correlao entre alimentos
exp e exp alimentos.
Somando os valores ajustados para o conjunto de dados a partir do menu suspenso
na janela do modelo
ilustrada na Figura 4.4 abaixo. Realce o exp variveis alimentos,
renda, e yhat1 segurando
a chave de controle e clicando o mouse sobre cada varivel no principal
janela Gretl como visto na
65
----------------------- Pgina 90 -----------------------
Figura 4.3: Alm de algumas outras estatsticas de resumo, Gretl calcula o
R2 no ajustado de
a regresso linear.
Figura 4.4: Usando o menu suspenso na janela de modelo para adicionar valores ajustados para
seu conjunto de dados.
Pgina 124
Pgina 125
Figura 4.5 abaixo. Em seguida, em Exibir> Matriz de Correlao produzir todos
as correlaes entre pares
entre cada varivel que voc escolheu. Estes esto dispostos numa matriz
como mostrado na Figura 4.6.
Note-se que a correlao entre os alimentos exp e renda o mesmo que
que entre os alimentos exp e
exp alimentos (ou seja, 0,6205). Como mostrado em seu texto, isso no coincidncia no
de regresso linear simples
modelo. Alm disso, em quadratura com este nmero igual a R2 de sua regresso,
0,62052 = 0,385.
Voc pode gerar correlaes entre pares a partir do console usando
c1 = corr (food_exp, $ yhat)
Em ainda outro exemplo, a facilidade de utilizao Gretl, o escalar habitual
ou genr no usado antes
c1. Gretl identifica corretamente que o resultado um escalar e voc pode com segurana
omitir o comando. Em
os scripts mais longos, no entanto, a sua geralmente uma boa idia para dizer o que voc Gretl
pretende calcular e se
o resultado no corresponde voc receber uma mensagem de erro.
66
----------------------- Pgina 91 -----------------------
4.3 A escolha de uma forma funcional
No h nenhuma razo para pensar que a relao entre os alimentos
exp e renda linear.
De facto, provvel que seja no-linear. Um trabalhador com salrio baixo pode gastar quase tudo
de um dlar adicional
em comida enquanto que um trabalhador com renda alta pode gastar muito pouco. O modelo linear
Isso implica que
ricos e pobres gastam a mesma quantidade de um dlar adicional de renda.
Como pode ser visto na anterior
captulos, no-linearidades podem ser modeladas por transformar o dependente
ou varivel independente.
Isso complica a interpretao um pouco, mas alguns clculos simples podem dierential
classificar rapidamente as coisas
Pgina 125
Page 126
fora.
A regresso linear muito mais flexvel do que o nome indica. L
muitas relacionamento
estimado em economia que so conhecidos por ser no-linear. O relacionamento
entre insumos de produo
ea sada regido no curto prazo pela lei dos rendimentos decrescentes,
sugerindo que um convexo
curva uma funo mais apropriado para utilizar. Felizmente, um simples
transformao das variveis
(X, y, ou ambos) pode produzir um modelo que linear nos parmetros
(Mas no necessariamente na
variveis).
O ponto importante a lembrar , a forma funcional que voc escolher
deve ser consistente
com a forma como os dados esto realmente sendo gerado. Se voc escolher um
forma inadequada, em seguida, o
modelo estimado pode na melhor das hipteses no ser muito til e, na pior, ser francamente
enganosa.
Em Gretl voc recebe alguns comandos muito teis para transformar variveis.
A partir da pgina
Gretl janela do menu Add pull-down d-lhe acesso a uma srie de
transformaes; selecionando
um deles aqui ser adicionado automaticamente a varivel transformada
seu conjunto de dados, bem como sua
Descrio.
Figura 4.7 mostra as opes disponveis neste menu suspenso.
Na parte superior do
painel duas opes aparecem em preto, os outros so acinzentados, porque eles so
apenas disponvel voc
definiram a estrutura do conjunto de dados consistem de observaes de sries temporais.
As opes disponveis
pode ser usado para adicionar o logaritmo natural ou os valores de qualquer quadrado
destacou varivel para o seu
conjunto de dados. Se nenhuma dessas opes combina com voc, ento o prximo a ltima opo
Definir novo varivel
pode ser seleccionado. Este dilogo usa o comando escalar e o grande nmero de
construdo em funes
transformar em formas variveis dierent. Apenas algumas das possibilidades
incluem razes quadradas (sqrt),
Pgina 126
Page 127
Figura 4.5: Segure a tecla Ctrl e clique em alimentos exp, renda e alimentos
exp = yhat2 do alimento
regresso despesas para selecion-los.
67
----------------------- Pgina 92 -----------------------
Figura 4.6: A matriz de correlao para exp alimentos, renda e exp comida =
yhat2 produzido pela
selecionando Exibir> Matriz de correlao a partir do menu suspenso.
seno (sin), cosseno (cos), o valor absoluto (ABS), exponencial (exp), mnimo
(Min), mximo (max),
e assim por diante. Mais tarde no livro, vamos discutir alterar a estrutura do conjunto de dados para
permitir que algum do
outras opes de transformao de variveis.
4.3.1 Linear-Log Especificao
A especificao linear-log do modelo de gastos com alimentao usa o singular
logaritmo da renda
como a varivel independente:
comida exp = 1 + 2 ln (renda) + e
(4.6)
Tomando o logaritmo da renda e estimar o modelo
1 srie l_income = ln (renda)
2 ols food_exp l_income const
H um atalho que permite que voc tire os logaritmos naturais de vrios
variveis de cada vez. A
logs de funo poderia ser usado criam ln (renda) como
Pgina 127
Pgina 128
renda registros
Este comando produz uma nova varivel chamada l renda e adiciona-o ao
lista de variveis.
Estimativa dos rendimentos modelo
exp comida = -97,1864 + 132,166 l renda
(84,237) (28,805)
2
T = 40 R = 0,3396 F (1, 38) = 21,053 =
91,567
68
----------------------- Pgina 93 -----------------------
Figura 4.7: O menu suspenso varivel usado para adicionar novas variveis
para Gretl
Na Figura 4.6 do POE4 a autores trama exp de alimentos contra alimentos
exp. A positivo (no-linear)
relao entre os dois esperado uma vez que o modelo estava
estimada utilizando o naturais
logaritmo da renda. Para produzir este enredo, estimar a regresso
para abrir a janela do modelo.
Adicionar os valores previstos de a partir da regresso para o conjunto de dados usando
Salvar> Equipado valores de
menu suspenso da janela do modelo. Nomeie o valor provido, yhat2 e clique em OK.
Agora, volte para
Na janela principal, use o mouse para selecionar as trs variveis (exp alimentos,
yhat2 e renda), 3
em seguida, selecione Exibir> Grfico vars especificadas> disperso XY do
suspenso menu.4 Isso abre a
Pgina 128
Page 129
definir a caixa de dilogo grfico. Escolha yhat2 e exp alimentos como as variveis do eixo Y e
renda como o
Varivel do eixo X e clique em OK. Aparece um grfico parecido com a Figura 4.8
A abordagem mais simples abrir um console ou uma nova janela de script e usar o
seguintes comandos:
Para salvar os valores previstos e tra-los contra as observaes reais adicionar
2 sries yhat2 = $ yhat
3 gnuplot yhat2 food_exp renda
A primeira linha de estima a regresso. Os valores previstos so realizadas no
acessor, $ yhat, e so
atribudo a uma nova varivel chamada yhat2 utilizando o comando srie. Em seguida, ligue
gnuplot com o
valores previstos, yhat2, como a primeira varivel e os valores reais dos alimentos
despesas, exp de alimentos,
3Remember, pressione e segure Ctrl e clique em cada uma das variveis
4You tambm pode clique com o mouse uma vez as variveis so selecionadas para ganhar
acesso ao grfico de disperso. Se voc escolher
Neste mtodo, Gretl ir pedir-lhe para especificar quais das variveis selecionadas
para ser utilizado para o eixo X.
69
----------------------- Pgina 94 -----------------------
Figura 4.8: Representao grfica do modelo linear-log
como o segundo.
Finalmente, se voc executar esses comandos usando um script, o grfico
so gravados em um arquivo no seu
computador, em vez de abrir em uma janela. Por esta razo, eu recomendo executar
estes comandos
a partir do console, em vez de a partir do arquivo de script que aparece no final deste
captulo.
Pgina 129
Pgina 130
4.3.2 Lotes residuais
Inadvertidamente escolhendo uma forma funcional inadequado pode levar a
alguns problemas graves
quando se trata de usar os resultados para a tomada de deciso. H um nmero de
testes formais que
que se pode fazer para diagnosticar problemas de especificao, mas os pesquisadores muitas vezes comeam por
olhando residual
parcelas para ter uma idia, se houver algum problema.
Se os pressupostos do modelo de regresso linear normal de clssico
segurar (garantindo que menos
quadrados mnima varincia imparcial), ento os resduos dever ser parecido com aqueles
encontrado em ch4sim1.gdt
mostrada na Figura 4.9 abaixo.
aberto "gretldir \ data \ poe \ ch4sim1.gdt"
ex gnuplot
70
----------------------- Pgina 95 -----------------------
Figura 4.9: resduos aleatrios da ch4sim1.gdt
Se no h um padro aparente, ento as chances so nas hipteses previstas para
o Gauss-Markov
teorema de segurar pode ser satisfeito eo estimador de mnimos quadrados vontade
ser mostrassem eficientes entre linear
estimadores e tem as propriedades desejveis habituais.
O prximo enredo dos mnimos quadrados resduos dos alimentos linear-log
modelo de despesas (Figura
4.10). Estes parecem no ser estritamente aleatria. Pelo contrrio, so
heterocedstica, o que significa
que, para alguns nveis de rendimento, a despesa alimentar varia mais do que para
outros (mais varincia para
alta renda). Mnimos quadrados pode ser imparcial neste caso, mas no
mostrassem eficientes. A validade do
testes de hipteses e intervalos aected e deve ser tomado alguns cuidados para garantir
adequada estatstica
Pgina 130
Page 131
inferncias so feitas. Isto discutido em mais detalhes no captulo 8.
Finalmente, o conjunto de dados ch4sim2.gdt contm resduos de mnimos quadrados de um
de regresso linear para ajuste
dados quadrtica. Para tratar o relacionamento como linear seria como
tentando encaixar uma linha atravs de um
parbola! Isso aparece na Figura 4.11. O script para gerar esta :
1 aberto "gretldir \ data \ poe \ ch4sim2.gdt"
2 ols y x const
3 sries ehat = $ uhat
4 gnuplot ehat x
Note-se que um outro assessor foi usado para armazenar os resduos para um novo
varivel. Os resduos
da regresso anterior so armazenados e podem ser acessados via
$ Uhat. Na linha 3 estes foram
71
----------------------- Pgina 96 -----------------------
Figura 4.10: resduos heteroscedsticos do modelo linear-log de alimentos
despesas.
acessados e atribudo ao ehat varivel. Em seguida, eles podem ser traados usando
gnuplot.
Olhando para o grfico na Figura 4.11, h um problema bvio com modelo
especificao. A
erros so suposto para olhar como uma disperso aleatria em torno de zero. Tem
claramente parablico e o
modelo no est especificado corretamente.
4.3.3 Teste de Normalidade
Seu livro, Princpios de Econometria, discute a Jarque-Bera
teste de normalidade, que
calculado usando a assimetria e curtose dos resduos quadrados mnimos. Para
calcular o Jarque-
Pgina 131
Page 132
Bera estatstica, primeiro voc precisa para estimar o modelo usando mnimos quadrados e
em seguida, salvar os resduos
para o conjunto de dados.
A partir do console Gretl
2 sries uhat1 = $ uhat
3 resumo uhat1
A primeira linha a regresso. O prximo acessa os mnimos quadrados
redsiduals, $ uhat e lugares
72
----------------------- Pgina 97 -----------------------
Figura 4.11: Correlatos resduos da estimativa de uma quadrtica
relao utilizando uma linha.
los em uma nova srie chamada uhat1.5 Voc tambm pode usar o
apontar-e-clicar mtodo para adicionar o
resduos para o conjunto de dados. Isto conseguido a partir da sada da regresso
janela. Basta escolher
Salvar> Resduos no menu pull-down modelo para adicionar o estimado
resduos para o conjunto de dados.
A ltima linha do script produz as estatsticas de resumo para os resduos
e proporciona a sada
na Figura 4.12. Uma coisa a notar, Gretl relata excesso de curtose, em vez de
curtose. O excesso
Resumo Estatsticas, usando as observaes 1
- 40
para a varivel 'Uhat1' (40 vlido
observaes)
A mdia 0.00000
Mediana -6,3245
Mnimo -223,03
Mxima 212,04
Pgina 132
Page 133
O desvio padro 88,362
Cv 2.4147E + 015
Assimetria -,097319
Ex. curtose -,010966
Figura 4.12: As estatsticas de resumo para os mnimos quadrados
resduos.
curtose medido em relao da distribuio normal que possui
curtose de trs. Assim,
seu clculo
JB = T 2 (O excesso de curtose) 2
Assimetria +
(4.7)
6 4
5Voc no pode usar uhat vez de uhat1 porque esse nome reservado por Gretl.
73
----------------------- Pgina 98 -----------------------
Qual
JB = 40 -0.0972 + -0,0112 = 0,063
(4.8)
6 4
Variveis aleatrias normais no tm assimetria nem qualquer excesso de curtose. O JB
estatstica zero neste
caso. Ele torna-se maior quanto maior for a assimetria e quanto maior for o grau de
excesso de curtose exibido
por os dados. Na seo C.1 Hansl usado para calcular assimetria e excesso
curtose e voc pode
usar esses clculos para computar seu prprio teste JB. Felizmente,
no h necessidade de calcular
seu prprio porque Gretl ir calcular o teste de Jarque-Bera para voc. Depois de salvar
os resduos em
$ Uhat1 emitir o comando
ols food_exp renda const
Pgina 133
Page 134
srie uhat1 = $ uhat
normtest uhat1 --jbera
normtest uhat1 --all
Isso gera um valor de teste de Jarque-Bera = 0.0633401, com p-valor 0.968826,
que exatamente o
os rendimentos clculo manual. Gretl realiza outros exames para a normalidade
de resduos incluindo
um em Doornik e Hansen (2008). Computacionalmente, mais
complexa do que a Jarque-Bera
teste. O teste Doornik-Hansen tem uma distribuio 2 se a hiptese nula
de normalidade verdadeiro. Ele
pode ser produzido a partir de normtest juntamente com vrios outros que usam o
opo --all. A sada do
normtest --all mostrado na Figura 4.13. Obviamente, um dos
vantagens da utilizao normtest
Figura 4.13: Usando normtest --all residual testa a varivel residual para
normalidade aps a execuo
uma regresso linear.
que voc pode testar a normalidade de qualquer srie, e no apenas resduos.
Outra possibilidade utilizar a funo modTest depois de estimar um modelo
usando mnimos quadrados.
ols food_exp renda const
modTest --normality
O comando modTest , na verdade uma funo genrica que permite que voc teste a
nmero de dierent
hipteses sobre a especificao de seu modelo. Esta funo
opera sobre os resduos de
74
----------------------- Pgina 99 -----------------------
o ltimo modelo estimado. Us-lo depois de uma regresso com o
opo --normality produz o
Pgina 134
Pgina 135
seguinte resultado
Distribuio de freqncia para uhat2, obs 1-40
nmero de caixas = 7, mdia = -2.45137e-014, dp = 89,517
intervalo freqncia midpt rel. cum.
<-186,77 -223,03 1 2,50% 2,50%
-186,77 - -114,26 -150,51 3 7,50% 10,00% **
-114,26 - -41,747 -78,002 8 20,00% 30,00%
*******
-41,747 - 30,765 -5,4907 14 35,00% 65,00%
************
30,765-103,28 67,021 8 20,00% 85,00%
*******
103,28-175,79 139,53 5 12,50% 97,50%
****
> = 175,79 212,04 1 2.50% 100.00%
Teste de hiptese nula de distribuio normal:
Qui-quadrado (2) = 0,694 com p-valor de 0,70684
A distribuio dos resduos so recolhidos e representados num bsica
grfico e os resultados para o
Teste de DH so dadas. Se modTest executado a partir de GUI usando
Testes> normalidade dos resduos em
janela de resultados do modelo, um histograma gnuplot dos erros gerado com
uma densidade normal
sobreposta. Os resultados do teste de DH so novamente impresso sobre o grfico.
4.4 Resultados de relatrio
No caso de voc pensar Gretl apenas um brinquedo, o programa inclui um muito capaz
utilitrio que permite que ele
A
para produzir sada de aparncia profissional. LTX, normalmente pronunciado "Lay-tek",
um pr composio
E
Pgina 135
Page 136
grama usada por matemticos e cientistas para produzir com aparncia profissional
documentos tcnicos.
amplamente utilizado por econometricians preparar manuscritos para uma maior
distribuio. Na verdade, este
A
livro produzido usando LT X.
E
A
Embora LT X gratuito e produz documentos com aparncia muito profissionais,
no amplamente usado
E
por alunos de graduao e mestrado, porque 1) a maioria dos programas de graduao no
exigem que voc escrever
uma grande quantidade de documentos tcnicos e 2) uma linguagem de computador e, portanto, preciso
algum tempo para aprender
seus meandros e apreciar as suas nuances. Caramba, eu tenho usado para
anos e ainda coa minhas
cabea quando eu tento colocar tabelas e figuras nos lugares que eu gostaria que eles sejam!
Em qualquer caso, Gretl inclui uma instalao para produo de sada que
pode ser colado diretamente no
A A
Documentos LT X. Para os usurios do LTX, isso faz com que a sada de regresso de gerao
no formato de uma adequada
E E
A
brisa. Se voc ainda no usa LTX, ento isso no vai lhe dizem respeito. Em
Por outro lado, se
E
j us-lo, Gretl pode ser muito til a este respeito.
Na Figura 4.3 voc vai notar que no lado mais direita do menu
bar um menu suspenso
75
----------------------- Pgina 100 -----------------------
A
Pgina 136
Page 137
para LT X. A partir daqui, voc clica em LaTeX na barra de menu e uma srie de opes
revelam-se como
E
mostrado na Figura 4.14. Voc pode visualizar, copiar, ou salvar a sada de regresso em
qualquer forma de tabela ou
A
Figura 4.14: Vrias opes para definir a sada do LTX so
disponvel.
E
na forma de equao. Voc pode dizer Gretl se voc quer erros padro ou
t-rcios entre parntesis
abaixo das estimativas dos parmetros, e voc pode definir o nmero de casas decimais a ser
utilizado de sada.
Bom, de fato. Exemplos de tabulares e equao formas de sada so
encontrado nas Tabelas 4.1 e 4.2,
respectivamente.
Coecient Std. Erro p-valor t-ratio
const 83,4160 43,4102 1,9216 0,0622
renda 10,2096 2,09326 4,8774 0,0000
Dependente var 283.5735 SD var dependente mdia
112.6752
Sum squared resid 304.505,2 EP da regresso
89,51700
0.368818
F (1, 38) 23,78884 P-value (F)
0.000019
475.0176
476.2389
Pgina 137
Page 138
A
Tabela 4.1: Este um exemplo de sada de LT X em tabular
forma.
E
exp comida = 83,4160 + 10,2096 renda
(43,410) (2,0933)
2
T = 40 R = 0,3688 F (1, 38) = 23,789 = 517
A
Tabela 4.2: Exemplo de sada LT X em forma de equao
E
76
----------------------- Pgina 101 -----------------------
4.5 modelos polinomiais
Usando polinmios para capturar no-linearidade na regresso muito fcil e
muitas vezes eective. Stu-
mossas da economia so bastante acostumado a ver as curvas de custo em forma de U e S-Shaped
funes de produo
e essas formas so simplesmente expressadas usando polinmios quadrticos e cbicos,
respectivamente. Desde
o foco tem sido at agora na regresso simples, ou seja, a regresso
modelos com apenas um independente
varivel, a discusso em POE4 simplificado para incluir apenas uma
valor quadrado ou ao cubo nico de
a varivel independente.
A forma geral de uma equao quadrtica y = a + Ax + um x2
inclui uma constante, o nvel de x
Pgina 138
Page 139
0 1 2
e seu quadrado. Os dois ltimos termos so multiplicados vezes coecients, a1 e
a2, que determinam o
2 3
forma real da parbola. A equao cbica adiciona um termo ao cubo, y = a
+ Ax + ax + machado. A
0 1 2 3
regresses simples considerados nesta seo incluem apenas a constante, a0
e, ou o quadrado
prazo num modelo quadrtico ou o termo ao cubo no modelo cbico.
A regresso quadrtica simples j foi considerado. A regresso
e sua inclinao so
y = x2 +
1 2
dy / dx = x 2
2
A partir desta voc pode ver que a inclinao da funo depende do parmetro como
bem como o valor de
a varivel x.
O modelo cbico e a sua inclinao so
y = + x3
1 2
dy / dx = 3 x2
2
Como x quadrado na encosta, o sinal algbrico de 2 determina se
o declive positivo ou
negativo. Ambos estes modelos so considerados utilizando exemplos abaixo.
4.5.1 Rendimento de trigo
Pgina 139
Pgina 140
Figura 4.15 parcelas do rendimento mdio do trigo em Greenough Shire ao longo do tempo (em
toneladas por hectare-
estamos em OZ!) usando os dados em wa wheat.gdt. Os resultados do exemplo em
o ponto 4.4 do seu
livro didtico facilmente produzido em Gretl. Comear por carregamento dos dados e estimar
o Eect de tempo,
tempo sobre a produo Greenough usando mnimos quadrados. O script a seguir ir carregar a
arquivo de dados, estimar o
modelo usando mnimos quadrados, e gerar um grfico dos valores reais e embutidos
de rendimento (greenough)
a partir do modelo.
Um abertas "gretldir \ data \ poe \ wa-wheat.gdt"
2 ols greenough tempo const
3 gnuplot tempo greenough
77
----------------------- Pgina 102 -----------------------
A trama resultante aparece abaixo na Figura 4.15. A linha montada pode
ser adicionada. Clicar com o boto direito do mouse em
Figura 4.15: O enredo do rendimento real em Greenough Shire
ao longo do tempo
o grfico traz um menu de opes. Escolha Editar eo enredo
controla caixa de dilogo aparece como
mostrado na Figura 4.16. H um menu suspenso na caixa chamada linha equipada
a partir do qual voc pode
escolher para ajustar uma linha, uma quadrtica, ou uma equao cbico. Eu escolhi linha
eo resultado aparece na
figura. Na guia alguns dos padres de linhas; a legenda para o
srie alterado para Real
Rendimento eo estilo da linha foi alterado para linha / pontos. A guia do eixo X
foi usado para alterar o eixo
rotular de 'Ano'.
O simples comando gnuplot funciona bem o suficiente. No entanto, eu aproveitei
ter declarado
a estrutura do conjunto de dados a ser de sries temporais para melhorar a aparncia. Eu tambm acrescentou um
Pgina 140
Page 141
descrio e rtulo para
ser usado no grfico com os interruptores -d e -n para setinfo. Os comandos
so
1 setinfo greenough-d "rendimento de trigo em toneladas" n "Rendimento em
toneladas "
2 gnuplot greenough --with linhas --time srie --linear-fit
H trs opes listadas aps a trama. Os primeiros (linhas --with)
informa gnuplot para conectar
os pontos utilizando linhas. A segunda opo (--time-series) diz que gnuplot
o grfico do tempo-
srie. Neste caso, a varivel de tempo definido para o conjunto de dados vai ser utilizado para localizar
A posio de cada ponto
sobre o eixo-X. A opo final traa os mnimos quadrados ajuste de um
linha. Para fazer o grfico como
Figura 4.15 alguma manipulao adicional foi feito usando os controles do enredo.
Para explorar o comportamento do rendimento ainda, criar uma nova varivel usando o
comando de srie
3
t3 = tempo / 1, 000, 000, como mostrado abaixo. Esta nova escala de tempo em cubos
apenas muda a escala de
o coecient por uma quantidade correspondente e no tem no Eect
forma ou ajuste do modelo. Ele
78
----------------------- Page 103 -----------------------
Figura 4.16: A caixa de dilogo grfico pode ser utilizada para alterar as caractersticas de
seus grficos. Use o
Guia principal para dar o grfico um novo nome e cores; usar os X e Y-eixos guias para
refinar o comportamento
dos eixos e para fornecer melhores descries das variveis representadas graficamente.
particularmente til para sries temporais por muito tempo desde cubing grandes inteiros
pode ultrapassar o computador do
capacidade para produzir resultados precisos (isto , de estouro numrico). A nova trama
aparece na Figura 4.17.
1 srie t3 = tempo ^ 3/1000000
Pgina 141
Page 142
2 ols greenough t3 const
3 gnuplot greenough --with linhas --time-series
4.5.2 Modelo de Crescimento
Abaixo voc encontrar um script que reproduz os resultados do
modelo de crescimento exemplo em
seo 4.5.1 do POE4. Se o rendimento cresce a uma taxa constante de g,
em seguida, deu no tempo t = 1 ser
rendimento = yield (1 + g). Para as taxas de crescimento constantes, a substituio repetida
produz
1 0
yieldt = yield0 (1 + g) t
(4.9)
Tomando o logaritmo natural
ln (rendimento) = ln (rendimento) + t ln (1 + g) =
+ T (4.10)
t 0 1
2
adicionar um erro e voc tem um modelo de regresso. O parmetro, 2 = ln (1 + g).
Este um exemplo
de um modelo log-linear, onde a varivel independente o tempo. O declive
coecient em tal modelo
mede a taxa de crescimento anual aproximado da varivel dependente.
79
----------------------- Page 104 -----------------------
Figura 4.17: O grfico dos resduos de um modelo linear. H alguns
evidncia visual da srie
correlao, o que sugere que o modelo linear mal especificado.
Um abertas "gretldir \ data \ poe \ wa-wheat.gdt"
2 sries lyield = log (greenough)
3 ols lyield tempo const
Pgina 142
Page 143
Isto produz
l greenough = -0,343366 + 0,0178439 tempo
(0.058404) (0.0020751)
2
T = 48 R = 0,6082 F (1, 46) = 73,945 =
0,19916
O coecient b2 = ln estimada (1 + g) = 0,0178. Isto implica que o crescimento
taxa de produtividade do trigo
de aproximadamente 1,78% ao ano ao longo da amostra.6
Equao 4.5.3 Salrio
Abaixo voc encontrar um script que reproduz os resultados do
equao de salrios exemplo em
ponto 4.5.2 do POE4. Neste exemplo, o modelo de log-linear usado
para medir a aproximada
6
Para pequenas g, ln (1 + g) = g.
80
----------------------- Pgina 105 -----------------------
Figura 4.18: O grfico dos resduos de um modelo linear. H alguns
evidncia visual da srie
correlao, o que sugere que o modelo linear mal especificado.
voltar para mais um ano de educao. O exemplo utiliza uma mil
observaes do CPS
pesquisa mensal a partir de 2008.
Pgina 143
Page 144
1 aberto "gretldir \ data \ poe \ cps4_small.gdt"
2 sries l_wage = log (salrio)
3 ols l_wage educ const
4 escalar lb = $ coeff (educ) - 1.96 * $ stderr (educ)
5 escalar ub = $ coeff (educ) + 1.96 * $ stderr (educ)
6 impresso lb ub
Os resultados da regresso so:
l salrio = 1,60944 + 0,0904082 educ
(0.086423) (0.0061456)
2
T = 1000 R = 0,1774 F (1, 998) = 216,41 =
0,52661
e os intervalos de confiana de 95% para a inclinao
Coecient varivel intervalo de confiana de 95%
educ 0.0904082 0.0783484 0.102468
81
----------------------- Page 106 -----------------------
Ou seja, um ano adicional de educao vale entre 7,8% e 10,2% dos salrios
aumenta anualmente.
Inscreva-me!
4.5.4 Generalized R2
A verso generalizada da estatstica de ajuste bondade de R2 pode ser
obtida tomando o quadrado
Pgina 144
Pgina 145
correlao entre os valores reais da varivel dependente e as
previsto pela regresso
Sion. O script a seguir reproduz os resultados do ponto 4.4.4 do seu
livro didtico.
2 logs travar
4 sries y = exp ($ yhat)
5 escalar corr1 = corr (y, salrio)
6 escalar Rsquare corr1 = ^ 2
7 impresso corr1 Rsquare
Isso gera uma correlao estimada de 0,4312 e uma correlao ao quadrado de
0,1859.
4.5.5 As previses do modelo log-linear
Neste exemplo, voc usa a regresso para fazer previses sobre
o salrio log eo nvel
do salrio de uma pessoa com 12 anos de escolaridade. O ingnuo
previso de salrio leva apenas
o anti da ln previsto (salrio). Isto pode ser melhorado
usando as propriedades de log-
2 + 2 / 2
variveis aleatrias normais. Pode ser mostrado que, se ln (w) N (,
), Ento E (w) = e e
var (w) = e2 + 2 (e2 - 1).
c
2 2 (b1 + B2X)
Isso significa que a predio corrigido y = Exp (+ bx + b
/ e . A
1 2
script para gerar estes dada abaixo.
Pgina 145
Page 146
2 logs travar
4 escalar l_wage_12 = $ coeff (const) + $ coeff (educ) * 12
5 escalar nat_pred = exp (l_wage_12)
6 escalar corrected_pred = nat_pred * exp ($ sigma ^ 2/2)
7 impresso l_wage_12 nat_pred corrected_pred
Os resultados so o script
82
----------------------- Page 107 -----------------------
l_wage_12 = 2,6943434
nat_pred = 14.795801
corrected_pred = 16.996428
Isso significa que para um trabalhador com 12 anos de escolaridade, o salrio previsto
$ 14,80 / hora usando o
preditor natural e 17,00 $ / hora, utilizando um corrigida. Em grandes amostras que
seria de esperar que o
preditor corrigido para ser um pouco melhor. Entre os 1.000 indivduos na
amostra, 328 deles tm
12 anos de escolaridade. Entre esses, o salrio mdio de R $ 15,99. Assim
predio corrigido
ultrapassa em cerca de um dlar / hora. Ainda assim, mais perto do que o no-corrigida
figura.
Para obter o salrio mdio para aqueles com 12 anos de escolaridade, o que pudermos
restringir a amostra usando
o script abaixo:
smpl educ = 12 --restrict
salrio resumo
smpl completo
A sintaxe relativamente simples. Os instrui comando smpl
Gretl que algo
sendo feito para a amostra. A segunda instruo educ = 12 uma condio que
Pgina 146
Page 147
Gretl olha para dentro
a amostra. A opo --restrict diz Gretl o que fazer para aqueles
observaes que satisfazem a
condio. A declarao salrio resumo produz
Resumo Estatsticas, usando as observaes 1-328
para o salrio varivel (328 observaes vlidas)
A mdia Mediana Mnimo Mximo
15,9933 14,2050 2,50000 72,1300
Std. Dev. CV Assimetria Ex. curtose
8,84371 0,552963 2,31394 9,08474
o que mostra que a mdia para os 328 observaes quase US $ 16,00.
A ltima linha cheia SMPL
restaura o total da amostra.
4.5.6 Previso Intervalo
Para gerar um intervalo de confiana completa para cada ano de escolaridade
entre 1 e 21 anos,
voc pode usar o seguinte script. O resultado muito parecido com a Figura 4.15
em POE4.
83
----------------------- Page 108 -----------------------
1 aberta "gretldir \ Data \ poe \ cps4_small.gdt"
2 logs salrio
Matriz 5 EPM = zeros (21,5)
6 lao para i = 1..21 --quiet
7 escalar yh = ($ coeff (const) + $ Coeff (educ) * i)
Pgina 147
Page 148
((I-mdio (educ)) ^ 2) * ($ stderr (educ) ^ 2)
9 SEM [i, 1] = i
10 SEM [i, 2] = yh
11 SEM [i, 3] = sqrt (f)
12 SEM [i, 4] = exp (yh-crtica (t, $ df, 0.025) * sqrt (f))
13 SEM [i, 5] = exp (yh + crtico (t, $ df, .025) * sqrt (f))
14 endloop
15 print SEM
16
17 nulldata 21 --preserve
Srie 18 ed = SEM [1]
19 sries salrio = exp (SEM [2])
20 sries lb = SEM [4]
21 sries ub = SEM [5]
Embora provavelmente h maneiras mais elegantes de fazer isso, este script
funciona. Vai demorar um pouco
de explicao, no entanto. Em linhas 1-4 o conjunto de dados aberto, faa o login
salrio criado, a regresso
estimada como a varincia global do modelo.
Na linha 5 de uma matriz de zeros criada que ser usado para armazenar resultados
criado em um loop. O loop
comea a i = 1 e repete, por um, a 21 Estas so as possveis anos
escolaridade que os indivduos
temos em nossa base de dados. Para cada nmero de anos a previso e sua previso
varincia so estimados
(linhas 7 e 8). Note-se que estes tero valores dierent a cada iterao
do circuito graas a
sua dependncia do ndice, i. Na linha 9 da matriz SEM fica colocada em i
o om linha do primeiro
coluna. A linha seguinte coloca a previso na segunda coluna.
Na terceira coluna Eu coloquei
o erro padro previso e nos prximos dois a inferior e superior
limites para o intervalo.
Pgina 148
Page 149
O ciclo termina com I = 21, altura em que a matriz SEM completo; em seguida,
impresso.
Embora voc pode traar as colunas de matrizes, acho que mais fcil de colocar o
colunas em um conjunto de dados
e usar os comandos regulares gretl para fazer parcelas. Primeiro, crie um vazio
conjunto de dados usando nulldata
21 A 21 coloca 21 observaes no conjunto de dados. O --preserve
opo necessria porque
, sem que o contedo da matriz SEM seria esvaziado-definitivamente no o
ns queremos. No
seguintes linhas de comando srie utilizada para colocar cada coluna da matriz numa
srie de dados. Uma vez
isso feito, as variveis vo aparecer na janela de dados e pode representar graficamente
los, como de costume. Abaixo
na Figura 4.19 o grfico que eu criei (com um pouco de edio).
84
----------------------- Page 109 -----------------------
Figura 4.19: Este um grfico gerado utilizando um circuito para estimar previso
erros padro.
4.5.7 Log-Log Modelo
Finalmente, um modelo log-log usado. Esta forma funcional freqentemente usado para
estimar equaes de demanda
uma vez que implica uma elasticidade-preo constante para o produto em
questo. Este exemplo usa o
newbroiler.gdt que est adaptada a partir Epple e McCallum (2006).
A varivel Q per capita
consumo de carne de frango, em libras e P o preo real em dlares. A
amostra 1950-2001.
O modelo log-log estimado
LQ = 3,71694-1,12136 lp
(0.022359) (0.048756)
2
Pgina 149
Pgina 150
T = 52 P = 0,9119 F (1, 50) = 528,96 =
0,11799
O coecient em logaritmo de P 1,121, o que significa que um 1%
aumento do preo real do
frango vai diminuir a quantidade demandada por 1,121%.
Mais uma vez, o indicador de quantidade precisa de ser corrigido desde
o modelo estimado em
2
c 2 ln (Q) / 2
logaritmos. Q = exp (b1 + b2 ln (x) + / e. O R
estatstica pode ser calculada como a
correlao ao quadrado entre Q e Q. O roteiro para este exerccio :
85
----------------------- Pgina 110 -----------------------
Um abertas "gretldir \ data \ poe \ newbroiler.gdt"
2 logs qp
3 ols l_q L_P const
4 sries yht = $ yhat
5 sries prev = exp (yht)
6 sries corrected_pred = pred * exp ($ sigma ^ 2/2)
7 escalar r2 = corr (corrected_pred, q) ^ 2
8 gnuplot corrected_pred qp
Os resultados so
? escalar r2 = corr (corrected_pred, q) ^ 2
R2 = 0,881776 escalares gerados
e o grfico correspondente encontrado na Figura 4.20.
Pgina 150
Pgina 151
Figura 4.20: Este um grfico gerado a partir de um modelo de log-log de
procura de frango.
A figura parece ser bom. A relao no linear entre o peso e
preo bastante evidente
eo ajuste bom razovel.
4.6 Script
86
----------------------- Page 111 -----------------------
1 set echo off
2 # estimativa modelo por LS e prever food_exp
6
7 # intervalo de previso
10 escalar f = 8013,2941 + (8013,2941 / 40) + 4,3818 * (20-19,6047) ^ 2
11 escalar ub = yhat0 + 2,0244 * sqrt (f)
12 escalar lb = sqrt yhat0-2.0244 * (f)
13
14 # intervalo de previso usando acessores
16 escalar yhat0 = $ coeff (const) + 20 * $ coeff (renda)
((20-mdia (renda)) ^ 2) * ($ stderr (renda) ^ 2)
Pgina 151
Page 152
19 escalar lb = yhat0-crtica (t, $ df, 0.025) * sqrt (f)
20 escalar ub = yhat0 + crtico (t, $ df, 0.025) * sqrt (f)
21
22 # correlaes
23 ols food_exp --anova renda const
24 c1 = corr (food_exp, $ yhat)
25
26 # modelo linear-log
27 sries l_income = Ln (renda)
29 sries yhat2 = $ yhat
30 gnuplot renda food_exp yhat2
31
Lote 32 # dados simples
33 abertos "gretldir \ data \ poe \ ch4sim1.gdt"
34 gnuplot ex
35
36 # lote residual
37 abertos "gretldir \ data \ poe \ ch4sim2.gdt"
38 ols y x const
40 gnuplot ehat x
41
42 # testes de normalidade
Pgina 152
Page 153
46 resumo uhat1
47 normtest uhat1 --jbera
48 normtest uhat1 --all
49 modTest --normality
50
51 # polinomial
87
----------------------- Page 112 -----------------------
52 abertos "gretldir \ data \ poe \ wa-wheat.gdt"
53 ols Greenough tempo const
54 gnuplot tempo greenough
55
56 setinfo greenough-d "rendimento de trigo em toneladas" n "Rendimento em
toneladas "
58
59 sries t3 = tempo ^ 3/1000000
60 ols Greenough t3 const
62
63 abertos "gretldir \ data \ poe \ wa-wheat.gdt"
64 sries lyield = log (greenough)
Pgina 153
Page 154
65 ols lyield tempo const
66
Modelo 67 # log-linear
69 registros de travar
71 escalar lb = $ coeff (educ) - 1.96 * $ stderr (educ)
72 escalar ub = $ coeff (educ) + 1.96 * $ stderr (educ)
73 impresso lb ub
74
78 sries y = exp ($ yhat)
79 escalar corr1 = corr (y, salrio)
80 escalar Rsquare corr1 = ^ 2
81 impresso corr1 Rsquare
82
83 # simples previso em log-linear modelo
87 escalar l_wage_12 = $ coeff (const) + $ coeff (educ) * 12
88 escalar nat_pred = Exp (l_wage_12)
89 escalar corrected_pred = nat_pred * exp ($ sigma ^ 2/2)
90 impresso l_wage_12 nat_pred corrected_pred
91
Pgina 154
Pgina 155
92 smpl educ = 12 --restrict
Salrio 93 resumo
94 smpl completos
95
96 # intervalos de predio usando um loop
Matriz 101 EPM = zeros (21,5)
102 loop para i = 1..21 --quiet
88
----------------------- Page 113 -----------------------
103 escalar yh = ($ coeff (const) + $ coeff (educ) * i)
((I-mdio (educ)) ^ 2) * ($ stderr (educ) ^ 2)
105 SEM [i, 1] = i
106 SEM [i, 2] = yh
107 SEM [i, 3] = sqrt (f)
108 SEM [i, 4] = exp (yh-crtica (t, $ df, 0.025) * sqrt (f))
109 SEM [i, 5] = exp (yh + crtico (t, $ df, .025) * sqrt (f))
110 endloop
111 print SEM
112
114 sries ed = SEM [1]
115 sries salrio = exp (SEM [2])
116 sries lb = SEM [4]
Pgina 155
Pgina 156
117 sries ub = SEM [5]
118
119 # corrigido previses no modelo log-linear
120 abertos "gretldir \ data \ poe \ newbroiler.gdt"
121 registros qp
122 ols l_q L_P const
123 sries yht = $ yhat
124 sries pred = exp (yht)
125 sries corrected_pred = pred * exp ($ sigma ^ 2/2)
126 escalar r2 = corr (corrected_pred, q) ^ 2
127 gnuplot corrected_pred qp
89
----------------------- Page 114 -----------------------
Captulo 5
Modelo de regresso mltipla
O modelo de regresso mltipla uma extenso do modelo simples discutido
no captulo 2 A
dierence principal que o modelo de regresso linear mltipla contm mais de
uma varivel explicativa
capaz. Isto muda a interpretao dos coecients ligeiramente e exige
outra hiptese.
A forma geral do modelo mostrado na equao (5.1) abaixo.
y = + x + + x + ei =
1, 2,. . . , N (5.1)
Eu 1 2 i2 K i iK
onde yi a varivel dependente, xik a observao om
sobre a varivel independente kth,
k = 2, 3,. . . , K, e, de erro aleatrio, e , ,. . . , So o
Pgina 156
Pgina 157
parmetros pretende estimar.
Eu 1 2 K
Tal como no modelo de regresso linear simples, cada um erro, e, tem uma mdia
valor igual a zero para cada
Eu
valor das variveis independentes; cada um tem a mesma varincia, 2, e so
no correlacionadas com qualquer
dos outros erros. A fim de ser capaz de estimar a cada um dos ps, nenhum
as variveis independentes
pode ser uma combinao linear exacta dos outros. Esta tem a mesma finalidade
como o pressuposto
que cada varivel independente da regresso linear simples assumir pelo menos
dois valores dierent
2
em seu conjunto de dados. As hipteses de erro podem ser resumidos como e | x
, X,. . . x iid (0, ). Lembre-se
i i2 i3 iK
do captulo 2 que a expresso IID significa que os erros so
estatisticamente independente de um
outro (e, por conseguinte, no correlacionados) e cada uma delas tem a mesma probabilidade
distribuio. Tomando um
amostra aleatria de uma nica populao faz isso.
Os parmetros , ,. . . , so referidos como encostas e cada
mede a inclinao de um Eect
2 3 K
1 unidade de variao em x no valor mdio de y, mantendo todas as outras
variveis na equao constante.
ik Eu
A interpretao condicional do coecient importante
lembre-se ao usar mltiplos
de regresso linear.
O exemplo usado neste captulo modelos as vendas para Big Andy
Burger Barn. O modelo
inclui duas variveis explicativas e uma constante.
vendas = + preo + anncio + ei
= 1, 2,. . . , N (5.2)
Pgina 157
Pgina 158
i 1 2 i 3 ii
onde Salesi vendas mensais em uma determinada cidade e medido em 1,000 dlar
incrementos, Pricei o preo
90
----------------------- Pgina 115 -----------------------
de um hambrguer medido em dlares, e adverti a publicidade
despesas tambm medido em
milhares de dlares.
5.1 Regresso Linear
Os parmetros do modelo so estimados usando mnimos quadrados, que pode ser
feito usando o pull
menus e caixas de dilogo (GUI) ou usando linguagem de script til do Gretl
(Aectionately
chamado Hansl). Ambos sero demonstrados a seguir. A GUI facilita
estimar esta
modelo usando mnimos quadrados. Na verdade, existem duas maneiras de abrir a
caixa de dilogo. O primeiro a
use o menu suspenso. Selecione o Modelo> Mnimos Quadrados Ordinrios do
janela principal do Gretl como
mostrado a seguir na Figura 5.1. Isso abre a caixa de dilogo mostrada na
Figura 5.2. Como no captulo 2
Figura 5.1: Usando o menu suspenso para abrir os mnimos quadrados ordinrios
caixa de dilogo.
Figura 5.2: A caixa de dilogo especificar modelo para menos ordinria
quadrados (OLS)
voc precisa colocar a varivel dependente (vendas) e as variveis independentes
(Const, preo e
Anncio) nas caixas apropriadas. Clique em OK eo modelo
Estima. Os resultados aparecem na
A Tabela 5.1 a seguir.
91
Pgina 158
Pgina 159
----------------------- Page 116 -----------------------
Existe um atalho para chegar caixa de dilogo especificar modelo. Na barra de ferramentas
localizado na parte inferior
da janela Gretl principal um boto rotulado . Ao clicar neste
boto, como mostrado na Figura 5.3
vai abrir as OLS especificar caixa de dilogo modelo da Figura 5.2.
Figura 5.3: O boto de atalho OLS na barra de ferramentas.
De 5,2 Big Andy Burger Barn
Hansl usado para estimar o modelo de Big Andy. As duas linhas seguintes
so digitados em um
arquivo de script, que executada ao clicar com o mouse sobre o boto "engrenagem" do
janela script.
Um abertas "gretldir \ data \ poe \ andy.gdt"
2 ols anncio de vendas preo const
3 escalar S_hat = $ coeff (const) + $ coeff (preo) * 5.5 +
$ Coeff (anncio) * 1.2
Isso pressupe que o andy.gdt dados gretl set est instalado no
c: \ ProgramFiles (x86) \ Gretl \ data \
poe. Os resultados, em forma de tabela, esto na Tabela 5.1 e coincidem com aqueles em POE4.
Alm de fornecer informaes sobre como mdio de venda mudar quando
preo ou publicidade
alteraes, a equao estimada pode ser utilizada para a previso. Para prever vendas
A receita para um preo de
5,50 dlares e um investimento publicitrio de 1,2 mil dlares, podemos usar genr ou escalar a fazer
os clculos.
A partir do console,
S_hat gerado escalar (ID 4) = 77,6555
que tambm coincide com o resultado em POE4.
Pgina 159
Pgina 160
92
----------------------- Page 117 -----------------------
Varivel dependente: vendas
Valor de p
const 118,914 6,35164 18,7217
0,0000
preo -7,90785 1,09599 -7,2152
0,0000
Anncio 1,86258 0,683195 2,7263
0,0080
Mdia var dependente 77,37467 SD dependente
var 6.488537
Soma resid quadrado 1718.943 SE de
regresso 4.886124
0.432932
F (2, 72) 29,24786 P-value (F)
5.04e-10
453.7390
456.5151
Tabela 5.1: Os resultados da regresso de Burger do Big Andy
Barn
5.2.1 varincias e covarincias dos Mnimos Quadrados
As varincias e covarincias dos menos dar praas estimador
nos informaes sobre como
precisa o nosso conhecimento sobre os parmetros de estim-los.
Erros padro menores significam
que o nosso conhecimento mais precisa.
Pgina 160
Pgina 161
A preciso dos mnimos quadrados (LS) depende de um nmero de factores.
1. menor variao na varivel dependente sobre sua mdia, 2, faz
LS mais precisa.
2. amostras maiores, N, melhorar a preciso LS.
3. mais variao nas variveis independentes sobre a sua
respectivos meios faz LS mais
preciso.
4 Menos de correlao entre as estimativas de mnimos quadrados, corr (b, b),
Tambm melhora a preciso LS.
2
3
A preciso dos mnimos quadrados (e outros estimadores) resumido pelo
varincia-covarincia
matriz, que inclui a medio da variao da intercepo, cada
declive, e covarincia
entre cada par. As variaes do estimador de mnimos quadrados queda na
diagonal da praa
matriz e as covarincias nos elementos de o-diagonal.
var (b) cov (b, b)
cov (b, b)
1 1 2
1 3
cov (b, b, b) = cov (b, b) var (b)
cov (b, b) (5.3)
1 2 3 1 2 2
2 3
cov (b, b) cov (b, b)
var (b)
1 3 2 3
2
Todos estes tm de ser estimados a partir dos dados, e geralmente
Depende da sua estimativa do
varincia total do modelo, 2d correlaes entre os
variveis independentes. Para imprimir uma
Pgina 161
Pgina 162
estimativa da matriz de varincia-covarincia aps uma utilizao de regresso
a opo --vcv com o
regresso em Gretl:
93
----------------------- Page 118 -----------------------
ols vendas preo const anncio --vcv
O resultado
Coe ciente matriz de covarincia
const preo Anncio
40,343 -6,7951 -,74842 const
1,2012 -,01974 preo
0,46676 anncio
Por exemplo, a varincia estimada de b -o intercepo 40,343 e
covarincia estimada
1
Entre as encostas B2 e B3 LS estimativa -,01974.
Um (estimada) de um erro padro coecient a raiz quadrada de
seu (estimado) varincia,
se (b) = var (b). Estes so impressos na tabela de sada, juntamente com o
quadrados estimativas de mnimos,
2 2
t-rcios, e seus valores p.
5.2.2 Intervalos de Confiana
Os intervalos de confiana so obtidos usando o comando escalar da mesma maneira como
no captulo 3.
Um intervalo de confiana de 95% para , o coecient da varivel preo
gerado:
2
Pgina 162
Pgina 163
1 ols vendas preo const anncio --vcv
2 escalar BL = $ coeff (preo) - crtico (t, $ df, 0.025) *
$ Stderr (preo)
3 escalar BU = $ coeff (preo) + crtico (t, $ df, 0.025) *
$ Stderr (preo)
4 printf "\ nO menor =% .2f e superior = .2f% de confiana
limites \ n ", BL, bU
A sada do script :
A = -5,72 confiana inferior = -10,09 e superior limites
Esta pea bacana de sada usa a funo chamada, printf. printf significa
formato de impresso e
ele usado para ganhar mais controle sobre como os resultados so impressos
para a tela. Neste caso
ns combinamos texto descritivo e resultados numricos. A sintaxe um pouco
complicado, por isso vou explicar
um pouco sobre isso. Vou us-lo extensivamente no resto deste livro to
que voc obtenha o utilizado para
lo. Uma vez utilizado, o seu mistrio evapora rapidamente, a sintaxe realmente muito
elegante.
A funo printf dividido em duas partes. A primeira parte consiste
o que voc quer escrever
para a tela, ea segunda contm os nmeros de sua sada que voc
quer colocado dentro
o texto.
94
----------------------- Page 119 -----------------------
Vestir -se com o resultado da impresso
printf
printf "\ nO menor =% .2f e superior =% .2f confiana
limites \ n ", BL, bU
A primeira parte, chamada de cadeia de formato, fechado em dobro
citaes. Os estandes de comando \ n
para 'nova linha' e diz Gretl para emitir um avano de linha (na velha linguagem de computador,
Pgina 163
Pgina 164
isso significa ir para um novo
linha). Ele usado no incio e no fim da string de formatao e no
estritamente necessrio. Em
Neste caso, um avano de linha dada antes e depois da seqncia de formato
para dar um pouco mais espao em branco
a sua impresso. Se voc quiser avanos de linha, certifique-se de coloc-las
dentro das aspas que
coloque a cadeia de formato.
Dentro deste "sentena" ou "cadeia de formato 'so dois comandos de formato. Um formato
comando diz
Gretl como os resultados numricos devem ser impressos. Um comando de formato
inicia-se com o smbolo%
e seguido por instrues sobre como muitos dgitos do resultado numrico
voc quer imprimir.
Estes formatos so adotadas a partir da linguagem de programao C.
O formato% f um ponto fixo
formato eo nmero que cai entre o sinal de porcentagem% eo
formato desejado f indica
a largura total do que est a ser impresso e os lugares nmero decimal para
impresso. Ento,% .2f diz
Gretl para imprimir apenas dois nmeros direita da casa decimal, sem limitar o
nmero total de
caracteres para o nmero.
1
Formatos numricos so reconhecidos% s,% e,% e,% f,% g,% G e% d, em cada
caso com os vrios
modificadores disponveis em C. Exemplos: o formato% .10g imprime um valor de 10
algarismos significativos; % 12.6f
imprime um valor de seis casas decimais, com uma largura de 12 caracteres.
O formato% s devem ser usados
para cordas.
A segunda parte do comando printf contm os valores a serem impressos em
a cada um dos
comandos de formato. Tem de haver um resultado para cada formato de comando. Estes so
separadas por
vrgulas. Desde h dois comandos de formato, Gretl est esperando dois
resultados coletados. A
resultado calculado e armazenado na bL ser impressa no comando primeiro formato,
.2f%, Eo
Pgina 164
Pgina 165
em bU sero impressos na segunda% .2f. Os valores a serem impressos
deve seguir a seqncia de formato,
separadas por vrgulas. Estes valores devem assumir a forma de qualquer um (a) os nomes
de variveis, (b)
expresses que so vlidas para o comando genr, ou (c) as funes especiais
nomevar () ou date ().
Lembre-se, voc tambm pode convocar os intervalos de confiana de 95% do
janela modelo us-
o no menu pull-down, escolhendo Anlise> Confiana
intervalos para os coeficientes. A
intervalo de confiana para 2 mostrado abaixo na Figura 5.4.
Voc tambm pode estimar intervalos de combinaes lineares de
parmetros como fizemos no captulo
4 Suponha Big Andy quer aumentar as vendas na prxima semana, diminuindo
preo e gastar mais em
publicidade. Se ele aumenta a publicidade por US $ 800 e reduz preo de 40 centavos
a mudana na esperado
vendas seria
= E (vendas) - E (vendas) = -0.4 +
0.8 (5.4)
1 0 2
3
A estimativa de obtido atravs da substituio dos parmetros desconhecidos com o mnimo
quadrados estimativas.
O erro padro da combinao linear pode ser calculado da mesma
da forma como discutido em
1% e para notao cientfica com letras minsculas e,% E maiscula cientfica,
% G escolhe a mais curta de% e ou% f e% G
escolhe a mais curta% E ou% f. O comando de formato% d para um decimal assinado
inteiro.
95
----------------------- Pgina 120 -----------------------
Figura 5.4: Os intervalos de confiana produzidos a partir da GUI atravs da
janela modelo. No
janela modelo, escolha Anlise> Confiana intervalos para
coeficientes
Pgina 165
Pgina 166
seo 3.6. Um intervalo de 90% construdo usando o script:
1 escalar Var = -0,4 * $ coeff (preo) + 0,8 * $ coeff (anncio)
2 escalar
se_chg = sqrt ((- 0,4) ^ 2 * $ vcv [2,2] + (0,8 ^ 2) * $ vcv [3,3] 2 * (- 0,4) * (0,8) * $ vcv [2,3 ])
3 escalar lb = Var-crtica (t, $ df, 0,05) * se_chg
4 escalar ub = var + crtico (t, $ df, 0,05) * se_chg
5 printf "\ nExpected Mudana =% .4f e SE =% .4f \ n", Var, se_chg
6 printf "\ nO Intervalo de confiana de 90 %% [% .3f,
% .3f] \ N ", lb, ub
Isso produz o resultado esperado:
Mudana esperada = 4,6532 e SE = 0,7096
O intervalo de confiana de 90% [3.471, 5.836]
O nico truque aqui fazer com que o percentual% smbolo para a impresso
declarao; ao faz-lo, deve ser
precedido por um outro smbolo de percentagem,%; da, 90 %% aparece na linha 6 de impresso
90%.
5.2.3 t-testes, valores crticos e os valores de p
Na seo 3.4 a GUI foi usado para obter estatsticas de teste, os valores crticos
e p-valores. No entanto,
muitas vezes muito mais fcil usar os comandos genr ou escalares de
o console ou como um
script para calcular estas. Nesta seo, os scripts sero utilizados para testar
vrias hipteses sobre
o modelo de vendas para Big Andy.
Testes de significncia
Modelos de regresso mltipla inclui diversas variveis independentes
pois acredita-se que
cada um como Eect independente sobre a mdia da varivel dependente.
Para confirmar esta crena
Pgina 166
Pgina 167
96
----------------------- Page 121 -----------------------
costuma-se realizar testes de parmetro significado individual. Se o
parmetro zero, ento o
varivel no pertence no modelo. Em Gretl o t-relao associada com o
hiptese nula de que
$ k = 0 contra o $ k = 0 alternativa impresso nos resultados da regresso
ao longo do lado do associado
p-valor. Por uma questo de rigor, estes podem ser computada manualmente
usando um script como encontrado
abaixo. Para t-rcios e hiptese de um e de dois lados testa a adequada
comandos so:
2 t1 escalar = ($ coeff (preo) -0) / $ stderr (preo)
3 t2 escalar = ($ coeff (anncio) -0) / $ stderr (anncio)
4 printf "\ n O t-ratio para H0:. B2 = 0 =% .3f \ n \
5 A t-ratio para H0:. B3 = 0 =% .3f \ n ", T1, T2
Os resultados mostrados na Figura 5.5 Como voc pode ver, os resultados automticos e
gerado manualmente
Figura 5.5: Observe que os resultados do modelo de estimativa habituais produzido por
Gretl imprime os t-rcios
necessrio para o parmetro significado por padro. Estes combinam o manual
computao.
queridos combinar perfeitamente.
Uma das vantagens de fazer testes t manualmente que voc pode
outros do que testar hipteses
significncia parmetro. Voc pode testar hiptese de que o parmetro
dierent de outros valores
que zero, testar uma hiptese de um lado, ou testar uma hiptese que envolve
uma combinao linear de
parmetros.
97
----------------------- Pgina 122 -----------------------
Pgina 167
Pgina 168
Alternativas One-cauda
Se uma diminuio no preo aumenta a receita de vendas, ento podemos concluir que
a demanda elstica. Ento,
se 2 0 a demanda elstica e se 2 <0 inelstica. Para testar H0
: 2 0 contra H1: <0, o
teste estatstico o t-rcio habitual.
2 pValue t $ df t1
A regio de rejeio para este teste encontra-se esquerda de-t, o qual o
nvel de valor crtico do
c
distribuio de t. Esta uma oportunidade perfeita para usar a funo pValue.
O resultado :
t (72): a rea direita da -7,21524 = 1
( esquerda: 2.212e-010)
(Bicaudal value = 4.424e-010; complementar = 1)
Voc pode ver que a rea esquerda de -7,21524 est perto de
zero. Isto menos do que 5% nominal
nvel do teste e, portanto, rejeitamos que 2 no-negativo.
Um teste para saber se um dlar de publicidade adicional vai gerar
pelo menos um dlar de
vendas expressa parametricamente como H0 : 3 1 versus H1: 3> 1.
Isso requer uma nova t-ratio e
mais uma vez, usar a funo pValue para realizar o teste.
2 pValue t $ df t3
Os resultados so
t (72): a rea direita da 1,26257 = 0,105408
Pgina 168
Pgina 169
(Bicaudal value = 0,210817; complementar = 0.789183)
A regio de rejeio para esta hiptese alternativa encontra-se direita da
t-ratio computadorizada. Isso
implica que o valor-p 0,105. Com 5% de nvel de significncia, este nulo
hiptese no pode ser rejeitada.
Combinaes lineares de Parmetros
Anunciante do Big Andy afirma que reduzir o preo de 20 centavos ser
aumentar as vendas mais do que
gastar um extra de US $ 500 em publicidade. Isto pode ser traduzido numa
hiptese paramtrica que
98
----------------------- Pgina 123 -----------------------
pode ser testado com a amostra. Se o anunciante estiver correta, ento -0.2
> 0.5. A hiptese
2 3
para ser testada :
HO: - 0.22 - 0.53 0
H1: - 0.22 - 0.53 > 0
A estatstica de teste
-0.2b2 - 0.5b3
t = t72
(5.5)
se (-0.2b - 0.5b)
2 3
desde que a hiptese nula verdadeira. O roteiro
1 ols vendas preo const --vcv anncio
2 escalar Var = -0,2 * $ coeff (preo) -0,5 * $ coeff (anncio)
Pgina 169
Pgina 170
3 escalar se_chg = sqrt ((- 0,2) ^ 2 * $ vcv [2,2] + ((- 0,5) ^ 2) * $ vcv [3,3] \
4 2 * (- 0,2) * (- 0,5) * $ vcv [2,3])
5 escalar t_ratio = var / se_chg
6 pValue t $ df t_ratio
que gera as informaes necessrias para realizar o teste unilateral.
t (72): a rea direita da 1,62171 = 0,0546189
(Bicaudal value = 0,109238; complemento = 0,890762)
O valor-p P (t72> 1,62171) = 0,0546189. Com 5% de ns no podemos
rejeitar a hiptese nula (mas poderamos pelo
10%).
5.3 Polinmios
Uma forma de permitir relaes no-lineares entre independente e
variveis dependentes
introduzir polinmios dos regressores no modelo. Neste
exemplo, o marginal e ect de
um dlar adicional de publicidade dever diminuir medida que mais publicidade
usado. O modelo
torna-se:
vendas = + + preo anncio + advert2 + e
i = 1, 2,. . . , N (5.6)
i 1 2 i I 3 4 Eu
2
Para estimar os parmetros do modelo, um cria o novo
varivel, anncio, adiciona-o ao
modelo, e utiliza mnimos quadrados.
1 srie a2 = anncio ^ 2
2 ols preo de venda anncio a2
99
Pgina 170
Pgina 171
----------------------- Page 124 -----------------------
que produz
Varivel dependente: vendas
Valor de p
const 109,719 6,79905 16,1374
0,0000
preo -7,64000 1,04594 -7,3044
0,0000
Anncio 12,1512 3,55616 3,4170
0,0011
a2 -2,76796 0,940624 -2,9427
0,0044
Mdia var dependente 77,37467 SD var dependente
6.488537
Sum squared resid 1532.084 SE da regresso
4.645283
0.487456
F (3, 71) 24,45932 Valor P (F)
5.60e-11
447.1080
450.8094
A a2 varivel, que criado por quadratura classificado, uma simples
exemplo do que , por vezes,
referido como uma varivel de interaco. A maneira mais simples de pensar
cerca de uma interaco varivel
que voc acredita que sua Eect sobre a varivel dependente depende de outra
varivel de dois
variveis interagem para determinar o valor mdio da varivel dependente.
Neste exemplo, a
Eect da publicidade nas vendas mdias depende do nvel de publicidade
si.
Pgina 171
Pgina 172
Outra forma de quadrado variveis usar o comando quadrada
Anncio quadrado
Isso cria um anncio sq varivel e adiciona-o lista de variveis. Aviso
Gretl que s aumenta a
prefixo sq ao nome da varivel existente. Voc pode conciliar mltiplos
variveis de cada vez por apenas pela
adicion-los lista do comando quadrado.
5.3.1 Eects Marginais
Quando variveis interagir, o Eect marginal de uma varivel relativa mdia de
outro tem de ser
calculado com base no clculo manualmente. Tomando a derivada parcial da
mdia de vendas em relao
aos rendimentos de publicidade produz o Eect marginal nas vendas mdias de um
aumentar em publicidade;
E (vendas)
= 3 + 24 anncio
(5.7)
Anncio
100
----------------------- Pgina 125 -----------------------
A magnitude do Eect marginal depende dos parmetros, bem como sobre o
nvel de dade
publici-. No exemplo Eect marginal avaliada em dois pontos,
anncio = 0,5 e anncio = 2. A
cdigo :
1 escalar me1 = $ coeff (anncio) + 2 * (0,5) * $ coeff (a2)
2 escalar me2 = $ coeff (anncio) + 2 * 2 * $ coeff (a2)
3 printf "\ nO marginal efeito em US $ 500 (anncio = 0,5) \
4% .3f e em US $ 2000 (anncio = 2) .3f% \ n ", me1, me2
Pgina 172
Page 173
e o resultado :
O efeito marginal de US $ 500 (anncio = 0,5) 9.383 e em
$ 2.000 (anncio = 2) 1,079
5.3.2 Optimal Publicidade: Combinaes no-lineares de parmetros
O nvel ideal de anncio, definido neste
exemplo ser a quantidade que
o
maximiza a receita lquida. Andy vai anunciar at o ponto em que um dlar
das despesas acrescenta
pelo menos um dlar de vendas-e adicionais no mais. Neste ponto
o Eect marginal igual
um,
3 + 24 adverto = 1
(5,8)
Resolvendo classificado em termos dos parmetros
1 - 3
= adverto =
(5,9)
24
que no-linear dos parmetros do modelo. A consistente
estimativa do nvel timo de
publicidade pode ser obtida substituindo-se os mnimos quadrados estimativas para o
parmetros com
do lado direito. A estimativa do erro padro atravs do mtodo Delta requer
alguns clculos, mas
muito simples de fazer em Gretl.
O mtodo Delta baseado em expanso em srie de primeira ordem de Taylor de uma
funo que envolve
os parmetros do modelo. Baseia-se na normalidade assinttica do
estimador voc est usando.
Deixe- um vetor 2 1, de parmetros; uma interceptao e inclinao. Considere um
funo possivelmente no-linear
Pgina 173
Pgina 174
de parmetros g (). Alm disso, vamos dizer que ns estimamos um conjunto de
parmetros usando um estimador
uma
chamado b e que b N (, V). At agora, ns descrevemos a menos
praas estimador da simples
regresso. Em seguida, pelo teorema de Delta, a funo no linear avaliado no
estimativas tem o
seguinte distribuio aproximada:
uma T
g (b) N (g (), G () VG ())
(5.10)
onde G () = G () / T. Para utilizar o mtodo delta, voc tem que tomar
a derivao parcial
tivos da funo, o que no nosso exemplo uma hiptese, que diz respeito
cada parmetro no
modelo. Ou seja, voc precisa do Jacobiana.
101
----------------------- Page 126 -----------------------
No exemplo, o g () = 1 - / 2. Tomando os derivados com respeito
para cada um dos parametrizao
3 4
tros, , , e rendimentos :
1 2 3 4
adverto
d1 = = 0
1
adverto
d2 = = 0
2
adverto 1
d3 = = -
(5.11)
3 24
Pgina 174
Pgina 175
adverto 1 - 3
d4 = = - 2
(5,12)
4 24
Note-se que os derivados em relao ao 1 e 2 so 0. Para usar o Delta
mtodo, simplesmente substituir
os parmetros desconhecidos na equao (5.9) com as estimativas dos mnimos quadrados. Ento, para
se o estimado
erro padro de , substitudo estimativas para os derivados d e d
E computao
3
4
0
0
var () = 0 0 dd [cov (b, b, b, b
)] (5.13)
3 4 1 2 3 4
d3
d4
Isso parece mais difcil de fazer do que realmente . O script Gretl para calcular a
varincia e padro
erro :
Pgina 175
Pgina 176
1 ols vendas preo const anncio a2 --vcv
2 matriz b = $ Coef
3 matriz cov = $ vcv
4 escalar lambda = (1-b [3]) / (2 * b [4])
5 escalar d3 = -1 / (2 * b [4])
6 escalar d4 = -1 * (1-b [3]) / (2 * b [4] ^ 2)
7 d matriz = {0, 0, d3, d4}
8 escalar v = d * cov * d '
9 escalar SE = sqrt (v)
10 escalar lb = lambda - crtico (t, $ df, .025) * se
11 escalar ub = lambda + crtico (t, $ df, .025) * se
12 printf "\ nO estimada nvel timo de publicidade
$%. 2f. \ N ", 1000 * lambda
Intervalo de 13 printf "\ nO 95 %% confiana ($%. 2f
$%. 2f). \ N ", 1000 * lb, 1000 * ub
A primeira linha calcula o modelo usando menos sqaures e o --vcv
opo utilizada para imprimir o
matriz de covarincia. Na linha 2 de todo o conjunto de coecents guardado
em um vetor (a matriz de uma linha
neste caso) chamado b. Isso far com que a seguinte sintaxe mais fcil
uma vez que cada lata coecient
ser referido pela sua posio no vector, por exemplo, o terceiro
coecient em b b [3]. Na linha 3 do
matriz de covarincia salvo como cov. Na linha 4 mnimos quadrados
As estimativas so substitudos pela
parmetros desconhecidos. Em linhas 5 e 6, as derivadas analticas
so avaliadas em relao s estimativas.
A matriz d 1 4 e contm os derivados da hiptese
com respeito a cada um dos
parmetros. A prxima linha calcula varincia na equao (5.13). Finalmente, o
raiz quadrada feita
102
----------------------- Page 127 -----------------------
para obter o erro padro e os limites de confiana so calculados nas linhas 10 e
11 e impresso
em 12 e 13.
Pgina 176
Pgina 177
O nvel timo estimado de publicidade 2014,34 dlares.
O intervalo de confiana de 95% ($ 1757,67, $ 2.271,01).
De acordo com esta estimativa do nvel timo de publicidade $ 2.014,34 e
a 95% de confiana
intervalo de ($ 1.758, $ 2.271).
5.4 Interaes
Interao entre as variveis foi introduzida na seo anterior
para a criao de polinomial
termos. O conceito muito geral, pode ser aplicado a qualquer situao em que o
Eect de uma mudana na
uma varivel sobre a mdia da varivel dependente depende de uma outra varivel.
5.4.1 interaes bsicas das variveis contnuas
O modelo de base considerado
Pizza = + idade + renda + e
(5.14)
1 2 3
Prope-se que medida que uma pessoa envelhece, a sua marginal
propenso para gastar em Pizza
declnios Isto implica que o 3 coecient depende da idade da pessoa.
3 = 4 + 5 idade
(5.15)
Substituindo esta no modelo produz
Pizza = + idade + renda + (receitas x idade)
+ E (5.16)
1 2 3 4
Isto introduz uma nova varivel, renda idade, que uma varivel de interao.
O Eect marginal
Pgina 177
Pgina 178
de aumento de uma unidade na idade neste modelo depende da renda e do Eect marginal
de um aumento
renda depende da idade.
A interao pode ser criado em Gretl usando o genr ou
de comando em srie. Os dados para
exemplo a seguir so encontradas na base de dados pizza4.gdt.
1 aberto "gretldir \ data \ poe \ pizza4.gdt"
2 genr inc_age = resultado * idade
3 ols de pizza const renda idade inc_age
103
----------------------- Pgina 128 -----------------------
O resultado
Varivel dependente: Pizza
Valor de p
const 161,465 120,663 1,3381
0,1892
idade -2,97742 3,35210 -0,8882
0,3803
renda 6,97991 2,82277 2,4727
0,0183
inc idade -0,123239 0,0667187 -1,8471
0,0730
155.8806
126.9961
0.336262
Pgina 178
Pgina 179
F (3, 36) 7.586038 Valor P (F)
0.000468
504.8332
507.2758
O Eect marginal da idade sobre as despesas de pizza pode ser encontrado
tomando a derivada parcial
a funo de regresso em relao idade
E (pizza)
= + renda
(5.17)
2 4
idade
Comparando o Eect marginal de mais um ano sobre os gastos mdios
por dois indivduos, um
com US $ 25.000 em renda
= B2 + b4 25 = -2,977 + (-0,1232) 25 = -6,06.
(5.18)
Para realiz-la em um script com renda de US $ 25.000 e $ 90.000
1 aberto "gretldir \ data \ poe \ pizza4.gdt"
2 sries inc_age = resultado * idade
4 escalar me1 = $ coeff (idade) + $ coeff (inc_age) * 25
6 printf "\ nO efeito marginal da idade para uma \
7 com US $ 25.000 / ano de renda .2f%. \ N ", me1
8 printf "\ nO efeito marginal da idade para uma \
9, com US $ 90.000 / ano de renda .2f%. \ N ", me2
Isso resulta:
Pgina 179
Pgina 180
O efeito marginal de idade para um com $ 25.000 de renda / ano
-6,06.
O efeito marginal de idade para um com $ 90.000 de renda / ano
-14,07.
104
----------------------- Page 129 -----------------------
Modelo 5.4.2 Log-Linear
Neste exemplo, a regresso simples considerado primeiro no captulo 4
modificado para incluir mais
variveis e uma interao. O modelo adiciona experincia com o modelo
ln (salrio) = 1 + 2 + 3 educ exper + e
(5.19)
Neste modelo supor que o Eect marginal de mais um ano de escolaridade
Depende de quanto
experimentar o trabalhador tem. Isto requer a adio de uma interaco
ln (salrio) = 1 + 2 + 3 educ exper + 4 (educ exper) +
e (5.20)
O Eect marginal de um ano de experincia
E [ln (salrio)]
| Educ fixo = 3 + 4 educ
(5,21)
exper
Em termos percentuais o Eect marginal de mais um ano de experincia
de 100 (3 + 4 educ). A
modelo pode ser estimado eo Eect marginal calculado facilmente com Hansl
2 logs travar
Pgina 180
Pgina 181
3 sries ed_exp = educ * exper
4 ols l_wage educ const exper ed_exp
5 escalar me8 = $ coeff (exper) + 8 * $ coeff (ed_exp)
6 ME16 escalar = $ coeff (exper) + 16 * $ coeff (ed_exp)
7 printf "\ nO efeito marginal de exper por um \
8, com 8 anos de estudo % .3f %% \ n ", 100 * me8
9 printf "\ nO efeito marginal de exper por um \
10 com 16 anos de escolaridade % .3f %%. \ N ", 100 * ME16
O resultado
O efeito marginal de exper um com 8 anos de estudo
0,604%.
O efeito marginal de exper para um com 16 anos de
escolaridade 0,575%.
5.5 Goodness-of-Fit
Outro resultado importante est includo na Tabela 5.1. Por exemplo, voc vai
encontrar a soma de quadrado
erros (SSE), que Gretl se refere como "Sum squared resid". Neste modelo SSE =
1.718,94. Para obter
a varincia estimada, 2vide SSE pelos graus de liberdade disponveis
para obter
2 SSE 1.718,94
= = = 23,874
(5.22)
N - K 75-3
105
----------------------- Pgina 130 -----------------------
A raiz quadrada de este nmero designado por Gretl como o "SE de
regresso "e relatado
ser 4,88612. Gretl tambm relata R2 nesta tabela. Se voc quiser
calcular suas prprias verses de
estas estatsticas recorrendo a soma total dos quadrados do modelo, voc vai ter que
Pgina 181
Pgina 182
usar Anlise> ANOVA
a partir do menu suspenso do modelo para gerar a tabela ANOVA. Consulte a seo
4.2 para obter detalhes.
Para calcular o seu prprio a partir do recall sada Gretl padro que
y SST
(5.23)
N - 1
A estatstica yprinted por Gretl e referido como "SD de dependentes
Varivel ", que relatado
ser 6,48854. Um pouco de lgebra revela
SST = (N - 1) 2 = 74 = 6,48854 3.115,485
(5,24)
y
Em seguida,
2 SSE 1.718,94
R = 1 - = 1 - = 0,448
(5.25)
SST 3115.485
Caso contrrio, as estatsticas de bondade de ajuste impresso na sada regresso Gretl
ou a tabela de anlise de varincia
so perfeitamente aceitveis.
Gretl tambm relata o R2 ajustado na sada de regresso padro. A
impe R2 ajustado
uma pequena penalidade ao habitual R2 quando uma varivel adicionada ao
modelo. Adicionando uma varivel com
2
qualquer correlao com y reduz sempre SSE e aumenta o tamanho do habitual R
. Com o ajustada
verso, a melhoria da aptido pode ser superado pelo pnalti e R2 ajustado
poderia tornar-se
menor como variveis so adicionados. A frmula a seguinte:
Pgina 182
Pgina 183
2 SSE / (N - K)
R = 1 -
(5,26)
SST / (N - 1)
2
Isto por vezes referido como "R-quadrado barra," (ou seja, R) embora em
Gretl chamado de "ajuste
R-quadrado. "Por do Big Andy Burger Barn o ajustado de R-quadrado igual a
0,4329.
Mais uma vez o comando do printf nos d algum controle adicional
sobre o formato da
sada. No final da linha 3 voc encontrar um extra \. Esta a linha de Gretl
comando continuao. Ele
diz Gretl para continuar lendo a prxima linha. Ele se junta as linhas 3 e
4 O comando continuao
torna os programas mais fceis de imprimir numa pgina. Parece um pouco estranho aqui
uma vez que se segue imediatamente
o avano de linha \ n, mas \ n \ na verdade consiste de dois comandos: um avano de linha e um
continuao.
Neste os valores crticos para a t72 e os valores de p para os dois
estatsticas podem ser facilmente obtidos
utilizando o comando
1 escalar c = critical (t, $ df, 0.025)
2 pValue t $ df t1
3 pValue t $ df t2
Estes trs ltimos comandos produzir a sada mostrada abaixo:
106
----------------------- Page 131 -----------------------
Gerado escalar c (ID 8) = 1,99346
t (72): a rea direita da -7,21524 = 1
( esquerda: 2.212e-010)
Pgina 183
Pgina 184
(Two-tailed value = 4.424e-010; complemento = 1)
t (72): a rea direita da 1,26257 = 0,105408
(Bicaudal value = 0,210817; complemento = 0.789183)
interessante notar que, quando uma proporo de t-negativo utilizado no valor de p
funo, gretl retornos
tanto a rea para a sua direita, a rea para a esquerda e a soma das duas reas.
Assim, para a alternativa
hiptese de que a coecient no preo inferior a zero (contra o
nulo que igual a zero), o
valor de p a rea esquerda da estatstica computadorizada, que neste exemplo
essencialmente zero.
O valor de p de comando tambm pode ser usado como uma funo de retornar um escalar que
pode ser armazenado por
Gretl.
1 escalar c = critical (t, $ df, 0.025)
3
5 printf "\ nO 0,025 valor crtico a partir do t com% d
graus de liberdade \
6% .3f \ n O pValue de HO.: b2 = 0 .3f% e \
7 de HO: b3 = 1 .3f%. \ n ", $ df, c, p1, p2
Isto imprime o seguinte na tela:
O valor crtico de 0,025 a t com 72 graus de
liberdade 1.993.
O pValue de HO: b2 = 0 1.000 e de HO: b3 = 1
0,105
107
Pgina 184
Pgina 185
----------------------- Page 132 -----------------------
5.6 Script
1 set echo off
2 abertos "gretldir \ data \ poe \ andy.gdt"
3 #Change o descritivo rtulos e rtulos de grficos
4 Vendas setinfo -d "A receita de vendas mensais ($ 1000) " -n
"Vendas Mensais (1.000 dlares)"
Preo 5 setinfo -d "$ Preo" n "Preo"
6 setinfo anncio d "Monthy Publicidade Despesas (1.000 $)"
N \
7 "Publicidade Mensal $ (1000)
8
9 # imprimir os novos rtulos para o ecr
10 etiquetas
11
12 # estatsticas de resumo
13 vendas sumrias Anncio preo
14
# 15 intervalos de confiana
17 escalar BL = $ coeff (preo) - crtico (t, $ df, 0.025) *
$ Stderr (preo)
18 escalar BU = $ coeff (preo) + crtico (t, $ df, 0.025) *
$ Stderr (preo)
19 printf "A =% .2f e superior = .2f% de confiana mais baixo
limites ", BL, Bu
20
21 # combinao linear dos parmetros
Pgina 185
Pgina 186
23 Var escalar = -0,4 * $ coeff (preo) + 0,8 * $ coeff (anncio)
24 se_chg escalar = sqrt ((- 0,4) ^ 2 * $ vcv [2,2] + (0,8 ^ 2) * $ vcv [3,3] \
25 2 * (- 0,4) * (0,8) * $ vcv [2,3])
26 escalar lb = Var-crtica (t, $ df, 0,05) * se_chg
27 escalar ub = var + crtico (t, $ df, 0,05) * se_chg
28 printf "\ nExpected Mudana =% .4f e SE =% .4f \ n", Var, se_chg
29 printf "\ nO Intervalo de confiana de 90 %%
[% .3f,%. 3F] \ n ", lb, ub
30
31 # significado testes
35 printf "\ n O t-ratio para H0: b2 = 0 =% .3f \ n \.
36 A t-ratio para H0:. B3 = 0 =% .3f \ n ", T1, T2
37
38 pValue t $ df t1
40 pValue t $ df t3
41
42 # t-teste de combinao linear
44 Var escalar = -0,2 * $ coeff (preo) -0,5 * $ coeff (anncio)
45 se_chg escalar = sqrt ((- 0,2) ^ 2 * $ vcv [2,2] + ((- 0,5) ^ 2) * $ vcv [3,3] \
46 2 * (- 0,2) * (- 0,5) * $ vcv [2,3])
47 t_ratio escalar = var / se_chg
48 pValue t $ df t_ratio
Pgina 186
Pgina 187
108
----------------------- Page 133 -----------------------
49
50 # interao cria no-linearidade
51 Srie A2 = * anncio anncio
53 escalar me1 = $ coeff (anncio) + 2 * (0,5) * $ coeff (a2)
54 escalar me2 = $ coeff (anncio) + 2 * 2 * $ coeff (a2)
55 printf "\ nO efeito marginal em \ $ 500 (anncio = 0,5) % .3f \
56 e no \ $ 2000 .3f% \ n ", me1, me2
57
58 # delta Mtodo para hipteses no lineares
60 matriz b = $ coef
61 matriz cov = $ vcv
62 lambda escalar = (1-b [3]) / (2 * b [4])
63 escalar d3 = -1 / (2 * b [4])
64 escalar d4 = -1 * (1-b [3]) / (2 * b [4] ^ 2)
65 d matriz = {0, 0, d3, d4}
66 escalar v = d * cov * d '
67 escalares SE = sqrt (v)
68 escalar lb = lambda - crtico (t, $ df, .025) * se
69 escalar ub = lambda + crtico (t, $ df, .025) * se
70 printf "\ nO estimada nvel timo de publicidade
$%. 2f. \ N ", 1000 * lambda
Intervalo de 71 printf "\ nO 95 %% confiana ($%. 2f
$%. 2f). \ N ", 1000 * lb, 1000 * ub
72
73 # interao e efeitos marginais
Pgina 187
Pgina 188
74 abertos "gretldir \ data \ poe \ pizza4.gdt"
75 sries inc_age = resultado * idade
79 printf "\ nO efeito marginal da idade para algum \
80 com 25 mil dlares / ano renda .2f%. \ n ", me1
81 printf "\ nO efeito marginal da idade para algum \
82 com 90 mil dlares / ano renda .2f%. \ n ", me2
83
86 sries ed_exp = educ * exper
87 ols l_wage educ const exper ed_exp
88 escalar me8 = $ coeff (exper) + 8 * $ coeff (ed_exp)
89 ME16 escalares = $ coeff (exper) + 16 * $ coeff (ed_exp)
90 printf "\ nO efeito marginal de exper para algum \
91 com 8 anos de estudo % .3f %%. \ n ", 100 * me8
92 printf "\ nO efeito marginal de exper para algum \
93 com 16 anos de escolaridade % .3f %%. \ N ", 100 * ME16
109
----------------------- Page 134 -----------------------
Captulo 6
Alm disso Inferncia na Regresso Linear Mltipla
Modelo
Neste captulo, vrias extenses do modelo de regresso linear mltipla
so considerados. Em primeiro lugar,
testamos hipteses conjuntas sobre os parmetros de um modelo e, em seguida, aprender a
impor restrio linear
Pgina 188
Pgina 189
es sobre os parmetros. Uma condio chamada collinearity tambm explorado.
6.1 F-teste
Uma estatstica-F pode ser utilizado para testar hipteses mltiplas de uma forma linear
modelo de regresso. Em lineares
regresso h vrias maneiras dierent para derivar e calcular essa estatstica,
mas cada um produz o
mesmo resultado. O usado aqui compara a soma dos quadrados dos erros (SSE) em um
modelo de regresso
Estima sob a hiptese nula (H) para a SSE de um modelo de acordo com o
alternativa (H). Se o
0
1
soma dos quadrados dos erros dos dois modelos so semelhantes, ento no h o suficiente
evidncia de rejeio
as restries. Por outro lado, se a imposio de restries implcito H0
alterar substancialmente SSE,
em seguida, as restries que implica no se encaixam os dados e rejeit-los.
No exemplo Burger Barn do Big Andy estimamos o modelo
vendas = + preo + Anncio + advert2 +
e (6.1)
i 1 2 3 4
Suponha que queremos testar a hiptese de que a publicidade no tem Eect em mdia
vendas contra o
alternativa que ele faz. Assim, H0: 3 = 4 = 0 e H1: 3 = 0
ou 4 = 0 Outra forma de
exprimir isto , em termos de dos modelos de cada hiptese implica.
H: + + e preo
0 1 2
H: + + preo anncio + advert2 + e
1 1 2 3 4
110
Pgina 189
Pgina 190
----------------------- Pgina 135 -----------------------
O modelo em H0 restrito em comparao com o modelo em H1 pois nele 3
= 0 = 0 e 4.
A estatstica F para testar H0 contra H1 estima cada modelo,
mnimos quadrados e compara
sua respectiva soma dos quadrados dos erros usando a estatstica:
(SSE - SSE) / J
F = r u FJ, N-K se H0
verdade (6.2)
SSE / (N - K)
u
A soma dos quadrados dos erros entre o modelo sem restries (H)
denotado SSE e da do
1
u
modelo restrito (H) SSE. O numerador dividido pela
nmero de hipteses de ser
0 r
testadas, J. Neste caso, que de 2 uma vez que existem duas restries implcitas
H. O denominador
0
dividida pelo nmero total de graus de liberdade no irrestrita
regresso, N - K. N
o tamanho da amostra e K o nmero de parmetros no irrestrita
regresso. Quando os erros
do seu modelo so (1), distribudos de forma independente e identicamente (IID) normais
com mdia zero e
2
varincia constante (et iid N (0, )) e (2) H0 verdadeira, ento esta estatstica
tem uma distribuio F com
J numerador e N - K graus de liberdade do denominador. Escolha um significado
nvel e compute
esta estatstica. Em seguida, comparar o valor para o valor crtico apropriado
tabela F ou comparar
seu p-valor para o nvel de significncia escolhido.
O script para estimar os modelos em H0 e H1 e
calcular a estatstica de teste dada
abaixo.
Pgina 190
Pgina 191
1 aberta "gretldir \ Data \ poe \ andy.gdt"
2 classificado quadrado
3 ols vendas preo const sq_advert anncio
4 escalar sseu = $ ess
5 escalar unrest_df = $ df
6 ols vendas preo const
7 escalar SSER = $ ess
8 escalar fStat = ((SSER-sseu) / 2) / (sseu / (unrest_df))
9 pValue F 2 unrest_df fStat
2
A primeira coisa a notar que uma funo Gretl usado para criar
anncio. Na linha 2 da praa
comando ser quadrado qualquer varivel ou variveis que se seguem. Ao faz-lo, o
corda sq anexado
2
como um prefixo para o nome da varivel original, de modo que a publicidade quadrado (anncio)
torna-se anncio sq.
Gretl refere-se soma dos quadrados dos resduos (SSE) como o "erro
soma dos quadrados "e
recuperado a partir dos resultados de regresso utilizando o assessor $ ess (isto , na linha 3
escalar sseu = $ ess.
Neste caso, o assessor $ ess aponta para a soma dos quadrados dos erros calculado em
a regresso que
o precede. Voc tambm vai querer salvar os graus de liberdade na
modelo irrestrito para que voc
pode us-lo no clculo do valor-p para o F-estatstica. Neste
caso, a estatstica F tem 2
parmetros conhecidos (J = 1 e K = N agitao df) que so utilizados como argumentos na
funo pValue.
H um nmero de outras maneiras dentro do gretl para fazer este teste.
Estas informaes esto disponveis atravs de
os scripts, mas pode ser til para demonstrar como acess-los
atravs do GUI. Primeiro, voc vai
querer estimar o modelo usando mnimos quadrados. Desde o pull-down
menu (veja a Figura 5.1) se-
Pgina 191
Pgina 192
111
----------------------- Page 136 -----------------------
Modelo leccionar> Mnimos Quadrados Ordinrios, especifique o modelo irrestrito
(Figura 5.2), e executar o
regresso. Isto produz o resultado mostrado na Figura 6.1.
Figura 6.1: Os resultados do modelo de regresso de mnimos quadrados usando o
menu suspenso
Voc vai notar que ao longo da barra de menu na parte superior da janela h uma
nmero de opes
que esto disponveis para voc. Escolha testes e no menu suspenso mostrado
na Figura 6.2 ser
revelado. As primeiras quatro opes em 6.2 so destacados e estes so os que
que so mais pertinentes
Figura 6.2: Testes Escolhendo a partir do menu suspenso da janela do modelo revela
vrios testes
Opes
a discusso aqui. Este menu fornece-lhe uma maneira fcil de omitir variveis
a partir do modelo, adicionar
variveis no modelo, testar uma soma de seus coecients, ou para testar arbitrria
restries lineares no
parmetros do seu modelo.
Uma vez que este teste envolve impor uma restrio zero no coecient do
preo varivel, podemos
112
----------------------- Page 137 -----------------------
usar a opo Omitir variveis. Isso traz a caixa de dilogo mostrada na Figura
6.3. Observe os dois
botes na parte inferior da janela. O primeiro rotulado
Estimar modelo reduzido e isso
o que voc deseja usar para calcular a equao 6.2. Se voc selecionar o outro, no
dano feito.
calculado de forma dierent, mas produz a mesma resposta em um modelo linear. A
Pgina 192
Pgina 193
nica vantagem
do teste de Wald (segunda opo) que o modelo restrito faz
no tem que ser estimado em
Para a realizao do teste. Conseqentemente, quando voc usa a opo --wald, o
modelo restrita
no estimado eo modelo irrestrito permanece na memria do Gretl
onde suas estatsticas podem ser
acessados.
Figura 6.3: O Omitir caixa de dilogo variveis disponveis a partir dos testes
menu suspenso no modelo
janela.
Selecione a varivel P e clique em OK para revelar o resultado mostrado na
Figura 6.4. O interessante
coisa sobre esta opo que ele imita seu clculo manual do F
estatstica do script.
Ele calcula a soma dos quadrados dos erros no irrestrito e
modelos restritos e computa
a equao (6.2), com base nessas regresses. A maioria das peas de software
escolher o mtodo alternativo
(Wald) para calcular o teste, mas voc obtm o mesmo result.1
Voc tambm pode usar o linear opo restries do pull-down
menu mostrado na Figura
6.2. Isto produz uma grande caixa de dilogo, que requer um pouco de explicao. A
caixa aparece na figura
6.5. As restries que querem impor (ou teste) so inseridos aqui. Cada
restrio no conjunto deve
ser expressa como uma equao, com uma combinao linear dos parmetros
do lado esquerdo e uma numrico
valor direita do sinal de igual. Os parmetros so referenciados na forma
b [varivel nmero],
Se existir um nmero varivel representa a posio do regressor no
equao, que se inicia com
Isto significa que 1 3 equivalente a b [3]. Restringindo 3 = 0
feito emitindo b [3] = 0 e
definindo 4 = 0 por b [4] = 0 neste dilogo. s vezes, voc vai querer usar um
restrio que envolve
1de Claro, se voc tivesse usado a opo --robust com ols, em seguida, um Wald
clculo feito. Isto discutido em
Pgina 193
Pgina 194
Captulo 8.
113
----------------------- Page 138 -----------------------
Figura 6.4: Os resultados utilizando a caixa de dilogo variveis Omitir para testar
nulos restries sobre o
parmetros de um modelo linear.
mltiplo de um parmetro, por exemplo, 33 2 = O princpio bsico consiste em posicionar o
multiplicador primeiro, em seguida, o
parmetro, usando * a se multiplicar. Assim, neste caso, a restrio na Gretl
torna-se 3 * b [3] = 2.
Quando voc usa o console ou um script em vez do pull-down
menu para impor restries,
voc vai ter que dizer Gretl, onde as restries de incio e fim. A
restries comear com um restringir
declarao e final com final restringir. A declarao ser parecido com este:
abertas "gretldir \ data \ poe \ andy.gdt"
ols vendas preo const anncio sq_advert
restringir
b [3] = 0
b [4] = 0
acabar restringir
Coloque cada restrio em sua prpria linha. Aqui est outro exemplo de um conjunto de
restries de um Gretl
script:
restringir
b [1] = 0
b [2] - b [3] = 0
b [4] + b * 2 [5] = 1
acabar restringir
Pgina 194
Pgina 195
Se voc usar o menu suspenso para impor estes que voc pode omitir o
e restringir a fim restringir
114
----------------------- Page 139 -----------------------
Figura 6.5: A caixa de dilogo restrio linear obtida usando o
Opo de restries lineares em
os testes menu suspenso.
declaraes. Os resultados que voc comea de usar as declaraes restringem
aparecem na Figura 6.6. A
estatstica de teste e seu valor de p so destacadas em verde. Observe tambm que o
As estimativas so restritas
impressos; os coecients no anncio eo anncio sq so zero.
Figura 6.6: Os resultados obtidos usando o restringir
caixa de dilogo.
6.2 Regresso Significado
Para determinar se a regresso estatisticamente , na verdade, um
modelo do comportamento mdio
da varivel dependente, voc pode usar o F-estatstica. Neste caso, H0
a proposio de que y
no depende de qualquer uma das variveis independentes, e H1 que ele faz.
Ho: 1 + ei
H: + x +. . . + X + e
1 1 2 i2 k ik
Eu
A hiptese nula pode ser alternativamente expressa como , ,. . . ,
= 0, um conjunto de K - 1 lineares
2 3
K
restries. Em Big Andy Burger Barn o roteiro
115
Pgina 195
Pgina 196
----------------------- Pgina 140 -----------------------
3 ols vendas preo const anncio sq_advert
4 restringir
5 b [2] = 0
6 b [3] = 0
7 b [4] = 0
8 fim restringir
Em linhas 3-8 o modelo estimado e as trs pistas esto restritos a ser
zero. O resultado do teste
mostrada na Figura 6.7 abaixo. Voc pode ver que a estatstica F para
este teste igual a 24,4593.
Figura 6.7: Os resultados obtidos com base nas demonstraes restringem via
caixa de dilogo para realizar
o F-teste geral de significncia de regresso.
Voc tambm deve observar que o mesmo nmero aparece nos resultados da regresso como
F (3, 71). Este
No mera coincidncia. O teste de significncia da regresso importante o suficiente
que aparece no
sada padro de cada regresso linear estimado usando Gretl. A
estatstica e seu valor de p so
em destaque na Figura 6.7. Uma vez que o valor de p for menor que 0,05 = 0, rejeitamos
a hiptese nula de que
o modelo insignificante no nvel de cinco por cento.
Esta tambm uma boa oportunidade para usar a declarao de omisso e mostrar a
Eect do --wald
opo. Considere o script
116
----------------------- Page 141 -----------------------
Pgina 196
Pgina 197
3 Lista de xvars = Preo anncio sq_advert
4 ols vendas const xvars --quiet
5 omitir xvars --wald
6 xvars omitir
Os regressores que carregam encostas so coletados em uma lista chamada xvars.
Em seguida, o F-teste global
pode ser realizada simplesmente omitir os xvars do modelo.
Isto testa a hiptese de que
cada coecient zero contra a alternativa de que pelo menos um
no. A opo ser --wald
realizar o teste sem a imposio de restries. A forma do qui-quadrado
na verdade, muito semelhante ao
o F-forma; dividir a forma qui-quadrado por seus graus de liberdade e voc vai
obter o F. Seus so
extencil de diferenas ligeiras na 2 / J e a FJ, distribuies de N, que -K
explica a pequena dierence
J
nos valores de p apresentados.
O segundo omitir xvars declarao, ento, repetir o teste, desta vez
imposio das restries
no modelo. A sada mostrada se a Figura 6.8. Voc pode ver que o F-forma
na poro de topo
Figura 6.8: Os resultados obtidos com base nas demonstraes deixar de conduzir o
F-teste geral de
significncia de regresso.
da produo e da estatstica de teste no jogo de fundo entre si
, bem como a obtida
usando restringir. Sem sada de regresso segue a primeira verso
devido opo --wald. Em
no segundo caso, o modelo limitada e a estimativa do
constante (a srie em mdia
neste caso) determinada antes de imprimir o resultado do teste.
117
----------------------- Page 142 -----------------------
Pgina 197
Pgina 198
Pode-se tambm realizar o teste manualmente, utilizando os resultados salvos de
o modelo estimado. A
script para fazer isso :
Const 4 ols vendas
6 escalar rest_df = $ df
7
8 escalar J = rest_df - unrest_df
9 escalar fStat = ((SSER-sseu) / J) / (sseu / (unrest_df))
10 pValue FJ unrest_df fStat
Uma vez que existem trs hipteses para testar conjuntamente os graus numerador
liberdade para a estatstica F
J = K - 1 = 3. Os graus de liberdade residuais salvos da
modelo restrito podem ser utilizados
para obter o nmero de restries impostas. Cada nica
restrio num modelo linear reduz
o nmero de parmetros do modelo por um. Assim, a imposio de uma restrio a um
trs parmetros
modelo livre (por exemplo, de grande Andy), reduz o nmero de parmetros
no modelo restrito
para dois. Vamos Kr ser o nmero de variveis explicativas no modelo restrito
e Ku o nmero no
modelo irrestrito. Subtraindo-se os graus de liberdade na irrestrita
modelo (N - Ku) de
as do modelo restringido (N - K) produzir o nmero de restries
voc j imposta, ou seja,
r
(N - K) - (N - K ) = (K - K) = J.
r uur
6.2.1 Relao entre T e F-testes
Pgina 198
Pgina 199
claro que pode utilizar um teste de F para testar o significado das indivduo
variveis em uma regresso.
Considere mais uma vez o modelo de Big Andy
vendas = + + preo anncio +
+ e advert2 (6,3)
i 1 2 3 4
e suponha que queremos testar se o preo aects vendas. Usando
omitir o comando produz o
F-teste
2 omitir preo
A janela de sada mostrado na Figura 6.7. O F (1, 71)
estatstica igual a 53,3549 e tem um
p-valor que muito menor do que 0,05; o coecient significativo a 5%
nvel. Note tambm que
no modelo sem restries (Modelo 6 na produo) que o t-rcio habitual
-7,304, Tambm significativo
a 5%. A t-ratio tem um T71 distribuio se o coecient zero.
Quadratura (-7,304) 2 = 53,3549,
sugerindo que existe uma relao entre estas duas estatsticas.
Na verdade, equivalente a t2
n
F (1, n). Este segurar para todos os graus de liberdade parmetro, n.
118
----------------------- Page 143 -----------------------
6.2.2 Optimal nvel de publicidade
O nvel ideal de publicidade, a quantidade em que o ltimo dlar gasto
em resultados de publicidade
em apenas 1 dlar de vendas adicionais (estamos assumindo aqui que o marginal
custo de produo e
vender a outra hambrguer zero!). Encontrar o nvel de nvel de publicidade,
anncio, que resolve:
o
Pgina 199
Pgina 200
E [de vendas]
= 3 + 24 adverto = $ 1
(6,4)
Anncio
Conectando as estimativas de mnimos quadrados do modelo e resolvendo para adverto
pode ser feito no Gretl.
Um pouco de rendimentos de lgebra
1 $ - 3
adverto =
(6.5)
24
O script em Gretl para calcular este segue.
abertas "gretldir \ data \ poe \ andy.gdt"
Anncio quadrado
ols vendas preo const anncio sq_advert
Ao escalar = (1-US $ coeff (anncio)) / (2 * $ coeff (sq_advert))
que gera o resultado:
? Ao escalar = (1-US $ coeff (anncio)) / (2 * $ coeff (sq_advert))
Ao escalar gerado (ID 7) = 2,01434
Isto implica que o nvel timo de publicidade estimada em
aproximadamente $ 2.014.
Para testar a hiptese de que $ 1.900 o ideal (lembre-se, o anncio medido
em $ 1000)
H : 2 + 1,9 = 1
o 3 4
H : 2 + 1,9 = 1
Pgina 200
Pgina 201
1 3 4
possvel usar um t-teste ou um teste de F. Aps a regresso, uso
restringir
b [3] + 3,8 * b [4] = 1
acabar restringir
Lembre-se que b [3] refere-se ao coecient da terceira varivel na
regresso (A) e b [4]
para o quarto. A sada do roteiro mostrada na Figura 6.9.
A estatstica F = 0,936 e
tem um valor-p de 0,33. Ns no podemos rejeitar a hiptese de que 1.900 dlares tima em
o nvel de 5%.
119
----------------------- Page 144 -----------------------
Figura 6.9: Testando se 1900 dlares em publicidade ideal usando o
restringir comunicado.
Um teste de cauda seria uma melhor opo neste caso. Andy decide que
pretende testar se
a quantidade ideal maior do que 1.900 dlares.
H0: 3 + 3.84 1
H1: 3 + 3.84> 1
Uma alternativa de um lado tem que ser testada com uma t-relao de, em vez de o
F-teste. O script abaixo
calcula um tal estatstica de teste muito da mesma forma que fizemos no captulo 5.
T-teste 1 # One-sided
2 ols vendas const anncio preo sq_advert --vcv
3 escalar r = $ coeff (anncio) + 3,8 * $ coeff (sq_advert) -1
4 escalar v = $ vcv [3,3] + ((3,8) ^ 2) * $ vcv [4,4] + 2 * (3,8) * $ vcv [3,4]
5 escalar t = r / sqrt (v)
Pgina 201
Pgina 202
6 pValue t $ df t
Observe que na linha 3, tivemos que calcular a varincia de uma combinao linear de
parmetros. Este
foi facilmente feito no script. Os resultados so os seguintes:
t (71): a rea direita da 0,967572 = 0,168271
(Bicaudal value = 0,336543; complemento = 0,663457)
A t-ratio 0,9676 ea rea direita 0,168. Mais uma vez, este
maior do que 5% e o
hiptese no pode ser rejeitada a esse nvel.
Finalmente, Big Andy faz outra conjectura sobre vendas. Ele
planejamento para cobrar R $ 6 e uso
1900 dlares em publicidade e espera que as vendas em US $ 80.000. Combinado com
a otimizao de US $ 1900 em
120
----------------------- Pgina 145 -----------------------
publicidade leva ao seguinte teste conjunto:
2
H0: 3 + 3.84 = 1 e 1 + + 62 1.93 + 1,9 4
= 80
H1: no H0
O modelo estimado e as hipteses testadas:
2 restringir
3 b [3] + 3,8 * b [4] = 1
4 b [1] + 6 * b [2] + 1,9 * b [3] + 3,61 * b [4] = 80
5 fim restringir
Pgina 202
Pgina 203
O resultado mostrado na Figura 6.10 abaixo. Andy est decepcionado
com este resultado. O nulo
Figura 6.10: Andy reflete sobre se $ 1.900 em publicidade o ideal
e se essa vontade
gerar 80,000 dlares em vendas de determinado preo de $ 6. Ela no suportada pelos dados.
hiptese rejeitada j que o valor-p associado ao teste 0 0,0049 <
0,05. Andy Desculpe!
6.3 Informaes Nonsample
Nesta seo, vamos estimar um modelo de demanda cerveja. Os dados so
em beer.gdt e esto em nvel
forma. O modelo a ser estimado
ln (q) = 1 + 2 ln (pb) + 3 ln (pl) + 4 ln (pr) + 5
ln (i) + e (6.6)
A primeira coisa a fazer converter cada uma das variveis em
logaritmos naturais. Gretl foi construdo em um
funo por isso que muito liso. A partir da janela principal, destaque
as variveis que voc deseja
121
----------------------- Page 146 -----------------------
transformada com o cursor. Em seguida, v para Adicionar> Logs de selecionados
variveis do pull-down
do menu, como mostrado na Figura 6.11. Isso tambm pode ser feito um script
ou a partir do console usando o
Figura 6.11: Use o menu suspenso para adicionar os registros naturais de cada
varivel
toras q pb pl pr meus mandamentos. O log natural de cada uma das variveis
e obtm-se o resultado
armazenado numa nova varivel com o prefixo l ("El" sublinhado). Um mesmo
maneira mais fcil de adicionar os registros
destacar as variveis e clique com o boto direito do mouse. Um menu pop-up aparece
Pgina 203
Pgina 204
e Adicionar toras
opo est disponvel.
A restrio nenhuma iluso de dinheiro pode ser parametrizado neste modelo como 2 + 3 +
4 + 5 = 0 Este
facilmente estimada dentro Gretl usando a caixa de dilogo ou um script restringir, como mostrado
abaixo.
Um abertas "gretldir \ data \ poe \ beer.gdt"
2 logs q pb pl pr i
3 ols l_q const l_pb l_pl l_pr l_i --quiet
4 restringir
5 b2 + b3 + b4 + b5 = 0
6 fim restringir
122
----------------------- Page 147 -----------------------
Restrio:
b [l_pb] + b [l_pl] + b [l_pr] + b [l_i] = 0
Teste estatstico: F (1, 25) = 2,49693, com valor de p = 0,126639
Estimativas restritos:
std coeficiente. erro t-ratio Valor de p
-------------------------------------------------- ------
const -4,79780 3,71390 -1,292 0,2078
l_pb -1,29939 0.165738 -7,840 2.58e-08
***
l_pl 0.186816 0.284383 0,6569 0,5170
l_pr 0.166742 0.0770752 2.163 0,0399
**
l_i 0.945829 0.427047 2.215 0,0357
**
Pgina 204
Pgina 205
Erro padro da regresso = 0.0616756
Figura 6.12: sada Gretl para a demanda de cerveja
A sintaxe para as restries novo. Em vez de usar
b [2] + b [3] + b [4] + b [5] = 0, uma forma mais simples
usado. Este no documentado na verso Gretl estou usando
(1.9.5cvs) e eu estou certo de
se isso vai continuar a trabalhar. Ele faz agora e eu mostrei
lo aqui. Aparentemente Gretl
capaz de analisar corretamente o nmero da varivel do nome da varivel, sem
contando com os suportes.
A sada da janela de sada do script Gretl aparece na Figura 6.12.
Especificao 6.4 Modelo
H vrias questes de especificao do modelo aqui explorado. Em primeiro lugar,
possvel omitir relevante
variveis independentes do seu modelo. A varivel independente uma causa
que o aects
mdia da varivel dependente. Quando voc omitir uma varivel relevante que acontece
para ser correlacionado
com qualquer um dos outros regressores includos, mnimos quadrados suers de omitidos
vis varivel.
A outra possibilidade a de incluir variveis irrelevantes no modelo. Em
Neste caso, voc inclui
regressores extras que no quer AECT y ou, se o fizerem, eles so
no correlacionado com qualquer um dos
outros regressores. A incluso de variveis irrelevantes no modelo torna menos
praas menos precisos do que
que de outra forma seria, isso aumenta os erros padro, reduz o poder
de seus testes de hipteses,
e aumenta o tamanho dos intervalos de confiana de seus.
O exemplo utilizado no texto usa o inc.gdt dataset edu. O primeiro
regresso
faminc = + ele + + que kl6 + x +
x + e (6.7)
1 2 3 4 5 i5
Pgina 205
Pgina 206
6 i6 i
onde faminc a renda da famlia, ele est anos do marido de escolaridade, que
anos da mulher de escolaridade,
e kl6 so o nmero de crianas no domiclio com menos de 6 Vrios idade
variaes deste modelo so
123
----------------------- Page 148 -----------------------
Estima. O primeiro inclui apenas ele, outro s ele e ns, e um inclui
os dois irrelevante
variveis, x e x. O script Gretl para estimar esses modelos e
testar a hiptese implcita
5 6
restries segue. Se voc digitar isso em si mesmo, omitir os nmeros das linhas.
1 lista all_x = const ele que kl6 xtra_x5 xtra_x6
2 ols faminc all_x
3 modeltab adicionar
4 omitir xtra_x5 xtra_x6
6 omitir kl6
8 omitir ns
10 modeltab espetculo
Os modelos podem ser estimados e salvo como cones (File> Save a
sesso como cone) dentro Gretl.
Uma vez que todas elas foram estimados e salvo como cones, abra uma sesso
janela (Figura 1.12) e
arraste cada modelo para o cone do modelo de quadro. Clique no modelo
cone tabela para revelar o resultado
mostrado na Figura 6.13.
No script acima, usamos a funo modeltab aps cada
modelo estimado para adicion-lo
a mesa de modelo. A ltima linha diz Gretl para display (show) a resultante
Pgina 206
Pgina 207
tabela do modelo.
Uma palavra de cautela a ordem sobre o roteiro dado e sua
interpretao. A declarao de omisso
testa a restrio implcita (a coecient na varivel omitida
zero) versus a estimativa
modelo que o precede imediatamente. Assim, quando testamos que a
coecient em kl6 zero
linha 6, o modelo alternativo o modelo restrito a partir da linha 4, que j
exclui xtra x5,
e xtra x6. Assim, apenas uma restrio est sendo testado. Se o seu
inteno testar todos os
restries (omitir x5 xtra, xtra x6 e kl6) versus o do completamente
modelo irrestrito em linha
2, que inclui todas as variveis, voc precisa modificar seu cdigo. Vou
deixar este um exerccio.
Seleo 6.5 Modelo: Introduo s funes gretl
A escolha de um modelo adequado parte arte e parte cincia. Omitindo
variveis relevantes que sejam
correlacionados com os regressores causa dos mnimos quadrados para ser tendenciosa e inconsistente.
Incluindo irrelevante
variveis reduz a preciso dos mnimos quadrados. Assim, a partir de um puramente
ponto de vista tcnico, importante
estimar um modelo que tem todas as variveis relevantes necessrias
e nenhum que so irrelevantes.
Tambm importante o uso de uma forma funcional adequada. No h um conjunto de
regras mecnicas que um
pode seguir para assegurar que o modelo bem especificado, mas h alguns
coisas que voc pode fazer para
aumentar suas chances de ter um modelo adequado a ser usado para a tomada de decises.
Aqui esto algumas regras de ouro:
124
----------------------- Page 149 -----------------------
Figura 6.13: Salve cada modelo como um cone. Abra a janela da sesso e
arraste cada modelo para o
modelo cone tabela. Clique no cone do modelo de quadro a revelar esta sada.
Pgina 207
Pgina 208
1 Use o que a teoria econmica voc tem que selecionar um funcional
forma. Por exemplo, se
est estimando uma funo de produo de curto prazo, em seguida, a teoria econmica
sugere que marginal
retorna para factores de diminuir a produo. Isso significa que voc deve
escolher uma forma funcional
que permite isso (por exemplo, log-log).
2 Se os coecients estimados tm sinais ou irrazovel erradas
magnitudes, ento voc
provavelmente vai querer reavaliar ou a forma funcional ou
se as variveis relevantes so
omitida.
3 Voc pode realizar testes de hipteses comuns para detectar a incluso de
conjuntos de variveis irrelevantes.
O teste no prova de idiotas pois h sempre probabilidade positiva que
tipo 1 ou tipo 2 erro
est sendo cometido.
4 Voc pode usar as regras de seleo de modelos para encontrar conjuntos de regressores que so
"Ideal" em termos de uma
estimada vis / preciso trade-o.
5 Use um teste RESET para detectar uma possvel m especificao da forma funcional.
Nesta seo, vou dar-lhe alguns comandos gretl para ajudar com
os dois ltimos: seleo de modelos
e RESET.
125
----------------------- Pgina 150 -----------------------
2
Nesta seo, vamos considerar trs regras de seleo de modelo: R, AIC, e
SC. Eu no sou necessariamente
recomendando que estes sejam utilizados, uma vez que h uma abundncia de estatstica
problemas causados pelo uso de
a amostra para ambos especificar, estimativa, e, em seguida, testar hipteses de um modelo, mas
s vezes voc tem
Pgina 208
Pgina 209
pouco outra escolha. Seleo Lag discutido mais tarde neste livro uma razovel
aplicao para estes.
6.5.1 R2 ajustado
O R2 ajustado foi introduzido no captulo 5 A habitual R2
'Ajustado' para impor um pequeno
pena quando uma varivel adicionada ao modelo. Adicionando uma varivel com qualquer
correlao com y sempre
2
SSE reduz e aumenta o tamanho do habitual R. Com o ajustada
verso, a melhoria
no ajuste pode ser compensada com a pena e que poderia tornar-se menor como variveis
so adicionados. A
frmula :
2 SSE / (N - K)
R = 1 -
(6,8)
SST / (N - 1)
2
Isto por vezes referido como "R-quadrado barra," (ou seja, R) embora em
Gretl chamado de "ajuste
2
R-quadrado. "A maior desvantagem do uso de R como uma seleo de modelos
regra que a pena-lo
impe para a adio de regressores muito pequena, em mdia. Ele tende a
levar a modelos que contm
variveis irrelevantes. Existem outras regras de seleo de modelos que impem maior
penalidades para adicionar
regressores e dois deles so considerados abaixo.
6.5.2 Critrios de Informao
As regras de seleo de dois modelos aqui considerados so a informao de Akaike
Criterion (AIC) e
o Critrio de Schwarz (SC). O SC s vezes chamado de Informao Bayesiana
Criterion (BIC).
Ambos so calculados por padro no Gretl e includa na regresso padro
sada. Os valores
que os relatrios de gretl baseiam-se em maximizar a funo de log-verossimilhana
Pgina 209
Pgina 210
(erros normais). Tem
outras variantes destas que tm sido sugeridos para utilizao em regresso linear
e estes so apresentados
nas equaes abaixo:
AIC = ln (SSE / N) + 2K / N
(6.9)
BIC = SC = ln (SSE / N) + K ln (N) / N
(6,10)
A regra , calcular AIC ou SC para cada modelo sob considerao
e escolher o modelo que
minimiza o critrio desejado. Os modelos devem ser avaliados usando o mesmo
nmero de obser-
vaes, isto , para o mesmo valor de N. Voc pode converter o Gretl queridos
relatrios para os de (6.9)
usando uma transformao simples; add (1 + ln (2)) e depois multiplicar tudo por
N. Desde amostra
tamanho deve ser mantido constante ao usar regras de seleo de modelo, voc pode ver que
os dois dierent
clculos levar a exatamente a mesma escolha do modelo.
Uma vez que as funes devem ser avaliadas para cada modelo de estimativa,
vale a pena escrever uma funo
em Gretl que podem ser reutilizados. A utilizao de funes para realizar
computaes repetitivos marcas
programas mais curtos e reduo de erros (a menos que a sua funo errado, em que
caso todos os clculos
126
----------------------- Pgina 151 -----------------------
est incorreto!) Na prxima seo, vou apresent-lo a Gretl
funes e um oer que vai
calcular as trs regras de seleo de modelos discutidos acima.
6.5.3 A Funo Gretl para produzir normas de seleco do modelo
Greta Oers um mecanismo para definir as funes, que pode ser chamado
atravs da linha de comando,
Pgina 210
Pgina 211
no contexto de um script, ou (se devidamente embalado por meio dos programas
interface grfica. A
sintaxe para definir uma funo parecida com esta:
function-name funo do tipo de retorno (parmetros)
corpo da funo
funo final
A linha da definio da funo de abertura contm esses elementos, em estrita
ordem:
1 A funo chave.
2.-tipo de retorno, o que indica o tipo de valor retornado pelo
funo, caso exista. Este deve ser
um dos void (se a funo no retorna nada), escalar, srie,
matriz, lista ou string.
3. function-name, o identificador exclusivo para a funo. Os nomes devem comear
com uma letra. Eles
tem um comprimento mximo de 31 caracteres; se voc digitar um longo
nome dele ser truncado.
Nomes de funes no pode conter espaos. Voc receber um erro se
tentar definir uma funo
ter o mesmo nome de um comando Gretl existente. Alm disso, tenha cuidado para no
para dar algum do seu
variveis (escalares, matrizes, etc) o mesmo nome de um dos seus
funes.
4 Os parmetros functionss, na forma de uma lista separada por vrgula
entre parnteses.
Isto pode ser executado em nome da funo, ou separadas por espaos em branco como
mostrado.
A funo de seleo do modelo foi concebido para fazer duas coisas. Em primeiro lugar,
queremos que ele imprimir valores de
2
as regras de seleo de modelos para R, AIC e SC. Enquanto estamos nisso que devemos
tambm imprimir quantas
regressores do modelo tem (e seus nomes) eo tamanho da amostra. A segunda
coisa que quero ser
Pgina 211
Pgina 212
capaz de enviar os dados estatsticos calculados para uma matriz. Isto ir permitir-nos a recolher
resultados de vrias
candidatos em uma nica tabela.
A estrutura bsica da funo de seleco do modelo
modelsel matriz funo (srie y, lista xvars)
[alguns clculos]
[Resultados de impresso]
[Retornar resultados]
funo final
127
----------------------- Page 152 -----------------------
Conforme a necessidade, ele comea com a palavra-chave function. A prxima palavra, matriz, diz
a funo que um
matriz ser devolvida como sada. A palavra seguinte modelsel, que o
nome que estamos dando
a nossa funo. A funo modelsel tem dois parmetros que vo ser usados como
insumos. O primeiro
uma srie de dados que vamos nos referir ao interior do corpo da funo como y. A
segundo uma lista que
ser referido como xvars. As entradas so separadas por uma vrgula e no
so os espaos entre
a lista de entradas. Essencialmente, o que ns vamos fazer alimentar a
funcionar uma varivel dependente
e uma lista de variveis independentes como entradas. Dentro do
funcionar uma regresso estimada,
os critrios so calculados com base nele, as estatsticas so impressas
da tela, e recolhidos em
uma matriz que ser devolvido. A matriz resultante ento
disponveis para manipulao
fora da funo.
1 funo modelsel matriz (srie y, lista xvars)
2 ols xvars y --quiet
3 escalar sse = $ ess
4 escalar N = $ nobs
5 escalar K = nelem (xvars)
Pgina 212
Pgina 213
6 escalar aic = ln (sse / N) + 2 * K / N
7 escalar bic = ln (sse / N) + K * N / N
8 escalar rbar2 = 1 - ((1 $ rsq) * (N-1) / $ gl)
9 matriz A = {K, N, aic, bic, rbar2}
10 printf "\ nRegressors:% s \ n", nomevar (xvars)
11 printf "K =% d, N =% d, AIC =% .4f, SC =% .4f, e \
12 R2 ajustado =% .4f \ n ", K, N, aic, bic, rbar2
13 Um retorno
Funo 14 final
Na linha 2 da funo entradas Y e os xvars lista so usados para
estimar um modelo linear por menos
praas. A opo --quiet usado para suprimir os mnimos quadrados
sada. Em linhas 3-5 a soma
do quadrado erros, SSE, o nmero de observaes, n, eo nmero
de regressores, K, so colocados
em escalares. Em linhas 6-8 os trs critrios so computados. Linha 9 puts
vrios escalares numa matriz
chamado A. Linhas 10 e 11 envia os nomes das variveis explicativas para a tela. Linha
11 envia formatado
sada para a tela. A linha 12 envia a matriz A como um retorno da funo.
A ltima linha fecha
o function.2
Neste ponto, a funo pode ser destacada e executado.
Para utilizar a funo de criar uma lista que inclui a desejada independente
variveis (chamados x
neste caso). Em seguida, usar a funo que ir criar uma matriz chamada de que
ir incluir a sada
de modelsel.
1 lista x = const ele we xtra_x5 xtra_x6
2 = uma matriz modelsel (faminc, x)
2Para obter o valor Gretl da AIC: escalar aic g = (1 + ln (2 * pi) + aic) * N
128
Pgina 213
Pgina 214
----------------------- Page 153 -----------------------
A sada :
Regressores: const, ele, ns, kl6, xtra_x5, xtra_x6
K = 6, N = 428, AIC = 21,2191, SC = 27,1911, e ajustada
R2 = 0,1681
Voc pode ver que cada um dos nomes dos regressores impresso no
primeira linha de sada. Este
2
seguido dos valores de K, N, a AIC, SC, e R.
Para colocar a funo para usar, considere o seguinte roteiro onde criamos
quatro conjuntos de variveis
e usar as regras de seleo de modelos para escolher o modelo desejado.
1 lista x1 = const ele
2 x2 = lista const ele we
3 lista x3 = const ele we kl6
4 x4 = lista const ele we xtra_x5 xtra_x6
Matriz de 5 a = modelsel (faminc, x1)
B = 6 matriz modelsel (faminc, x2)
Matriz 7 c = modelsel (faminc, x3)
8 = d matriz modelsel (faminc, x4)
Matriz 9 MS = a | b | c | d
10 COLNAMES (MS, "K N AIC SC Adj_R2 ")
11 printf "% 10,5 g", MS
12 funo modelsel claro
Neste exemplo, as regras de seleco do modelo ser calculado para quatro
modelos dierent. Linhas 1-4
construir a lista de variveis de cada uma delas. As prximas quatro linhas executar o
funo de seleo de modelos
para cada conjunto de variveis. Cada conjunto de resultados salvo em um
matriz separado (a, b, c, d). A
funo COLNAMES usado para dar a cada coluna da matriz de um nome significativo.
Em seguida, o printf
Pgina 214
Pgina 215
declarao imprime a matriz. A ltima linha remove a funo modelsel
a partir da memria. Este
no estritamente necessrio. Se voc fizer alteraes em sua funo, apenas recompilar
lo. O maior problema
com a funo de proliferao que voc pode inadvertidamente tentar dar uma varivel
o mesmo nome
uma das suas funes que j est na memria. Se isso ocorrer, claro
a funo ou mudar o nome do
varivel.
A primeira parte das impresses de sada dos resultados a partir do indivduo a chama
modelsel.
Regressores: const, ele
R2 = 0,1237
Regressores: const, ele, ns
R2 = 0,1574
Regressores: const, ele, ns, kl6
R2 = 0,1714
129
----------------------- Page 154 -----------------------
Regressores: const, ele, ns, xtra_x5, xtra_x6
K = 5, N = 428, AIC = 21,2331, SC = 21,2805, e
Ajustado R2 = 0,1544
A ltima parte imprime a matriz de MS.
K N AIC SC Adj_R2
2 428 21,262 21,281 0,12375
3 428 21,225 21,253 0,15735
4 428 21,211 21,248 0,17135
5 428 21,233 21,281 0,15443
Pgina 215
Pgina 216
Neste exemplo, todos os trs critrios de escolha do mesmo modelo: K = 4
e os regressores so const, ele,
2
ns, kl6. Este modelo minimizado AIC e SC e maximiza a R ajustado.
Mais tarde no livro, essa funo de seleo de modelos ser refinado para torn-lo
mais geral.
6.5.4 REAJUSTE
O teste RESET usado para avaliar a adequao de sua forma funcional. A
hiptese nula
que a sua forma funcional adequada. A alternativa que no . A
teste envolve a execuo de
um par de regresses e clculo de uma estatstica F.
Considere o modelo
y = + x + x + e
(6.11)
i 1 2 3 i2 i3 i
e a hiptese
H: E [y | x, x] = + x +
x
0 i2 i3 1 2 i2
3 i3
H1: no H0
Rejeio de H0 implica que a forma funcional no suportada pela
dados. Para testar isso, primeiro
estimativa (6.11) usando mnimos quadrados e salvar os valores previstos, y. Em seguida,
quadrado e cubo y e
Eu
adicion-los de volta para o modelo, como mostrado abaixo:
Pgina 216
Pgina 217
2
y = + x + x + y + e
i 1 2 i2 3 i3 1 ii
2
3
y = + x + x + y +
y + E
i 1 2 i2 3 i3 I 1 2
ii
As hipteses nulas para testar (contra alternativa ", no H ') so:
0
H0: 1 = 0
H0: 1 = 2 = 0
Estimar os modelos auxiliares usando mnimos quadrados e testar a significncia da
os parmetros de y2
3
e / ou y. Isto conseguido atravs do seguinte script.
Note, o comando reset emitido
130
----------------------- Pgina 155 -----------------------
aps o primeiro calcula a regresso do teste associado H0 : 1 =
2 = 0 Ele includo aqui para
que voc pode comparar o resultado 'enlatados' com o que voc computar usando os dois
procedimento passo
sugerido acima. Os dois resultados devem ser iguais.
1 ols faminc x3 --quiet
2 redefinio --quiet
3 redefinio --quiet --squares-only
Pgina 217
Pgina 218
Os resultados do reset para a equao da renda familiar
Teste RESET por especificao (quadrados e cubos)
Teste estatstico: F = 3.122581,
com valor de p = P (F (2,422)> 3,12258) = 0,0451
Teste RESET por especificao (apenas quadrados)
Teste estatstico: F = 5.690471,
com valor de p = P (F (1,423)> 5,69047) = 0,0175
A adequao da forma funcional rejeitada ao nvel de 5% para
ambos os testes. Ele est de volta ao
prancheta!
6.6 Cars Exemplo
O cars.gdt conjunto de dados est includo no pacote de conjuntos de dados que so
distribudo com este manual.
Na maioria dos casos, uma boa idia para imprimir estatsticas de resumo de qualquer
novo conjunto de dados que voc trabalha
com. Isto serve a vrios propsitos. Em primeiro lugar, se houver algum problema com o
conjunto de dados, o resumo
estatsticas podem dar alguma indicao. o tamanho da amostra como esperado? So
os meios, os mnimos
e mximos razovel? Se no, voc vai precisar fazer algum trabalho de investigao.
A outra razo
importante assim. Ao olhar para as estatsticas de resumo que voc vai ganhar
uma idia de como as variveis
foram escalados. Isso de vital importncia quando se trata de fazer
sentido econmico para fora do
resultados. Ser que as magnitudes dos coecients faz sentido? Tambm
coloca voc procura de
variveis discretas, que tambm exigem algum cuidado na interpretao.
O comando de resumo usado para obter estatsticas de resumo.
Estes incluem mdia, mnimo,
mximo, desvio padro, o coecient de variao, assimetria e excesso
curtose. O corr
comando calcula as correlaes simples entre as variveis. Estes podem ser
til na obteno de
Pgina 218
Pgina 219
uma compreenso inicial de se altamente variveis so colineares ou no.
Outras medidas so mais
til, mas nunca demais para olhar para as correlaes. Qualquer destas
comandos podem ser usados com
uma lista de variveis depois de limitar a lista de variveis resumidas de
correlacionados.
Considere o exemplo de carros POE4. O roteiro
131
----------------------- Pgina 156 -----------------------
1 Abra o "c: \ Arquivos de Programas \ Gretl \ data \ poe \ cars.gdt"
2 Resumo
3 corr
4 ols const mpg cil eng WGT
5 vif
As estatsticas de resumo aparecem abaixo:
Variveis Mdia Mediana Mnimo Mxima
mpg 23,4459 22,7500 9,00000
46,6 mil
cil 5,47194 4,00000 3,00000
8.00000
eng 194,412 151,000 68,0 mil
455.000
WGT 2.977,58 2.803,50 1.613,00 5.140,00
Std varivel. Dev. Cv Assimetria Ex.
curtose
mpg 7,80501 0,332894 0.455341
-,524703
cil 1,70578 0,311733 0.506163
-1,39570
Pgina 219
Pgina 220
eng 104,644 0,538259 0.698981
-,783692
WGT 849,403 0,285266 0.517595
-,814241
e a matriz de correlao
Coecients de correlao, usando observaes 1-392
5% do valor crtico (bicaudal) = 0,0991 para n = 392
mpg cil eng WGT
1,0000 -0,7776 -0,8051 -0,8322 mpg
1,0000 0,9508 0,8975 cyl
1,0000 0,9330 eng
1,0000 WGT
As variveis so muito altamente correlacionados na amostra. Por exemplo, a
correlao entre o peso
e deslocamento do motor 0.933. Carros com motores grandes so pesados. O que um
surpresa!
Os resultados da regresso so:
Varivel dependente: mpg
132
----------------------- Pgina 157 -----------------------
Coecient Std. Erro
p-valor t-ratio
const 44,3710 1,48069 29,9665
0,0000
cil -0,267797 0,413067 -0,6483
0,5172
eng -,0126740 0,00825007 -1,5362 0,1253
Pgina 220
Pgina 221
WGT -0,00570788 0,000713919 -7,9951
0,0000
var 7.805007
regresso 4.296531
0.696967
F (3, 388) 300.7635 valor P (F)
7.6e-101
2259.349
2265.644
O teste de significncia individual de cil e eng pode ser
lido a partir da tabela de regresso
resultados. Nem so significativos ao nvel de 5%. O conjunto de teste
do seu significado realizada
usando a declarao de omisso. A estatstica F 4,298 e tem um valor-p de 0,0142.
A hiptese nula
rejeitado em favor do seu significado comum.
A nova declarao que exige explicao vif. vif
representa fator de inflao da varincia
e utilizado como um diagnstico colinearidade por muitos programas,
incluindo Gretl. A vif estreitamente
relacionado com a estatstica sugerido por Hill et al. (2011), que sugerem
usando o R2 do auxiliar
regresses para determinar a extenso na qual cada varivel de motivos podem ser
como explicado linear
funes dos outros. Eles sugerem regredindo xj em todo o
outras variveis independentes e
comparando o R2 desta regresso auxiliar a 10 Se o R2 for superior a 10,
ento h evidncia
j j
de um problema de colinearidade.
O vifj realmente relata a mesma informao, mas de uma forma menos
forma direta. A vif
Pgina 221
Pgina 222
associado ao j th regressor calculado
1
vifj = 1 - R2
(6.12)
j
que , como voc pode ver, simplesmente em funo do R2 do
j th regressor. Observe que quando
j
R2> 0,80, o vifj> 10. Assim, a regra de ouro para os dois
regras realmente o mesmo. A vifj
j
maior do que 10 equivalente a um R2 maior do que 0,8 do
regresso auxiliar.
A sada do Gretl mostrado abaixo:
Fatores de inflao de varincia
Valor mnimo possvel = 1,0
Valores> 10,0 podem indicar um problema de colinearidade
cil 10.516
eng 15,786
133
----------------------- Pgina 158 -----------------------
WGT 7.789
VIF (j) = 1 / (1 - R (j) ^ 2), em que R (j) o mltiplo
correlao coeficiente
entre j varivel e as outras variveis independentes
Propriedades de X'X matriz:
Pgina 222
Pgina 223
1-norma = 4.0249836e + 009
Determinante = 6.6348526e + 018
Nmero de condio recproca = 1.7766482e-009
Mais uma vez, a sada Gretl muito informativa. Ele lhe d a
limiar em alta colinearidade
(Vif)> 10) e a relao entre vif e R2. Claramente, estes
dados so altamente colineares. Dois
j j j
fatores de inflao da varincia acima do limiar e aquele associado com WGT
bastante grande, bem.
Os fatores de inflao da varincia pode ser produzido a partir dos dilogos tambm.
Calcule o seu modelo
em seguida, na janela de modelo, selecione testes> Collinearity e os resultados
ser exibido no Gretl de
sada.
6.7 Script
1 set echo off
2 # f-test
3 abertas "gretldir \ data \ poe \ andy.gdt"
8 ols vendas preo const
10 escalar fStat = ((SSER-sseu) / 2) / (sseu / (unrest_df))
11 pValue F 2 unrest_df fStat
12
13 # f-teste usando omitir
Pgina 223
Pgina 224
15 omitir anncio sq_advert
16
17 # f-teste usando restringir
19 restringem
20 b [3] = 0
21 b [4] = 0
22 fim restringir
23
24 # f global
134
----------------------- Pgina 159 -----------------------
Const 27 ols vendas preo anncio sq_advert
28 de restringir
29 b [2] = 0
30 b [3] = 0
31 b [4] = 0
32 Final restringir
33
36 unrest_df escalar = $ Df
Const 37 ols vendas
39 escalar rest_df = $ df
Pgina 224
Pgina 225
40
41 escalar J = rest_df - unrest_df
42 escalar fStat = ((SSER-sseu) / J) / (sseu / (unrest_df))
43 pValue FJ unrest_df fStat
44
45 # t-teste
47 Preo omitir
48
49 # publicidade ideal
53 escalar Ao = (1-US $ coeff (anncio)) / (2 * $ coeff (sq_advert))
54 # teste de publicidade ideal
55 restringem
56 b [3] + 3,8 * b [4] = 1
57 fim restringir
58
62 escalar Ao = (1-US $ coeff (anncio)) / (2 * $ coeff (sq_advert))
63
Pgina 225
Pgina 226
T-teste 64 # One-sided
Const 65 ols vendas Anncio preo sq_advert --vcv
66 escalar r = $ coeff (anncio) + 3,8 * $ coeff (sq_advert) -1
67 escalar v = $ vcv [3,3] + ((3,8) ^ 2) * $ vcv [4,4] + 2 * (3,8) * $ vcv [3,4]
68 escalar t = r / sqrt (v)
69 pValue t $ df t
70
71 # teste conjunta
73 restringem
74 b [3] + 3,8 * b [4] = 1
75 b [1] + 6 * b [2] + 1,9 * b [3] + 3,61 * b [4] = 80
76 fim restringir
135
----------------------- Pgina 160 -----------------------
77
Estimativa 78 # restrito
79 abertos "gretldir \ data \ poe \ beer.gdt"
80 registros q pb pl pr i
81 ols l_q const l_pb l_pl l_pr l_i --quiet
82 restringem
83 b2 + b3 + b4 + b5 = 0
84 fim restringir
85 restringem
86 b [2] + b [3] + b [4] + b [5] = 0
87 fim restringir
88
Pgina 226
Pgina 227
89 # especificao do modelo - relevantes e irrelevantes vars
90 abertos "gretldir \ data \ poe \ edu_inc.gdt"
91 ols faminc const ele ns
92 omitir ns
93
94 corr
95
96 lista all_x = const ele que kl6 xtra_x5 xtra_x6
97 ols faminc all_x
98
Teste 99 # reinicializao
100 ols faminc const ele we kl6
101 redefinio --quiet --squares somente
102 redefinio --quiet
103
104 # regras de seleo de modelo e uma funo
Funo 105 modelsel matriz (srie y, lista xvars)
111 escalar bic = ln (sse / N) + K * ln (N) / N
112 rbar2 escalar = 1 - ((1 $ rsq) * (N-1) / $ gl)
113 matriz A = {K, N, aic, bic, rbar2}
114 printf "\ nRegressors: % S \ n ", VarName (xvars)
Pgina 227
Pgina 228
115 printf "K =% d, N =% d, AIC =% .4f, SC =% .4f, e \
116 R2 ajustado =% .4f \ n ", K, N, aic, bic, rbar2
117 Retorno A
Funo 118 final
119
120 lista x1 = const ele
121 lista x2 = const ele we
122 lista x3 = const ele we kl6
123 lista x4 = const ele we xtra_x5 xtra_x6
Matriz 124 a = modelsel (faminc, x1)
Matriz 125 b = modelsel (faminc, x2)
Matriz 126 c = modelsel (faminc, x3)
Matriz 127 d = modelsel (faminc, x4)
136
----------------------- Pgina 161 -----------------------
128
Matriz 129 MS = a | b | c | d
130 COLNAMES (MS, "K N AIC SC Adj_R2 " )
131 printf "% 10,5 g", MS
133
134 ols faminc all_x
136 omitir xtra_x5 xtra_x6
138 omitir kl6
140 omitir ns
Pgina 228
Pgina 229
143
144
145 ols faminc x3 --quiet
146 redefinio
147
148 # collinearity
149 abertos "gretldir \ data \ poe \ cars.gdt"
150 resumo
151 corr
152
153 ols mpg const cyl
154 ols mpg const cil eng WGT --quiet
155 omitir cyl
157 omitir eng
159 omitir eng cyl
160
161 # regresses auxiliares colinearidade
162 # Verificar se r2> 0,8 significa collinearity grave
163 ols Cyl const WGT eng
164 escalar R1 = $ rsq
165 ols eng const cil WGT
Pgina 229
Pgina 230
166 escalar r2 = $ rsq
167 ols WGT const cil eng
168 escalar r3 = $ rsq
169 printf "quadrados r para a regresions auxiliares \ ndependent
Varivel: \
170 \ n cilindros de deslocamento% 3,3 g \ n motor% em peso 3,3 g \ n
3.3g% \ n ", r1, r2, r3
171
172 ols const mpg cil eng WGT
173 vif
137
----------------------- Pgina 162 -----------------------
Captulo 7
Usando variveis indicadoras
Neste captulo, vamos explorar o uso de variveis indicadoras em regresso
anlise. A discusso
ir incluir como cri-los, os modelos de estimativa de us-los, e como
para interpretar os resultados que
inclu-los no modelo. Vrias aplicaes sero discutidas tambm.
Estes incluem o uso deles
para criar interaes, indicadores regionais, e para realizar testes de Chow
de equivalncia de regresso
em todas as categorias dierent. Finalmente, a sua utilizao na estimativa de probabilidade linear
discutida e sua
utilizar na avaliao eects tratamento e os estimadores extencil de diferenas-em-dierence
que so utilizados na sua
estimativa.
7.1 variveis indicadoras
Variveis indicadoras permitem a construo de modelos em que alguns ou
todos os parmetros de um
modelo pode mudar para subconjuntos da amostra. Como discutido no captulo
Pgina 230
Pgina 231
2, uma varivel indicadora
basicamente indica se uma determinada condio for satisfeita. Se isso acontecer
a varivel igual a 1 e se
no, 0. Eles so muitas vezes referidos como variveis binrias e usos gretl
este termo em um utilitrio
que usada para criar variveis indicadoras.
O exemplo utilizado nesta seo novamente baseado na utown.gdt imobilirio
dados. Primeiro vamos
abrir o conjunto de dados e examinar os dados.
2 smpl 1 8
3 impresso --byobs piscina utown idade p preo FColoque
4 smpl completos
5 Resumo
138
----------------------- Pgina 163 -----------------------
A amostra limitada s primeiras 8 observaes na linha 2 Os dois
nmeros que seguem a smpl
comando indicar onde a subamostra comea e onde termina. Lgico
declaraes podem ser usados
, assim como para restringir a amostra. Exemplos disto ser dada mais tarde.
No caso atual, oito
observaes so suficientes para ver que o preo ea p so contnuas, que a idade
discreta, e que
utown, piscina e FColoque tendem a ser variveis indicadoras. A
declarao de impresso usado com
a opo --byobs de modo que as variveis citadas so impressos em colunas.
preo p utown idade
piscina FColoque
1 205,452 23.46 6 0
0 1
2 185,328 20.03 5 0
0 1
3 248,422 27.77 6 0
0 0
Pgina 231
Pgina 232
4 154,690 20.17 1 0
0 0
5 221,801 26.45 0 0
0 1
6 199,119 21.56 6 0
0 1
7 272,134 29.91 9 0
0 1
8 250,631 27.98 0 0
0 1
A amostra restaurada a integralidade e as estatsticas de resumo so
impresso. Estes do uma
idia da variedade e variabilidade dos preos, p e idade. Os meios nos dizer
sobre as propores
de casas que esto perto da Universidade e que tm piscinas ou lareiras.
Mdia Varivel Mediana Mnimo
Mxima
preo 247,656 245,833 134,316
345,197
p 25,2097 25,3600 20,0300
30.0000
idade 9,39200 6,00000 0,000000
60.0000
utown 0.519000 1,00000 0,000000
1,00000
piscina 0.204000 0.000000 0.000000
1,00000
FColoque 0.518000 1,00000 0,000000
1,00000
Std varivel. Dev. Cv Assimetria
Ex. curtose
42,1927 preo 0.170368 0.0905617
-,667432
p 2,91848 0.115768 -0,0928347
-1,18500
Pgina 232
Pgina 233
idade 9,42673 1,00370 1,64752
3,01458
utown 0.499889 0.963177 -,0760549
-1,99422
piscina 0.403171 1,97633 1,46910
0.158242
FColoque 0.499926 0.965108 -0,0720467
-1,99481
Voc pode ver que metade das casas da amostra esto perto do
University (519/1000). tambm
bastante claro que os preos so medidos em unidades de 1.000 dlares e os ps quadrados em unidades
de 100 a mais antiga
casa tem 60 anos e h alguns novos da amostra (idade = 0).
Mnimos e mximos
de 0 e 1, respectivamente normalmente significa que voc tem indicador
variveis. Isso confirma o que ns
concluiu, olhando para as primeiras observaes na amostra.
139
----------------------- Pgina 164 -----------------------
7.1.1 Criando variveis indicadoras
fcil de criar variveis indicadoras em Gretl. Suponhamos que
queremos criar um manequim
varivel para indicar que uma casa grande. Grande neste caso significa
que maior do que 2500
metros quadrados.
1 srie ld = (p> 25)
2 ld discreto
3 impresso ld p --byobs
A primeira linha gera uma varivel chamada ld que assume o valor 1 se o
condio em parnteses
est satisfeito. Vai ser zero, caso contrrio. A prxima linha declara a varivel de
ser discreto. Muitas vezes isso
desnecessria. "Gretl usa uma heurstica simples para julgar se um determinado
varivel deve ser tratada
como discreto, mas voc tambm tem a opo de marcar explicitamente uma varivel como
discreto, em cujo caso
Pgina 233
Pgina 234
a verificao heurstica ignorada. "(Cottrell e Lucchetti, 2011, p. 53)
Isso o que ns fizemos aqui.
Tambm do Guia do Usurio do Gretl:
Para marcar uma varivel como discreto voc tem duas opes.
1 A partir da interface grfica, selecione "Varivel, Editar atributos"
a partir do menu. A
caixa de dilogo ir aparecer e, se a varivel parece adequado, voc
ver uma caixa de seleo
rotulado como "Trate essa varivel como discreto". Esta caixa de dilogo
[Veja a Figura 7.1 abaixo]
Tambm pode ser chamado atravs do menu de contexto (boto direito do mouse em uma varivel
e escolha Editar
atributos) ou pressionando a tecla F2.
2 A partir da interface de linha de comando, atravs do comando discreto.
O comando
leva um ou mais argumentos, que podem ser variveis ou lista
de variveis.
Assim, a declarao discreto para ld na linha 2 no estritamente necessrio.
Imprimir o indicador e
metros quadrados por observao revela que os lares onde p> 25 em
facto so as mesmas que as
onde LD = 1.
ld p
1 0 23.46
2 0 20.03
3 1 27.77
4 0 20.17
5 1 26.45
6 0 21.56
140
----------------------- Pgina 165 -----------------------
Figura 7.1: Na janela principal Gretl, F2 traz os atributos variveis
Pgina 234
Pgina 235
dilogo. A partir daqui
voc pode declarar uma varivel para ser discreto. O atalho de teclado CTRL + e tambm
inicia este dilogo.
7.1.2 Estimando uma regresso
A regresso tambm baseada na cidade universitria de dados imobilirios. A
regresso :
preo = + utown + + p (p utown)
1 1 2
+ idade piscina + + + e FColoque
3 2 3
O modelo estimado
Varivel dependente: preo
Valor de p
const 24,5000 6,19172 3,9569
0,0001
utown 27,4530 8,42258 3,2594
0,0012
p 7,61218 0,245176 31,0477
0,0000
utown p 1,29940 0,332048 3,9133
0,0001
idade -0,190086 0,0512046 -3,7123
0,0002
piscina 4,37716 1,19669 3,6577
0,0003
FColoque 1,64918 0,971957 1,6968
0,0901
42,19273
Pgina 235
Pgina 236
Soma resid quadrado 230.184,4 SE da regresso
15,22521
0.869788
F (6, 993) 1113.183 Valor P (F)
0.000000
8290.758
8303.815
141
----------------------- Pgina 166 -----------------------
O coecient na varivel p indicador inclinao utown
significativamente dierent de zero a
o nvel de 5%. Isso significa que o tamanho de uma casa perto da universidade tem uma dierent
impacto, em mdia
preo casa. Com base no modelo estimado, as seguintes concluses so tiradas:
O prmio para os lotes localizao perto da universidade $ 27.453
A mudana no preo esperado por metro quadrado adicional
$ 89,12 perto da universidade e
$ 76,12 em outro lugar
Casas depreciar $ 190,10 / ano
A piscina de US $ 4,377.30
Uma lareira vale $ 1649,20
O script que gera estes :
1 Prmio escalar = $ coeff (utown) * 1000
2 escalar sq_u = 10 * ($ coeff (p) + $ coeff (sqft_utown))
3 escalar sq_other = 10 * $ coeff (p)
Pgina 236
Pgina 237
4 escalar depreciao = 1000 * $ coeff (Idade)
5 escalar sp = 1000 * $ coeff (pool)
6 escalar firep = 1000 * $ coeff (FColoque)
7 printf "\ n University premium = $% 8.7g \ n \
8 efeito marginal de p perto da Universidade = $% 7,6 g \ n \
9 efeito marginal de p = em outro lugar $% 7,6 g \ n \
10 Taxa de depreciao = $% 7.2f \ n \
11 Piscina = $% 7.2f \ n \
12 Lareira = $% 7.2f \ n ", prmio, sq_u, sq_other, depreciao, sp, firep
Note-se que a maior parte dos coecients foi multiplicado por 1000 desde casa
preos so medidos em
$ Incrementos de 1000. Metros quadrados so medidos em incrementos de 100,
portanto, sua Eect marginal
multiplicado pelo 1000/100 = 10. muito importante saber o
unidades em que as variveis so
registada. Esta a nica maneira que voc pode fazer sentido ecnomic de seus resultados.
7.2 Aplicar variveis indicadoras
Nesta seo ser dada uma srie de exemplos sobre
estimativa e interpretao de
regresses que incluem variveis indicadoras.
142
----------------------- Pgina 167 -----------------------
7.2.1 Interaes
Considere a equao de salrios simples
salrio = + educ + preto + feminino
1 2 1 2
+ ( negras) + E
onde o preto e fmea so variveis indicadoras. Tomando o valor esperado
Pgina 237
Pgina 238
ln (salrio) revela cada
dos casos considerados na regresso
+ educ Branco, Sexo
1 2
1 + 1 + 2 educ Preto, Sexo Masculino
E [salrio] =
(7.1)
1 + 2 + 2 educ Branco, Sexo Feminino
1 + 1 + 2 + + 2 educ negros, mulheres
O grupo de referncia aquele em que todas as variveis indicadoras so
zero, ou seja, os homens brancos. A
1 parmetro mede a Eect de ser preto, em relao ao
grupo de referncia; 2 mede a
Eect de ser do sexo feminino em relao ao grupo de referncia, e as medidas de a Eect
entre ser negro
e feminino.
O modelo estimado com base em dados small.gdt cps4 que a partir de 2008.
Os resultados aparecem
abaixo:
Varivel dependente: salrio
Pgina 238
Pgina 239
const -5,28116 1,90047 -2,7789 0,0056
educ 2,07039 0.134878 15,3501 0,0000
-4,16908 preto 1,77471 -2,3492 0,0190
-4,78461 feminino 0.773414 -6,1863 0,0000
blk fem 3,84429 2,32765 1,6516 0,0989
Dependente var 20,61566 SD var dependente mdia
12,83472
11,43892
0.205677
F (4, 995) 65,66879 P-value (F)
2.53e-49
7716.908
7726.234
Segurando os anos de estudo constante, homens negros ganham $ 4,17 / hora
menos do que os homens brancos. Para
a mesma escolaridade, mulheres brancas ganham $ 4,78 a menos, e mulheres negras ganham $ 5,15
Menos. O coecient
no termo de interao no significativo ao nvel de 5%, porm.
Um conjunto de teste de hiptese de que a 1 = 2 = = 0 realizada atravs da
roteiro
143
----------------------- Pgina 168 -----------------------
2 sries blk_fem = preto * feminino
3 ols travar const blk_fem negra educ
4 restringir
5 b [3] = 0
6 b [4] = 0
Pgina 239
Pgina 240
7 b [5] = 0
8 fim restringir
e o resultado
Defina a restrio
1: b [preta] = 0
2: b [feminino] = 0
3: b [blk_fem] = 0
Teste estatstico: F (3, 995) = 14,2059, com valor de p =
4.53097e-009
-------------------------------------------------- --------
const -6,71033 1,91416 -3,506 0,0005
***
educ 1,98029 0.136117 14.55 1,25E-043
***
preto 0.000000 0.000000 NA NA
feminino 0.000000 0.000000 NA NA
blk_fem 0.000000 0.000000 NA NA
Erro padro da regresso = 11,6638
A estatstica F 14,21 e tem um valor de p inferior a 5%. O nulo
hiptese rejeitada. Finalmente
um dos coecients diferente de zero. O teste pode ser realizado ainda mais facilmente usando
a declarao de omisso
aps a regresso desde cada um dos coecients nas restries lineares
igual a zero.
7.2.2 Indicadores regionais
Neste exemplo, um conjunto de variveis indicadoras regionais adicionado
Pgina 240
Pgina 241
o modelo. Existem quatro
regies exclusivos mutuamente a considerar. Um grupo de referncia deve ser
escolhido, neste caso para o
nordeste. O modelo torna-se:
salrio = + educ + + sul midwest + oeste
+ E
1 2 1 2 3
144
----------------------- Pgina 169 -----------------------
onde o preto e fmea so variveis indicadoras. Tomando o valor esperado
ln (salrio) revela cada
dos casos considerados na regresso
+ educ Nordeste
1 2
1 + 1 + 2 educ Sul
E [salrio] =
(7.2)
1 + 2 + 2 educ Centro-Oeste
1 + 2 + 3 educ Oeste
Mais uma vez, no caso omitido (Nordeste) torna-se o grupo de referncia.
As variveis dummies regionais so adicionados ao modelo de salrios para as mulheres negras
Pgina 241
Pgina 242
e estima
por mnimos quadrados. As variveis indicadoras regionais so testados em conjunto para
importncia utilizando a omitir
declarao.
1 ols travar educ const negra blk_fem Sul Centro-Oeste a oeste
2 omitir sudoeste midwest
3 sries SSER = $ ess
Os resultados aparecem a seguir:
const -5,28116 1,90047 -2,7789 0,0056
educ 2,07039 0,134878 15,3501 0,0000
preto -4,16908 1,77471 -2,3492 0,0190
feminino -4,78461 0,773414 -6,1863 0,0000
blk fem 3,84429 2,32765 1,6516 0,0989
12,83472
Soma resid quadrado 130.194,7 EP da regresso
11,43892
0.205677
F (4, 995) 65,66879 P-value (F)
2.53e-49
Log-verossimilhana -3853.454 Critrio Akaike 7716.908
7726.234
Primeiro, observe que os erros de soma-de-quadrado foi guardada para o futuro
usar. A nica regio
Pgina 242
Pgina 243
indicador de que seja individualmente significativa, a 5% midwest. O conjunto de teste
resultados so
Comparao de Modelo 3 e Modelo 4:
145
----------------------- Pgina 170 -----------------------
Hiptese nula: os parmetros de regresso so zero para
as variveis
sul, centro-oeste, oeste
Teste estatstico: F (3, 992) = 4,24557, com valor de p =
0.00542762
Das estatsticas de seleo 3 modelos, 1 melhorou.
A estatstica de teste tem um F (3, 992) a distribuio sob a hiptese nula e igual a
4.25. O valor-p
menos do que 5%, e conclui-se que os indicadores so conjunta significativa.
7.2.3 Teste de equivalncia de dois Regies
A questo que se coloca, a dierent equao de salrios para o sul do que para
o resto do pas?
H duas maneiras de fazer isso no Gretl. Um deles muito fcil e a outra no to
fcil, mas torna-se
um exemplo til de como usar loops para criar interaes entre variveis.
Um teste de Chow usado para testar quebras estruturais ou mudanas nas
uma regresso. Em outras palavras,
uma subamostra tem interceptar dierent e inclinaes do que o outro. Ele pode ser usado para
detectar estrutural
rupturas em modelos de sries temporais ou para determinar se, em nosso caso, do sul
os salrios so determinados
dierently das do resto do pas. O mtodo fcil
usa Gretl de built-in de comida
comandar a testar para uma alterao na regresso. Ele deve seguir um
regresso e voc deve especificar
a varivel indicadora que identifica os dois subconjuntos.
Pgina 243
Pgina 244
Para ilustrar seu uso, considere o modelo de salrio bsico
salrio = + educ + preto + feminino
1 2 1 2
+ ( negros do sexo feminino) + E
Agora, se os salrios so determinados dierently no sul, em seguida, nas encostas e
interceptao por sulistas
ser dierent. A hiptese nula que o coefi coe dos dois
subconjuntos so iguais ea
alternativa que elas no so. O Gretl comandos para realizar o teste so:
1 lista x = const educ blk_fem mulher negra
2 ols travar x
3 Chow --dummy sul
Uma vez que as variveis explicativas esto indo para ser usado novamente abaixo, eu coloc-los em uma lista de
simplificar as coisas mais tarde.
Linha 2 estima o modelo usando mnimos quadrados. A linha 3 contm o teste
de comando. iniciada
por comida seguido pela varivel indicadora que usado para definir o
subconjuntos, neste caso para o sul.
A opo usada para dizer que Gretl sul um indicador. Quando o --dummy
opo usada, comida
testa a hiptese nula de homogeneidade estrutural em relao a esse manequim.
Essencialmente, Gretl
a criao de termos de interao entre o indicador e cada uma das variveis explicativas
e adicion-los a
o modelo. Vamos replicar esse abaixo em um script.
146
----------------------- Pgina 171 -----------------------
Figura 7.2: Clique em testes> teste Chow de uma janela modelo para revelar a
caixa de dilogo para o Chow
teste. Selecione uma varivel de indicador ou um ponto de ruptura para a amostra.
A caixa de dilogo para executar o teste de Chow encontrada na janela modelo.
Aps estimar o
Pgina 244
Pgina 245
regresso atravs do GUI janela do modelo aparece. Clique testes> Chow
teste na sua barra de menu para
abrir a caixa de dilogo na Figura 7.2. Os resultados do teste so mostrados abaixo.
Regresso Aumentada para o teste de Chow
-------------------------------------------------- ---------
const -6,60557 2,33663 -2,827 0,0048
***
educ 2,17255 0,166464 13.05 4.89e-036
***
preto -5,08936 2,64306 -1,926 0,0544
*
feminino -5,00508 0,899007 -5,567 3.33e-08
***
blk_fem 5,30557 3,49727 1.517 0,1296
sul 3,94391 4,04845 0,9742 0,3302
so_educ -0,308541 0,285734 -1,080 0,2805
so_black 1,70440 3,63333 0,4691 0,6391
so_female 0.901120 1,77266 0,5083 0,6113
so_blk_fem -2,93583 4,78765 -0,6132 0,5399
Mdia dependente var 20,61566 SD var dependente
12,83472
11,45851
R-quadrado 0.210135 Ajustado R-quadrado
0.202955
F (9, 990) 29,26437 P-value (F) 2,00E-45
7725.292
7743.944
Teste de Chow para a diferena estrutural em relao ao sul
Pgina 245
Pgina 246
F (5, 990) = 0,320278 com p-valor 0,9009
Note-se que o valor p relacionado com o teste de 0,901, assim
fornecendo evidncias para insucient
convencer-nos de que os salrios so estruturalmente dierent no sul.
A outra maneira de fazer isso usa um loop para construir manualmente as interaes.
Embora a comida
147
----------------------- Pgina 172 -----------------------
comando faz isso desnecessrio, um timo exerccio que
demonstra como criar mais
interaes gerais entre variveis. O sul varivel ser
interagiram com cada varivel na
uma lista e, em seguida, adicionado a uma nova lista. O roteiro :
2 lista dx = null
3 loop foreach ix
4 sries south_ $ i = sul * $ i
5 lista dx = dx south_ $ i
6 endloop
A primeira linha inclui cada uma das variveis do modelo que esto a ser
interagiram com o sul. A
lista de instrues dx = null cria uma nova lista de chamada dx que
vazio (ou seja, = null). Na linha 3 a
loop foreach iniciada usando o i ndice e vai incrementar atravs de cada
elemento contido
na lista, x. Linha 4 cria uma nova srie chamada sul nomevar que
construdo por interaco
sul, com cada uma das variveis em x. Esta adicionada nova lista, dx e a espira
est fechado.
Para deixar claro, vamos passar por um par de iteraes do loop:
i = 1
Pgina 246
Pgina 247
coluna 1 x = const
sries south_const = Sul * const
dx = dx south_const
implica dx = null south_const
assim, dx = south_const
lao termina - incremento i
i = 2
coluna 2 x = educ
sries south_educ = Sul * educ
dx = dx south_educ
assim, dx = south_const south_educ
i = 3
coluna 3 x = preto
sries south_black = sul * black
dx = dx south_black
assim, dx = south_const south_educ south_black
i = 4
e assim por diante ...
As interaces so criados e uma srie de regresses so estimados e colocar
num modelo de mesa.
O script restante :
148
----------------------- Page 173 -----------------------
1 modeltab claro
2 ols travar x dx
4 escalar DFU = $ df
6
Pgina 247
Pgina 248
7 smpl sul = 1 --restrict
8 ols travar x
10 smpl completo
11
13 ols travar x
14 modeltab add
15 smpl completo
Observe que o comando smpl usado para manipular subconjuntos. Ele
est restrita s observaes em
o sul na linha 7, recuperou a na linha 10, e em seguida
restrito a nonsouth observaes em
A linha 12 Alm disso, a soma dos quadrados dos erros entre o modelo sem restries guardado.
Estes sero utilizados
manualmente para construir um teste de Chow abaixo.
A tabela a modelo aparece abaixo
Estimativas MQO
(1) (2)
(3)
const -6,606 -2,662
-6,606
(2,337) (3,420)
(2.302)
educ 2.173 1.864
2.173
Pgina 248
Pgina 249
(0,1665) (0,2403)
(0,1640)
preto -5,089 -3,385
-5,089
(2,643) (2,579)
(2.604)
feminino -5,005 -4,104
-5,005
(0,8990) (1,581)
(0,8857)
blk fem 5.306 2.370
5.306
(3,497) (3,383)
(3.446)
sul const 3.944
(4.048)
sul educ -0,3085
(0,2857)
sul preto 1.704
(3.633)
149
----------------------- Pgina 174 -----------------------
feminino sul 0,9011
Pgina 249
Pgina 250
(1.773)
sul fem preto -2,936
(4.788)
n 1000 296
704
2
R 0,2030 0,1730
0,2170
-3853 -1149
-2703
Desvios-padro entre parnteses
* Indica significncia ao nvel de 10 por cento
** Indica significncia ao nvel de 5 por cento
A primeira coluna contm os resultados do modelo com todos os
interaes. A segunda
coluna para os trabalhadores no sul, ea terceira para os trabalhadores em outros lugares.
O cdigo para realizar o teste de Chow usa a soma de quadrados de erros e graus
de liberdade que
foram salvos na estimativa irrestrita e calcula uma estatstica F usando esse
do restrito
regresso.
1 smpl completos
2 ols travar x
4 escalar fStat = ((SSER-sseu) / 5) / (sseu / DFU)
5 pValue f 5 DFU fStat
Certifique-se de restaurar o total da amostra antes de estimar o modelo restrito. A
regresso restrito
observaes piscinas de todo o pas em conjunto e estima-los com
Pgina 250
Pgina 251
coecients comuns.
restrito porque os parmetros so os mesmos em ambos os subgrupos.
F (5, 990): a rea direita da 0,320278 = 0,900945
( esquerda: 0.0990553)
Estes resultados so compatveis com a verso embutida do teste.
7.2.4 Modelos Log-Lineares com indicadores
Neste exemplo, uma varivel indicadora est includo em um log-linear
modelo. Ele baseado em um salrio
exemplo usado anteriormente.
ln (salrio) = 1 + 2 educ + + e female
(7,3)
150
----------------------- Pgina 175 -----------------------
Estimativa do presente modelo de mnimos quadrados permite calcular
extencil de diferenas percentuais entre
os salrios de homens e mulheres. Como discutido na POE4, a lgebra
sugere que a percentagem
dierence
100 (e-1)%
(7,4)
O modelo estimado eo clculo realizado da seguinte script.
1 aberta "gretldir \ Data \ poe \ cps4_small.gdt"
2 logs salrio
3 ols l_wage educ const feminino
4 escalar diferencial = 100 * (exp ($ coeff (feminino)) - 1)
O logaritmo natural do salrio tomado na linha 2. Em seguida, o modelo
estimou um percentual
dierence calcula.
Pgina 251
Pgina 252
Varivel dependente: l salrio
Valor de p
const 1,6539 0,0844 19.60
1.3E-072
educ 0,0962 0,0060 15.94
3.76e-051
feminino -0,2432 0,0327 -7,43
2.31e-013
Soma resid quadrado 262.2387 SE da regresso
0.512862
0.219775
F (2, 997) 141.7000 Valor P (F)
6.88e-55
O dierence computadorizada -21,5896, sugerindo que as mulheres ganham cerca de 21,59%
menos do que os machos
que tm nveis comparveis de educao.
7.3 Linear Probabilidade
Um modelo linear de probabilidade de uma regresso linear em que o dependente
varivel um indicador
varivel. O modelo estimado por mnimos quadrados.
Suponhamos que
yi = 1 se a alternativa escolhida
(7.5)
0, se no for escolhida alternativa
Suponha ainda que o P r (y = 1) = . Para uma varivel discreta
Eu Eu
Pgina 252
Pgina 253
E [y] = 1 P r (y = 1) + 0 P r (y = 0) =
(7.6)
Eu Eu Eu
Eu
151
----------------------- Pgina 176 -----------------------
Assim, a mdia de uma varivel aleatria binrio pode ser interpretada como uma probabilidade de;
a probabilidade
que y = 1 quando a regresso E [y | x , X,. . . , X] linear
E, em seguida, [y] = + x +. . . + x
i i2 i3 iK
Eu 1 2 i2 K iK
e a mdia (probabilidade) modelado linearmente.
E [Y | x, x,. . . , X] = = + x +.
. . + X (7.7)
i i2 i3 iK i 1 2 i2
K iK
A varincia de uma varivel aleatria binanry
var [y] = (1 - )
(7.8)
ii Eu
o que significa que ser dierent para cada indivduo.
Substituindo a probabilidade no observado,
E (Y), com a varivel indicadora observada requer a adio de um erro
ao modelo que podemos
Eu
estimar via mnimos quadrados. Neste exemplo a seguir temos 1140
observaes de indivduos
que comprou a Coca-Cola ou Pepsi. A varivel dependente assume a
valor de 1 se a pessoa compra
Coca-Cola e Pepsi 0 se. Estes dependem da razo dos preos, pratio, e dois
variveis indicadoras,
coque disp e pepsi disp. Eles indicam se a loja vende
as bebidas teve promocional
Pgina 253
Pgina 254
exposies de Coca-Cola ou Pepsi no momento da compra.
Varivel dependente: coque
Heteroscedasticidade robusto erros padro, variante
HC3
Valor de p
const 0,8902 0,0656 13,56
5.88e-039
pratio -0,4009 0,0607 -6,60
6.26e-011
coque disp 0,0772 0,0340 2,27
0,0235
pepsi disp -0,1657 0,0345 -4,81
1.74e-006
regresso 0.467240
0.117736
F (3, 1136) 56,55236 P-value (F)
4.50e-34
O modelo foi estimado usando uma matriz de estimador de varincia-covarincia que
consistente quando o
termos de erro do modelo apresentam variaes que dependem da observao. Isso
o caso aqui. Vou
adiar a discusso desta questo at o prximo captulo, quando ser discutido
durante algum tempo.
7.4 Tratamento Eects
A fim de compreender a medio de eects tratamento, considerar um
modelo de regresso simples
em que a varivel explicativa uma varivel dummy, indicando se a
indivduo em particular
est no grupo de tratamento ou de controlo. Seja y o resultado
varivel, a caracterstica medida
Pgina 254
Pgina 255
152
----------------------- Pgina 177 -----------------------
o tratamento projetado para AECT. Defina a varivel de indicador d como
di = 1 se tratado
(7.9)
0 se no for tratada
O Eect do tratamento sobre o resultado pode ser modelado como
y = + d + ei = 1, 2,. . . ,
N (7.10)
i 1 2 i Eu
onde ei representa o conjunto de outros fatores a ecting o resultado. A
funes de regresso
para os grupos de tratamento e controle so
E (y) = 1 + 2 se indivduo tratado
(7.11)
Eu
1 se no for tratada
O Eect tratamento que queremos medir . O estimador de mnimos quadrados
de
2
2
N
(- d di) i = 1 (yi - y)
b = = Y - S
(7,12)
2 N 2 1 0
i = 1 (di - d)
onde Y1 significar a amostra para as observaes sobre y para o grupo de tratamento
Pgina 255
Pgina 256
e y0 a amostra
significa para as observaes sobre y para o grupo no tratado. Neste
quadro tratamento / controle
estimador b2 chamado o estimador dierence porque o
dierence entre a amostra
mdias dos grupos de tratamento e controle.
Para ilustrar, usamos os dados de Star projeto descritas na POE4, captulo
7.5.3.
A primeira coisa a fazer dar uma olhada nas estatsticas descritivas para a
subconjunto de variveis.
A lista v criado para conter os nomes das variveis de todas as variveis de
interesse. Em seguida, o resumo
comando emitido para as variveis em v, com a opo --por.
Esta opo tem um argumento,
que o nome de uma varivel discreta pelo qual os subconjuntos so
determinada. Aqui, pequenas e
regulares so binrios, tendo o valor de 1 para turmas pequenas e 0 caso contrrio.
Isto levar a dois
conjuntos de estatsticas de resumo.
1 aberta "gretldir \ Data \ poe \ star.gdt"
2 lista v = totalscore menino tchexper Freelunch
white_asian \
3 tchwhite tchmasters schurban schrural
4 resumo v --por = pequeno --simple
5 Resumo v --por = normal --simple
Aqui est uma lista parcial dos resultados:
normal = 1 (n = 2005):
A mdia Mnimo Mxima
Std. Dev.
153
----------------------- Pgina 178 -----------------------
totalscore 918,04 635,00 1.229,0
Pgina 256
Pgina 257
73,138
pequeno 0.00000 0.00000 0.00000
0.00000
tchexper 9,0683 0.00000 24.000
5,7244
menino 0,51322 0.00000 1,0000
0,49995
Freelunch 0,47382 0.00000 1,0000
0,49944
white_asian 0,68130 0.00000 1,0000
0,46609
tchwhite 0,79800 0.00000 1,0000
0,40159
tchmasters 0,36509 0.00000 1,0000
0,48157
schurban 0,30125 0.00000 1,0000
0,45891
schrural 0,49975 0.00000 1,0000
0,50012
pequena = 1 (n = 1738):
A mdia Mnimo Mxima
Std. Dev.
totalscore 931,94 747,00 1.253,0
76,359
pequeno 1,0000 1,0000 1,0000
0.00000
tchexper 8,9954 0.00000 27.000
5,7316
menino 0,51496 0.00000 1,0000
0,49992
Freelunch 0,47181 0.00000 1,0000
0,49935
white_asian 0,68470 0.00000 1,0000
0,46477
tchwhite 0,86249 0.00000 1,0000
0,34449
tchmasters 0,31761 0.00000 1,0000
0,46568
schurban 0,30610 0.00000 1,0000
0,46100
schrural 0,46260 0.00000 1,0000
0,49874
Pgina 257
Pgina 258
A opo --simple cai a mediana, CV, assimetria e excesso
curtose do resumo
estatsticas. Neste caso, no precisamos aqueles ento a opo usada.
Em seguida, queremos deixar cair as observaes para as salas de aula que tm um
o assistente do professor e
construir um conjunto de listas de variveis a serem utilizadas nas regresses que se seguem.
1 smpl assessor! = 1 --restrict
2 lista x1 = const pequeno
3 x2 = x1 lista tchexper
4 lista x3 = x2 menino Freelunch white_asian
5 Lista tchmasters x4 = x3 tchwhite schurban schrural
Na primeira linha de comando SMPL usado para limitar a amostra (--restrict) para
essas observaes
para os quais a varivel auxiliar no for igual (! =) a um. Os comandos da lista so
interessante. Aviso
que x1 construdo de uma maneira convencional, utilizando a lista; para a direita do
igualdade o nome
de duas variveis. Em seguida, x2 criada com os primeiros elementos consistindo
da lista, seguido por x1
tchexper a varivel adicional. Assim, x2 contm const, pequenas e
tchexper. A lista x3
e x4 so construdos de forma semelhante. Novas variveis so acrescentados ao anteriormente
listas definidas. muito
perfeita e natural.
Agora, cada um dos modelos estimado com a opo --quiet e colocada num
tabela do modelo.
154
----------------------- Pgina 179 -----------------------
Estimativas MQO
Varivel dependente: totalscore
(1) (2) (3)
(4)
Pgina 258
Pgina 259
const 918,0 907,6 927,6
936,0
(1.667) (2.542) (3,758)
(5,057)
pequeno 13.90 13.98 13.87
13.36
(2.447) (2.437) (2.338)
(2.352)
tchexper 1.156 0,7025
0,7814
(0,2123) (0,2057)
(0,2129)
menino -15,34
-15,29
(2.335)
(2.330)
Freelunch -33,79
-32,05
(2.600)
(2.666)
branco asitico 11.65
14.99
(2.801)
(3.510)
tchwhite
-2,775
(3.535)
Pgina 259
Pgina 260
tchmasters
-8,180
(2.562)
schurban
-8,216
(3,673)
schrural
-9,133
(3.210)
n 3743 3743 3743
3743
2
R 0,0083 0,0158 0,0945
0,0988
-2.145e + 004 -2.144e + 004 + 004 -2.128e
-2.127e + 004
O coecient na pequena varivel indicador no aected adicionando ou
soltar variveis de
o modelo. Esta uma prova indirecta de que no est correlacionado com
outros regressores. O Eect
de experincia docente em resultados de testes cai um pouco quando menino,
Freelunch e branco asitico so
adicionados equao. Isto sugere que est correlacionado com uma ou mais das
estas variveis e
que omitindo-los a partir do modelo leva a estimativa tendenciosa dos parmetros
por mnimos quadrados.
Pgina 260
Pgina 261
155
----------------------- Pgina 180 -----------------------
7.4.1 Escola Fixa Eects
Pode ser que a atribuio aos grupos de tratamento est relacionada com um
ou mais do observvel
caractersticas (tamanho mdio ou experincia docente, neste caso). Uma maneira de
controle para estes omitidos
eects usado para a estimativa eects fixo. Este retomado em mais detalhe
mais tarde. Aqui ns introduzimos
isso para mostrar oa funo Gretl til chamado dummify.
O comando dummify cria variveis dummy para cada valor presente distinta
em uma srie, x.
Para que ele funcione, voc deve primeiro dizer Gretl que x
de facto, uma varivel discreta. Queremos
para criar um conjunto de variveis indicadoras, um para cada escola na
dataset. Primeiro declarar a schid
varivel seja discreto e que, em seguida, dummify.
Aqui est o cdigo e outra mesa modelo que imita Tabela 7.7 em POE4.
1 schid discreto
2 lista d = dummify (schid)
3 ols totalscore x1 --quiet
5 escalar r_df = $ df
9 ols totalscore x1 d --quiet
11 escalar u_df = $ df
12 modeltab add
Pgina 261
Pgina 262
14 modeltab add
16 modeltab livre
A funo discreta na linha 1 faz schid em uma varivel discreta. O prximo
linha cria uma lista
que inclui cada uma das variveis criadas por dummify (schid). Ento, tudo que voc
tem que fazer adicion-lo
para a lista de variveis, que inclui os eects fixos. Gretl evita inteligentemente
a armadilha varivel dummy
soltando uma das variveis indicadoras da regresso.
Aqui est o que voc ganha com os coecients indicador suprimidos:
Estimativas MQO
Varivel dependente: totalscore
(1) (2) (3)
(4)
const 918,0 907,6 838,8
830,8
(1.667) (2.542) (11.56)
(11.70)
156
----------------------- Pgina 181 -----------------------
pequeno 13.90 13.98 16.00
16.07
(2.447) (2.437)
(2.223) (2.218)
tchexper 1.156
0,9132
(0,2123)
(0,2256)
Pgina 262
Pgina 263
Eects Escola no no sim
sim
n 3743 3743 3743
3743
2
R 0,0083 0,0158 0,2213
0,2245
-2.145e + 004 -2.144e + 004 -2.096e + 004
-2.095e + 004
As encostas estimadas em colunas (3) e (4) correspondem quelas em POE4.
As interceptaes so dierent
apenas porque um grupo de referncia foi utilizado dierent. A substncia dos resultados
unaected.
Testar a hiptese nula de que os eects fixos so zero muito simples.
Compare o restrito
e irrestrito soma dos quadrados dos erros, utilizando um F-estatstica. A soma restrito
do quadrado erros
salvo para o modelo (1) eo irrestrito para o modelo (3). A estatstica
calculado usando
1 escalar J = r_df-u_df
2 fStat escalar = ((SSER - Sseu) / J) / (sseu / u_df)
3 pValue f J u_df fStat
e o resultado :
Gerado escalar J = 78
Escalar gerado fStat = 14,1177
F (78, 3663): rea direita de 14,1177 = 1.70964e-154
( esquerda: 1)
Pgina 263
Pgina 264
Observe como o dierence do nmero de graus de liberdade revela
quantas restries so
aplicada sobre o modelo. Dado o nmero de vezes que usei esse
computao, ele pode pagar a
escrever uma funo Gretl para automatiz-lo.
7.4.2 Usando Probabilidade Linear para Verificar a atribuio aleatria
Um certo nmero de variveis so omitidos do modelo e segura
a faz-lo, desde que eles so
no correlacionados com os regressores. Esta seria uma evidncia de atribuies
para o grupo de controlo que
157
----------------------- Pgina 182 -----------------------
so sistemticas. Isto pode ser verificado usando uma regresso. Desde pequeno um
indicador, usamos uma linear
regresso de probabilidade.
As variveis independentes incluem uma constante, menino branco asitico,
tchexper e Freelunch.
O resultado
Varivel dependente: pequeno
Erros padro heterocedasticidade robusto, variante HC3
Valor de p
const 0,4665 0,0253 18.46
7.33e-073
menino 0,0014 0,0163 0.09
0.931
branco asitico 0,0044 0,0197 0,22
0.823
tchexper -0,0006 0,0014 -0.42
0,676
Freelunch -0,0009 0,0183 -0.05
0.961
Pgina 264
Pgina 265
0.499044
-,001007
F (4, 3738) 0.059396 Valor P (F)
0.993476
A estatstica geral de F no significativo a 10%. Nenhum dos indivduos
t-rcios so significativos.
Finalmente, um teste de hiptese de que a constante 1 = 0,5
no pode ser rejeitada. Um valor de 0,5
seria consistente com a atribuio de crianas a uma classe pequena ou grande por um justo
coin flip. Eu acho que
seguro para omitir essas regressores do modelo.
7.5 Di rncias-in-extencil de diferenas Estimao
Se voc quiser saber mais sobre como uma mudana na poltica de ECTS resultados, nada
bate um estudo randomizado
experincia controlada. Infelizmente, estes so raros em economia
porque eles so ou muito
caros de moralmente inaceitvel. Ningum quer o que determina o retorno ao
escolaridade de
atribuindo aleatoriamente pessoas para um determinado nmero de anos de estudo. Isso
escolha deve ser sua
e no de outra pessoa.
Mas, a avaliao da poltica no desesperadora quando randomizado e controlado
experimentos so im-
possvel. A vida nos proporciona situaes que acontecem com dierent grupos de
indivduos em dierent
Pontos no tempo. Tais eventos no so realmente aleatria, mas a partir de um ponto de estatstica
de ver o tratamento
pode parecer ser definida aleatoriamente. Isso o chamado
experimentos naturais so.
Voc tem dois grupos de pessoas semelhantes. Por alguma razo, um grupo se
tratados com a poltica
eo outro no. Extencil de diferenas comparativas so atribudos poltica.
No exemplo, vamos olhar para as eects de uma mudana no salrio mnimo.
Isso possibilitado
Pgina 265
Pgina 266
158
----------------------- Pgina 183 -----------------------
porque o salrio mnimo aumentado em um estado e no de outra.
A semelhana dos estados
importante porque o estado no tratado vai ser utilizado para comparao.
Os dados provm de carto e Krueger e so encontrados no njmin3.gdt arquivo.
Vamos abri-lo
e olhar para as estatsticas resumidas por estado.
Um abertas "gretldir \ data \ poe \ njmin3.gdt"
Smpl 2 d = 0 --restrict
3 resumo fte --por = nj --simple
4 smpl completos
5 smpl d = 1 --restrict
6 Resumo fte --por = nj --simple
7 smpl completos
Desde que ns queremos ter uma imagem do que aconteceu em NJ e PA
antes e depois de levantada a NJ
salrio mnimo, restringimos a amostra antes do aumento. Em seguida, obter o estatsticas de resumo para
fte por estado na linha 3. Restaurar o total da amostra e, em seguida, limitar a depois
a poltica d = 1. Repita
as estatsticas de resumo para fte. Os resultados sugerem no muito dierence neste
ponto.
nj = 0 (n = 79), d = 0:
A mdia Mnimo Mxima
Std. Dev.
fte 23,331 7.5000 70.500
11.856
nj = 1 (n = 331) d = 0:
A mdia Mnimo Mxima
Std. Dev.
Pgina 266
Pgina 267
fte 20,439 5,0000 85.000
9,1062
nj = 0 (n = 79) d = 1:
A mdia Mnimo Mxima
Std. Dev.
fte 21.166 0.00000 43.500
8,2767
nj = 1 (n = 331) d = 1:
A mdia Mnimo Mxima
Std. Dev.
fte 21,027 0.00000 60.500
9,2930
Agora, faa alguma lista de variveis e executar algumas regresses
1 lista x1 = const nj d d_nj
2 x2 = x1 lista KFC roys wendys co_owned
3 lista x3 = x2 southj centralj PA1
4
159
----------------------- Pgina 184 -----------------------
5 ols FTE x1
7 ols FTE x2
9 ols FTE x3
10 modeltab add
O primeiro conjunto de variveis incluem as variveis indicadoras nj, d e os seus
Pgina 267
Pgina 268
interao. O segundo conjunto
acrescenta mais indicadores para saber se os postos de trabalho esto no KFC, roys ou wendys e se o
loja companied
propriedade. O conjunto final adicionar mais indicadores para a localizao.
Os resultados dos trs regresses aparecem abaixo:
Estimativas MQO
Varivel dependente: fte
(1) (2)
(3)
const 23.33 25.95
25.32
(1.072) (1.038)
(1.211)
nj -2,892 -2,377
-0,9080
(1.194) (1.079)
(1.272)
d -2,166 -2,224
-2,212
(1.516) (1.368)
(1.349)
d nj 2.754 2.845
2.815
(1.688) (1.523)
(1.502)
kfc -10.45
-10,06
(0,8490)
Pgina 268
Pgina 269
(0,8447)
roys -1,625
-1,693
(0,8598)
(0,8592)
wendys -1,064
-1.065
(0,9292)
(0,9206)
co de propriedade -1,169
-0,7163
(0,7162) (0,7190)
southj
-3,702
(0.7800)
centralj
0.007883
(0,8975)
PA1
0,9239
(1.385)
n 794 794 794
2
Pgina 269
Pgina 270
R 0,0036 0,1893
0,2115
160
----------------------- Pgina 185 -----------------------
-2904 -2820 -2808
O coecient em d nj o estimador dierence-em-extencil de diferenas da mudana em
emprego devido
para uma mudana no salrio mnimo. No significativamente dierent de zero em
Neste caso, e podemos
Conclui-se que o aumento do salrio mnimo, em Nova Jersey no negativamente AECT
emprego.
Na anlise anterior, no explorar uma caracterstica importante do carto e
Os dados de Krueger.
Os mesmos restaurantes foram observadas antes e depois em ambos os estados-no 384 da
410 observaes.
Parece razovel para limitar o antes e depois da comparao com as mesmas unidades.
Isso requer a adio de um Eect fixo individual para o modelo e
observaes caindo que
no tm antes ou depois com o qual comparar. Alm disso, voc vai precisar
para limitar a amostra para o
observaes nicas (no original, cada uma duplicado).
1 smpl desaparecidas (Demp)! = 1 --restrict
3 ols Demp nj const
Felizmente, o conjunto de dados inclui o FTE onde chamado Demp. Descartando
as observaes para
Demp que esto faltando e usando mnimos quadrados para estimar os parmetros do
regresso simples
Pgina 270
Pgina 271
Rendimento:
Demp = -2,28333 + 2,75000 nj
(1,0355) (1,1543)
2
T = 768 R = 0,0134 F (1, 766) = 11,380 =
8,9560
O coecient em nj no significativamente menor do que zero, no 5%
nvel e podemos concluir que o
aumentar no salrio mnimo no reduzir o emprego.
7.6 Script
1 set echo off
3 # imprime 8 primeiras observaes
161
----------------------- Pgina 186 -----------------------
4 smpl 1 8
5 impresso --byobs piscina utown idade p preo FColoque
6 # obter resumo estatsticas para a amostra total
7 smpl completos
8 Resumo
9
10 # criar varivel de indicador para as grandes casas
11 sries ld = (p> 25)
12 ld discreto
Pgina 271
Pgina 272
13 smpl 1 8
14 impresso --byobs ld p
15 smpl completos
16
17 # criar interao e estimativa modelo
18 sries sqft_utown = p * utown
19 ols const preo utown p sqft_utown piscina idade FColoque
20
21 # gerar algum marginal efeitos
22 prmio escalar = $ coeff (utown) * 1000
23 sq_u escalar = 10 * ($ coeff (p) + $ coeff (sqft_utown))
24 escalar sq_other = 10 * $ coeff (p)
25 depr escalar = 1000 * $ coeff (Idade)
26 escalar sp = 1000 * $ coeff (pool)
27 firep escalar = 1000 * $ coeff (FColoque)
28 printf "\ n University premium = $% 8.7g \ n \
29 efeito marginal de p perto da Universidade = $% 7,6 g \ n \
30 efeito marginal de p em outro lugar = $% 7,6 g \ n \
31 Taxa de depreciao = $% 7.2f \ n \
32 Piscina = $% 7.2f \ n \
33 Lareira = $% 7.2f \ n ", prmio, sq_u, sq_other, depreciao, sp, firep
34 omitir sqft_utown
35
36 # testando hipteses conjuntas
38 sries blk_fem = preto * feminino
39 ols travar const blk_fem negra educ
40 restringem
Pgina 272
Pgina 273
41 b [3] = 0
42 b [4] = 0
43 b [5] = 0
44 fim restringir
45
46 ols travar educ const negra blk_fem Sul Centro-Oeste a oeste
47 omitir sudoeste midwest
49
50 # criao de interaces utilizando uma ansa
52 lista dx = null
53 loop foreach ix
54 sries south_ $ i = sul * $ i
162
----------------------- Pgina 187 -----------------------
55 lista dx = dx south_ $ i
56 endloop
57 modeltab claro
58 ols travar x dx
60 escalar DFU = $ df
61 modeltab add
62
63 # subconjuntos estimando
64 = 1 sul smpl --restrict
Pgina 273
Pgina 274
65 ols travar x
66 modeltab add
67 smpl completos
68
70 ols travar x
71 modeltab add
73
74 # Chow testes
75 smpl completos
76 ols travar x
78 escalar fstat = ((SSER-sseu) / 5) / (sseu / DFU)
79 pValue f 5 DFU fStat
80
81 ols travar x
82 rao --dummy sul
83
Modelo 84 # log-linear - interpretao
87 ols l_wage const educ feminino
88 escalar diferencial = 100 * (exp ($ coeff (feminino)) - 1)
89
Pgina 274
Pgina 275
90 # modelo de probabilidade linear com HCCME
91 abertos "gretldir \ data \ poe \ coke.gdt"
92 ols coque const pratio disp_coke disp_pepsi --robust
93
94 # efeitos do tratamento
95 abertos "gretldir \ data \ poe \ star.gdt"
96 lista v = totalscore menino tchexper Freelunch \
97 white_asian tchwhite tchmasters schurban schrural
98 resumo v --por = pequeno --simple
99 resumo v = --por --simple regulares
100
101 smpl assessor! = 1 --restrict
102 lista x1 = const pequeno
103 = x1 x2 lista tchexper
104 lista x3 = x1 menino Freelunch white_asian
105 Lista tchmasters x4 = x1 tchwhite schurban schrural
163
----------------------- Pgina 188 -----------------------
106
Pgina 275
Pgina 276
116 modeltab livre
117
118 # criao manual de vrios indicadores para a identificao da escola
119 schid discreto
120 lista d = dummify (schid)
123 escalar r_df = $ df
129 escalar u_df = $ df
134 modeltab livre
135
136 escalar J = r_df-u_df
137 escalar fStat = ((SSER - sseu) / J) / (sseu / u_df)
138 pValue f J u_df fStat
139
140 # testando a atribuio aleatria de estudantes
141 ols pequeno const menino white_asian tchexper Freelunch
142 restringir
Pgina 276
Pgina 277
143 b [1] = 5.
144 final restringir
145
146 # diferenas-em-diferenas
147 abertos "gretldir \ data \ poe \ njmin3.gdt"
Smpl 148 d = 0 --restrict
150 smpl completos
153 smpl completos
154
155 lista x1 = const nj d d_nj
156 lista x2 = x1 KFC roys wendys co_owned
164
----------------------- Pgina 189 -----------------------
157 lista x3 = x2 southj centralj PA1
158
159 resumo x1 fte
160
161 ols FTE x1
163 ols FTE x2
Pgina 277
Pgina 278
165 ols FTE x3
168 modeltab livre
169
170 smpl falta (Demp) ! = 1 --restrict
172 ols Demp nj const
165
----------------------- Pgina 190 -----------------------
Captulo 8
Heteroscedasticidade
Os modelos de regresso linear simples do captulo 2 eo mltiplo
modelo de regresso no captulo
5 pode ser generalizado de outras maneiras. Por exemplo, no h nenhuma garantia de que
as variveis aleatrias
destes modelos (ou Y ou o e) tm o mesmo inerente
variabilidade. Ou seja, alguns
Eu Eu
observaes podem ter uma variao maior ou menor do que os outros. Este descreve
a condio conhecida
como heterocedasticidade. O modelo geral de regresso linear mostrada na equao
(8.1) abaixo.
y = + x + + x + Ei
= 1, 2,. . . , N (8.1)
Eu 1 2 i2 k iK i
onde yi a varivel dependente, xik a observao om
sobre a varivel independente kth,
k = 2, 3,. . . , K, e, de erro aleatrio, e , ,. . . , So o
parmetros pretende estimar.
Pgina 278
Pgina 279
Eu 1 2 K
Assim como no modelo de regresso linear simples, e, tem uma mdia
valor igual a zero para cada valor de
Eu
as variveis independentes e no esto relacionados uns com os outros.
O dierence neste modelo
que a varincia dos ei agora depende i, isto , a observao
a que pertence. Indexao
varincia com o i subscrito apenas uma forma de indicar que
observaes podem ter dier-
ent quantidades de variabilidade associada com eles. O erro
hipteses podem ser resumidos como
2
e | x, x,. . . x iid N (0, ).
i i2 i3 iK Eu
A intercepo e encostas, , ,. . ., , So consistentemente
estimativa de mnimos quadrados, mesmo se
1 2 K
os dados so heterocedstica. Estimadores Infelizmente, o costume
do padro de mnimos quadrados
erros e testes baseados neles so inconsistentes e invlidos. Neste captulo,
vrias maneiras de detectar
heterocedasticidade so considerados. Tambm, formas estatisticamente vlidos para estimar
os parmetros de 8,1
e testar hipteses sobre os ps, quando os dados so heterocedstica so
explorado.
8.1 Alimentao Despesas Exemplo
Primeiro, um modelo simples de gastos com alimentao estimado usando menos
praas. O modelo
comida exp = + renda + ei =
1, 2,. . . , N (8,2)
Eu 1 2 ii
166
----------------------- Pgina 191 -----------------------
Pgina 279
Pgina 280
onde expi comida despesa alimentar e incomei a renda do om
indivduo. Quando os erros
do modelo so heterocedstica, ento o estimador de mnimos quadrados do
coecients consistente.
Isso significa que os mnimos quadrados apontam estimativas do intercepto e inclinao
so teis. No entanto,
quando os erros so heterocedstica dos mnimos quadrados usuais erros padro so
inconsistente e
Por conseguinte, no deve ser utilizado para formar os intervalos de confiana ou para testar hipteses.
Para usar as estimativas de mnimos quadrados com dados heteroscedsticos, em um
mnimo, voc vai precisar de uma
estimador consistente de seus erros-padro, a fim de construir
testes e intervalos vlidos. A
simples clculo proposto por White faz isso. Os erros padro
calculado usando White
tcnica so vagamente conhecido como robusta, embora um tem que ser
quando cuidado ao usar esse termo;
os erros padro so robustos para a presena de heteroskedasticity no
erros do modelo (mas no
necessariamente outras formas de m especificao do modelo).
Abra os dados food.gdt em Gretl e estimar o modelo usando mnimos quadrados.
3 gnuplot renda food_exp --linear-fit
Isso produz os quadrados usuais estimativas de mnimos dos parmetros, mas produz
o padro errado
erros quando os dados so heterocedstica. Para se ter uma idia inicial de se
este pode ser o caso de um
plot dos dados gerado ea linha dos mnimos quadrados representada graficamente. Se o
dados so heterocedstica
em relao renda, ento voc vai ver mais variao em torno da regresso
A linha para alguns nveis
de renda. O grfico mostrado na Figura 8.1 e isto parece ser o caso.
H significativamente
maior variao nos dados de rendimentos elevados do que para baixo.
Pgina 280
Pgina 281
Para obter os erros padro robusto heteroscedasticidade, basta adicionar o
opo para o --robust
regresso, como mostra a seguinte script Gretl. Aps a concesso do --robust
opo, o padro
erros armazenados no acessor $ stderr (receitas) so os robustos.
1 ols food_exp --robust renda const
2 # intervalos de confiana (Robust)
$ Stderr (renda)
$ Stderr (renda)
5 printf "\ nO 95 %% intervalo de confiana (% .3f,
.3f%). \ N ", lb, ub
No script, usamos a funo crtica (t, $ df, 0.025) para obter o
valor crtico pretendido
da distribuio t. Lembre-se, os graus de liberdade do anterior
regresso so armazenados
em $ df. O primeiro argumento na funo indica o desejado
distribuio, e o ltimo o
probabilidade direito-tail desejado ( / 2, neste caso).
O script produz
167
----------------------- Pgina 192 -----------------------
Figura 8.1: Lote de gastos com alimentao em relao renda, com menos
praas caber.
O intervalo de confiana de 95% (6,391, 14,028).
Isso tambm pode ser feito a partir dos menus suspensos. Selecione o Modelo> Ordinria
Mnimos Quadrados (ver
Figura 2.6) para gerar o dilogo para especificar o modelo mostrado na Figura 8.2
abaixo. Note-se, a verificao
caixa para gerar "desvios-padro robustos 'est circulado. Voc tambm vai
notar que h um boto
rotulado Configurar direita da caixa de verificao dos erros padro robustos '.
Ao clicar neste boto
Pgina 281
Pgina 282
revela um dilogo a partir do qual vrias opes podem ser selecionadas. Neste caso, ns
pode selecionar o particular
mtodo que ser utilizado para calcular os desvios padro robustos e ainda definir
erros padro robustos
para ser o padro para o clculo dos mnimos quadrados. Esta caixa de dilogo mostrada na
Figura 8.3 abaixo.
Para reproduzir os resultados em Hill et ai. (2011), voc vai querer selecionar HC1
a partir da lista pendente.
Como voc pode ver, existem outras opes gretl podem ser selecionados aqui que AECT
o comportamento padro do
programa. A variante particular ele usa depende de qual estrutura de conjunto de dados
voc definiu para
seus dados. Se nada for definido, Gretl pressupe que voc tenha dados transversais.
Os resultados do modelo para o exemplo de gastos com alimentao aparecem na tabela
abaixo. Aps estimar
o modelo usando a caixa de dilogo, voc pode usar Anlise> Confiana
intervalos para coeficientes para
gerar intervalos de confiana de 95%. Desde que voc usou a opo robusta
na caixa de dilogo, estes sero
com base na variao dos erros-padro de White escolhido usando o 'configure'
boto. Neste caso, I
escolheu HC3, que alguns sugerem um desempenho um pouco melhor em pequenas amostras. A
resultado :
VARIVEL COEFICIENTE confiana de 95%
INTERVALO
const 83,4160 25,4153
141,417
renda 10,2096 6,39125
14,0280
168
----------------------- Pgina 193 -----------------------
Pgina 282
Pgina 283
const 83,4160 28,6509 2,9115 0,0060
renda 10,2096 1,88619 5,4128 0,0000
112.6752
89,51700
0.368818
F (1, 38) 29,29889 P-value (F)
3.63e-06
Tabela 8.1: Mnimos quadrados estima com o habitual e robusto
erros padro.
8.2 Detectando Heteroscedasticidade
Na discusso acima utilizou-se um grfico dos dados e a regresso
funo de nos dar uma
leitura inicial de saber se os dados so heterocedstica. Lotes residuais so
alguns igualmente teis, mas
cuidados devem ser tomados na gerao e interpret-los. Pela sua prpria
natureza, parcelas permitem que voc
"Ver" as relaes uma varivel de cada vez. Se o heteroskedasticity envolve
mais do que uma varivel
eles podem no ser muito revelador.
Na Figura 8.4 um grfico dos quadrados mnimos resduos contra o resultado. Ele
Parece que para ampliar
nveis de renda no muito maior varincia nos resduos. O grfico foi
gerado a partir do
modelo de janela, selecionando Grficos> Terreno Residual> contra o resultado. Eu
tambm clicou no
grfico, escolheu Editar e alterou sua aparncia um pouco. Convocando os olhares de dilogo
como
claro, voc tambm pode gerar grficos a partir de um script, que neste caso :
Pgina 283
Pgina 284
2 srie res = $ uhat
3 setinfo res-d "Mnimos Quadrados Residuais" n "residual"
Renda 4 gnuplot res --output = c: \ temp \ olsres
169
----------------------- Pgina 194 -----------------------
Neste roteiro que continuamos a expandir o uso de funes gretl. Os resduos
so salvos na linha 2.
Em seguida, na linha 3 do comando setinfo utilizado para alterar a descrio e o
rtulo grfico usando
o -d e interruptores N, respectivamente. Ento gnuplot chamado a
lote res contra o resultado. Este
tempo que a sada dirigido para um ficheiro especfico. Observe que no uma droga
era necessrio. Para visualizar o arquivo
em MS Windows, basta iniciar wgnuplot e carga
'C: \ temp \ olsres'.
Outro mtodo grfico que mostra a relao entre a magnitude
dos resduos
e a varivel independente mostrado abaixo:
1 srie abs_e = abs (res)
2 setinfo abs_e "valor absoluto do LS Residuais" D \
3 n "valor absoluto de Residual"
4 gnuplot renda abs_e --loess-fit
--output = c: \ temp \ loessfit.plt
O grfico aparece na Figura 8.5. Para gerar este grfico dois
as coisas foram feitas. Em primeiro lugar, o
valor absoluto dos resduos quadrados mnimos foram salvos em uma nova varivel
chamado e abs. Em seguida,
estes so plotados contra o resultado como um grfico de disperso e como locais ponderadas,
scatterplot alisou
estimada por processo chamado loesse.
A idia bsica por trs de loess criar uma nova varivel que,
para cada valor de a dependente
s
varivel, y, contm o valor alisado correspondente, y.
Pgina 284
Pgina 285
Os valores suavizados so obtidos
Eu Eu
executando uma regresso de y em x usando apenas os dados (x, y)
e alguns dos pontos de dados
ii
perto de um presente. Em loess, a regresso ponderado de modo que o ponto central
(X, y) tem a maior
ii
peso e pontos que esto mais afastados (com base na distncia
| Xj - xi |) recebem menos peso.
A linha de regresso estimado ento utilizada para prever o alisado
ys valor para ys s. A
Eu Eu
procedimento repetido para se obter os valores suavizados restantes,
o que significa que uma separada
regresso ponderada realizada para cada ponto dos dados.
Obviamente, se o conjunto de dados grande,
isso pode demorar um pouco. Loess dito ser um suave desejvel por causa disso
tende a acompanhar os dados.
Mtodos de alisamento polinomial, por exemplo, so globais em que o que acontece em
a extrema esquerda
de um grfico de disperso pode um ect os valores ajustados da extrema-direita.
Pode-se ver no grfico na Figura 8.5 que os resduos tendem a ficar
maior medida que a renda aumenta,
atingindo um mximo em 28 A residual para uma observao que tem a maior
renda relativamente
pequena e a previso localmente alisada faz com que a linha de tendncia para iniciar
para baixo.
8.3 testes Lagrange Multiplier
Existem muitos testes da hiptese nula de homocedasticidade que tm
sido propostos mais-
onde. Dois destes, com base em multiplicadores de Lagrange, so particularmente simples de
fazer e til. A
primeiro por vezes referido como o teste de Breusch-Pagan (BP). O segundo teste
creditada a White.
170
Pgina 285
Pgina 286
----------------------- Pgina 195 -----------------------
As hipteses nula e alternativa para o teste de Breusch-Pagan so
2 2
H0: i =
H: 2 = h (... + z + z )
1 i 1 2 i2 S
A hiptese nula que os dados so homocedsticos. A
alternativa que os dados so
heterocedstica de uma maneira que depende das variveis zis, i = 2, 3,. . .
, S. Essas variveis so
exgena e correlacionados com as variaes do modelo. A funo
h (), no especificado. Poderia
ser qualquer coisa que depende da sua discusso, ou seja, a funo linear da
variveis em z. Aqui esto
os passos de:
1. estimar o modelo de regresso
2 Guarde os resduos
3. quadrados dos resduos
4. Regress quadrados dos resduos em zis, i = 2, 3,. . . , S.
5. Compute NR2 desta regresso e compar-lo com o
nvel de valor crtico do
2 (S - 1) de distribuio.
O script Gretl para realizar o teste manualmente
2 sries sq_ehat = $ uhat * $ uhat
3 ols sq_ehat renda const
Pgina 286
Pgina 287
4 escalar NR2 = $ trsq
5 pValue X 1 NR2
O nico item novo neste script o uso do acessor, $ trsq. Este
o valor salvo de NR2
a partir do modelo anteriormente estimado. A sada do script
1 Substitudo NR2 escalar = 7,38442
2 qui-quadrado (1): rea direita de 7,38442 = 0,00657911
3 ( esquerda: 0,993421)
O valor-p inferior a 5% e ns rejeitamos a homocedasticidade
nula a esse nvel. A
heteroskedasticity visto nos grficos de resduos parece ser confirmada.
Gretl tem uma funo built-in que ir calcular um caso especial de
o teste BP que produz o
mesmo resultado neste exemplo. A
171
----------------------- Pgina 196 -----------------------
2 modTest --breusch-pago
Produz
Breusch-Pagan teste para heteroskedasticity
OLS, por meio de observaes 1-40
Varivel dependente: escalado uhat ^ 2
std coeficiente. erro p-valor t-ratio
-------------------------------------------------- -----
const -,756949 0.633618 -1,195 0,2396
renda 0.0896185 0.0305534 2.933 0,0057
Pgina 287
Pgina 288
***
Soma dos quadrados explicada = 14,6879
Teste estatstica: LM = 7.343935,
com p-value = P (qui-quadrado (1) > 7.343935) = 0.006729
A funcionalidade de modTest --breusch-pago limitado na medida em que
ir incluir todos os regressor
no modelo como um z. Combina com o resultado que deriva manualmente
porque o modelo apenas inclui
renda como o regressor. O modTest --breusch-pago usa como z.
Isto significa que voc no pode
testar um subconjunto de variveis explicativas com esta funo, nem voc pode us-lo para testar
para heterocedasticidade
de variveis exgenas que no esto includos na funo de regresso. Em
qualquer um destes casos, o uso
o mtodo manual descrito acima; muito fcil de fazer.
8.3.1 O teste de White
Teste de White na verdade apenas uma pequena variao no teste de Breusch-Pagan.
O nula e alternativa
hipteses so
H0: 2 = 2 para todo i
Eu
H1: 2 = 2 durante pelo menos 1 i = j
ij
Esta uma alternativa composta que capta toda a possibilidade de que no seja
a uma coberta pela
null. Se voc no sabe nada sobre a natureza da heterocedasticidade em
seus dados, ento este um
bom lugar para comear. O teste muito semelhante ao do teste BP. Em
Neste teste, o heteroskedasticity
variveis relacionadas (ZIS, i = 2, 3,..., s) incluem cada no-redundante
regressor, sua praa, e todos os cruz
produtos entre os regressores. Veja POE4 para mais detalhes. No caso dos alimentos
modelo despesas s existe
Pgina 288
Pgina 289
um regressor contnua e uma interceptao. Assim, a constante quadrado e o
produto cruzado entre
a constante e renda so redundantes. Isso deixa apenas uma varivel nica para
adicionar ao modelo,
renda ao quadrado.
172
----------------------- Pgina 197 -----------------------
Em Gretl gerar o valor quadrado de renda e regredir o quadrado
resduos do modelo
sobre o rendimento e da sua praa. Calcule NR2 desta regresso e
comparar a nvel crtico
valor do 2 (S - 1) de distribuio. Como o caso em toda a LM
exames considerados neste livro,
N o nmero de observaes no segundo ou auxiliar de regresso.
Tal como acontece com o teste BP no uma funo built-in que computa
Teste de White. Ele gera todos
dos quadrados e produtos cruzados nicas para adicionar ao modelo. O script para fazer
tanto manual e
embutida nos testes encontrada abaixo:
3 sries sq_income = resultado ^ 2
4 ols sq_ehat sq_income renda const
6 p-valor X 2 NR2
7
9 modTest --white --quiet
Os resultados das duas combinam perfeitamente e apenas que a partir do
procedimento interno produzido
Pgina 289
Pgina 290
abaixo:
Teste de White para heterocedasticidade
Teste estatstica: TR ^ 2 = 7,555079,
com p-value = P (qui-quadrado (2) > 7.555079) = 0.022879
A hiptese nula de homocedasticidade rejeitada ao nvel de 5%.
8.3.2 Goldfeld Quandt de teste para Heteroscedasticidade
Usando exemplos de Hill et al. (2011), um modelo de agrupados
heterocedasticidade estimado e
um teste de Goldfeld-Quandt realizada para determinar se os dois subconjuntos de amostras
tm a mesma
varincia do erro. A varincia do erro associado ao primeiro subconjunto
2 e que para a outra
1
subconjunto 2.
2
As hipteses nula e alternativa so
2 2
H0: 1 = 2
H1: 2 = 2
1 2
173
----------------------- Pgina 198 -----------------------
Estimando os dois subconjuntos separadamente e obter o erro estimado
variaes nos permitir
construir a seguinte relao:
2 / 2
F = 1 1 Fdf1, df2
(8.3)
Pgina 290
Pgina 291
2 2
/
2 2
onde df1 = N1 - K1 do primeiro subconjunto e df2 = N2 - K2 do
segundo subconjunto. Sob o
hiptese nula de que os dois tm a mesma varincia
2
F = 1 Fdf1, df2
(8.4)
2
2
Isto simplesmente a razo das varincias entre os dois subconjunto
regresses.
Salrio Exemplo
Abaixo, eu escrevi um programa Gretl para reproduzir o exemplo de salrio
Hill et al. (2011)
que aparece no captulo 8 O exemplo relativamente simples e eu vou
no explicar o script
em muito detalhe. Ele anotado para ajud-lo a decifrar o que cada seo do
programa faz.
O exemplo consiste em estimar os salrios em funo da educao e
experincia. Alm,
uma varivel de indicador est includo o que igual a um, se uma pessoa vive em um
rea metropolitana. Este
uma "interceptao" fictcio, o que significa que as pessoas que vivem nas reas metropolitanas so
Espera-se que respondem
semelhante s mudanas na educao e experincia (mesmas encostas), mas
que eles ganham um prmio
em relao queles em reas rurais (dierent interceptao).
Cada subconjunto (metro e rural) estimado separadamente usando mnimos quadrados
e o erro padro
da regresso salvo para cada ($ sigma). Geralmente, voc deve colocar
o grupo com a maior
Pgina 291
Pgina 292
varincia no numerador. Isso permite que um teste unilateral e tambm
permite que voc use o padro
clculos p-valor, como feito abaixo.
1 aberta "gretldir \ Data \ poe \ cps2.gdt"
2 ols travar educ const exper metro
3 # Use apenas observaes de metr
4 smpl metro = 1 --restrict
5 ols travar const exper educ
6 escalar STDM = $ sigma
7 escalar df_m = $ df
8 #Restore a amostra completa
9 smpl completo
10 # Use apenas observaes rurais
13 escalar stdr = $ sigma
14 escalar df_r = $ df
15 # GQ estatstica
16 GQ = STDM ^ 2 / stdr ^ 2
174
----------------------- Pgina 199 -----------------------
17 pv escalar = pValue (F, df_m, df_r, GQ)
18 printf "\ nO F (% d,% d) estatstica =% .3f. Direito \
P-valor 19% lado .4g. \ N ", df_m, df_r, GQ, pv
que produz
O F (805, 189) = 2,088 estatstica. O valor de p do lado direito est
1.567e-009.
Despesa com alimentao Exemplo
Pgina 292
Pgina 293
Neste exemplo, os dados so classificadas segundo a renda (baixo para alto) e os subconjuntos
so criados usando
nmeros de observao. Isso feito usando a GUI. Clique em Dados> Classificar
dados da principal
barra de menu para revelar a caixa de dilogo mostrada no lado direito da Figura 8.6.
O grande grupo de renda
Espera-se que tm variao maior para a sua estimativa ir ser colocado no
numerador da razo GQ.
O roteiro :
Renda SortBy 2 dataset
3 lista x = resultado const
4 # grandes observaes de varincia
Smpl 5 21 40 --restrict
6 ols food_exp x
7 escalar STDL = $ sigma
8 escalar df_L = $ df
10 smpl completos
11 # pequenas observaes de varincia
Smpl 12 1 20 --restrict
13 ols food_exp x
14 DSTs escalares = $ sigma
15 escalar df_S = $ df
16 # GQ estatstica
17 GQ = STDL ^ 2 / DST ^ 2
19 printf "\ nO F (% d,% d) estatstica =% .3f. Direito \
P-valor de 20% lado .4g. \ N ", df_m, df_r, GQ, pv
Isso resulta:
O F (18, 18) = 3,615 estatstica. O valor de p do lado direito est
0,004596.
175
Pgina 293
Pgina 294
----------------------- Pgina 200 -----------------------
Observe que na linha 3 usamos o comando conjunto de dados SortBy na linha 2
para classificar os dados sem
usando o GUI.1 Isso nos permite usar 21 40 comando do smpl para limitar
a amostra de observaes
21-40 para o primeiro subconjunto. A outra pequena melhoria usar a lista
comando na linha 3 a
especificar a lista de variveis independentes. Isto til uma vez que a mesma
regresso estimada dobro
usando subamostras dierent. A hiptese nula de homocedasticidade rejeitada
ao nvel de 5% desde
o p-valor menor do que 0,05.
Erros Padro 8.4 heteroscedsticos consistente
O estimador de mnimos quadrados pode ser utilizado para estimar o modelo linear mesmo
quando os erros so
heterocedstica com bons resultados. Tal como mencionado na primeira parte desta
captulo, o problema com
mnimos quadrados, utilizando um modelo em heterocedstica habitual que o estimador de
preciso (estimada
matriz de varincia-covarincia) no consistente. A maneira mais simples de
resolver este problema a utilizao de
mnimos quadrados para estimar a interceptao e encostas e usar um estimador de menos
praas covarincia
que consistente se os erros so heterocedstica ou no. Este o
chamado heteroskcedasticity
estimador robusto de covarincia que Gretl usa.
Neste exemplo, os dados de despesas alimento utilizado para estimar
utilizando o modelo de mnimos quadrados
com ambos os habituais e os conjuntos consistentes de erros padro. Incio
estimando a pesas de alimentos
pesas modelo usando mnimos quadrados e adicionar as estimativas para a mesa do modelo, o
estimativas (usual).
Reestimate o modelo utilizando a opo --robust e armazenar os resultados (modeltab
adicionar).
Pgina 294
Pgina 295
3 ols food_exp renda const --robust --quiet
A tabela a modelo, que eu editei um pouco,
Estimativas MQO
(Usual) (HC3 Robust)
const 72.96 72.96
(38,83) (19,91)
renda 11.50 11.50
(2,508) (2,078)
n 20 20
Renda 1Replace SortBy com dsortby renda para classificar a amostra por renda
em ordem decrescente.
176
----------------------- Pgina 201 -----------------------
R2 0,5389 0,5389
-109,1 -109,1
Note-se que as estimativas coecient so os mesmos, mas que a estimativa
Pgina 295
Pgina 296
erros padro so
dierent. Curiosamente, o erro padro robusto para a inclinao
na verdade, menor do que o
um costume!
Um certo nmero de comandos de comportar dierently quando usado aps um modelo que emprega
o --robust
opo. Por exemplo, a omitir e restringir os comandos iro utilizar um teste de Wald
em vez da usual
com base na soma de dierence dos quadrados dos erros.
Os intervalos de confiana podem ser calculados manualmente utilizando os resultados salvos de
a regresso ou
da janela modelo de um modelo estimado atravs do GUI. Estimar o modelo
usando ols de
o GUI. Escolha Anlise> Intervalos de confiana para os coeficientes
na janela modelo
para gerar intervalos de confiana com base no HCCME.
Ao estimar o modelo, marque a opo "Erros padro robustos" (ver
Figura 8.2) e
escolher o boto "Configurar" para selecionar uma das opes para a correo do vis
usando o pull-down
menu para dados transversais como mostrado anteriormente na Figura 8.3.
Estes desvios padro robustos so obtidos a partir do que muitas vezes referida como
o heteroskedasticity-
consistente matriz de covarincia estimador (HCCME) que foi proposto por
Huber e redescoberto
por White. Em econometria, os erros padro HCCME pode ser referido como
Padro de White
erros ou erros padres Huber / Branco. Isso provavelmente explica a
O nome de guia na caixa de dilogo
caixa.
Desde mnimos quadrados inecient em modelos heteroscedsticos, voc
acho que pode haver
outro estimador imparcial que mais preciso. E, no h. A
mnimos quadrados generalizados
(GLS) estimador , pelo menos em princpio, fcil de obter. Essencialmente, com
o estimador de GLS do
modelo heterocedstica, as variaes de erro dierent so usadas para pesar novamente os dados
Pgina 296
Pgina 297
de modo que eles so
todos tm o mesmo (homocedsticos) varincia. Se os dados so igualmente varivel,
ento mnimos quadrados
mostrassem eficientes!
8.5 Mnimos Quadrados Ponderados
Se voc sabe algo sobre a estrutura da heterocedasticidade, voc pode
ser capaz de obter mais
estimativas precisas usando uma generalizao dos mnimos quadrados. Em
modelos heteroscedsticos, observaes
que so observados com alta varincia no contm tanta informao
sobre a localizao
177
----------------------- Pgina 202 -----------------------
a linha de regresso como essas observaes com baixa varincia.
A idia bsica de menos generalizada
quadrados, neste contexto, a nova pesagem dos dados, de modo que todo o
observaes conter o mesmo nvel
de informaes (ou seja, mesmo varincia) sobre o local da
A linha de regresso. Assim, observaes
que contm mais rudo so apresentadas pequenas pesos e os que contenham mais de sinal
um peso mais elevado.
Reweighing os dados desta forma conhecido em algumas disciplinas estatsticos como
mnimos quadrados ponderados.
Este termo descritivo o utilizado por Gretl tambm.
Suponha-se que os erros variam proporcionalmente com xi de acordo
a
2
var (e) = x
(8.5)
ii
Os erros so heterocedstica uma vez que cada erro ter um dierent
varincia, cujo valor
depende do nvel de x. Mnimos quadrados ponderados reweighs as observaes em
o modelo, de modo que
Pgina 297
Pgina 298
Eu
cada observao transformado tem a mesma variao como todos os outros. Simples
revela que lgebra
1
var (e) = 2
(8.6)
Eu
xi
Ento, multiplique a equao (8.1) por 1 / xi para completar a
transformao. O modelo transformado
homocedsticos e mnimos quadrados e os quadrados mnimos erros padro
so estatisticamente vlida e
mostrassem eficientes.
Gretl torna isso fcil, uma vez que contm uma funo para pesar novamente todo o
de acordo com as observaes
um peso que voc especificar. O comando WLS, que significa, naturalmente, para ponderada
mnimos quadrados! A
nica coisa que voc precisa ter cuidado como Gretl lida com os pesos. Gretl
leva a raiz quadrada
do valor que voc fornece. Ou seja, a nova pesagem as variveis usando um / xi
voc precisa usar a sua praa
1 / xi como o peso. Gretl leva a raiz quadrada de w para voc.
Para mim, isso um pouco confuso, ento
voc pode querer verificar o que Gretl est fazendo, transformando manualmente y, x, e
e a constante
a regresso. O arquivo de script mostrado abaixo faz isso.
No exemplo, voc primeiro tem que criar o peso, em seguida, chamar
a funo wls. O script
aparece abaixo.
aberto "gretldir \ Data \ poe \ food.gdt"
#GLS usando construdo em funo
Pgina 298
Pgina 299
srie w = 1 / renda
wls w food_exp const renda
escalar lb = $ coeff (renda) - crtico (t, $ df, 0.025) *
$ Stderr (renda)
escalar ub = $ coeff (renda) + crtico (t, $ df, 0.025) *
$ Stderr (renda)
printf "\ nO 95 %% confiana intervalo (% .3f,
.3f%). \ N ", lb, ub
#GLS usando OLS sobre transformado dados
sries wi = 1 / sqrt (renda)
ys srie = wi * food_exp
sries xs = wi * x
sries cs = wi
ols ys xs cs
178
----------------------- Pgina 203 -----------------------
O primeiro argumento aps WLS o nome da varivel de peso.
Em seguida, para especificar a regresso
qual ele aplicado. Greta multiplica cada varivel (incluindo a constante) por
a raiz quadrada
o peso dado e estima a regresso usando mnimos quadrados.
No bloco seguinte do programa, wi = 1 / xi criada e utilizada para
transformar o dependente
varivel, x e a constante. Regresso por mnimos quadrados usando este
rendimentos de dados manualmente ponderados
os mesmos resultados que voc obtm com o comando de Gretl WLS. Em ambos os casos, voc
interpretar o resultado de
mnimos quadrados ponderados da forma habitual.
Os menos rendimentos quadrados estimativa ponderada:
Modelo 6: WLS, usando observaes 1-40
Pgina 299
Pgina 300
Varivel usada como peso: w
Valor de p
const 78,6841 23,7887 3,3076
0,0021
renda 10,4510 1,38589 7,5410
0,0000
Estatsticas baseadas nos dados ponderados:
18,75006
0.588897
F (1, 38) 56,86672 Valor P (F)
4.61e-09
349.9591
351.1804
Estatsticas baseadas em dados originais:
112.6752
89,53266
eo intervalo de confiana de 95% para o 2 inclinao (7.645, 13.257).
8.5.1 Dados Agrupados
Em nossa discusso sobre o teste de Goldfeld-Quandt decidimos que os salrios na rural
e metropolitana
reas apresentaram valores dierent de variao. Quando a heterocedasticidade
ocorre entre os grupos,
relativamente simples para estimar os GLS correces este
referido como Vivel GLS
Pgina 300
Pgina 301
(FGLS).
179
----------------------- Pgina 204 -----------------------
O exemplo consiste em salrios estimativa como uma funo da
educao e experincia e
com base no cps2.gdt utilizado no exemplo de teste Goldfeld-Quandt. A estratgia
para combinar estes
parties e estimar os parmetros usando mnimos quadrados generalizados
bastante simples. Cada
subamostra ser utilizada para estimar o modelo e o erro padro da
regresso, (o
acessor $ sigma) ser salvo. Em seguida, cada sub-amostra ponderada pela
recproco de sua estimada
2
varincia (o qual o valor do quadrado 1 / .
H um par de maneiras de estimar cada subamostra. A
primeiro foi usado nos Goldfeld-
Exemplo Quandt teste onde o metro subamostra foi escolhido usando smpl
metro = 1 --restrict e
a rural escolhido com smpl metro = 0 --restrict. Agrupados GLS
Utilizando este mtodo pode ser
encontrado abaixo:
1 aberto "gretldir \ data \ poe \ cps2.gdt"
2 lista x = const educ exper
3 ols travar x metro
4 smpl --dummy metro
5 ols travar x
7 smpl completos
8 srie = rurais de 1 metro
9 smpl --dummy rural
10 ols travar x
Pgina 301
Pgina 302
13 smpl completos
14 sries wm = metro * STDM
15 sries wr = rural * stdr
16 sries w = 1 / (wm + wr) ^ 2
17 wls w salrio x metro
O comando smpl usado de uma maneira nova aqui. Na linha 3 smpl metro
--dummy restringe a amostra
baseado no metro varivel indicadora. A amostra ser restrito a apenas
essas observaes para
qual metro = 1. A equao de salrios estimada na linha 4 para os moradores de metr
e o padro
erro da regresso salva na linha 6.
As prximas linhas restaurar o total da amostra e criar um novo indicador
varivel para os moradores rurais.
Seu valor apenas de 1 metro. Geramos este, a fim de usar o smpl
rural sintaxe --dummy. Ns
poderia ter ignorado gerando a smpl rural e simplesmente usado
metro = 0 --restrict. Na linha 10
o modelo estimado para os moradores rurais eo erro padro da
regresso salvo.
A amostra total deve ser restaurado e dois conjuntos de pesos vo ser
criado e combinado.
Na linha 14, a srie de instruo wm = metro * STDM multiplica o metro
SE dos tempos de regresso
a varivel indicadora. Seus valores ser ou STDM por metro
moradores e 0 para os moradores rurais.
Ns fazemos o mesmo para os moradores rurais em 15 Adicionando estas duas sries juntas
cria uma nica varivel
que contm apenas dois valores distintos, M para os moradores de metro e R
para as rurais. Quadratura esta
e tomando o inverso fornece os pesos necessrios para o menos ponderada
quadrados regresso.
180
----------------------- Pgina 205 -----------------------
WLS, por meio de observaes 1-1000
Pgina 302
Pgina 303
Valor de p
const -9,39836 1,01967 -9,2170
0,0000
educ 1,19572 0,0685080 17,4537
0,0000
exper 0.132209 0.0145485 9,0874
0,0000
metro 1,53880 0,346286 4,4437
0,0000
regresso 1.001217
0.269334
F (3, 996) 123.7486 valor P (F)
3.99e-68
2844.301
2851.762
var 6.246641
Soma resid quadrado 28.585,82 SE de
regresso 5.357296
Funo 8.6 A Hetroskedasticity
Um modelo frequentemente usado para a varincia de erro a
heteroskedasticity multipicative
modelo. Ele aparece abaixo na equao 8.7.
2 = exp ( + z)
Pgina 303
Pgina 304
(8.7)
Eu 1 2 i
O zi varivel uma varivel explicativa independente que
determina como a varincia do erro
mudanas a cada observao. Voc pode adicionar zs adicionais, se voc acredita que
a variao relacionada
a eles (por exemplo, 2 = exp ( + z + z )). melhor manter o
nmero de zs relativamente pequenas.
Eu 1 2 i2 3 i3
A idia estimar os parmetros de (8.7), utilizando mnimos quadrados
e depois usar como previses
pesos para transformar os dados.
Em termos do modelo de gastos com alimentao, deixe-z = Ln (renda).
Ento, tomando a loga- naturais
Eu Eu
ritmos de ambos os lados de (8.7) e adicionando um termo de erro aleatrio, v, rendimentos
Eu
2
ln () = + z + v
(8.8)
Eu 1 2 ii
Para estimar os aS, primeiro estimar a regresso linear (8.2) (ou
mais geralmente, 8,1) utilizando menos
praas e guardar os resduos. Quadrado dos resduos, em seguida, tomar
o log natural; isto constitui
181
----------------------- Pgina 206 -----------------------
2
estimativa de ln () para usar como varivel dependente em uma regresso.
Agora, adicionar uma constante e a
Eu
zs para o lado direito do modelo e estimar os aS usando mnimos quadrados.
Pgina 304
Pgina 305
O modelo de regresso para estimar
ln (e2) = + z + v
(8.9)
Eu 1 2 ii
onde e2 so os mnimos quadrados resduos da estimativa de
a equao (8.1). As previses
Eu
desta regresso pode ento ser transformada utilizando a funo exponencial para
pesos para proporcionar
mnimos quadrados ponderados.
Para o exemplo de gastos com alimentao, o cdigo Gretl aparece abaixo.
1 registros renda
3 lista z = const l_income
4 ols food_exp x
5 sries lnsighat = ln ($ uhat ^ 2)
6 ols lnsighat z
Alfa matriz 7 = $ Coef
8 matriz alfa [1] = alfa [1] 1,2704
9 sries peso = 1 / exp (lincomb (z, alfa))
10 wls peso food_exp x
As trs primeiras linhas obter os dados criados para o uso; tomamos o log natural de
renda e criar o
duas listas necessrios para a regresso e a funo heteroskedasticity. Linha 4
estima o linear
regresso com mnimos quadrados. Em seguida, uma nova varivel gerada
(Lnsighat) que o singular
log dos quadrados dos resduos da regresso anterior. Estimar o
funo skedasticity usando
mnimos quadrados e colocar as estimativas desta regresso em um
matriz chamado, gam. Fazemos isso
porque o estimador de mnimos quadrados da intercepo realmente tendencioso e ns
precisa adicionar 1,2704
Pgina 305
Pgina 306
a-o para remover a polarizao. Isto no estritamente necessrio para obter o correto
estimativas dos parmetros e
erro padro da regresso ponderada. Os pesos so
facilmente obtida usando o lincomb
funo, que, como j vimos em outros lugares multiplica z = +
ln (renda). Lembre-se, Gretl
1 2
Eu
assume automaticamente as razes quadradas de peso para voc na funo WLS.
A sada :
WLS, por meio de observaes 1-40
Varivel dependente: food_exp
Varivel usada como peso: w
std coeficiente. erro t-ratio
Valor de p
-------------------------------------------------- -------
const 76,0538 9,71349 7.830
1.91e-09 ***
renda 10,6335 0,971514 10.95
2.62e-013 ***
182
----------------------- Pgina 207 -----------------------
Sum squared resid 25,52057 EP da regresso 0.819508
R-quadrado 0.759187 Ajustado R-quadrado 0.752850
F (1, 38) 119.7991 valor P (F) 2.62e-13
Log-verossimilhana -47,76965 Critrio Akaike 99,53930
Critrio de Schwarz 102.9171 Hannan-Quinn 100.7606
Pgina 306
Pgina 307
Mdia dependente var 283.5735 SD var dependente 112.6752
Sum squared resid 304.869,6 EP da regresso 89,57055
O modelo foi estimado por mnimos quadrados com o padro HCCME
erros na Seo 8.1. A
estimativas dos parmetros de FGLS no so muito dierent do que aqueles.
Erros No entanto, o padro
so muito menores agora. O erro padro para HC3 o declive foi de 1,88 e agora
apenas 0,97. A
constante est sendo estimado mais precisamente assim. Ento, h alguns
potenciais benefcios da utilizao
um estimador mais preciso dos parmetros.
8.6.1 mxima verossimilhana
A estimativa de duas fases do modelo multiplicativo heteroskedasticity pode
ser melhorado
ligeiramente estimando o modelo via mxima verossimilhana. Mxima
estimativa da probabilidade
modelo requer um conjunto de valores iniciais para os parmetros que so facilmente
obtida por meio de duas etapas
estimador. A log-verossimilhana :
n n 2
n 1 1 u
ln L = - ln 2 - ln 2 - i
(8.10)
2 2 Eu 2 2
i = 1 i = 1 i
onde 2 = exp { + ln (renda)} e u so os resduos da
regresso.
Eu 1 2 Eu Eu
1 # Montar listas de x e z
Pgina 307
Pgina 308
2 lista z = l_income const
4 sries y = food_exp
5
6 # valores iniciais
7 ols yx
8 sries lnsighat = ln ($ uhat ^ 2)
9 ols lnsighat z
10 matriz de alfa = $ coef
11
12 # MLE
13 macho loglik = -0,5 * ln (2 * pi) - 0.5 * ZG - 0.5 * e ^ 2 * exp (-zg)
14 sries zg = lincomb (z, alpha)
183
----------------------- Pgina 208 -----------------------
15 sries e = y - lincomb (x, beta)
16 params Alpha Beta
Mle 17 final
A primeira parte do roteiro basicamente o mesmo que aquele em
seo anterior. A nica
mudana que eu coloquei a exp alimentos em uma nova srie chamada y. Eu fiz isso para
fazer a parte de macho
o programa mais geral. Ele deve funcionar com qualquer x, z e y que voc escolher.
A funo macho opera em uma observao por base a observao, portanto,
no houve necessidade de
uso n e os somatrios da equao (8.10). A primeira srie em
A linha 14 para o skedasticity
funo e a segunda, na linha 15, recebe os resduos. Estes so os nicos
insumos que precisamos para loglik
Pgina 308
Pgina 309
definido na linha 13 (desde que voc tenha definido a srie x e z e desde
valores iniciais para o
vectores de parmetros alfa e beta). Como escrito, a rotina vai usar
derivados numricos para tentar
para encontrar o mximo da funo de probabilidade de log. possvel especificar
os analticos, que
s vezes til. Aqui, os numricos funcionar muito bem como pode ser visto abaixo.
Os resultados so os seguintes:
A utilizao de derivados numricos
Tolerncia = 1.81899e-012
Avaliaes da funo: 68
As avaliaes de inclinao: 39
Modelo 11: ML, usando observaes 1-40
loglik = -0,5 * ln (2 * pi) - 0.5 * ZG - 0.5 * e ^ 2 * exp (-zg)
Os erros padro baseado no exterior Produtos matriz
estimativa std. erro z Valor de p
-------------------------------------------------- -----
beta [1] 76,0728 8,39834 9.058 1.33e-019
***
beta [2] 10,6345 0.975438 10.90 1.12e-027
***
alfa [1] 0.468398 1,80525 0,2595 0,7953
alfa [2] 2,76976 0.611046 4.533 5.82e-06
***
Log-verossimilhana -225.7152 Akaike critrio
459.4304
461.8730
Voc pode ver que estes so muito semelhantes aos de mnimos quadrados ponderados.
Pgina 309
Pgina 310
Uma das vantagens da utilizao deste mtodo que ele proporciona um t-relao de
a hiptese:
H0: 2 = 2
Eu
H: 2 = exp { + ln (renda)}
1 i 1 2 Eu
A alternativa especfica em relao forma do heteroskedasticity
(Multiplicativo), bem como o
causa (ln (renda). Porque o modelo estimado por mxima verossimilhana, o
tribuio assinttica
buio do t-relao N (0, 1). Gretl produz um valor-p deste
distribuio do produto, o qual
184
----------------------- Pgina 209 -----------------------
neste caso, inferior a 0,05 e, portanto, possvel rejeitar o nulo em favor
Nesta alternativa especfica
em que o nvel de significncia.
8,7 Heterocedasticidade no probabilty Modelo Linear
No captulo 7, introduzimos o modelo de probabilidade linear. Ele
Mostrou-se que o indicador
varivel, yi heterocedstica. Isto ,
var (y) = (1 - )
(8.11)
Eu ii
onde i a probabilidade de que a varivel dependente igual
1 (a escolha feita). A
varincia estimada
var (y) = ()
(8.12)
Eu ii
Pgina 310
Pgina 311
Isto pode ser usado para executar GLS viveis. Os dados coke.gdt comercializao cola
a base para esta
exemplo. A varivel independente, coque, assume o valor de 1 se o indivduo
compra Coca-Cola
e 0 se no. A deciso de comprar Coca-Cola, depende da relao de
o preo relativo ao
Pepsi e se exibe para a Coca-Cola ou Pepsi estavam presentes.
As variveis disp coque = 1 se a
Coca-Cola exibio estava presente, caso contrrio, 0; pepsi DISP = 1 se uma exposio Pepsi era
presente, caso contrrio
zero.
1 Em primeiro lugar, os dados so carregados e as estatsticas de resumo
so fornecidos.
2 aberto "gretldir \ Data \ poe \ coke.gdt"
3 resumo --simple
4 lista x = pratio const disp_pepsi disp_coke
A opo --simple usado para o comando de sntese. Em seguida, uma
lista criada que contm
os nomes das variveis independentes para ser utilizado no estimada
modelos. O resumo bsico
estatsticas so:
Estatsticas sumrias, usando as observaes 1-1140
A mdia Mnimo Mxima
Std. Dev.
coque 0,44737 0.00000 1,0000
0,49744
pr_pepsi 1,2027 0,68000 1,7900
0,30073
pr_coke 1.1901 0,68000 1,7900
0,29992
disp_pepsi 0,36404 0.00000 1,0000
0,48137
disp_coke 0,37895 0.00000 1,0000
0,48534
pratio 1,0272 0,49721 2,3247
0,28661
Tudo parece ser bom. No h preos negativos, eo indicador
Pgina 311
Pgina 312
variveis esto todos contidos
entre 0 e 1, sendo os meios de magnitudes so razoveis.
185
----------------------- Pgina 210 -----------------------
Em seguida, mnimos quadrados utilizado para estimar o modelo de duas vezes: uma vez
com erros padres habituais e
novamente com os erros padro HCCME produzidos pela opo --robust.
Cada um adicionado a uma
modelo de mesa usando modeltab adicionar.
1 # OLS
2 ols coque x
4 # OLS c / robusto
5 ols coque x --robust
GLS viveis iro ser estimada em duas maneiras. Na primeira regresso, vamos
omitir qualquer observao
que tem uma varincia estimada negativo. Lembrar que um dos problemas com
probabilidade linear
que as previses no so constrangidas a ficarem entre 0 e 1.
Se y <0 ou y > 1, ento varincia
Eu Eu
estimativas sero negativas. Na primeira linha abaixo de uma nova srie
criado para verificar essa condio.
Se a varincia, VARP, maior do que zero, pos ser igual a 1 e se
no, ento zero. A
segunda linha cria um peso para WLS que formada atravs da multiplicao do indicador
vezes pos variveis
o inverso da varincia. Desta forma, todos os pesos no negativos tornam-se
zeros.
Remover observaes com negativa
varincia
1 srie p = $ yhat
2 sries VARP = p * (1-p)
Pgina 312
Pgina 313
3 sries pos = (VARP> 0)
4 sries w = pos * 1 / VARP
5 # omitir regresso
6 wls w coque x
A primeira linha usa o assessor para os valores previstos a partir de uma linear
regresso, $ yhat, e, por conseguinte
deve seguir mnimos quadrados estimativa da probabilidade linear
modelo; Neste modelo, so
interpretados como probabilidades. Mais uma vez, um truque est a ser utilizado para
eliminar as observaes do
modelo. Basicamente, qualquer observao de que tem um peso zero w
caiu de computao.
H maneiras equivalentes de fazer isso no Gretl como mostrado abaixo
Duas outras maneiras de cair observaes
smpl VARP> 0 --restrict
setmiss 0 w
A limitao da amostra provavelmente o mtodo mais simples.
A segunda utiliza o
setmiss comando que muda o cdigo de valor ausente a 0 para elementos
de w; qualquer observao
, onde w = 0 agora considerada ausente, e no ir ser usado para definir o modelo.
Finalmente, uma outra estimativa GLS vivel feito. Desta vez, p1
truncada em 0,01 se yi <0,01
e 0,99 se y > 0,99. O cdigo para fazer isso
Eu
186
----------------------- Pgina 211 -----------------------
WLS com variaes truncadas para observaes
fora dos limites
1 srie b = (p <0,01) || (p> 0,99)
2 sries pt = b * 0,01 + p * (1-b)
Pgina 313
Pgina 314
3 sries varp_t = Pt * (1-pt)
4 sries w_t = 1 / varp_t
5 wls w_t coque x
A primeira linha cria uma outra varivel indicadora que assume o valor de 1 se
a probabilidade prevista
cai fora do limite. O || um operador lgico que leva
a unio dos dois condio
es (= "ou"). A segunda linha cria o valor truncado da probabilidade
utilizando o indicador
varivel.
pt = b (0,01) + p (1 - b) = 0,01 quando b =
1 (8.13)
b (0,01) + p (1 - b) = p quando b =
0
H uma outra, menos transparente, a maneira de gerar o truncada
probabilidades: usar o ternrio
operador de atribuio condicional. Isso funciona como um if e pode ser
usado para salvar uma linha
de script. Esta sintaxe criaria a srie como
A atribuio condicional operador
sries pt = ((p <0,01) || (P> 0,99))? 0,01: p
Basicamente a condio limite entre parnteses (p <0,01) || (p> 0,99)
est marcada: isso que o
ponto de interrogao representa. Se verdade, a PT est definido para o primeiro
valor que aparece na frente do
clon. Se for falso, ele definido como o valor especificado para a direita do clon. Ele
funciona muito bem como um
tradicional se declarao em um programa de planilha. Este mtodo mais
mostrassem eficientes computacionalmente
assim, o que poderia poupar algum tempo, se usado em um loop para realizar simulaes.
Uma vez que as probabilidades truncadas so criadas, em seguida, o habitual ponderada menos
Pgina 314
Pgina 315
praas estimativa
pode prosseguir. A tabela a modelo aparece abaixo:
(1) (2) (3)
(4)
OLS OLS WLS
WLS
const 0,8902 0,8902 0,8795
0,6505
(0,06548) (0,06563) (0,05897)
(0,05685)
pratio -0,4009 -0,4009 -0,3859
-0,1652
(0,06135) (0,06073) (0,05233)
(0,04437)
coque disp 0,07717 0,07717 0,07599
0,09399
(0,03439) (0,03402) (0,03506)
(0,03987)
187
----------------------- Pgina 212 -----------------------
pepsi DISP -0,1657 -0,1657 -0,1587
-0,1314
(0,03560) (0,03447) (0,03578)
(0,03540)
n 1140 1140 1124
1140
2
R 0,1177 0,1177 0,2073
0,0865
Pgina 315
Pgina 316
-748,1 -748,1 -1617
-1858
As colunas (1) e (2) so o OLS estima com o habitual e robusto
erros padro, respectivamente.
Coluna (3) utiliza WLS com as observaes de varincia negativos omitidos da
amostra. Coluna
(4) WLS com as previses negativas truncados. Estes resultados
so um pouco di erent de
os outros. Isto ocorre, sem dvida por causa do grande peso a ser colocado em
as 16 observaes
cujos pesos foram construdos por truncamento. A var (e) = 0,01 (1-0,01) =
0,0099. A praa
Eu
raiz do inverso de cerca de 10, de um grande peso para ser
colocado sobre estas observaes 16
via WLS. Uma vez que estas observaes radicais transportar um grande peso, em relao ao
outros, eles exercem um
influncia considervel sobre a regresso estimada.
8.8 Script
1 aberta "gretldir \ Data \ poe \ food.gdt"
2 set echo off
4 gnuplot renda food_exp --linear-fit
5 # consulte a seco 1.4 deste manual para os comandos para ver
estas parcelas.
6
7 # ols com erros padro HCCME
Intervalos de confiana de 9 # (Robust)
Pgina 316
Pgina 317
$ Stderr (renda)
$ Stderr (renda)
12 printf "\ nO Intervalo de confiana de 95 %% (% .3f,
.3f%). \ N ", lb, ub
13
14 # lote residual
Srie 16 res = $ uhat
17 setinfo res-d "Least Quadrados Residuais "n" residual "
18 gnuplot res renda --output = c: \ temp \ olsres
19
20 # gnuplot lauch (somente para Windows)
21 lanamento wgnuplot
188
----------------------- Pgina 213 -----------------------
22 # Para visualizar o grfico, Tipo: load 'C: \ temp \ olsres' no prompt
23
24 # enredo magnitude residual com ajuste loess
25 sries abs_e = abs (res)
26 setinfo abs_e-d "valor absoluto do LS \
27 Resduos "n" valor absoluto de Residual "
28 gnuplot renda abs_e --loess-fit --output = c: \ temp \ loessfit.plt
29
30 # teste LM para heteroskdasticity
Pgina 317
Pgina 318
33 ols sq_ehat renda const
35 valor de p X 1 NR2
36
37 # built-in de teste LM
39 modTest renda --breusch-pago
40
41 # Branco teste
44 sries sq_income = Resultado ^ 2
45 ols sq_ehat sq_income renda const
47 p-valor X 2 NR2
48
49 # built-in test Branco
51 modTest --white --quiet
52
53 # dados agrupados - Goldfeld-Quandt
Pgina 318
Pgina 319
60 escalar df_m = $ df
62 smpl completos
63 # Use apenas observaes rurais
67 escalar df_r = $ df
68 # GQ estatstica
69 GQ = STDM ^ 2 / stdr ^ 2
71 printf "\ nO F (% d,% d) estatstica =% .3f. O lado \ right
72 Valor de p .4g%. \ n ", df_m, df_r, GQ, pv
189
----------------------- Pgina 214 -----------------------
73
74 # Goldfeld-Quandt para gastos com alimentao
Renda SortBy 76 dataset
78 ols food_exp x
79 # grandes observaes de varincia
80 SMPL 21 40
81 ols food_exp x
82 escalar STDL = $ sigma
83 escalar df_L = $ df
85 smpl completos
86 # pequenas observaes de varincia
Pgina 319
Pgina 320
87 smpl 1 20
88 ols food_exp x
89 escalar DST = $ sigma
90 escalar df_S = $ df
91 # GQ estatstica
92 GQ = STDL ^ 2 / DST ^ 2
93 escalar pv = pValue (F, df_L, df_S, GQ)
94 printf "\ NO F (% d,% d) estatstica =% .3f. Direito \
95 lado p-valor % .4g. \ n ", df_L, df_S, GQ, pv
96
97 # comparar ols com e sem HCCME
99 ols food_exp x --quiet
101 ols food_exp x --robust --quiet
104
105 # teste de hiptese
106 ols food_exp x --robust
Renda 107 omitir
108 ols food_exp x --quiet
109 restringir
110 b [2] = 0
112
113 ols food_exp x --robust --quiet
114 restringir
Pgina 320
Pgina 321
115 b [2] = 0
117
119
120 #GLS usando construdo em funo
121 sries w = 1 / renda
122 wls w food_exp renda const
$ Stderr (renda)
190
----------------------- Pgina 215 -----------------------
$ Stderr (renda)
125 printf "\ nO 95 %% intervalo de confiana (% .3f,
.3f%). \ N ", lb, ub
126
127 #GLS utilizando dados transformados em OLS
128 sries wi = 1 / sqrt (renda)
129 sries ys = wi * food_exp
Srie 130 xs = wi * renda
131 sries cs = wi
132 ols ys xs cs
133
134 #Wage Exemplo
Pgina 321
Pgina 322
138 smpl --dummy metro
141 smpl completos
142 #Criar um manequim varivel para rural
143 sries rural = 1 metro
144 #Restrict amostra de observaes rurais
145 smpl --dummy rural
149 smpl completos
150 #Generate desvios-padro para cada metro e obs rurais
151 sries wm = metro * STDM
152 sries wr = rural * stdr
153 sries w = 1 / (wm + wr) ^ 2
154 #Weighted menos praas
155 wls w const salrio Educ exper metro
156
157 # heterocedstica modelo
Renda 159 registros
162 ols food_exp x
163 sries lnsighat = Ln ($ uhat ^ 2)
164 ols lnsighat z
165 matriz gam = $ Coef
166 matriz gam [1] = gam [1] 1,2704
167 sries wt = 1 / exp (lincomb (z, gam))
Pgina 322
Pgina 323
168 wls food_exp peso x
169
170 # MLE do modelo de heteroscedasticidade multiplicativa
Renda 172 registros
191
----------------------- Pgina 216 -----------------------
175 sries y = food_exp
176
177 # valores iniciais
178 ols yx
179 sries lnsighat = Ln ($ uhat ^ 2)
180 ols lnsighat z
Matriz 181 alfa = $ Coef
182
183 MLE
184 macho loglik = -0,5 * ln (2 * pi) - 0.5 * ZG - 0.5 * e ^ 2 * exp (-zg)
185 sries zg = lincomb (z, alpha)
186 sries e = y - lincomb (x, beta)
187 params Alpha Beta
Macho 188 final
189
Pgina 323
Pgina 324
190 # modelo de probabilidade linear
191 abertos "gretldir \ data \ poe \ coke.gdt"
192 resumo --simple
193 lista x = const pratio disp_coke disp_pepsi
194 # OLS
195 ols coque x
197 # OLS c / robusto
200 series p = $ yhat
201 sries VARP = p * (1-p)
202 sries pos = (VARP> 0)
203 sries w = pos * 1 / VARP
204
205 # omitir regresso
206 wls w coque x
208
209 # smpl VARP> 0 --restrict
210 # setmiss 0 w
211 sries b = (p <0,01) || (p> 0,99)
212 sries pt = b * 0,01 + p * (1-b)
213 sries varp_t = pt * (1-pt)
214 sries w_t = 1 / varp_t
215 # truncagem de regresso
216 wls w_t coque x
Pgina 324
Pgina 325
192
----------------------- Pgina 217 -----------------------
Figura 8.2: Marque a caixa de heterocedasticidade padro robusto
erros.
Figura 8.3: Definir o mtodo para calcular os erros padro robustos.
Estes encontram-se sob a
Guia HCCME. A partir da lista suspensa para dados transversais escolher um
apropriada opo-HC3
neste caso.
193
----------------------- Pgina 218 -----------------------
Figura 8.4: Lote de gastos com alimentao em relao renda, com mnimos quadrados caber.
194
----------------------- Pgina 219 -----------------------
Figura 8.5: Grfico do valor absoluto dos resduos gastos com alimentao modelo
contra o resultado com
fit loess.
Figura 8.6: Selecionar Dados> Classificar dados na barra de menu principal para revelar o dilogo
caixa mostrado na
lado direito da figura. Escolha a chave de classificao desejada e indicar se
voc quiser classificar em
ordem crescente ou decrescente.
195
----------------------- Pgina 220 -----------------------
Captulo 9
Regresso com a Time-Series de dados: Stationary
Variveis
Como no captulo 9 de Princpios de Econometria, 4 edio, trs maneiras de
que a dinmica pode
Pgina 325
Pgina 326
entrar em um relacionamento de regresso so considerados-through valores defasados de
a varivel explicativa,
valores defasados da varivel dependente, e valores defasados do termo de erro.
Em regresses de sries temporais de dados precisa ser parado em ordem
para o economtrico habitual
procedimentos para ter as propriedades estatsticas adequadas. Basicamente, este
requer que os meios, varivel
ances e covarincias dos dados de sries temporais no pode depender do perodo de tempo
em que eles so
observado. Por exemplo, a mdia ea varincia do PIB no terceiro
trimestre de 1973 no pode ser
dierent das do quarto trimestre de 2006 Mtodos para lidar com esse
problema proporcionaram um
rico campo de pesquisa para econometricians nos ltimos anos e vrios deles
tcnicas so exploradas
mais tarde no captulo 12.
Uma das primeiras ferramentas de diagnstico usadas um tempo-srie simples
trama de dados. A srie temporal
enredo vai revelar potenciais problemas com os dados e sugerir maneiras de proceder
estatisticamente. Como pode ser visto
em captulos anteriores, as parcelas de sries temporais so simples de gerar no Gretl
e alguns truques novos ser
explorado abaixo.
Finalmente, uma vez que este captulo trata de observaes de sries temporais do costume
nmero de observaes,
N, substitudo pelo T mais comumente usado. Nos prximos captulos, onde ambos
de sries temporais e cross
dados transversais so utilizados, ambos N e T so utilizados.
196
----------------------- Pgina 221 -----------------------
9.1 Estruturas de Dados: Sries Temporais
A fim de tirar proveito de muitas funes internas de Gretl
para a anlise de dados de sries temporais,
um tem que declarar os dados no conjunto de ser uma srie temporal. Desde
de sries temporais so ordenados no tempo
Pgina 326
Pgina 327
a sua posio relativa a outras observaes deve ser mantida. ,
apesar de tudo, a sua temporais
relacionamentos que fazem a anlise deste tipo de dados a partir de dierent
anlise transversal.
Se os dados que voc tem ainda no tem uma data adequada para identificar o tempo
em que o perodo
observao foi coletado, em seguida, adicionando um uma boa idia. Este
torna a identificao de histrico
perodos mais fcil e aumenta o contedo de informao de grficos consideravelmente.
A maioria dos conjuntos de dados
distribudo com o seu livro ter sido declarado de sries temporais e conter a
datas relevantes em
o conjunto de variveis. No entanto, uma boa idia para saber como adicionar este
informaes a si mesmo e
vamos mostrar como faz-lo aqui. Basicamente, voc precisa identificar a Gretl que
os dados so de sries temporais,
voc precisa especificar a freqncia de observao, e, em seguida, identificar o
data de incio. To longo quanto
no h "buracos" nos dados, esta dever faz-lo o conjunto relevante de datas
Encontrados nos perodos
que so observados.
Antes de chegar aos exemplos especficos do texto, algo que deve ser
dito sobre como Gretl
lida com datas e horrios.
Gretl capaz de reconhecer datas como tal em dados importados se o
cordas data em conformidade com o
seguindo as regras. Para os dados anuais, voc deve usar anos de 4 dgitos. Para
dados trimestrais: um ano de 4 dgitos,
seguido por um separador (ou um perodo de dois pontos, ou a letra Q),
seguido de um quarto de 1 dgito.
Exemplos: 1997,1, 2002: 3, 1947Q1. Para os dados mensais: uma de 4 dgitos
ano, seguido por um perodo de um ou
clon, seguido de um ms a dois dgitos. Exemplos: 1.997,01, 2002: 10.
Gretl permite que voc declare de sries temporais anualmente, mensalmente, semanalmente, diariamente (5,
6, ou 7 por semana),
por hora, decennially, e tem um comando especial para outras datas irregulares. Sua
recursos de manuseio de data
so razoavelmente boas, mas no to sofisticado quanto os
encontrada em outros programas, como
Pgina 327
Pgina 328
Stata. Por outro lado, para o que faz que seja muito mais fcil de usar. Funciona
lindamente com a maioria
conjuntos de dados.
Existem dois mtodos de obteno de seu conjunto de dados estruturado como uma
de sries temporais. Os primeiros usos
o GUI. Clique estrutura de dados> Dataset no menu suspenso para
iniciar a estrutura de dados
assistente. O assistente serve-se uma srie de caixas de dilogo que ajudam voc a definir
quando as observaes
ocorrer. O primeiro dilogo define a estrutura: so as escolhas em corte transversal,
de sries temporais, e painel.
A escolha de sries temporais traz um dilogo para definir a freqncia.
As opes incluem: anual, trimestral,
mensal, semanal, diria (5, 6 ou 7 por semana), de hora em hora, decenal, uma especial
de comando para a outra irregular
datas. Escolhendo uma delas traz o seguinte dilogo que define
o ponto de partida. Por exemplo,
dados trimestrais pode comear no terceiro trimestre de 1972 Voc entraria de 1972: 3 em
a caixa. Em seguida, o
de dilogo de confirmao. Ele revela como Gretl interpretado suas escolhas. Voc
verificar se
os dados de iniciar e parar quando o esperado. Se assim for, ento a sua estrutura de dados
quase certamente correcta.
Se a data final algo diferente do que voc espera, e ento voltar e tentar de novo.
Voc pode ter algum
lacunas na srie de dados que precisam ser preenchidos para que as datas e os
nmero de observaes
para igualar-se. s vezes as coisas precisam edio manual devido s frias e tal. Seja
paciente e obter
197
----------------------- Pgina 222 -----------------------
Figura 9.1: Escolha de dados> Dataset estrutura a partir da janela principal. Este
inicia o Dataset
assistente, uma srie de dilogos que permitem especificar a periodicidade e datas
associado sua
dados.
Figura 9.2: Verifique a caixa de confirmao para garantir que o tempo esperado
perodos so dadas.
Pgina 328
Pgina 329
este direito, caso contrrio voc pode acabar tendo que refazer-lhe a anlise. Figura 9.1
mostra os trs primeiros
caixas de dilogo para definir a estrutura de sries temporais. A ltima caixa (Figura 9.2)
confirma que a srie
comea em 1960: 1 e termina em 2009: 4.
O comando setobs usado para fazer a mesma coisa a partir do console ou
em um script. A
sintaxe resumida
198
----------------------- Pgina 223 -----------------------
Basicamente voc define a periodicidade e quando a srie comea.
Em seguida, as opes so usadas para
indicam que a estrutura atual (por exemplo, o tempo de-srie). Alguns exemplos so
encontrados na Tabela 9.1.
9.2 Grficos de sries temporais
Gnuplot lida com toda a plotagem em Gretl. Gretl inclui alguns
funes que ajudam a com-
comunic- com gnuplot, o que torna as coisas muito mais fceis de fazer. Em
Por outro lado, se tiver
algo realmente gosta de enredo, voc pode ter que usar gnuplot diretamente
para obter o resultado desejado.
All-in-tudo, interface grfica do Gretl que trabalha com gnuplot bastante fcil de
usar e poderoso.
De sries temporais, a trama de Gretl realmente apenas um grfico de disperso XY contra o tempo com
a opo --lines
utilizado para ligar o ponto de dados. relativamente primitiva. Clicando em
um grfico traz uma lista de
coisas que voc pode fazer, inclusive editar o grfico. Clicando a edio
boto abre o controle enredo
caixa de dilogo (Figura 4.16), onde personalizao substancial pode ser feito.
Gretl tambm tem uma facilidade para traar vrias sries em grficos separados que
aparecem na mesma pgina.
Isso feito usando o comando dispersa ou View> Multiple
grficos> Time-srie de
Na barra de menu principal. No h nenhum recurso built-in para a edio de mais estes
Pgina 329
Pgina 330
grficos, mas voc pode salvar
los em diversos formatos. Exemplos disto encontram-se abaixo.
Sintaxe Resultados
setobs 4 1990: 1 --time-series Os dados trimestrais que comeam
em 1990: 1
setobs 1 1952 --time-series Os dados anuais com incio em
1952
setobs 12 1990: 03 --time-series Os dados mensais a partir de
De Maro de 1990
setobs 5 1950/01/06 --time srie de dados dirios (5 semanas dia)
comeando 6 de janeiro de 1950
Tabela 9.1: Estrutura de dados usando setobs: Alguns exemplos para
de sries temporais
199
----------------------- Pgina 224 -----------------------
Neste exemplo os grficos de sries temporais so traados para o desemprego nos EUA
taxa eo crescimento do PIB
de 1985 a 2009 Os dados so encontrados no arquivo de dados okun.gdt.
1 aberta "gretldir \ Data \ poe \ okun.gdt"
2 setinfo g-d "variao percentual US Interno Bruto
Produto, sazonalmente \
3 ajustado crescimento real do PIB "n" "
4 setinfo u-d "US Desemprego Civil Rate (Sazonalmente
ajustado) "N \
5 "taxa de desemprego"
6 gnuplot g --with-linhas --time-series
--output = c: \ temp \ okun_g.plt
7 gnuplot u --with linhas --time-series
--output = c: \ temp \ okun_u.plt
Os dois lotes so apresentadas na Figura 9.3. Os grficos podem ser combinados
utilizando a GUI, escolhendo
Exibir> vrios grficos> Time-srie. O resultado aparece na figura
9.4. O comando para Gretl
gerar mltiplas sries em vrios grficos
Pgina 330
Pgina 331
espalha gu
9.3 Lags Distribudos Finitos
Modelos de defasagem distribuda finitos conter variveis independentes e suas defasagens
como regressores.
y = + x + x + x +. . . x
+ E (9.1)
t 0 t 1 t-1 2 t-2 q
t-qt
para t = q + 1,. . . , T. O exemplo particular considerado aqui uma
exame da Lei de Okun. Em
Neste modelo, a variao da taxa de desemprego de um perodo para o outro
depende da taxa
de crescimento do produto na economia.
ut - ut-1 = - (gt - gn)
(9.2)
onde ut a taxa de desemprego, gt o crescimento do PIB, e gN
a taxa normal de crescimento do PIB.
O modelo de regresso
? U = + g + e
(9.3)
t T 0 t
onde o operador dierence, = GN, e 0 = -. Um termo de erro
foi adicionada ao
modelo. O operador dierence,? U = ut - ut-1 para todos = 2, 3,. . .
, T. Observe que quando voc toma
o dierence de uma srie, voc vai perder uma observao.
Reconhecendo que as alteraes na sada so susceptveis de ter um lag distribudo
Eect em unemployment-
nem todos os Eect ocorrer instantaneamente-desfasamentos so adicionados ao modelo
para produzir:
? U = + g + g + g + +
Pgina 331
Pgina 332
g + e (9.4)
t 0 t 1 t-1 2 t-2 q
t-qt
200
----------------------- Pgina 225 -----------------------
Figura 9.3: Grficos de sries temporais de dados Okun
201
----------------------- Pgina 226 -----------------------
Figura 9.4: vrios grficos de sries temporais de dados Okun produzido usando
Exibir> Multiple
grficos> Time-srie. Este usa o comando espalha.
Figura 9.5: Variao do desemprego e crescimento real do PIB. Este utiliza o
dispersa comando.
202
----------------------- Pgina 227 -----------------------
Os extencil de diferenas da taxa de desemprego so tomadas e as sries plotados em
Figura 9.5 abaixo. e
isto produzir um nico grfico que parece aos da Figura 9.4 do POE4.
Para estimar a finita
modelo de defasagem distribuda em Gretl bastante simples usando os operadores de defasagem. Deixando
q = 3 e
1 diff u
2 ols d_u const g (0 a -3)
Esta sintaxe particularmente agradvel. Em primeiro lugar, o nome da varivel dif
funo usado para adicionar o primeiro
dierence de qualquer srie que se seguem; a nova srie chamada d nomevar. Em seguida,
o contemporneo
e valores defasados de g pode ser g (0 sucintamente escrito a -3). Isso
informa Gretl para usar a varivel
chamado g e para incluir g, gt-1, gt-2, e gt-3. Quando o lag
Os valores de g so utilizados na
regresso, eles esto realmente sendo criado e adicionado ao conjunto de dados.
Pgina 332
Pgina 333
Os nomes so o nmero g.
O nmero aps o sublinhado diz-lhe a posio de lag. Para
exemplo, g 2 g defasada duas vezes
perodos. As novas variveis so dados os nmeros de identificao e adicionado lista de variveis
na pgina Gretl
janela como mostrado na figura 9.6.
A sada de regresso que utiliza as novas variveis :
OLS, usando observaes 1986: 1-2009: 3 (T =
95)
Varivel dependente: du
Valor de p
const 0.580975 0.0538893 10,7809
0,0000
g -,202053 0.0330131 -6,1204
0,0000
g 1 -0.164535 0.0358175 -4,5937
0,0000
g 2 -0.0715560 0.0353043 -2,0268
0,0456
3 g 0.00330302 0.0362603 0,0911
0,9276
Mdia dependente var 0.027368 SD var dependente
0.289329
0.174329
0.636957
F (4, 90) 42,23065 Valor P (F)
6.77e-20
Log-verossimilhana 33,71590 Critrio de Akaike
-57,43179
Critrio de Schwarz -44,66241 Hannan-Quinn
-52,27200
0 Durbin-Watson
1.274079
Pgina 333
Pgina 334
Observe que o t-ratio em g 3 no significativamente dierent de
de zero a 10%. Ns deix-lo cair e
reestimate o modelo com apenas 2 valores defasados de g. Para efeitos de comparao, o
amostra mantida constante.
1 smpl 1986: 1 2009: 3
203
----------------------- Pgina 228 -----------------------
Figura 9.6: Observe que as variveis defasadas utilizadas no modelo so
adicionados lista de disponveis
srie. Eles tambm recebem nmeros de identificao.
A AIC relatado por Gretl caiu para -59,42303, indicando
melhoria marginal no
modelo.
Se voc estiver usando a interface grfica em vez de um script para Gretl
estimar o modelo, voc tem a
oportunidade de criar as variveis defasadas atravs de uma caixa de dilogo. O especificar
dilogo e o modelo
dilogo ordem atraso so mostrados na Figura 9.7 abaixo.
9.4 Correlao Serial
O modelo de regresso linear mltipla da equao (5.1) assume que
as observaes no so
correlacionados um com o outro. Enquanto este certamente plausvel se algum tem
desenhada uma amostra aleatria,
menos provvel que se tem chamado observaes sequencialmente no tempo.
Observaes de sries temporais, que
so desenhados em intervalos regulares, geralmente incorporam uma estrutura em que o tempo um
componente importante.
Se voc no conseguir modelar completamente essa estrutura no
funo de regresso se, em seguida, o
restante se espalha para o componente no observado da estatstica
modelo (o erro) e esta
faz com que os erros podem ser correlacionados uns com os outros.
Pgina 334
Pgina 335
Uma maneira de pensar sobre isso que os erros sero correlacionados em srie
quando omitido eects
durar mais do que um perodo de tempo. Isto significa que quando os eects de carter econmico
"Choque" durar mais
de um nico perodo de tempo, os componentes no modeladas (erros) sero correlacionados
um com o outro.
A conseqncia natural disso que mais freqentemente o processo amostrado
(Tudo o resto
igual), o mais provvel ser autocorrelacionadas. De uma forma prtica
ponto de vista, observaes mensais
so mais propensos a ser autocorrelacionadas de observaes trimestrais, e
trimestral mais provvel do que
os anuais. Mais uma vez, ignorando essa correlao torna mnimos quadrados
inecient no melhor ea
medidas usuais de preciso (erros padro) inconsistente.
204
----------------------- Pgina 229 -----------------------
Figura 9.7: O OLS especificar caixa de dilogo modelo tem um boto que abre um
dilogo para especificar lag
fim. Uma vez inseridos os novos variveis defasadas aparecer na lista de independentes
variveis.
9.4.1 Correlao Serial em um Time-Series
Para ganhar alguma evidncia visual de autocorrelao pode traar a srie
contra seus valores defasados.
Se no houver correlao serial, voc deve ver uma espcie de positivo ou negativo
relao entre
a srie. Abaixo (Figura 9.8) o enredo de crescimento real do PIB
contra o seu valor defasado. A menos
praas Fit plotado para mostrar a orientao geral do linear
relacionamento. A prpria srie
certamente parece estar correlacionados em srie.
Outra evidncia pode ser obtida olhando o correlograma.
A correlograma simplesmente uma
lote de autocorrelaes amostrais a srie. A autocorrelao amostra ordem kth
para uma srie y o
correlao entre as observaes que so k perodos de intervalo. A frmula
Pgina 335
Pgina 336
T (yt - y) (yt-k - y)
r = t = k + 1
(9.5)
k T (yt - y) 2
t = 1
Em Gretl o correlograma traa um nmero destes contra defasagens. A sintaxe de
plotar 12 autocorrelaes
da srie g
corrgm g 12
que produz a trama na figura 9.9. O correlograma o enredo em
o topo ea auto parcial
205
----------------------- Pgina 230 -----------------------
Figura 9.8: Este grfico mostra a relao entre o crescimento do PIB versus
crescimento defasado.
correlaes so impressos no painel de fundo. Aproximado de confiana de 95%
intervalos so desenhados para
indicam que so estatisticamente significativos a 5%.
Aproximadas bandas de confiana de 95% so calculados com base no fato de que T rk
N (0, 1). Estes
pode ser calculada manualmente utilizando o facto de a funo corrgm
gera, na verdade, uma matriz
voltar. O script para gerar os intervalos
1 matriz ac = corrgm (g, 12)
Matriz 2 lb = ac [1] -1,96 / sqrt ($ nobs)
Matriz 3 ub = ac [1] + 1,96 / sqrt ($ nobs)
Matriz 4 all = LBAC [1] ub
5 COLNAMES (todos, "Lower AC superior ")
Pgina 336
Pgina 337
6 printf "\ nAutocorrelations e intervalos de confiana de 95 %% \ n
% 9.4f \ n ", tudo
7
Os intervalos assim gerados so:
Autocorrelaes e intervalos de confiana de 95%
Lower AC Superior
206
----------------------- Pgina 231 -----------------------
Figura 9.9: O correlograma perodo de 12 de crescimento do PIB dos EUA.
0,296 0,494 0,692
0,213 0,411 0,609
-0,044 0,154 0,352
0,002 0,200 0,398
-0,108 0,090 0,288
-0,174 0,024 0,222
-0,228 -0,030 0,168
-0,280 -0,082 0,116
-0,154 0,044 0,242
-0,219 -0,021 0,177
-0,285 -0,087 0,111
-0,402 -0,204 -0,006
A ac matriz mantm as autocorrelaes na primeira coluna e a
autocorrelaes parciais em
o segundo. As matrizes lb, ub, e todos indexao uso de usar todas as linhas
da primeira coluna de corrente alternada,
isto , ac [1]. Este foi ser vestido um pouco, adicionando COLNAMES funo para adicionar
os nomes das colunas
para a matriz.
Pgina 337
Pgina 338
207
----------------------- Pgina 232 -----------------------
Voc pode ver que o zero no est includo no primeiro, segundo, quarto e ltimo
intervalo. Essas so significativamente
dierent cativamente de zero ao nvel de 5%.
O correlograma pode ser til para detectar a ordem de
autocorrelao. Uma longa srie de
declnio autocorrelaes com um nico PACF significativa muitas vezes um
indicao de um curto espao de tempo
processo de auto-correlao. Veja POE4 para mais orientaes.
9.4.2 Correlao Serial em Resduos
O correlograma tambm pode ser utilizada para verificar se a suposio de que o modelo
erros tm de zero
covarincia um pressuposto importante na prova do teorema de Gauss-Markov.
O exemplo que
ilustra esta baseia-se na curva de Phillips que relaciona inflao
e do desemprego. Os dados
utilizados so da Austrlia e residir no phillips dataset aus.gdt.
O modelo a ser estimado
inf = +? U + E
(9.6)
t 1 2 tt
Os dados so trimestrais e comear em 1987: 1. Um grfico de sries temporais
de ambas as sries mostrado abaixo na
Figura 9.10. Os grficos mostram alguma evidncia de correlao serial em ambos
srie.
Figura 9.10: Este grfico mostra a relao entre inflao e da mudana
do desemprego
na Austrlia, 1987: 1 - 2009: 3.
O modelo estimado por mnimos quadrados e os resduos so
plotada contra o tempo. Estes
aparecem na Figura 9.11. A correlograma dos resduos que aparece
Pgina 338
Pgina 339
abaixo parece confirmar isso.
Para gerar a regresso e grficos simples. O script para fazer isso :
208
----------------------- Pgina 233 -----------------------
1 ols inf d_u const
3 gnuplot ehat --time-series
4 corrgm ehat
Unfortuantely, Gretl no aceitar o acessor, $ uhat, como um contributo para
ou gnuplot ou corrgm.
Isso significa que voc tem que criar uma srie, ehat, em primeiro lugar. Uma vez que este
criadas, ambas as funes funcionam como
esperado.
A GUI ainda mais fcil, neste caso, uma vez que o modelo estimado. A
janela modelo Oers
de modo a produzir dois conjuntos de grficos. Basta escolher
Grficos> Residual lote> contra o tempo para
produzir o primeiro. O segundo Graphs> Residual correlograma.
Este ltimo abre uma caixa de dilogo
permitindo que voc especifique quantos autocorrelaes para calcular. Neste exemplo,
Eu configur-lo para 12.
9.5 Outra Teste para Autocorrelao
Outra maneira de determinar se ou no seus resduos so
autocorrelacionado a utilizao de um LM
Teste (multiplicador de Lagrange). Para autocorrelao, este teste baseia-se numa
regresso auxiliar, onde
defasados quadrados residuais menos so adicionados equao de regresso original.
Se o coecient na
residual defasada significativo, ento voc concluir que o modelo
autocorrelacionado. Assim, para uma regresso
modelo y = + x + E o primeiro passo estimar os parmetros
usando mnimos quadrados e salvar
t 1 2 tt
Residuais, e. Um modelo de regresso auxiliar formado usando e
como varivel dependente e
Pgina 339
Pgina 340
t
t
regressores originais eo valor defasado et-1 como independente
variveis. O auxiliar resultando
regresso
e = + x + e + V
(9.7)
t 1 Tt 1 2-t
Agora, testar a hiptese de = 0 contra a alternativa de que =
0 e est feito. O teste
estatstica NR2 desta regresso que ter um 2 se H0:
verdadeiro. O script para realizar
1
isto :
1 ols ehat const ehat d_u (-1)
2 escalar TR2 = $ trsq
3 pValue X 1 TR2
Estimando a estatstica desta forma faz com que a primeira observao a
ser descartado (desde e0 no
observado. O resultado para os phillips dados revelam aus
Qui-quadrado (1): rea direita de 27,6088 =
1.48501e-007
( esquerda: 1)
A hiptese nula no autocorrelao claramente rejeitadas em qualquer razovel
209
----------------------- Pgina 234 -----------------------
Gretl tambm inclui uma funo de teste modelo que faz o mesmo
coisa. Para us-lo, estimar o
modelo de interesse e, em seguida, usar modTest 1 --autocorr como mostrado aqui:
1 ols inf const d_u --quiet
Pgina 340
Pgina 341
2 modTest 1 --autocorr
A impresso do modTest bastante extensa, como mostrado aqui:
Breusch-Godfrey teste para autocorrelao de primeira ordem
OLS, usando observaes 1987: 2-2009: 3 (T = 90)
Varivel dependente: uhat
-------------------------------------------------- -------
const -,00216310 0,0551288 -,03924 0,9688
d_u -,151494 0.193671 -0,7822 0,4362
uhat_1 0,558784 0.0900967 6.202 1.82e-08
***
No ajustada quadrado-R = 0.306582
Teste estatstico: LMF = 38.465381,
com valor de p = P (F (1,87)> 38,4654) = 1.82e-008
Alternativa estatstica: TR ^ 2 = 27,592347,
com valor de p = P (qui-quadrado (1)> 27,5923) = 1.5e-007
Ljung-Box Q '= 28,0056,
com valor de p = P (qui-quadrado (1)> 28,0056) = 1.21e-007
Antes de explicar o que relatado aqui, uma dierence importante entre o
mtodo manual e
modTest precisa ser apontado. Quando modTest usado para realizar este teste,
define e0 = 0, os quais
o valor esperado. Ao faz-lo, capaz de usar o conjunto completo de 90
observaes nos dados.
O mtodo manual utilizado apenas 89 Da, voc vai obter resultados ligeiramente dierent
dependendo do tamanho
de sua amostra eo nmero de defasagens testadas.
Pgina 341
Pgina 342
Os resultados por si s so relevantes para os encontrados em POE4. A
primeira coisa a notar o
t-em relao uhat 1 igual a 6,202, dierent significativamente a partir de zero a 5%.
Em seguida, a estatstica chamada
LMF realmente executa um F-teste da hiptese de que no h autocorrelao
com base na regresso.
Com apenas um parmetro de autocorrelao equivalente ao quadrado da
t-ratio. O prximo
2
teste o teste LM, ou seja, TR a partir da regresso auxiliar. Gretl tambm
calcula um Ljung-Box Q
estatstica cuja hiptese nula que no h autocorrelao. Tambm insignificante
ao nvel de 5%. Estes
resultados coincidem com aqueles em POE4 exatamente.
Se voc preferir usar os dilogos, em seguida, estimar o modelo usando
mnimos quadrados do habitual
forma (modelo> Ordinria mnimos quadrados). Isto gera uma janela modelo
contendo a regresso
210
----------------------- Pgina 235 -----------------------
resultados. A partir desta testes selecionados> Autocorrelao para revelar uma caixa de dilogo que
permite escolher
o nmero de valores defasados de et incluir como variveis explicativas na
regresso auxiliar. Escolha o
nmero de valores defasados de et voc deseja incluir (no nosso caso 4) e
clique em OK. Isto lhe dar
o mesmo resultado que o script. O resultado aparece na Figura 9.12.
Note-se, a primeira estatstica relatada
simplesmente o teste conjunta que todos os valores defasados de e voc
includo no auxiliar so solidariamente zeros.
2
A segunda a verso TR do teste feito no script. Este
exemplo mostra a relao
fora de teste LM. Pode-se us-lo para testar qualquer ordem de
autocorrelao. Outros testes, como
que de Durbin Watson e discutido mais adiante, so mais dicult fazer em maior
ordens. O teste LM
tambm robusta para ter lag (s) da varivel dependente como um regressor.
9.6 Estimativa com erros serialmente correlacionados
Pgina 342
Pgina 343
Nesta seo, vrios mtodos de estimao de modelos com srie
erros correlacionados ser
explorado. Vamos usar mnimos quadrados com erros padro robustos para estimar
modelos de regresso com
correlao serial nos erros. Consideramos tambm os mnimos quadrados no-lineares
estimador do modelo
e uma estratgia mais geral para estimar modelos com srie
correlao. No apndice
Neste captulo, voc vai encontrar alguns estimadores tradicionais deste modelo tambm.
9.6.1 Mnimos Quadrados e Erros HAC Padro
Como o caso com os erros heteroscedsticos, existe um estatisticamente vlido
maneira de usar mnimos quadrados
quando os dados so autocorrelacionados. Neste caso, voc pode usar um estimador de
erros padro
robustos tanto a heterocedasticidade e autocorrelao. Este
estimador s vezes chamado de HAC,
que significa heteroskedasticity autocorrelacionadas consistente.
Esta e algumas questes que
rodeiam a sua utilizao so discutidos nas prximas sees.
9.6.2 Largura de Banda e Kernel
HAC no to automtico quanto o heteroskedasticity consistente
(HCCME) estimador em
captulo 8 Para ser robusta em relao a autocorrelao voc tem que especificar como
distante no tempo
a autocorrelao provvel que seja significativo. Essencialmente, a autocorrelao
erros durante o escolhido
janela de tempo feita a mdia no clculo do padro HAC
erros; voc tem que especificar
quantos perodos mais que a mdia e quanto peso a atribuir
cada residual em que
mdia. A linguagem da anlise de sries temporais podem muitas vezes ser opaca.
Este o caso aqui. A
mdia ponderada chamado um ncleo e o nmero de erros de
mdia a este respeito chamado
de largura de banda. Basta pensar no kernel como um outro nome para mdio ponderado e
largura de banda como o
prazo para o nmero de termos a mdia.
Pgina 343
Pgina 344
Agora, o que isso tem a ver com Gretl bastante simples. Voc comea
para escolher um mtodo de clculo da mdia
(Bartlett kernel ou Parzen kernel) e uma largura de banda (NW1, nw2 ou algum inteiro).
Defaults Gretl para
211
----------------------- Pgina 236 -----------------------
o kernel Bartlett eo nw largura de banda 1 = 0,75 N terzo. Como voc pode ver,
a largura de banda NW1
calculado com base no tamanho da amostra, n. A largura de banda nw2 nw2 = 4
X (N / 100) 2/9. Este
parece ser o padro em outros programas como o EViews.
Implicity h um trade-o a considerar. Larguras de banda maiores
reduzir a tendncia (a), bem como
preciso (ruim). Larguras de banda menores excluir autocorrelaes mais relevantes (e
portanto, tem mais
bias), mas usar mais observaes para calcular a covarincia geral e
portanto, aumentar a preciso
(Menor varincia). O princpio geral o de escolher uma largura de banda que
grande o suficiente para conter
as autocorrelaes maiores. A escolha depender finalmente o
freqncia de observao e
o comprimento de tempo que leva para o seu sistema para ajustar a choques.
A largura de banda ou do kernel pode ser alterado com o comando conjunto do
console ou em um script.
O comando set usado para alterar vrios padres em Gretl e relevante
interruptores para nosso uso
so lag hac e do kernel hac. O uso destes demonstrado abaixo. A
aps mudanas no roteiro
o kernel para Bartlett e da largura de banda para NW2. Em seguida, os extencil de diferenas do
taxa de desemprego
so gerados. A curva de Phillips estimada por OLS utilizando o ordinrio
covarincia estimador e
seguida pelo estimador HAC. Os resultados so coletados em um modelo de quadro.
Um abertas "gretldir \ data \ poe \ phillips_aus.gdt"
Pgina 344
Pgina 345
2 set hac_kernel Bartlett
3 set hac_lag nw2
4 diff u
5 ols inf const d_u
7 ols inf const d_u --robust
Os resultados da tabela do modelo so
Estimativas MQO
Varivel dependente: inf
(OLS) (OLS w / HAC)
const 0,7776 0,7776
(0,06582) (0,1018)
du -0,5279 -0,5279
(0,2294) (0,3092)
n 90 90
R2 0,0568 0,0568
-83,96 -83,96
212
----------------------- Pgina 237 -----------------------
Pgina 345
Pgina 346
HAC: banda 3 - ncleo de Bartlett
Voc pode ver que os erros padro HAC so um pouco maiores do que o habitual
(E inconsistente)
queridos. Uma vez Gretl reconhece que seus dados so de sries temporais, ento o
opo --robust vai automati-
maticamente aplicar o estimador HAC dos erros-padro com o padro
valores do kernel e
largura de banda (ou aqueles que voc definiu com o comando set).
Observe que os erros padro calculados usando HAC so um pouco
dierent daqueles em Hill
et ai. (2011). No se preocupe, porm. Eles so estatisticamente vlida e sugerir
que EViews e Gretl
esto fazendo os clculos um pouco dierently.
9.6.3 No-Lineares Mnimos Quadrados
Talvez a melhor maneira de se estimar um modelo linear que autocorrelacionadas
no-linear usando menos
praas. Como se v, a no-linear estimador de mnimos quadrados
apenas exige que os erros se
estvel (no necessariamente estacionrio). Os outros mtodos vulgarmente utilizados marca
demandas mais fortes sobre
os dados, ou seja, que os erros de estar parado covarincia. Alm disso, o
mnimos quadrados no-lineares
estimador lhe d uma estimativa incondicional da autocorrelao
parmetro, , e produz um
t-teste simples da hiptese de ausncia de correlao serial. Estudos de Monte Carlo
mostram que executa
assim, em pequenas amostras bem. Assim, com tudo isso acontecendo para ele, por que no us-lo?
A maior razo que mnimos quadrados no-lineares exige mais
poder computacional de
estimativa linear, embora isso no muito de uma restrio nos dias de hoje. Alm disso, em
Gretl que exige uma
etapa extra de sua parte. Voc tem que digitar uma equao para Gretl
de estimar. Esta a maneira
se trabalha em EViews e outro software, por padro, de modo que a carga aqui
relativamente baixo.
Pgina 346
Pgina 347
No-lineares de mnimos quadrados (e outros estimadores no-lineares) usam
mtodos numricos em vez
os analticos para encontrar o mnimo de sua soma de quadrado objetivo erros
funo. As rotinas
que fazer isso so iterativos. Voc d ao programa um bom primeiro palpite quanto ao
valor dos parmetros
e avalia a soma dos quadrados funo neste palpite.
O programa analisa a inclinao da
sua soma dos quadrados funo no palpite, aponta em uma direo
que leva mais perto de menor
valores da funo objetivo, e calcula um passo no espao de parmetros
que leva alguns
distncia para o mnimo (mais abaixo da colina). Se um
melhoria da soma de quadrado
erros funo encontrada, os novos valores dos parmetros so usados como base para a
outro passo. Iteraes
continuar at que mais nenhuma reduo significativa na soma dos quadrados dos erros
funo pode ser encontrada.
No contexto da equao de resposta rea do AR (1) o modelo
INFT = 1 (1 - ) + 2 (ut - ut-1) + INFT-1
+ Vt (9.8)
Os erros, v, so aleatrios e que o objetivo encontrar , e que minimizem
v2. Ordinria menos
t 1 2
t
213
----------------------- Pgina 238 -----------------------
quadrados um bom lugar para comear neste caso. As estimativas de MQO so
consistente, ento vamos comear a nossa
rotina numrica l, definindo igual a zero. O script Gretl para fazer isso
segue:
1 aberta "gretldir \ Data \ poe \ phillips_aus.gdt"
2 diff u
4
Pgina 347
Pgina 348
5 escalar beta1 = $ Coeff (const)
6 escalar beta2 = $ Coeff (d_u)
7 escalar rho = 0
8
9 nls inf = beta1 * (1-r) + rho * inf (-1) +
beta2 * (d_u-r * d_u (-1))
10 params rho beta1 beta2
11 nls finais
Magicamente, esta produz o mesmo resultado a partir de seu texto!
O comando nls iniciada com nls seguido pela equao
representando o sistemtico
parte do seu modelo. O comando fechado pela extremidade declarao
nls. Se possvel, sempre um
boa idia para fornecer derivados de anlise para a maximizao no-linear. Neste
caso no o fizesse, optando
para deixar Gretl tomar derivados numricos. Ao utilizar derivados numricos, os
declarao de parmetros
necessria para que Gretl para descobrir o que levar os derivados com
relao a. No roteiro,
Eu usei gretl do construdo em funes para tirar extencil de diferenas e defasagens.
Assim, inf (1) a varivel inf
defasado em um perodo (-1). Desta forma, voc pode criar atrasos ou leads de vrios
comprimentos em seu Gretl
programas sem ter explicitamente para criar novas variveis via gerar ou
de comando em srie.
Os resultados dos mnimos quadrados no lineares aparecem abaixo na Figura 9.13.
9.6.4 A Mais Geral Modelo
Equao 9.8 pode ser expandida e reescrita da seguinte forma:
inf = (1 - ) + ? u - ? u + inf
+ V (9,9)
t 1 2 t 2 t-1
t-1 t
Pgina 348
Pgina 349
inf = + ? u + ? U + inf
+ V (9.10)
t 0 t 1 t-1
t-1 t
Ambas as equaes contm as mesmas variveis, mas a equao (9.8) contm
apenas 3 parmetros enquanto
(9.10) tem 4 Isto significa que (9,8) aninhado dentro de (9.10) e uma
teste de hiptese formal pode ser
realizados para determinar se a restrio implcita detm.
A restrio = - 0,1 Para
1 1 0
testar essa hiptese usando Gretl voc pode usar uma variante da estatstica (6.2)
discutido na seo 6.1.
Voc precisa ter a soma restrito e irrestrito dos quadrados dos erros do
modelos. A estatstica
(SSE - SSE)
J F = r u 2 se H: =
- verdadeira (9.11)
SSE / (N - K) J 0 1
1 0
u
1 = 1 (1 - ), 0 = 2, 1 = -2, 1 =
214
----------------------- Pgina 239 -----------------------
Desde J = 1 esta estatstica tem uma distribuio aproximada 2 e
equivalente a um teste de F.
1
Nota, voc receber uma resposta ligeiramente dierent do que o listado em seu texto.
No entanto, a certeza de
que a estatstica assintoticamente vlido.
Para o exemplo, geramos a sada:
Qui-quadrado (1): rea direita de 0.112231 = 0.737618
Pgina 349
Pgina 350
( esquerda: 0.262382)
F (1, 85): a rea direita da 0,112231 = 0.738443
( esquerda: 0.261557)
Como a amostra relativamente grande os valores p do F (1,85)
e as 2 so muito prximos
1
um do outro. Nem significativo ao nvel de 5%.
O modelo estimado :
89)
Valor de p
const 0.333633 0.0899028 3,7110
0,0004
du -0,688185 0,249870 -2,7542
0,0072
du 1 0.319953 0.257504 1.2425
0,2175
inf 1 0.559268 0.0907962 6,1596
0,0000
0.635902
Sum squared resid 23,16809 SE da regresso
0.522078
0.325953
F (3, 85) 15,18488 Valor P (F)
5.37e-08
Log-verossimilhana -66,39473 Critrio de Akaike
140.7895
Pgina 350
Pgina 351
144.8019
-,149981 H de Durbin
-2,685227
Observe como Gretl se refere aos parmetros-por seus nomes de variveis.
Isto possvel porque o
modelo linear e no existe ambiguidade. Alm disso, ut-1 referido
como du 1. Ele pode ficar um pouco
confuso, mas du o dierence eo lag tem o costume 1 su x.
A taxa de desemprego defasada tem uma t-ratio de 1,243. No significativa
e pode valer a pena
considerando remov-lo do modelo usando a omitir du (-1)
declarao.
Voc tambm pode comparar as combinaes lineares dos parmetros das equaes
(9,8) e (9,10).
Para isso voc pode usar Gretl para calcular os escalares relevantes e imprimi-los para o
tela, como mostrado
abaixo no script:
215
----------------------- Pgina 240 -----------------------
1 nls inf = beta1 * (1-ro) + Rho * inf (-1) +
beta2 * (d_u-r * d_u (-1))
3 nls finais
4 escalar delta = $ coeff (beta 1) * (1 a US $ coeff (ro))
5 delta1 escalar = - $ Coeff (rho) * $ coeff (beta2)
6 printf "\ nO delta estimada em% .3f e \
7 delta1 estimado .3f%. \ N ", delta, delta1
Em linhas 4 e 5 e 1 so aproximadas do NLS estimada AR (1)
regresso. o resultado
A estimativa delta 0,337 eo delta1 estimado
0,387.
Pgina 351
Pgina 352
Voc pode ver que esses valores so realmente bastante prximos aos
Estima no irrestrita
modelo, que foram 0,334 e 0,320, respectivamente. Alm disso, 2 semelhante
para 1 e lar para . Ele
no de admirar que as restries de hipteses no so rejeitadas estatisticamente.
9,7 Autoregressive Distributed Lag Models
Um modelo que combina defasagens distribudas finitas e auto-regressivo
considerado. Este o
chamado modelo auto-regressivo lag distribudo (ARDL). O (p, q) modelo ARDL tem
a forma geral
y = + y + + y + x + x +
+ x + v (9.12)
t 1 t-1 pt-p 0 t 1 t-1
qt-q t
Como variveis explicativas, tem p defasagens da varivel, y, e defasagens q dependentes do
varivel independente, x.
t
t
9.7.1 Curva de Phillips
O ARDL (1,1) e ARDL (1,0) modelos de inflao pode ser estimada utilizando menos
praas. A
dois modelos de curva de Phillips
Estimativas MQO
(1) (2)
const 0,3336 0,3548
(0,08990) (0,08760)
Pgina 352
Pgina 353
inf 1 0,5593 0,5282
(0,09080) (0,08508)
du -0,6882 -0,4909
216
----------------------- Pgina 241 -----------------------
(0,2499) (0,1921)
du 1 0,3200
(0,2575)
n 89 90
2
R 0,3260 0,3314
-66,39 -67,45
A escolha entre estes modelos pode ser feito de vrias maneiras.
Em primeiro lugar, se a relao de t-em-um ut
insignificante, em seguida, as evidncias sugerem que a omisso no pode adversamente
impacto nas propriedades
do estimador de mnimos quadrados do modelo restrito. no significativa em
Neste caso, e voc pode
Considere soltando-a do modelo.
Outra possibilidade a utilizao de uma das regras de seleo de modelos discutidos
captulo 6 Lembre-se que
ns escrevemos uma funo chamada modelsel que calcula o modelo AIC e SC
regras de seleo. Aqui,
Pgina 353
Pgina 354
2
o programa foi ligeiramente modificado omitindo o visor do R ajustado.
Consulte o captulo 6 para
mais detalhes sobre a estrutura do programa em Gretl.
Para escolher entre a ARDL (1,1) e ARDL (1,0) usando o AIC
ou SC criar e executar a
seguinte funo chamada modelsel.
1 funo modelsel matriz (srie y, lista xvars)
8 matriz A = {K, N, aic, bic}
9 printf "\ nRegressors:% s \ n", nomevar (xvars)
10 printf "K =% d, N =% d, AIC =% .4f SC =
% .4f. \ N ", K, N, aic, bic
11 Um retorno
Funo 12 final
Ento, podemos formar listas de variveis e usar a funo para comparar dois modelos:
1 lista x = inf const (-1) d_u (0 a -1)
2 = uma matriz modelsel (inf x)
217
----------------------- Pgina 242 -----------------------
3 lista x = inf const (-1) d_u (0)
4 matriz b = modelsel (inf, x)
Isso resulta
Pgina 354
Pgina 355
Regressores: const, inf_1, d_u, d_u_1
K = 4, N = 91, AIC = -1,2802 SC = -1,1698.
Regressores: const, inf_1, d_u
K = 3, N = 91, AIC = -1,2841 SC = -1,2013.
O modelo mais pequeno (K = 3) tem uma AIC e SC menor e preferido.
Tambm pode procurar atravs de uma gama mais ampla de modelos usando loops. Pesquisando
sobre p = 1, 2,. . . 6 e
q = 0, 1 feito na prxima seo de cdigo. Evidentemente, este um pouco
desajeitado nessa formulao
um conjunto de loops aninhados para essa configurao no simples em Gretl
devido ao facto de que ele no pode
reconhecer variveis como inf (0 a 0). Isso faz com que se tenha a difcil
certas partes do cdigo e uso
uma srie de instrues para controlar se a construo do lists.2 varivel
O cdigo de pesquisa sobre
este conjunto a seguinte:
2 diff u
3 smpl 1988: 3 de 2009: 3
Uma matriz 4 = {}
5 q = 0 escalar
6 ciclo p = 1..6 --quiet
7 se p = 1
8 lista x = inf const (-1) d_u
9 mais
10 lista x = inf const (-1 a -p) d_u
11 endif
12 uma matriz = pqmodelsel (inf x)
13 matriz A = A | um
14 modelsel (inf x)
15 endloop
16 q = 1 escalar
Pgina 355
Pgina 356
17 malha p = 1..6 --quiet
18 se p = 1
20 mais
21 lista x = inf const (-1 a -p) d_u (0 a -1)
22 endif
2I'm ainda trabalhando em uma soluo mais elegante. Fique atento para o futuro
edies para ver se eu conseguir.
218
----------------------- Pgina 243 -----------------------
25 endloop
26 COLNAMES (A, "p q KN AIC SC ")
27 A impresso
Os dados so carregados e as extencil de diferenas de desemprego so gerados usando o
comando diff.
Em seguida, a amostra limitada a 1988: 3-2009: 3, a fim de obter os mesmos resultados
como se encontra na Tabela 9.4
de POE4. Uma matriz vazia A criado. Esta matriz vai ser usada para recolher
resultados do modelsel
de comando. Para fazer isto, os vectores de linha criada por modelsel ser verticalmente
concatenadas. Isso
significa que uma nova linha ser anexado abaixo as linhas existentes. Se a matriz comea
o vazio da primeira
fila anexada torna-se a primeira linha!
Como eu mencionei acima, algumas das variveis so codificado para o loop.
Neste exemplo, a
parmetro defasagem distribuda, q, s tem dois valores, 0 e 1. No
primeiro ciclo q codificado para
ser igual a zero. Assim, o ciclo executado com a varivel ut
permanentemente na lista de variveis
chamado x.
Pgina 356
Pgina 357
O ciclo se repete sobre o parmetro p, que comea em incrementos de 1 para
6. Quando p = 1, o
sintaxe inf (-1 a -1) falhar por isso devemos dizer Gretl para construir o
lista x varivel com inf (-1)
quando p = 1. Caso contrrio, podemos construir a lista de variveis usando inf (-1
a -p).
Na linha 12 um vetor linha criada, que inclui p, q, e os resultados da
modelsel. Este utiliza
concatenao horizontal atravs do smbolo,. Na prxima linha vertical
concatenao utilizado para empilhar
o novo vetor de resultados abaixo das j existentes. As extremidades do lao e
nomes das colunas so adicionadas
para a matriz e impresso.
O ciclo seguinte quase idntica. A nica dierence que q = 1 difcil
codificado no script.
Observe que q = 1 fixado como um escalar na linha e que du (0 a -1)
substitui du no circuito anterior.
Assim, o cdigo parece complicado, mas pode e ectively ser replicado por um corte e
cole com menor
edio. Neste certificado particular, p e q so nmeros que realmente
trabalhar nesta construo loop.
Assim, no h necessidade de usar a corda de prefixo, $ (embora se for utilizado em linhas 10
e 12 isso vai funcionar
bem).
Isso um monte de cdigo, mas a sada bom:
p q K N AIC
SC
1,0000 0,0000 3,0000 85.000 -1,2466
-1,1604
2,0000 0,0000 4,0000 85.000 -1,2905
-1,1755
3,0000 0,0000 5,0000 85.000 -1,3352
-1,1915
4.0000 0,0000 6,0000 85.000 -1,4020
-1,2296
5,0000 0,0000 7,0000 85.000 -1,3964
-1,1952
6.0000 0,0000 8,0000 85.000 -1,3779
-1,1480
Pgina 357
Pgina 358
1,0000 1,0000 4,0000 85.000 -1,2425
-1,1275
2,0000 1,0000 5,0000 85.000 -1,2860
-1,1423
3,0000 1,0000 6,0000 85.000 -1,3233
-1,1509
4.0000 1,0000 7,0000 85.000 -1,3795
-1,1784
5,0000 1,0000 8,0000 85.000 -1,3729
-1,1430
219
----------------------- Pgina 244 -----------------------
6.0000 1,0000 9,0000 85,000 -1,3544
-1,0958
A partir desta voc pode ver que o ARDL (4,0) minimiza tanto AIC e
SC. Estimando este modelo
rendimentos,
87)
Valor de p
const 0.100100 0.0982599 1,0187
0,3114
du -,790172 0.188533 -4,1912
0,0001
inf 1 0.235440 0.101556 2,3183
0,0230
inf 2 0.121328 0.103757 1.1693
0,2457
inf 3 0.167690 0.104960 1,5977
0,1140
inf 4 0.281916 0.101380 2,7808
0,0067
Pgina 358
Pgina 359
0.474450
0.424992
F (5, 81) 13,71262 Valor P (F)
1.07e-09
122.9443
128.9020
-,032772 H de Durbin
-,903935
Finalmente, voc pode verificar os resduos para autocorrelao usando o
Teste LM. Aqui queremos
verificar o modelo para autocorrelao para at 5 lags. A maneira mais fcil colocar
modTest em um loop.
A regresso subjacente uma ARDL (1,0). Este ganha a seleco do modelo
Derby, porque o
coecient em ut-1 no foi significativa e ARDL (1,1).
2 diff u
3 ols inf inf (-1) d_u const
4 de loop i = 1..4
5 modTest $ i --autocorr --quiet
6 endloop
Este um exemplo de um circuito indicador. O ndice chamado de i e ele faz um loop em
incrementos de 1 de 1
a 4 O comando modTest leva o argumento string $ i em cada iterao.
A opo --quiet
usado para reduzir a quantidade abundante de sada deste ciclo ser
produzir. Os valores de p para o LM
teste, que eu escolhi no incluir, coincidir com a Tabela 9.3 do POE4 queridos.
220
----------------------- Pgina 245 -----------------------
9.7.2 A lei de Okun
Pgina 359
Pgina 360
A lei de Okun oferece mais uma oportunidade para procurar uma adequada
especificao do tempo-
modelo de srie. Carregar os dados okun.gdt. Estes dados trimestrais comeam em 1985: 2.
Definir a estrutura de dados
de sries temporais, se necessrio. Neste exemplo, o modelo de pesquisa mais p = 0, 1, 2
e q = 1, 2, 3 No
So 12 modelos possveis a serem considerados e laos voltar a ser usadas para procurar
o preferido.
Para fazer o loop mais simples, a funo modelsel foi ligeiramente modificado.
Agora aceita um
lista nica varivel como sua entrada. Isso nos permite colocar o dependente
varivel, x, e o seu primeiro lag
no modelo como x (0 a -1). Gretl l isso como xx (-1). Assim,
estas duas regresses faria
se obter o mesmo resultado
ols x const x (-1)
ols x (0 a -1) const
Colocar o constante no final da lista apenas se move da sua posio no
sada, isso no muda
a substncia dos resultados.
A nova e melhorada modelsel2 aparece abaixo:
modelsel2 funo til para ARDL
modelos
1 funo modelsel2 matriz (lista xvars)
2 ols xvars --quiet
5 escalar K = nelem (xvars) -1
9 # printf "\ ndependent variveis e Regressores:
% S \ n ", VarName (xvars)
Pgina 360
Pgina 361
10 # printf "K =% d, N =% d, AIC =% .4f SC =
% .4f. \ N ", K, N, aic, bic
11 Um retorno
Funo 12 final
Observe que a entrada na linha um agora apenas uma nica lista de variveis. A linha 5
modificado por subtraco
um a partir do nmero de elementos na lista de variveis, uma vez que a lista
agora inclui o dependente
varivel. Alm disso, as declaraes printf esto comentadas, para reduzir a quantidade de
enviado para a sada
a tela. Voc pode remover o # das linhas 9 e 10, se voc quiser ver o que est
e no modelo
os resultados a cada iterao. Uma vez que estamos lidando com um ARDL (p,
q), p e q nos dizer exatamente
que regressores so no modelo para que estes realmente no so necessrios na atual
contexto.
O lao novo e melhorado para calcular as regras de seleo do modelo :
Loop para o Okun Exemplo
221
----------------------- Pgina 246 -----------------------
Um abertas "gretldir \ data \ poe \ okun.gdt"
2 diff u
3 smpl 1986: 1 2009: 3
Uma matriz 4 = {}
5 lacete p = 0..2 --quiet
6 ciclo q = 1..3 --quiet
7 se p = 0
8 lista vars = d_u g (0 a -q) const
9 mais
10 lista vars = d_u (0 a -p) g (0 a -q) const
11 endif
12 matriz a = pqmodelsel2 (VARs)
Pgina 361
Pgina 362
14 endloop
15 endloop
16 COLNAMES (A, "pq KN AIC SC")
17 A impresso
18 funo modelsel2 claro
Este ciclo melhora a ltima pelo menos em uma forma. Ele agora contm um ninho
que deve funcionar
adequadamente para qualquer p> 1 e q> 0. As trs primeiras linhas carregar os dados,
criar a dierence de desemprego
prego, e definir a amostra seja idntica a usada no POE4. Este script
contm dois circuitos, um
para p e um para q que so aninhados. Quando loops so encaixados deste modo, o circuito de p
comea em zero e
em seguida, os loop for q de 1 a 3 Uma vez que o ciclo q terminar, o p
incrementos loop 1 e
o ciclo q comea novamente.
O condicional if necessrio porque quando p = 0 a
declarao du (0 a -p) em
A linha 10 no pode ser calculado. A ltima linha limpa a funo de modelsel2
memria. Se voc precisar
modificar a funo, realizar as alteraes e re-execut-lo para carreg-lo em
memria. Uma vez carregado
na memria, no h necessidade de execut-lo novamente.
Os resultados deste roteiro so
p q K N AIC
SC
0,0000 1,0000 3,0000 95.000 -3,4362
-3,3556
0,0000 2,0000 4.0000 95.000 -3,4634
-3,3559
0,0000 3,0000 5,0000 95.000 -3,4424
-3,3080
1,0000 1,0000 4.0000 95.000 -3,5880
-3,4805
1,0000 2,0000 5,0000 95.000 -3,5675
-3,4331
1,0000 3,0000 6.0000 95.000 -3,5612
-3,3999
Pgina 362
Pgina 363
2,0000 1,0000 5,0000 95.000 -3,5693
-3,4349
2,0000 2,0000 6.0000 95.000 -3,5483
-3,3870
2,0000 3,0000 7,0000 95.000 -3,5491
-3,3609
O ARDL (1,1) minimiza tanto AIC e SC. As estimativas para este modelo so:
96)
222
----------------------- Pgina 247 -----------------------
Varivel dependente: du
HAC erros padro, a largura de banda 3 (kernel Bartlett)
Valor de p
const 0.378010 0.0671726 5,6275
0,0000
g -,184084 0.0268375 -6,8592
0,0000
g 1 -0.0991552 0.0388520 -2,5521
0,0124
du 1 0.350116 0.0861251 4,0652
0,0001
Var dependente 0.025000 SD var dependente mdia
0.288736
Sum squared resid 2.422724 EP da regresso 0.162277
0.684126
F (3, 92) 70,24213 P-value (F)
1.04e-23
Log-verossimilhana 40,39577 critrio Akaike
-72,79155
Pgina 363
Pgina 364
Critrio de Schwarz -62,53415 Hannan-Quinn
-68,64534
-0,024372 De Durbin h
-,437108
9.7.3 modelos autoregressivos
Um modelo auto-regressivo apenas um caso especial de um ARDL (p, q), onde q = 0.
O modelo nico
inclui defasagens da varivel dependente.
y = + + y y + y + v
(9.13)
t 1 t-1 2 t-2 pt-pt
O exemplo baseia-se nos dados okun.gdt. Um (2) modelo de AR inicial
estimado com base no PIB
crescimento. A possibilidade de autocorrelao residual explorado usando
Testes LM e, olhando para
O correlograma.
2 ols g (0 a -2) const
3 srie res = $ uhat
4 res corrgm
5 de loop i = 1..4
7 endloop
O correlograma aparece na Figura 9.14 abaixo. Apenas a autocorrelao na
12 lag significativa
cant, provavelmente por acaso. Nenhuma das estatsticas LM calculada pelo modTest
loop de ter valores de p
menor do que 10%, por conseguinte, este modelo pode ser adequadamente especificado. Para ver como
Isso se compara com
outras pessoas atravs das regras de seleco do modelo, usamos um outro lao eo modesel2
funo.
223
Pgina 364
Pgina 365
----------------------- Pgina 248 -----------------------
2 smpl 1986: 3 de 2009: 3
A matriz 3 = {}
4 q escalar = 0
5 lacete p = 1..5 --quiet
6 lista vars = g (0 a -p) const
8 matriz A = A | um
9 endloop
11 A impresso
A amostra foi novamente reduzido e o loop aninhado removido.
Caso contrrio, esta a mesma como
usado para modelar selecione no exemplo ARDL (p, q). Os resultados
p q K N AIC
SC
1,0000 0,0000 2,0000 93.000 -1,0935
-1,0391
2,0000 0,0000 3,0000 93.000 -1,1306
-1,0489
3,0000 0,0000 4.0000 93.000 -1,1242
-1,0153
4.0000 0,0000 5,0000 93.000 -1,1332 -,99700
5,0000 0,0000 6.0000 93.000 -1,1117
-,94827
coincidem com aqueles em POE4. A (2) modelo de AR suportada pela SC enquanto a AIC
escolhe um com
4 defasagens. Como mencionado anteriormente, o critrio SC impe um ligeiramente
maior pena para adicionar
regressores e s vezes pode leas para modelos menores.
9.8 Forecasting
Pgina 365
Pgina 366
Nesta seo, vamos falar de previso usando trs modelos dierent, um AR
modelo, um modelo ARDL,
e um modelo de suavizao exponencial. Os exemplos que se concentrar no curto prazo
previso, normalmente se
3 perodos para o futuro.
9.8.1 Previso com um modelo AR
Suponha que ele o terceiro trimestre de 2009 e estimaram o AR (2)
modelo de crescimento do PIB
utilizando dados at e incluindo 2009: 3. Nesta seco, o uso de um AR (2)
modelo de previso do
trs perodos seguintes discutido e intervalos de confiana de previso so gerados.
A (2) modelo AR em termos de suas coecients desconhecidos
g = + + g g + v
(9.14)
t 1 t-1 2 t-2 t
224
----------------------- Pgina 249 -----------------------
Denotando a ltima observao da amostra como GT, a tarefa prever gT +1, GT
2, 3 e GT. O valor de
da observao seguinte para alm da amostra disponvel
g = + + g g + v
(9.15)
T +1 1 T 2 T -1 T +1
As taxas de crescimento para os dois ltimos trimestres so GT = G2009: 3 = 0,8,
e GT -1 = g2009: 2 = -0.2,
que com os valores estimados dos parmetros usado para fazer uma previso de
gT +1 = g2009: 4.
g = + + g g
T +1 1 T 2 T -1
Pgina 366
Pgina 367
= 0,46573 + 0,37700 + 0,24624 0,8 (-0,2)
= 0,7181
Uma vez que o modelo estimado que fcil de calcular esta previso.
2 ols g (0 a -2) const --robust --quiet
Usando este modelo de previso em Gretl muito simples. O principal
deciso que voc tem que fazer a
Neste ponto quantos perodos para o futuro que voc quer para a previso.
Em Gretl voc tem que estender
a amostra para incluir perodos futuros em estudo.
9.8.2 Usando a janela de
Volte para a janela principal e escolha Gretl modelo> Ordinria menos
praas. Isso far com que
a caixa de dilogo 'especificar modelo'. Escolha g como varivel dependente, como mostrado.
Desde os seus dados so definidos como de sries temporais (lembre-se, voc fez isso atravs de
Dados> estrutura Dataset)
um boto extra, chamado 'fica ...', aparece na parte inferior da caixa de dilogo. Clique
o boto 'fica ...' em
a caixa de dilogo especificar modelo e da caixa de dilogo 'lag ordem "mostrado no
do lado direito na figura
9.7 abre.
Clique em OK e os trs valores defasados de crescimento do PIB so adicionados ao modelo. Agora,
clique em OK na
o dilogo modelo e especificar o modelo estimado.
Agora, vamos usar as caixas de dilogo para ampliar a amostra e gerar o
previses. A partir do modelo
janela, escolha Anlise> previses. Isso abre a 'Adicionar
caixa de dilogo "em observaes mostrado
Pgina 367
Pgina 368
Figura 9.15. Para adicionar trs observaes alterar o nmero na caixa a 3.
Clique em OK para abrir o
caixa de dilogo previso mostrado abaixo na Figura 9.16.
Ao optar por adicionar trs observaes para a amostra, a previso
faixa automaticamente ajustado para
2009: 4-2010,2. Observe que ns escolhemos "previso automtico (dinmico
de amostra). Clique
Resultados OK ea previso aparecer.
Um script muito mais simples. Aqui est o exemplo de um script.
225
----------------------- Pgina 250 -----------------------
2 ols g (0 a -2) const
3 addobs conjunto de dados 3
4 fcast 2009: 4 de 2010: 2 --plot = c: \ temp \ ar2plot.plt
Na linha 3 os addobs conjunto de dados diz Gretl para adicionar trs observaes ao
dataset. Em seguida, o fcast
comando com as datas pretendidas para a previso so dadas. Os resultados so os seguintes:
Para intervalos de confiana de 95%, t (93) = 0,025, 1,986
Obs g previso std. erro
Intervalo de 95%
2009: 4 0.718079 0.552688
-,379448 - 1,81561
2010: 1 0.933435 0.590660
-,239499 - 2,10637
2010: 2 0.994452 0.628452
-,253530 - 2,24243
Milagrosamente, estas coincidem com aqueles em POE4! Gretl pode, opcionalmente, usar gnuplot para
plotar a srie temporal
e as previses (com intervalos). O enredo mostrada na Figura 9.17.3
As trs ltimas observaes
Pgina 368
Pgina 369
so previses (em azul) e incluem os intervalos de confiana de 95% mostrados
em verde. PIB real
crescimento aparece em vermelho. Do ponto de vista da economia, a previso de
depressivo, principalmente porque
os intervalos so muito amplos. O intervalo de 95% inclui uma possvel recesso.
9.8.3 Exponencial
Outro modelo popular usado para prever o valor futuro de uma varivel
com base em sua histria
suavizao exponencial. Como a previso de um modelo AR,
previso usando exponencial
O alisamento no utilizar as informaes a partir de qualquer outra varivel.
A idia bsica que a previso para o prximo perodo uma mdia ponderada de
a previso para o
perodo atual eo valor efetivamente realizado no perodo atual.
y = y + (1 - ) y
(9.16)
T +1 T T
O mtodo de alisamento exponencial uma ferramenta de previso verstil, mas um
necessita de um valor para o
suavizao parmetro e um valor para y para gerar a previso y
. O valor de pode reflectir
T T
-1
seu julgamento sobre o peso relativo das informaes atuais; alternativamente,
pode-se estimar
a partir de informaes histricas, obtendo previses dentro da amostra-
y = y + (1 - ) y
(9.17)
tt-1 t-1
Grfico 3Este foi gerado a partir da GUI. O comando de trama, como mostrado na
roteiro realmente produz apenas as parcelas
Pgina 369
Pgina 370
dos valores previstos e os seus intervalos.
226
----------------------- Pgina 251 -----------------------
e escolher o valor de que minimiza a soma dos quadrados de a-passo
erros de previso
v = y - y = Y - (y + (1 - ) y
) (9.18)
tttt t-1 t-1
Os menores valores de resultar em mais suavizao da previso. Gretl faz
no conter uma rotina
que realiza a suavizao exponencial, embora possa realizar outros tipos.
A seguir, os dados okun.gdt so utilizados para obter o exponencialmente
valores de previso de PIB
crescimento. Primeiro, os dados so abertos. Ento, a srie de ser alisada colocado em
uma matriz chamado y.
O nmero de observaes contado e uma outra matriz chamado SM1
criado; nd T 1
vetor de zeros. Vamos preencher esse vetor com os valores suavizados de y.
Na linha 5 o alisamento
parmetro definido como 0,38.
Existem vrias formas para preencher o primeiro valor de previso. A
forma popular a tomar o
mdia do primeiro (t + 1) / 2 elementos da srie. O stv escalar
a mdia dos 50 primeiros
observaes. A amostra total ento restaurada.
O circuito bastante simples. Ele circula em incrementos de 1 de 1
para T. A opo --quiet
utilizado para suprimir a sada de tela. Para a primeira observao, o
vector SM1 [1] recebe o primeiro
previso, a STV. Para todos os valores suavizados subseqentes a suavizao exponencial
realizado. Uma vez
o ciclo termina a matriz convertido de volta para uma srie de modo a que ele
pode ser representada utilizando regularmente
Pgina 370
Pgina 371
funes gretl.
2 matriz y = {g}
3 escalar T = $ nobs
4 matriz SM1 = zeros (t, 1)
5 escalar a = 0,38
6 smpl 1 round ((T + 1) / 2)
7 escalar stv = mdia (y)
8 smpl completos
9 de loop i = 1..T --quiet
10, se i = 1
11 matriz SM1 [i] = stv
12 mais
13 matriz SM1 [i] = a * y [i] + (1-a) * SM1 [i-1]
14 endif
15 endloop
16 sries exsm = SM1
17 gnuplot g exsm --time-series
O enredo da srie temporal de crescimento do PIB e da srie alisada encontrado
na Figura 9.18. Aumentar
o parmetro de alisamento para 0,8 reduz consideravelmente o alisamento. O script
aparece no final
do captulo, e apenas altera o valor de uma linha 5 a 0,8. A figura
aparece abaixo na
painel inferior da Figura 9.18.
227
----------------------- Pgina 252 -----------------------
Gretl, na verdade, inclui uma funo que pode suavizar uma srie em um nico
linha de cdigo. O movavg
funo. Para suavizar exponencial da srie g
1 escalar TmID = round (($ nobs + 1) / 2)
2 escalar a = 0,38
Pgina 371
Pgina 372
3 sries exsm = movavg (g, a, TmID)
A funo tem trs argumants. A primeira a srie para a qual deseja
para encontrar o movimento
mdia. O segundo parmetro a suavizao, . A final
argumento teh nmero de inicial
observaes a mdia para produzir y. Isso ir duplicar o que
fez no script. Vale a pena
0
mencionar que a funo movavg ter uma mdia mvel regular, se o
argumento meio
definido como um nmero inteiro positivo, com o nmero inteiro que corresponde ao nmero de termos de
mdia.
9.9 Anlise Multiplicador
Anlise Multiplicador refere-se ao Eect, eo momento da Eect, de um
mudana em uma varivel
sobre o resultado da outra varivel. A forma mais simples de
anlise baseia-se no multiplicador de um finito
modelo de defasagem distribuda
y = x + + X + X + +
x + e (9.19)
t 0 t 1 t-1 2 t-2
qt-qt
Os coecients estimativa deste modelo pode ser usado para produzir
impacto, atraso e interino
multiplicadores. O multiplicador de impacto o impacto de uma modificao de uma unidade em x
em mdia de y.
t t
Como x e y esto no mesmo perodo de tempo o Eect contemporneo e
, portanto, igual
impacto inicial da mudana. O multiplicador de atraso s-perodo
E (y)
t
= ps
(9,20)
Pgina 372
Pgina 373
xt-s
o Eect de uma mudana de x s-perodos no passado sobre o valor mdio da
varivel dependente em
o perodo atual. Se xt aumentada de 1 unidade e depois mantida em
o seu nvel de novo no subsequente
perodos (t + 1), (t + 2),. . ., Ento pode-se calcular o multiplicador interino.
Um multiplicador interino
simplesmente acrescenta o Eect imediata (impacto multiplicador), , para subsequente atraso
multiplicadores para medir
0
o Eect cumulativa. Assim, no perodo t + 1 a Eect interino
+ . No momento t + 2, ser
0 1
+ + , e assim por diante. O multiplicador total o ltimo Eect
em y do aumento sustentado
0 1 2
aps perodos de q ou mais se passaram; dado por q .
S = 0 s
O modelo ARDL adiciona valores defasados da varivel dependente para o AR
modelo,
y = + y + + y + x + x +
+ x + v (9.21)
t 1 t-1 pt-p 0 t 1 t-1
qt-qt
e isso faz com que a anlise multiplicador um pouco mais difcil. Basicamente, isso precisa
para ser transformado
Eu
um modelo infinito lag distribudo utilizando as propriedades do operador de atraso, L.
Isto , L xt = Xt-i.
228
----------------------- Pgina 253 -----------------------
Isto coloca o modelo na forma AR familiar e as definies habituais do
pode ser multiplicadores
Pgina 373
Pgina 374
aplicada. Isto discutido em detalhe na POE4 e no ser replicado em qualquer
detalhes aqui.
Para o ARDL (1,1) utilizado para descrever a lei de Okun temos
? U = + ? U + g + g +
v
t 1 t-1 0 t 1 t-1
t
Escrito com o operador de defasagem, L
(1 - L)? U = + ( + L) g + v
1 t 0 1 t
t
? U = (1 - L) -1 + (1 - L) -1 ( + L) g +
(1 - L) -1V
t 1 1 0 1 t
1 t
? U = + g + + g g g + +
+ E
t 0 t 1 t-1 t-2 2 3 t-3
t
= + + L + + L2 L3 + g
+ E
0 1 2 3
tt
Este apenas um modelo de defasagem distribuda infinito. Os coefi coe para
os multiplicadores envolvem a
coecients, que devem ser resolvidos para em termos de estimativa
parmetros do ARDL. A
solues dadas em POE4 so
0 = 0
(9.22)
= +
(9.23)
Pgina 374
Pgina 375
1 1 0 1
$ j = $ j -11 para j 2
(9.24)
O cdigo Gretl para alcanar este objetivo simples de construir. Em termos do modelo
da Lei de Okun,
2 diff u
3 ols d_u (0 a -1) g (0 a -1) const
4 escalar b0 = $ coef (g)
5 escalar b1 = $ coeff (d_u_1) * b0 + $ coeff (g_1)
6 escalar b2 = b1 * $ coeff (d_u_1)
Isto pode ser automatizado atravs da utilizao de um circuito para construir multiplicadores. Uma vez que esta
feito, simples
representar graficamente o resultado at um nmero arbitrrio de perodos.
O roteiro :
1 escalar h = 8
2 matriz mult = zeros (h, 2)
3 lao i = 1..h
4 mult [i, 1] = i-1
229
----------------------- Pgina 254 -----------------------
7 se i = 1
8 mult [i, 2] = b0
9 elif i = 2
10 mult [i, 2] = b1
Pgina 375
Pgina 376
11 mais
12 mult [i, 2] = mult [i-1,2] * $ coeff (d_u_1)
13 endif
14 endloop
15 printf "\ nOs impacto e atraso multiplicadores so \ n% 10.5f \ n",
mult
16 gnuplot 2 1 --matrix = --output mult = display --with-linhas
--suppress equipada
Embora tenha levado algumas linhas de cdigo, os resultados (Figura 9.19 abaixo) olhar
grande eo cdigo de lata
facilmente ser reutilizados para outros modelos. Ele assume que voc j estimaram
o ARDL (1,1) para
Dados Okun como foi feito no script anterior. A primeira coisa a fazer decidir como
muitos multiplicadores
para calcular. Eu escolhi 8 e inicializado uma matriz de zeros que de 8 2.
Vamos colocar defasagens no primeiro
coluna e o multiplicador correspondente na segunda.
O ciclo comea na linha 3 e vou comear em 1 e termina em 8, com
incrementos de 1 Os dois primeiros
multiplicadores so calculados manualmente. Em seguida, uma srie de instrues if
segue. Desde h trs
formas do multiplicador nas equaes (9,22) - (9,24), se houver trs
declaraes. Quando o ndice
igual a 1, o impacto do multiplicador colocado em m. Quando o ndice igual a 2,
o perodo de atraso um
colocado em m. A ltima condio preenche m para qualquer i> 2.
Em seguida, ns queremos ser capazes de traar os multiplicadores contra lag. Isto feito
a partir de uma matriz usando
a opo --matrix para o gnuplot. Alm disso, usando a sada = display
opo envia a trama para o
tela que permite a edio posterior via interface gnuplot do Gretl.
A outra opo para converter a matriz para sries de dados e utilizao
o GUI Gretl regular para
faa as parcelas. Isso exige a abertura de um conjunto de dados vazio e definir a
observaes para igualar 8.
Isso feito usando o comando nulldata. A opo --preserve
necessria porque, sem
Pgina 376
Pgina 377
que a matriz contendo os multiplicadores seria apagado da memria. Este
preserva a opo
contedo de todas as matrizes e escalares existentes. As defasagens so lidos
da primeira coluna e a
multiplicadores a partir da segunda.
2 sries m = mult [2]
3 sries lag = mult [1]
4 setinfo m-d "Multiplicadores" n "Multiplicador"
--output = Display 5 gnuplot m ndice --with-linhas
--suppress equipada
O resultado editado aparece na Figura 9.19 abaixo. A figura mostra
que um aumento do PIB
crescimento leva a uma reduo inicial da taxa de desemprego de cerca de 0,18; o
diminui Eect
ao longo do tempo e dura cerca de seis ou sete trimestres.
230
----------------------- Pgina 255 -----------------------
9.10 Apndice
9.10.1 Teste de Durbin-Watson
A estatstica de Durbin-Watson produzido com cada srie temporal
regresso estimados pelo menos
praas. Para aceder ao valor p relacionado com o ensaio, o que
calculado usando o Imho
procedimento, utilize o acessor $ dwpval. Um exemplo com base na curva de Phillips :
2 diff u
3 setinfo inf-d "Australian Taxa de Inflao" A inflao-n "
Rate "
4 setinfo d_u-d "Mudana no desemprego Civil australiano
Taxa \
5 (com ajuste sazonal) "n" D.Unemployment Rate "
Pgina 377
Pgina 378
6 ols inf d_u const
7 escalar dw_p = $ dwpval
8 impresso dw
O resultado, incluindo a ltima linha da sada de regresso que mostra o
valor estimado de e
a estatstica DW, :
rho 0.549882 Durbin-Watson 0.887289
dw_p = 2.1981736e-009
A estatstica DW 0,887 eo seu valor-p est bem abaixo dos 5%
limiar, indicando significativa
autocorrelao. A GUI d um resultado um pouco mais bonita. Tem a
ser chamado a partir do modelo
janela como testes> Durbin-Watson p-valor.
Muitos interpretam uma estatstica DW significativa como evidncia de modelo geral
m especificao.
9.10.2 FGLS e Outros Estimators
O estimador GLS factvel do (p) modelo de AR pode ser estimada utilizando Gretl
num certo nmero de
maneiras. Para os modelos de primeira ordem autocorrelacionadas o comando ar1 pode ser
utilizado. H um num-
231
----------------------- Pgina 256 -----------------------
ber de estimadores disponveis por opo, incluindo o Cochrane-Orcutt (iterado),
o Prais-Winsten
(Iterado), eo procedimento de busca Hildreth-Lu. Exemplos so os seguintes:
1 lista x = d_u const
2 ar1 inf x # Cochrane-Orcutt (default)
Pgina 378
Pgina 379
3 ar1 inf x --pwe # Prais-Winsten
4 ar1 inf x --hilu --no-corc # Hildreth-Lu
Os resultados so coletados em um modelo de quadro a seguir.
AR (1) Erros
(CO) (PW) (HL)
const 0,7609 0,7862
0,7608
(0,1238) (0,1218)
(0,1245)
du -0,6944 -0,7024
-0,6953
(0,2429) (0,2430)
(0,2430)
0,55739 0,55825 0,56
n 89 90 89
2
R 0,3407 0,3418 0,3406
CO = Cochrane Orcutt, PW = Prais-Winsten, HL = Hildreth-Lu
Voc pode ver que h extencil de diferenas menores produzidos por estas opes.
Se a opo --no-corc
no usado com --hilu ento o estimador Hildreth-Lu modificada ligeiramente para
execute funes adicionais
iteraes como o fim. Observe que o Prais-Winsten o nico procedimento para
utilizar todos os 90 observaes.
Pgina 379
Pgina 380
Para os modelos de ordem superior existem dois comandos pena tomar nota
de. O comando de ar
estima uma regresso linear com estrutura autocorrelao arbitrria.
Ele usa uma generalizao
o processo iterativo de Cochrane-Orcutt para obter estimativas.
O outro estimador Arima, a sintaxe para que aparece abaixo:
232
----------------------- Pgina 257 -----------------------
O mtodo de estimativa padro para Arima em Gretl estimar a
parmetros do modelo
utilizando a funcionalidade Gretl ARMA "nativo", com estimao por mxima exata
probabilidade usando
o filtro de Kalman. Voc pode estimar os parmetros atravs mxima condicional
probabilidade bem.
A estimativa do AR simples (1) regresso utilizando estes estimadores feito:
1 ar 1; inf x
Arima 2 1 0 0; inf x
Para o comando de ar, liste os nmeros de atraso para os resduos desejados.
No caso da RA (1), este
apenas 1 Este seguido por um ponto e vrgula e, em seguida, a regresso de estimar.
A sintaxe Arima
semelhante, excepto que especifique p, d, e q, em que p a ordem do desejado
autocorrelao, d o
nmero de extencil de diferenas para tirar da srie temporal, e q a ordem
de quaisquer termos de mdia mvel
voc pode ter nos resduos.
O resultado para o simples ARIMA (1,0,0) ia
ARMAX, por meio de observaes, 1987: 2-2009: 3 (T = 90)
Estimado utilizando Kalman filtrar (exata ML)
Os erros padro baseado em Hessiana
Pgina 380
Pgina 381
std coeficiente. erro z Valor de p
-------------------------------------------------- ------
const 0.786212 0.120601 6,519 7.07e-011
***
phi_1 0.558827 0.0877359 6.369-010 1.90e
***
d_u -,702558 0.242234 -2,900 0,0037
***
233
----------------------- Pgina 258 -----------------------
0.636819
A mdia de inovaes -,003996 SD de inovaes
0.510937
142.9118
146.9441
Verdadeiro Imaginrio Modulus
Frequncia
-------------------------------------------------- ---------
AR
Root 1 1,7895 0,0000 1,7895
0,0000
-------------------------------------------------- ---------
Estes so muito semelhantes aos acima. O coecient rotulado
phi 1 a estimativa do
parmetro de autocorrelao. A raiz desta equao 1 / phi 1. As razes
(Ou mdulo) deve ser
maior do que 1, em valor absoluto, a fim de que o modelo seja estacionrio.
9.11 Script
2 set echo off
Pgina 381
Pgina 382
3 # alterar atributos variveis
4 setinfo g-d "variao percentual US Interno Bruto
Produto, sazonalmente \
5 ajustado crescimento real do PIB "n" "
6 setinfo u-d "US Desemprego Civil Rate (Sazonalmente
ajustado) "N \
7 "O desemprego Rate "
8
9 # enredo srie e salvar a sada para arquivos
10 gnuplot g --with linhas --time-series
--output = "@ workdir \ okun_g.plt"
11 gnuplot u --with linhas --time-series
--output = "@ workdir \ okun_u.plt"
12
13 # grfica mltipla de sries temporais
14 espalha gu --with linhas
15
16 diff u
17 setinfo d_u-d "Alterar em US Civil Desemprego \
18 Taxa de (Com ajuste sazonal) "N \
19 "D.Unemployment Rate "
20 g dispersa d_u --with linhas --output = exibio
21
22 # distribudo Os modelos de defasagem
24 smpl 1986: 1 2009: 3
Pgina 382
Pgina 383
26
27 gnuplot g g_1
28
29 # correlograma e intervalo de confiana
30 corrgm g 12
234
----------------------- Pgina 259 -----------------------
31 matriz ac = corrgm (g, 12)
32 matriz lb = ac [1] -1,96 / sqrt ($ nobs)
33 matriz ub = ac [1] + 1,96 / sqrt ($ nobs)
34 matriz de todos = LBAC [1] ub
35 COLNAMES (todos ", Lower AC superior")
36 printf "\ nAutocorrelations e intervalos de confiana de 95 %% \ n
% 9.4f \ n ", tudo
37
Curva 38 # Phillips
39 abertos "gretldir \ data \ poe \ phillips_aus.gdt"
40 diff u
Rate "
42 setinfo d_u-d "Mudana Civil australiano \
Taxa de desemprego 43 (com ajuste sazonal) " N \
45 scatters inf d_u --with-linhas
46
47 ols inf d_u const
Pgina 383
Pgina 384
49 gnuplot ehat --time-series
50 ehat corrgm
51
52 # testes LM
53 ols ehat const ehat d_u (-1)
55 valor de p X 1 NR2
56
57 ols ehat const ehat d_u (-1 a -4)
59 p-valor X 4 NR2
60
63 modTest 4 --autocorr --quiet
64
65 # erros padro HAC
67 set hac_kernel Bartlett
68 set hac_lag nw2
69 diff u
71 modeltab add
72 ols inf d_u const --robust
73 modeltab add
Pgina 384
Pgina 385
75 modeltab livre
76
77 # no-linear dos mnimos quadrados estimativa de regresso w / AR (1)
erros
79 diff u
81
235
----------------------- Pgina 260 -----------------------
82 escalar beta1 = $ coeff (const)
83 escalar beta2 = $ coeff (d_u)
84 escalar ro = 0
85
86 nls inf = beta1 * (1-ro) + Rho * inf (-1) + beta2 * (d_u-r * d_u (-1))
88 nls finais
89 escalar delta = $ coeff (beta 1) * (1 a US $ coeff (ro))
90 escalar delta1 = - $ coeff (rho) * $ coeff (beta2)
91 printf "\ NO estimada delta .3f% ea estimativa
delta1 \
92% .3f. \ N ", delta, delta1
94
95 # estimativa de modelo mais geral
96 ols inf const inf (-1) d_u (0 a -1)
Pgina 385
Pgina 386
98 escalar fstat = (SSER-sseu) / (sseu / $ df)
99 pValue X 1 fStat
100 pValue F 1 $ df fStat
101 omitir d_u (-1)
102
103 ols inf const inf (-1) d_u (0 a -1)
105 ols inf const inf (-1) d_u (0)
108 modeltab livre
109
110 # funo de seleo de modelos
Matriz de funo 111 modelsel (Sries y, lista xvars)
119 printf "\ nRegressors: % S \ n ", VarName (xvars)
120 printf "K =% d, N =% d, AIC =% .4f SC =
% .4f. \ N ", K, N, aic, bic
121 retornar um
Funo 122 final
123
Pgina 386
Pgina 387
124 # usando a funo modelsel
Matriz 126 a = modelsel (inf x)
127 lista x0 = const
Matriz de 128 b = modelsel (inf x)
129 lista x = const d_u inf (-1)
130
131 # colocando os resultados de seleo de modelos em uma matriz
236
----------------------- Pgina 261 -----------------------
133 diff u
134 smpl 1988: 3 de 2009: 3
Matriz 135 A = {}
136 escalar q = 0
138 se p = 1
139 lista x = inf const (-1) d_u
140 mais
141 lista x = inf const (-1 a -p) d_u
142 endif
145 modelsel (inf x)
146 endloop
147 escalar q = 1
149 se p = 1
151 mais
152 lista x = inf const (-1 a -p) d_u (0 a -1)
Pgina 387
Pgina 388
153 endif
156 endloop
158 print A
159
160 smpl completos
161 ols inf inf const (-1 a -4) d_u --robust
162
163 # melhorou a funo modelsel2 para ARDL
Matriz de funo 164 modelsel2 (xvars lista)
165 ols xvars --quiet
172 # printf "\ varivel e Regressores ndependent:
173 # printf "K =% d, N =% d, AIC =% .4f SC =
% .4f. \ N ", K, N, aic, bic
174 retornar um
Funo 175 final
176
177 # usando modelsel2
178 abertos "gretldir \ data \ poe \ okun.gdt"
179 diff u
Pgina 388
Pgina 389
180 smpl 1986: 1 2009: 3
Matriz 181 A = {}
182 lao p = 0..2 --quiet
183 lao q = 1..3 --quiet
237
----------------------- Pgina 262 -----------------------
184 se p = 0
185 lista vars = d_u g (0 a -q) const
186 mais
187 lista vars = d_u (0 a -p) g (0 a -q) const
188 endif
191 endloop
192 endloop
194 print A
196
197 smpl completos
198 ols d_u (0 a -1) g (0 a -1) const
199 lao i = 1..4
201 endloop
202
204 smpl 1986: 3 de 2009: 3
Matriz 205 A = {}
Pgina 389
Pgina 390
206 escalar q = 0
211 endloop
213 print A
214 Funo modelsel claro
215
216 # loop para testar a autocorrelao em ARDL
218 diff u
219 ols inf (0 a -1) const d_u
220 lao i = 1..5
222 endloop
223
224 # loop para testar a autocorrelao em vrias defasagens
226 g ols (0 a -2) const
227 sries res = $ uhat
228 corrgm res
229 lao i = 1..4
231 endloop
232
233 # modelo de seleo para os dados de Okun
Pgina 390
Pgina 391
238
----------------------- Pgina 263 -----------------------
235 smpl 1986: 3 de 2009: 3
Matriz 236 A = {}
237 escalar q = 0
242 endloop
243 COLNAMES (A, "p q KN AIC SC ")
244 impresso A
245
246 # estimativa de modelo preferido e uma previso
248 g ols (0 a -2) const
249 addobs conjunto de dados 3
250 fcast 2009: 4 de 2010: 2 --plot = "@ workdir \ ar2plot1.plt"
251
Anlise 252 # multiplicador
Matriz 254 y = {g}
Matriz de 256 SM1 = zeros (t, 1)
257 escalar a = 0,38
258 smpl 1 round ((T + 1) / 2)
259 escalar stv = mdia (y)
260 smpl completos
Pgina 391
Pgina 392
261 lao i = 1..T --quiet
262 se i = 1
264 mais
266 endif
267 endloop
268 sries exsm = SM1
269 g gnuplot exsm --time-series
270
271 escalar a = 0,8
272 lao i = 1..T --quiet
273 se i = 1
275 mais
277 endif
278 endloop
279 sries exsm8 = SM1
280 g gnuplot exsm8 --time-series
281
283 diff u
284 ols d_u (0 a -1) g (0 a -1) const
239
----------------------- Pgina 264 -----------------------
Pgina 392
Pgina 393
289
290 # Matrix & Series Plot
292 diff u
293 ols d_u (0 a -1) g (0 a -1) const
294 escalar h = 8
Matriz 295 mult = zeros (h, 2)
296 lao i = 1..h
297 mult [i, 1] = i-1
298 escalar Coef b0 = $ (g)
300 se i = 1
301 mult [i, 2] = b0
302 elif i = 2
303 mult [i, 2] = b1
304 mais
305 mult [i, 2] = mult [i-1,2] * $ coeff (d_u_1)
306 endif
307 endloop
308
309 gnuplot 2 1 --matrix = mult --output = display --with-linhas
--suppress equipada
310
311 printf "\ NOs impacto e atraso multiplicadores so \ n% 10.5f \ n",
mult
312
Pgina 393
Pgina 394
314 sries m = mult [2]
315 sries lag = mult [1]
316 setinfo m-d "Multiplicadores" n "Multiplicador"
--output = Display 317 gnuplot m ndice --with-linhas --suppress equipada
318
319 # apndice
321 diff u
Rate "
323 setinfo d_u-d "Mudana no Australian \ Civil
Taxa de desemprego 324 (com ajuste sazonal) " N \
326
327 # Durbin-Watson com valor de p
328 lista x = d_u const
329 ols inf x
330 escalar dw_p = $ dwpval
331 impresso dw_p
332
333 # vrias maneiras de estimar AR (1) regresso
334 ar1 inf x
336 ar1 inf x --pwe
240
Pgina 394
Pgina 395
----------------------- Pgina 265 -----------------------
338 ar1 inf x --hilu --no-corc
341 modeltab livre
342
343 ar 1; inf x
344 de Arima 1 0 0; inf x
241
----------------------- Pgina 266 -----------------------
Figura 9.11: O grfico mostra que os resduos do simples
Modelo de curva de Phillips so serialmente
correlacionados. Austrlia, 1987: 1 - 2009: 3.
242
----------------------- Pgina 267 -----------------------
Figura 9.12: Usando o Teste> Autocorrelation a partir do menu suspenso modelo
gerar o
seguinte resultado. A hiptese alternativa AR (4).
Figura 9.13: Nonlinear resultados mnimos quadrados para o AR (1)
modelo de regresso.
243
----------------------- Pgina 268 -----------------------
Figura 9.14: correlograma Residual para Okun AR (2)
Figura 9.15: Usando dados> Adicionar observaes a partir do menu principal suspenso Gretl
vai estender a
perodo de amostragem. Isso necessrio para gerar previses.
Pgina 395
Pgina 396
244
----------------------- Pgina 269 -----------------------
Figura 9.16: Caixa de dilogo Previso
Figura 9.17: Gretl chama gnuplot para gerar um grfico da srie temporal ea
previso.
245
----------------------- Pgina 270 -----------------------
Figura 9.18: o crescimento do PIB eo crescimento exponencialmente. Quanto menor for o
suavizao param-
eter , maior o alisamento.
246
----------------------- Pgina 271 -----------------------
Figura 9.19: Impacto e atraso multiplicadores para um ARDL (1,1) da mudana de
desemprego provocado
pelo aumento de 1% no crescimento do PIB norte-americano.
247
----------------------- Pgina 272 -----------------------
Captulo 10
Regressores aleatrias e Moment base
Estimativa
Neste captulo, voc vai aprender a utilizar variveis instrumentais para obter
estimativas consistentes de
parmetros do modelo quando suas variveis independentes so correlacionadas com a
erros do modelo.
10.1 Modelo Bsico
Considere o modelo de regresso linear
Pgina 396
Pgina 397
y = + x + ei = 1, 2,. . . ,
N (10.1)
i 1 2 i Eu
Equao (10.1) a partir de uma violao suers significativa do modelo habitual
premissas quando sua explicao
tory varivel contemporaneamente correlacionada com o erro aleatrio, isto ,
Cov (e, x) = E (ex) = 0.
ii ii
Quando um regressor est correlacionada com erros do modelo, muitas vezes o regressor
referido como sendo
endogenous.1 Se um modelo inclui um regressor endgeno, menos
quadrados conhecido por ser tanto
tendenciosa e inconsistente.
Um instrumento uma varivel, z, que correlacionada com x, mas no com o
erro, e. Alm,
O instrumento no diretamente AECT y e, portanto, no pertencem ao real
como um modelo independente
regressor. comum ter mais do que um instrumento para x. Tudo o que
necessrio que estes
instrumentos, z, z,. . . , Z, ser correlacionadas com x, mas no com e.
Estimativa consistente de (10.1)
1 2 s
possvel quando se utiliza as variveis instrumentais ou de dois estgios mnimos quadrados
estimador, em vez
do que o estimador OLS habitual.
1There um certo desleixo associada com o uso de
endgeno, desta forma, mas tornou-se padro
praticar em econometria.
248
----------------------- Pgina 273 -----------------------
10.2 IV Estimao
Pgina 397
Pgina 398
Gretl lida com esse problema de estimao com facilidade usando o que
vulgarmente designado por dois
encenar mnimos quadrados. Em econometria, os termos de dois estgios de mnimos quadrados
(TSLS) e instrumental
variveis (IV) a estimativa so muitas vezes usados como sinnimos. A
Terminologia "em duas etapas" um legado
do momento em que a maneira mais fcil de estimar o modelo foi
realmente usar dois separados menos
quadrados regresses. Com melhor software, o clculo feito em uma
nico passo para garantir o
outras estatsticas do modelo so calculados corretamente. Uma vez que o software que voc usa
invariavelmente espera que voc
especificar 'instrumentos', provavelmente melhor para pensar sobre este estimador
nesses termos da
comeando. Tenha em mente que Gretl usa o termo em duas fases de estilo antigo
mnimos quadrados (TSLS)
ao mesmo tempo que pede que voc especifique os instrumentos nele caixas de dilogo e scripts.
10.2.1 Mnimos Quadrados Estimativa de uma equao salarial
O exemplo o modelo de salrios estimada usando mroz.gdt usando o
428 mulheres da amostra
que esto na fora de trabalho. O modelo
ln (salrio) = 1 + 2 + 3 educ exper + 4 exper2 + e
(10.2)
Em toda a probabilidade salrios de uma mulher vai depender de sua capacidade, bem como
educao e experincia.
Habilidade omitida do modelo, que no apresenta nenhum problema em particular, desde que
no est correlacionada
com educao ou experincia. O problema, neste exemplo, no entanto,
que a capacidade provvel
estar correlacionados com a educao. O custo de oportunidade de adicional
educao para aqueles de alta
capacidade baixa e eles tendem a ficar mais do mesmo. Deste modo, existe uma
problema de endogeneidade nesta
modelo. O modelo estimado usando mnimos quadrados para produzir:
Pgina 398
Pgina 399
Valor de p
const -,522041 0.198632 -2,6282
0,0089
educ 0.107490 0.0141465 7,5983
0,0000
exper 0.0415665 0.0131752 3,1549
0,0017
exper sq -,000811193 0,000393242 -2,0628
0,0397
0.723198
0.666420
0.150854
F (3, 424) 26,28615 Valor P (F)
1.30e-15
871.1979
877.6105
249
----------------------- Pgina 274 -----------------------
O retorno estimado para mais um ano de escolaridade de 10,75%. Isso parece bastante
alta e se a educao
e a capacidade omitido so correlacionados, em seguida, que est a ser avaliado
inconsistente por mnimos quadrados.
10.2.2 Dois Estgios Mnimos Quadrados
Para realizar dois estgios Mnimos Quadrados (TSLS) ou variveis instrumentais
(IV) Estimativa voc
Precisamos de instrumentos que so correlacionados com as variveis independentes, mas no
correlacionado com o
erros do seu modelo. No modelo de salrio, vamos precisar de algumas variveis
Pgina 399
Pgina 400
que esto correlacionados com
educao, mas no com os erros do modelo. Propomos que a me de
educao (mothereduc)
adequado. Educao da me improvvel para entrar salrio da filha
equao directamente, mas
razovel acreditar que as filhas de mes mais escolarizadas tendem a
obter mais educao
si. Essas proposies podem e sero ser testado mais tarde. No
Enquanto isso, a estimativa do
equao de salrios usando o estimador de variveis instrumentais realizado
no exemplo a seguir.
Em primeiro lugar, carregar os dados mroz.gdt em Gretl. Em seguida, para abrir a base Gretl
caixa de dilogo que computa
o estimador IV escolher modelo> Variveis Instrumentais> Two-Stage
Mnimos Quadrados do
menu suspenso, conforme mostrado abaixo na Figura 10.1. Isso abre a caixa de dilogo
Figura 10.1: Duas fases estimador de mnimos quadrados do pull-down
menus
Neste exemplo, vamos escolher l salrio como varivel dependente, colocar toda a
instrumentos desejados em
caixa Instruments, e colocar todas as variveis independentes, incluindo o
uma (s) medida com
erro, na caixa de variveis independentes. Se algumas das lado direito
variveis para o modelo so
exgena, que deve ser referenciado em ambas as listas. por isso que o
const, exper, e exper sq
variveis aparecem em ambos os lugares. Pressione o boto OK e os resultados
encontram-se na Tabela 10.1.
Observe que Gretl ignora o conselho de som se ofereceu pelos autores do seu
livro didtico e computa
2
um R. Tenha em mente, porm, Gretl calcula isso como o quadrado
correlao entre os valores observados
e os valores da varivel dependente equipada, e voc deve resistir tentao
interpretar R2
como a proporo da variao em l salrio contabilizados pelo modelo.
Se voc preferir usar um script, a sintaxe muito simples.
Pgina 400
Pgina 401
250
----------------------- Pgina 275 -----------------------
TSLS, por meio de observaes 1-428
Instrumentado: educ
Instrumentos: mothereduc const exper sq exper
Coecient Std. Erro z
Valor de p
const 0.198186 0.472877 0,4191
0,6751
educ 0.0492630 0.0374360 1,3159
0,1882
exper 0.0448558 0.0135768 3,3039
0,0010
exper sq -,000922076 0,000406381 -2,2690
0,0233
0.723198
0.679604
0.129300
F (3, 424) 7.347957 Valor P (F)
0.000082
6262.407
6268.819
Tabela 10.1: Resultados de duas fases estimativa de mnimos quadrados do
equao de salrios.
A sintaxe bsica esta: TSLS yx; z, onde y o dependente
varivel, x so as variveis explicativas,
z e os instrumentos. Assim, os comandos TSLS gretl chama para o IV
estimador para ser utilizado e
Pgina 401
Pgina 402
seguido pelo modelo linear voc deseja estimar.
O roteiro para o exemplo acima
1 lista x = educ const exper sq_exper
2 lista z = exper const sq_exper mothereduc
3 TSLS l_wage x; z
No roteiro, os regressores para a equao de salrios so coletados em uma lista
chamado x. Os instrumentos,
que deve incluir todas as variveis exgenas do modelo, incluindo
a constante, so colocados em
uma lista chamada z. Note-se que z inclui todos os exgeno
variveis x. Aqui, o dependente
varivel, y, substitudo pelo seu valor real a partir do exemplo, (l salrio).
251
----------------------- Pgina 276 -----------------------
Certamente possvel calcular de dois estgios mnimos quadrados em duas etapas,
mas na prtica, no
uma boa idia para faz-lo. As estimativas de encostas e de interceptao ser o
mesmo que voc comea usando
o estimador TSLS IV regular. Os erros padro no ser
computado corretamente embora. Para
demonstrar, vamos fazer a estimativa em duas etapas e comparar
resultados. O cdigo para fazer Gretl
dois estimativa passo
1 smpl salrio> 0 --restrict
2 ols educ z
3 sries educ_hat = $ yhat
Note-se que a amostra teve de ser restrita aos salrios maiores que zero usando o --restrict
opo. Se voc no fizer isso, a primeira fase de regresso ser estimado
com todos os 753 observaes
em vez de a 428 usada em TSLS. TSLS est implcita limitao da primeira etapa
estimativa para o no-
valores ausentes de l salrio. Voc pode ver que as estimativas coecient so o
Pgina 402
Pgina 403
mesmos que os na Tabela
10.1, mas os erros padro no so.
10.2.3 correlaes parciais
Instrumentos vlidos devem ser correlacionados com a endgena
regressor. No entanto, uma
determinante importante das propriedades estatsticas do estimador IV o
grau de correlao
entre o instrumento e o regressor endgeno. Alm disso, ele
o dente independente
mento entre o instrumento e o regressor endgeno que
importante. O maior, o
melhor.
Uma maneira de chegar a este em um modelo de regresso mltipla parcial a
correlao de variveis
medido com o erro que devido aos regressores exgenos. Qualquer que seja
variao comum que
restos ir medir a correlao entre a varivel independente
medido com o erro e
o instrumento. Isso parece complicado, mas no . simples de fazer em
Gretl.
1 ols Educ const exper sq_exper
2 sries e1 = $ uhat
3 ols mothereduc const sq_exper exper
4 sries e2 = $ uhat
5 ols e1 e2
6 corr e1 e2
A primeira declarao regride const, exper, e exper sq em educ e salva o resduos, e1. A
resduos contm todas as variaes em educ no explicada pelos regressores.
Em Eect, a variao
em const, exper, e exper quadrados foi partialled fora da varivel medida
com o erro, educ.
A segunda regresso faz o mesmo para o instrumento, mothereduc. A
resduos, e2, tem o
correlao com const, exper, e exper sq partialled fora. Regredindo e2 para
rendimentos e1, 0,26769.
Pgina 403
Pgina 404
252
----------------------- Pgina 277 -----------------------
Este acaba por ser exatamente o coecient em mothereduc no
regresso de primeiro estgio. Este
No por acaso, desde coecients regresso so o Eect de um
varivel em outra, segurando o
regressores restantes constant.2
Primeira etapa de regresso: OLS, por meio de observaes 1-428
Varivel dependente: educ
coeficiente std. erro t-ratio
Valor de p
-------------------------------------------------- ---------
const 9,77510 0.423889 23.06
7.57e-077 ***
exper 0.0488615 0.0416693 1.173
0,2416
sq_exper -,00128106 0.00124491 -1,029
0,3040
mothereduc 0.267691 0.0311298 8,599
1.57e-016 ***
A correlao entre os dois conjuntos de resduos produz o que se chama um
correlao parcial. Este
uma correlao onde os eects comuns de const, exper, e exper quadrados foram
removido. A
correlao parcial entre E1 e E2 0,3854. Parcial correlaes desempenhar um papel-chave nos testes para
instrumentos fracos.
10.3 Testes de Especificao
H trs testes de especificao que voc vai achar til com instrumental
variveis de estimao.
Por padro, Gretl calcula cada um deles sempre que voc estimar um
modelo em duas fases, utilizando menos
praas. Abaixo eu vou lev-lo atravs de faz-lo manualmente e vamos
Pgina 404
Pgina 405
comparar os resultados manuais
os gerados automaticamente.
10.3.1 Hausman Teste
O primeiro teste determinar se a varivel independente (s)
em seu modelo (so) em
fato no correlacionados com os erros do modelo. Se assim for, ento menos
quadrados mais mostrassem eficientes do que a IV
estimador. Se no, mnimos quadrados inconsistente e voc deve usar o menos
mostrassem eficientes, mas consistente,
estimador de variveis instrumentais. O nula e alternativa
hipteses so H : Cov (x, e) = 0
o ii
contra H : Cov (x, e) = 0 O primeiro passo a utilizao de menos
quadrados para calcular a primeira fase de
uma ii
TSLS
x = + z + z +
(10.3)
i 1 1 i1 2 i2 i
e para salvar os resduos, .Then, adicione os resduos para o modelo original
Eu
y = + x + +
(10.4)
i 1 2 i ii
Estimar esta equao usando mnimos quadrados e usar o t-ratio
no coecient para testar o
hiptese. Se significativamente di erent de zero, em seguida, o
regressor, xi no exgena ou
2Este demonstra um resultado importante do Teorema Frisch-Waugh-Lovell.
253
----------------------- Pgina 278 -----------------------
Pgina 405
Pgina 406
predeterminada em relao ao ei e voc deve usar o estimador IV
(TSLS) para estimar 1 e
. Se no for significativa, em seguida, usar o estimador mais mostrassem eficientes, OLS.
2
O script Gretl para o teste de Hausman aplicado equao de salrios :
aberto "C: \ Arquivos de Programas \ gretl \ data \ poe \ mroz.gdt"
toras salrio
lista x = educ const exper sq_exper
lista z2 = exper const sq_exper mothereduc fathereduc
ols educ z2 --quiet
srie ehat2 = $ uhat
ols l_wage x ehat2
Observe que a equao overidentified. H dois
instrumentos adicionais, mothereduc
e fathereduc, que esto sendo usados por um regressor endgeno solitrio,
educ. Superidentificao
Basicamente, significa que voc tem mais instrumentos do que o necessrio para
estimar o modelo. As linhas 5
e 6 do script so usados para obter os resduos de menos
quadrados a estimativa do primeiro estgio
regresso, ea ltima linha adiciona-los ao modelo de salrios, o que estimativa de mnimos quadrados.
A t-ratio em ehat2 = 1,671, o que no significativo ao nvel de 5%. Gostaramos
Conclui-se que o
instrumentos so exgenas.
Voc deve ter notado que sempre que voc usa em dois estgios de mnimos quadrados em Gretl
que o programa
produz automaticamente a estatstica de teste para o teste de Hausman. Tem
vrias formas de dierent
computar esta estatstica por isso no se surpreenda se ele di ers do que voc
calcular manualmente usando
o script acima.
10.3.2 Teste de Instrumentos fracos
Pgina 406
Pgina 407
Para testar instrumentos fracos, regredir cada varivel independente suspeito de
sendo contempora-
neamente correlacionada com o erro (x) para todos os instrumentos (interno
e externo). Suponha
k
xK regressor endgeno. A primeira etapa de regresso :
x = + x + + x + z +
+ z + (10.5)
K 1 2 2 K -1 K -1 1 1
LLK
Neste formato, o z,. . ., Z so os instrumentos externos.
Os outros, x,. . ., Z so
1 L
2 K -1
exgena e so usados como instrumentos para si (ou seja,
interno para o modelo). Se o F
estatstica associada com a hiptese de que os coecients no
instrumentos externos, ,. . . ,
1
L so conjuntamente zero inferior a 10, depois de concluir que os instrumentos so
fraco. Se maior
que 10, voc concluir que os instrumentos so fortes o suficiente.
O script a seguir usa menos
quadrados para realizar trs ensaios. A primeira regresso assume que h apenas
um instrumento, z 1;
a segunda de que o nico instrumento Z2; o terceiro assume ambas so
instrumentos.
aberto "gretldir \ Data \ poe \ mroz.gdt"
smpl salrio> 0 --restrict
254
----------------------- Pgina 279 -----------------------
salrio registros
exper quadrado
lista x = educ const exper sq_exper
lista z2 = exper const sq_exper mothereduc fathereduc
Pgina 407
Pgina 408
ols educ z2
omitir mothereduc fathereduc
Ao omitir segue uma regresso OLS, Gretl estima um restrito
modelo onde as variveis
listado depois de ele for omitido do modelo acima. Em seguida, realiza uma junta
teste de hiptese de que a
coecients das variveis omitidas so zero contra a alternativa de que um ou
mais no so zero.
A opo --quiet reduz a quantidade de sada que voc tem que percorrer por
suprimindo a
impresso das regresses; apenas os resultados do teste so impressos. A sada
de Gretl aparece em
Figura 10.3 abaixo: O valor F = 55,4, que est muito para alm 10.
rejeitar a hiptese de que
os instrumentos (externos) mothereduc e fathereduc so fracos em favor da
alternativa que
eles so fortes.
Gretl prova o seu valor aqui. Sempre que voc estimar um modelo usando
dois mnimos quadrados de palco,
Gretl ir calcular a estatstica de teste para a deteco de instrumentos fracos.
10.3.3 Sargan Teste
O teste final o teste de Sargan das restries sobre-identificao implcita
por um overidentified
modelo. Lembre-se que para ser overidentified apenas significa que voc tem mais
instrumentos do que voc tem
regressores endgenos. No nosso exemplo, temos um nico endgeno
regressor (educ) e dois
instrumentos (mothereduc e fatehreduc). O primeiro passo a
estimar o modelo usando TSLS
2
utilizando todos os instrumentos. Guardar os resduos e depois regredir estes na
instrumentos sozinho. TR
desta regresso de aproximadamente 2 com graus de liberdade igual
com o nmero de excesso
2
Pgina 408
Pgina 409
instrumentos. Gretl faz isso facilmente, uma vez que economiza TR como parte de
a regresso de sada habitual,
onde T o tamanho da amostra (o que estamos chamando de N na transversal
exemplos). O roteiro do
Sargan teste seguinte:
Um abertas "gretldir \ data \ poe \ mroz.gdt"
3 logs travar
4 exper quadrado
6 lista z2 = exper const sq_exper mothereduc fathereduc
7 TSLS l_wage x; z2
8 sries ehat2 = $ uhat
9 ols ehat2 z2
10 = $ teste escalar trsq
11 pValue X 2 teste
255
----------------------- Pgina 280 -----------------------
As primeiras seis linhas de abrir os dados, restringe a amostra, gera os logs e
praas, e cria listas
de regressores e instrumentos. Na linha 7, o modelo estimado usando TSLS
com as variveis
lista x como regressores e aqueles em Z2 como instrumentos. Na linha 8 resduos
so salvos como ehat2. Em seguida,
na linha 9 a regresso estimada por mnimos quadrados ordinrios utilizando o
resduos e instrumentos como
2
regressores. TR recolhido eo valor-p calculado na ltima linha.
O resultado :
Teste escalar gerado = 0.378071
Qui-quadrado (2): rea direita de 0.378071 = 0.827757
( esquerda: 0,172243)
Pgina 409
Pgina 410
O valor-p grande e a hiptese nula de que a sobre-identificao
restries so vlidas no pode
ser rejeitada. Os instrumentos so determinados para ser ok. Rejeio da hiptese nula
hiptese pode significar
que os instrumentos so ou correlacionados com os erros ou que sejam
variveis omitidas no
modelo. Em ambos os casos, o modelo estimada como mal especificado.
Finalmente, Gretl produz esses testes sempre que voc estimar um modelo usando
TSLS. Se o modelo for
exactamente identificado, ento os resultados do teste de Sargan so omitidos. Aqui est o que
a sada semelhante em
a exemplo dos salrios:
Teste de Hausman -
Hiptese nula: as estimativas de MQO so consistentes
Asymptotic estatstica de teste: 2 (1) = 2,8256
com valor de p = 0.0927721
Sargan sobre-identificao de teste -
Hiptese nula: todos os instrumentos so vlidos
Estatstica de teste: LM = 0.378071
com valor de p = P (2 (1)> 0,378071) = 0,538637
Teste fraco instrumento -
Primeira fase F (2, 423) = 55,4003
Limites de TSLS tamanho mximo desejado, quando em execuo
testes com 5% de um nvel nominal de significncia:
Tamanho 10% 15% 20% 25%
valor 19,93 11,59 8,75 7,25
O tamanho mximo provavelmente menos de 10%
Pgina 410
Pgina 411
Voc pode ver que o teste estatstico de Hausman DIERS da que calculamos
manualmente utilizando o
script. No entanto, o valor de p associado a esta verso e nossa
acima so praticamente os mesmos.
256
----------------------- Pgina 281 -----------------------
Os resultados do teste de resistncia de instrumento e o Sargan
teste para overdentification so
o mesmo. Em concluso, no h necessidade de calcular qualquer destes testes
manualmente, a menos que voc quiser
para.
Finalmente, voc tambm vai ver que algumas informaes adicionais
sendo impressa na parte inferior do
o teste para instrumentos frgeis. A regra de polegar sugerimos
que, se o F > 10 ento
instrumentos so relativamente fortes. Isso levanta a questo, por que no usar o
usual 5% valor crtico
da F-distribuio para realizar o teste? A resposta que instrumental
variveis estimadores
(Embora consistente) so tendenciosos em pequenas amostras. O mais fraco dos instrumentos,
quanto maior o preconceito.
Na verdade, a polarizao inversamente relacionada com o valor da estatstica-F. Um F =
10 mais ou menos equivalente
para 1 / F = 10% de polarizao em muitos casos. O outro problema causado pela fraca
instrumentos que eles
AECT a distribuio assinttica da t- habitual e F-estatsticas.
Esta tabela gerado para dar
uma idia mais especfica do que o tamanho real dos fracos
teste de instrumentos . Por exemplo, se
voc est disposto a rejeitar instrumentos fracos 10% do tempo, ento use uma crtica
valor de 19,93. A
regra de polegar valor de 10 levaria rejeio real dos instrumentos fracos
algures entre
15% e 20% do tempo. Desde a nossa F = 55,4> 19,93 conclumos que o nosso teste
tem um tamanho inferior a
10%. Se assim for, voc esperaria que o estimador TSLS resultante com base nesses muito
instrumentos fortes
para expor vis relativamente pequeno.
Pgina 411
Pgina 412
10.3.4 Mltiplas Regressores endgenos e do F-teste Cragg-Donald
3 Cragg e Donald (1993) propuseram um teste estatstico que pode
ser utilizado para testar a fraco
identificao (ou seja, instrumentos fracos). A fim de calcular o manualmente,
voc tem que obter um conjunto
de correlaes cannicas. Estes no so computados no Gretl por isso vamos usar
outro software livre, R,
para fazer parte dos clculos. Por outro lado, gravuras gretl
o valor do Cragg-Donald
estatstica por padro, ento voc no ter que ir a todos estes problemas. Ainda assim, a ilustrar um poderoso
caracterstica do Gretl usaremos R para calcular parte desta estatstica.
Uma soluo para a identificao de instrumentos fracos em modelos com mais de um
regressor endgeno
baseia-se na utilizao de correlaes cannicas. Correlaes cannicas so uma
generalizao do habitual
conceito de uma correlao entre duas variveis e tentativa de descrever o
associao entre duas
conjuntos de variveis.
Seja no tamanho da amostra, B o nmero de lateral do lado direito
variveis endgenas, G o
nmero de variveis exgenas includo na equao (incluindo o
intercepto), G o nmero de
instrumentos-ie externos, aqueles no includos na regresso. Se temos dois
variveis no primeiro
conjunto de variveis e duas variveis do segundo set, ento h
duas correlaes cannicas, R1
e r.
2
Um ensaio para a identificao fraco, o que significa que os instrumentos sejam
correlacionada com endgeno
regressores, mas no muito altamente baseia-se na Cragg-Donald F-teste estatstico
Cragg-Donald - F = [(N - G - B) / L] [r2 / (1 - R2)]
(10.6)
B
B
Pgina 412
Pgina 413
3Os clculos nesta seo utilizao R. Voc deve consultar o Apndice D para
algumas dicas sobre como usar o R.
257
----------------------- Pgina 282 -----------------------
A estatstica de Cragg-Donald reduz aos instrumentos fracos habituais
F-teste, quando o nmero de
variveis endgenas B = 1 Os valores crticos para essa estatstica teste tem
foram tabulados pelo Banco
e Yogo (2005), para que possamos testar a hiptese nula de que a
instrumentos so fracos, contra
a alternativa que eles no so, por duas consequncias particulares do fraco
instrumentos.
O problema com os instrumentos fracos resumida por Hill et al. (2011, p.
435):
Vis Relativa: Na presena de instrumentos fracos a quantidade de vis na
IV estimador pode
tornar-se grande. Estoque e Yogo considerar o vis quando
estimar os coecients do
variveis endgenas. Eles examinam o vis mxima IV estimador
em relao ao vis de
o estimador de mnimos quadrados. Estoque e Yogo dar a ilustrao de
estimar o retorno
educao. Se um pesquisador acredita que os mnimos quadrados
estimador suers um vis mximo
de 10%, e se a relao de polarizao de 0,1, ento o mximo de polarizao do IV
estimador de 1%.
Rejeio Rate (Tamanho Test): Ao estimar um modelo com endgeno
regressores, hy- testes
hip- sobre os coecients das variveis endgenas
freqncia de interesse. Se
escolher o = 0,05 nvel de significncia espera-se que um verdadeiro nulo
hiptese rejeitada 5%
do tempo em amostras repetidas. Se os instrumentos so fracos, ento o
taxa de rejeio real do
hiptese nula, tambm conhecido como o teste de tamanho, pode ser maior. Banco e
Segundo critrio de Yogo
a taxa mxima rejeio de uma hiptese nula verdadeira se escolhermos =
Pgina 413
Pgina 414
0,05. Por exemplo,
podemos estar dispostos a aceitar uma taxa de rejeio mximo de 10% para um teste em
o nvel de 5%, mas
podemos no estar disposto a aceitar uma taxa de rejeio de 20% para um nvel de 5%
teste.
O script para calcular a estatstica manualmente dado abaixo:
1 aberta "gretldir \ Data \ poe \ mroz.gdt"
3 logs salrio
4 exper quadrado
5 sries nwifeinc (horrio faminc salrios *) = / 1000
6 lista x = mtr educ kidsl6 nwifeinc const
7 lista z = kidsl6 nwifeinc mothereduc fathereduc const
8 TSLS X horas; z
9 escalar df = $ df
Este primeiro cargas seo inclui muito do que vimos antes. A
os dados so carregados, a amostra
restrito aos assalariados, o log do salrio tomada, a praa
experincia adicionada
dados. Em seguida, uma nova varivel calculado para medir a renda familiar de todos os outros
membros da
domstico. A parte seguinte estima um modelo de horas, como uma funo de mtr,
educ, kidsl6, nwifeinc,
e uma constante. Dois dos regressores so endgenos: mtr e
educ. Os instrumentos externos
so mothereduc e fathereduc; estes juntar-se aos internos (const,
kidsl6, nwifeinc) na
lista instrumento. Os graus de liberdade dessa regresso salvo
calcular (N - G - B) / L.
O prximo conjunto de linhas parciais a influncia do mercado interno
instrumentos em cada um dos
regressores endgenos e nos instrumentos externos.
258
----------------------- Pgina 283 -----------------------
Pgina 414
Pgina 415
10 lista w = const kidsl6 nwifeinc
11 ols mtr w --quiet
12 sries e1 = $ uhat
13 ols educ w --quiet
15 ols mothereduc w --quiet
17 ols fathereduc w --quiet
Agora aqui onde fica interessante. A partir daqui, vamos chamar um
software separado
R chamado para fazer o clculo das correlaes cannicas. Linhas
19-25 segurar o Gretl refere
como um bloco externo.
19 de lngua estrangeira = R --send-dados --quiet
20 conjunto1 <- gretldata [29: 30]
21 set2 <- gretldata [31: 32]
22 CC1 <- cancor (set1, set2)
23 cc <- as.matrix (CC1 $ cor)
24 gretl.export (cc)
25 finais estrangeiros
26
27 vars = mread ("@ dotdir / cc.mat")
28 impresso vars
29 mincc escalar = minc (VARs)
30 escalar cd = df * (mincc ^ 2) / (2 * (1-mincc ^ 2))
31 printf "\ nO Cragg-Donald estatstica 10.4f%. \ N", cd
Um bloco exterior toma a forma
Bloco Foreign sintaxe
Pgina 415
Pgina 416
lngua estrangeira = R [--send de dados] [--quiet]
R ... comandos ...
acabar estrangeira
e alcana o mesmo Eect como enviar os comandos R fechados com a interface grfica em
o noninter-
modo ativo (veja o captulo Gretl e R do Guia do Usurio do Gretl).
Em outras palavras, permite
voc use comandos de dentro R Gretl. Claro, voc tem que
instalou R separadamente,
mas isso aumenta muito o que pode ser feito usando Gretl. A
--send-dados opo organiza para
auto-carregamento dos dados da sesso Gretl actual. A opo --quiet
impede a sada
a partir de R seja ecoada na sada Gretl. O bloco est fechado com uma extremidade
comando externo.
Dentro de nosso bloco estrangeira criamos dois conjuntos de variveis. O primeiro conjunto
inclui a resduos, e1
e e2 calculado acima. Obtm-se a partir de uma matriz de chamada
gretldata. Este o nome
259
----------------------- Pgina 284 -----------------------
Gretl que d para matrizes de dados que so passados em R. Voc tem
para puxar as variveis desejadas
de gretldata. Neste caso eu usei um meio bastante inartful mas eective de
faz-lo. Estes dois
variveis esto localizados nas colunas 29 e 30 de gretldata.
Estes tambm acontecer a ser o seu
Nmeros de identificao em Gretl. A linha 20 coloca essas duas variveis em conjunto1.
O segundo conjunto de resduos colocado em conjunto2. Em seguida, de R cancor
funo usada para encontrar o
correlaes cannicas entre os dois conjuntos de resduos. Todo o conjunto de
os resultados so armazenados como em R
cc. Este objeto contm muitos resultados, mas s precisamos da cannica real
correlaes
os dois conjuntos. As correlaes cannicas so armazenados dentro cc como cor. Eles
so recuperados como cc $ cor
e colocados em uma matriz com o comando de R as.matrix. Estes so
Pgina 416
Pgina 417
exportado para Gretl como cc.mat. R
acrescenta o sux .mat. cc.mat colocado em seu diretrio de trabalho.
O prximo passo ler o cc.mat em Gretl. Em seguida, na linha
tomamos o menor cannica
correlao e us-lo em linha para calcular a estatstica de Cragg-Donald.
O resultado impresso para o
tela :
? printf "\ nO Cragg-Donald Estatstica % 6.4f \ n "., cd
A estatstica de Cragg-Donald 0,1006.
Isso corresponde a um automtico produzido por TSLS, o qual apresentado abaixo,
perfeitamente! Mostra tambm
que estes instrumentos so muito fracos.
Fraco teste de instrumento -
Cragg-Donald mnimo eigenvalue = 0.100568
Limites de TSLS tamanho mximo desejado, quando
running
Tamanho 10% 15% 20% 25%
valor 7,03 4,58 3.95 3.63
Tamanho mximo pode exceder 25%
Claro, voc pode fazer este exerccio sem o uso de R tambm.
Lngua matriz do Gretl muito
poderosa e voc pode facilmente obter as correlaes cannicas de dois conjuntos de
regressores. A seguir
funcrion4 faz exatamente isso.
1 funo matriz cc (lista Y, X lista)
Matriz 2 Meus = cdemean ({Y})
Matriz = 3 mX cdemean ({X})
Pgina 417
Pgina 418
4
Matriz 5 YX = mY'mX
6 matriz XX = mX'mX
Matriz 7 YY = mY'mY
4 Funo fornecido pela guru Gretl Riccardo Lucchetti.
260
----------------------- Pgina 285 -----------------------
8
Matriz 9 ret = eigsolve (qform (YX, invpd (XX)), YY)
Sqrt 10 return (ret)
11 fim funo
A funo chamada cc e tem dois argumentos, como o de R. alimentao
a funo de duas listas,
contendo cada um dos nomes de variveis a serem includas em cada conjunto para o qual o
correlaes cannicas
so necessrios. Em seguida, as variveis em cada conjunto so humilhadas usando o muito til
funo cdemean.
Esta funo centra as colunas da matriz em torno do argumento
coluna significa. Em seguida, o
vrios produtos cruzados so tomadas (YX, XX, YY) e os valores prprios para
| Q - Y Y | = 0, onde
Q = (Y | X) (XX) -1 (YX) T, so devolvidos.
Ento, para obter o valor da Cragg-Donald F, montar os dois conjuntos de
residuais e usar o
funo cc para obter as correlaes cannicas.
1 lista E1 = e1 e2
2 lista E2 = e3 e4
3
Pgina 418
Pgina 419
4 l = cc (E1, E2)
5 escalar mincc = Minc (l)
7 printf "\ nO Cragg-Donald estatstica 10.4f%. \ N", cd
10.4 Simulao
Em anexo 10F de POE4, os autores conduzem a Monte Carlo
comparando a experincia
desempenho de OLS e TSLS. A simulao de base baseia-se no modelo
y = x + e
(10.7)
x = z1 + + z2 z3 + v
(10.8)
O zi so instrumentos exgenos que so cada N (0,1). Os erros, e e v,
so
1
e 0
N ,
(10.9)
v 0 1
O parmetro controla a fora dos instrumentos e definida
para 0,1 ou 0,5. A
parmetro controla a endogeneidade de x. Quando = 0, x
exgeno. Quando = 0,8
seriamente endgeno. O tamanho da amostra definido para 100 e 10.000 amostras simuladas
so desenhados.
O script Gretl para realizar a simulao aparece abaixo:
261
----------------------- Pgina 286 -----------------------
1 escalar N = 100
Pgina 419
Pgina 420
2 nulldata N
3 escalar rho = 0,8 set # r = (0.0 ou 0.8)
4 escalar p = 0.5 # set p = (0,1 ou 0,5)
Matriz 5 S = {1, r; r, 1}
Matriz 6 C = cholesky (S)
7
8 z1 srie = normal (N, 1)
9 z2 = srie normal (N, 1)
10 Z3 srie = normal (N, 1)
11 xs srie = P * z1 + z2 + P * P * Z3
12 lista z = z1 z2 z3
13
15 erros matriz = mnormal (n, 2) * C '
16 sries v = erros [1]
17 sries e = erros [2]
18 x = v + xs
19 y = x + e
20 ols x const --quiet z
21 escalar f = $ fStat
22 ols y 0 x --quiet
23 b_ols escalares = $ coeff (x)
24 TSLS y 0 x; 0 z --quiet
25 escalar b_tsls = $ coeff (x)
26 loja coef.gdt b_ols b_tsls f
27 b_ols impresso b_tsls f
28 endloop
A parte superior do script inicializa todos os parmetros para o
simulao. O tamanho da amostra
est definido para 100, um conjunto de dados vazio criado, os valores de e
Pgina 420
Pgina 421
so definidos, ento a covarincia
matriz criada e a decomposio de Cholesky feita. O Cholesky
decomposio um truque
utilizado para criar correlao entre os resduos. H mais
forma transparente para fazer isso (por exemplo,
e = rho * v + Normal (0,1)), mas isso um truque til de usar, especialmente
quando voc quer correlacionar
mais de duas sries. A parte sistemtica de x criado e chamado xs
e uma lista de conter o
instrumentos tambm criado.
O circuito usa a opo --progressive e se prepara para fazer 10 mil iteraes.
A matriz chamado
erros utiliza a decomposio de Cholesky da covarincia para criar a varincia
erros correlacionados.
A primeira coluna que atribumos v ea segunda para o e. A
endgena regressor x criado por
v adio poro sistemtica do modelo, e, em seguida, a varivel dependente
na regresso
criado. A primeira linha de regresso em 20 a forma reduzida. A
estatstica F geral deste
regresso pode servir como teste para instrumentos fracos j que no h outro
variveis exgenas
no modelo. A forma de omitir o teste F no funciona em um ciclo progressivo
por isso evitei-lo aqui.
As estimativas de inclinao para mnimos quadrados e de dois estgios mnimos quadrados so coletados,
armazenado para coef.gdt,
e impresso.
Para esta parametrizao particular, obtive o seguinte resultado:
262
----------------------- Pgina 287 -----------------------
Estatsticas para 10000 repeties
Mdia varivel std. dev.
b_ols 1,42382 0.0532148
b_tsls 1,00887 0.106816
f 30,6130 7,88943
Com instrumentos fortes, TSLS basicamente imparcial. Mnimos quadrados
Pgina 421
Pgina 422
srio tendenciosa. Aviso
que o valor mdio do instrumento de teste fraca 30,6, indicando a
instrumentos fortes. Experimente
mudando p r e para replicar os resultados da Tabela 10F.1 de POE4.
10,5 Script
1 set echo off
2 abertos "gretldir \ data \ poe \ mroz.gdt"
3 logs travar
4 exper quadrado
5
8 # mnimos quadrados e IV estimativa da equao de salrios
9 ols l_wage x
10 TSLS l_wage x; z
11
12 # TSLS - manualmente
14 ols educ z
15 sries educ_hat = $ yhat
16 ols l_wage educ_hat const exper sq_exper
17
18 # correlaes parciais - o resultado FWL
19 ols educ const sq_exper exper
21 ols mothereduc const sq_exper exper
Pgina 422
Pgina 423
23 ols e1 e2
24 corr e1 e2
25
27 lista z1 = const exper sq_exper fathereduc
28 lista z2 = const exper sq_exper mothereduc fathereduc
29
30 # Hausman teste com diferentes conjuntos de instrumentos
31 ols educ z --quiet
33 ols l_wage x ehat
34
35 ols educ z1 --quiet
263
----------------------- Pgina 288 -----------------------
37 ols l_wage x ehat1
38
39 ols educ z2 --quiet
41 ols l_wage x ehat2
42
Pgina 423
Pgina 424
43 # fraco instrumentos
47 quadrado exper
48 lista x = const educ exper sq_exper
50 ols educ Z2
51 omitir mothereduc fathereduc
52
53 # teste de Sargan de superidentificao
54 TSLS l_wage x; z2
56 ols uhat2 z2
57 escalar teste = $ trsq
58 pValue X 2 teste
59
61
65 quadrado exper
66 lista x = const educ exper sq_exper
70 ols ehat2 z2
Pgina 424
Pgina 425
71 escalar teste = $ trsq
72 pValue X 2 teste
73
74 # Cragg-Donald F
78 quadrado exper
79 sries nwifeinc = (faminc salrios horas *) / 1000
81 lista z = kidsl6 nwifeinc mothereduc fathereduc const
82 TSLS horas x; z
83 escalar df = $ df
Lista de 84 w = const kidsl6 nwifeinc
85 ols mtr w --quiet
264
----------------------- Pgina 289 -----------------------
87 ols educ w --quiet
89 ols mothereduc w --quiet
91 ols fathereduc w --quiet
93
94 # correlaes cannicas em R
95 de lngua estrangeira = R-dados --send --quiet
96 conjunto1 <- gretldata [29: 30]
97 set2 <- gretldata [31: 32]
Pgina 425
Pgina 426
98 CC1 <- cancor (set1, set2)
99 cc <- as.matrix (CC1 $ cor)
100 gretl.export (cc)
101 finais estrangeiros
102
103 vars = mread ("@ dotdir / cc.mat")
104 impresso vars
105 escalar mincc = Minc (VARs)
107 printf "\ NO Cragg-Donald Estatstica % 6.4f. \ N", cd
108
109 # correlaes cannicas em Gretl
Funo 110 cc matriz (lista Y, X lista)
Matriz 111 mY = cdemean ({Y})
Matriz = 112 mX cdemean ({X})
113
114 matriz YX = mY'mX
115 matriz XX = mX'mX
116 matriz YY = mY'mY
117
118 matriz ret = eigsolve (qform (YX, invpd (XX)), YY)
119 retorno sqrt (ret)
Funo 120 final
121
Pgina 426
Pgina 427
122 lista E1 = e1 e2
123 lista E2 = e3 e4
124
125 l = cc (E1, E2)
126 escalar mincc = Minc (l)
128 printf "\ NO Cragg-Donald estatstica 10.4f%. \ N", cd
129
130 # simulao para ols e TSLS
131 escalar N = 100
132 nulldata N
133 escalar ro = 0,8 set # r = (0.0 ou 0.8)
134 escalar p = 0,5 # p = conjunto (0.1 ou 0.5)
Matriz 135 S = {1, r; r, 1}
Matriz 136 C = cholesky (S)
137
265
----------------------- Pgina 290 -----------------------
139 z2 = srie normal (N, 1)
141 xs srie = p * z1 + P * z2 + P * z3
142 lista z = z1 z2 z3
143
Pgina 427
Pgina 428
Matriz 145 erros = Mnormal (N, 2) * C '
146 sries v = erros [1]
147 sries e = erros [2]
148 x = xs + V
149 y = x + E
150 ols x const --quiet z
151 escalar f = $ fStat
152 ols y 0 x --quiet
153 escalar b_ols = $ Coef (x)
154 TSLS y 0 x; 0 z --quiet
155 escalar b_tsls = $ Coef (x)
156 loja coef.gdt b_ols b_tsls f
157 b_ols impresso b_tsls f
158 endloop
266
----------------------- Pgina 291 -----------------------
Figura 10.2: Duas fases caixa de dilogo mnimos quadrados
Figura 10.3: Resultados da utilizao da declarao omitir, depois dos mnimos quadrados
267
----------------------- Pgina 292 -----------------------
Captulo 11
Equaes simultneas Models
No captulo 11 de POE4 os autores apresentam um modelo de oferta e demanda.
O economtrico
modelo contm duas equaes e duas variveis dependentes. A
factor distintivo para os modelos
deste tipo que os valores de dois (ou mais) do que as variveis so conjuntamente
determinada. Isso significa
que uma alterao numa das variveis faz com que o outro para alterar e vice-versa.
A estimativa de um
Pgina 428
Pgina 429
equaes simultneas modelo demonstrada utilizando o exemplo que verdade
explicada abaixo.
11.1 verdadeiro exemplo
Considere um modelo de oferta e demanda por trues:
q = + p + ps + di + ed
(11.1)
i 1 I 2 3 4 i ii
q = + + p pf + es
(11.2)
i 1 2 i 3 ii
A primeira equao (11.1) a demanda e q nos a quantidade de trues negociadas em um
especial francs
mercado, p o preo de mercado trues, ps o preo de um substituto mercado
bom, e por di
rendimento disponvel per capita dos residentes locais. A equao de oferta
(11.2) contm a varivel
pf, que o de um factor de produo. Cada observao
indexado por i, i = 1, 2,. . . , N.
Como explicado no texto, preos e quantidades em um mercado so
determinados em conjunto; , portanto, na presente
economtrico modelo p e q so ambos endgeno para o sistema.
268
----------------------- Pgina 293 -----------------------
11.2 As equaes de forma reduzida
As equaes reduzidas de forma expressar cada varivel endgena como linear
funo de todos
varivel exgena em todo o sistema. Ento, para nosso exemplo
q = + ps + + di pf +
(11.3)
i 11 21 i 31 i 41 i
i1
Pgina 429
Pgina 430
p = + ps + + di pf +
(11.4)
i 12 22 i 32 i 42 i
i2
Uma vez que cada uma das variveis independentes exgena em relao ao
q e p, a forma reduzida
equaes (11.3) e (11.4) pode ser estimada utilizando mnimos quadrados. Em Gretl o
script
1 aberta "gretldir \ Data \ poe \ truffles.gdt"
2 lista z = const ps di pf
3 ols qz
4 ols pz
Os resultados aparecem na Tabela gretl 11.1 Cada uma das variveis est dierent individualmente a partir de zero
q = 7,89510 + 0,656402 ps + 2,16716 di - 0,506982 pf
(2.434) (4.605) (3,094)
(-4,181)
2
T = 30 R = 0,6625 F (3, 26) = 19,973 =
(estatsticas t entre parnteses)
p = 1,70815 -32,5124 + ps + 7,60249 + 1,35391 di pf
(-4,072) (4,868) (4,409)
(4,536)
2
T = 30 R = 0,8758 F (3, 26) = 69,189 =
Tabela 11.1: As estimativas de mnimos quadrados da forma reduzida
Pgina 430
Pgina 431
equaes.
a 5%. Os F-estatsticas globais so 19,97 e 69,19, ambos significativos a 5% como
bem.
11.3 As Equaes Estruturais
As equaes estruturais so estimados atravs de dois estgios mnimos quadrados. A
comandos bsicos gretl
para este estimador so discutidos no Captulo 10 Os instrumentos consistem de tudo
variveis exgenas,
ou seja, as mesmas variveis que voc usa para estimar as equaes de forma reduzida (11,3)
e (11.4).
269
----------------------- Pgina 294 -----------------------
O Gretl comandos para abrir os dados verdadeiros e estimar o estrutural
equaes usando dois
fase mnimos quadrados so:
1 aberto "gretldir \ data \ poe \ truffles.gdt"
2 lista z = const ps di pf
3 TSLS q const p ps di; z
4 TSLS q const p pf; z
A segunda linha das estimativas de script coloca toda a exgena
variveis em uma lista chamada z.
Essas variveis so aqueles usados para calcular a regresso de primeiro estgio, ou seja,
a lista de instrumentos.
Linha 3 estima os coecients da equao de demanda por TSLS. O Gretl
comando TSLS chamadas
para o de duas fases estimador de mnimos quadrados, e seguido pela
equaes estruturais desejar
de estimar. Liste a varivel dependente (q) em primeiro lugar, seguido pelos regressores
(Const p ps di). A
vrgula separa o modelo a ser estimado a partir da lista de instrumentos, agora
contido no
lista, z. A quarta linha utiliza o mesmo formato para estimar o
parmetros da equao de oferta.
Consulte a seo 10.2, e as Figuras 10.1 e 10.2, especificamente, sobre o uso da
Pgina 431
Pgina 432
GUI para estimar o
modelo.
Os resultados de duas fases a partir de mnimos quadrados estimativa da demanda
equao aparecem abaixo na
Tabela 11.2 O coecient no preo na equao de demanda -0,374 e
significativamente negativo
ao nvel de 5%. bom saber que as curvas de demanda tem inclinao negativa! A
Teste de Hausman para
a exogeneidade de preo igual a 132, com um quase 0 p-valor. Preo
claramente no exgena. A
teste para instrumentos fracos excede 10 Informaes adicionais a partir dos resultados rendimentos
Limites de TSLS tamanho mximo desejado, quando
running
Tamanho 10% 15% 20% 25%
valor 16,38 8,96 6.66 5,53
O tamanho mximo provavelmente menos de 10%
Claramente, o conjunto de instrumentos bastante forte. No h Sargan
teste porque o modelo no
overidentified. Com uma varivel endgena existe apenas um externo
instrumento previsto pela PF
a partir da equao de abastecimento.
Os resultados para a equao de alimentao esto na Tabela 11.3 Neste
caso, o preo em coecient
for positiva (como esperado). O modelo adequadamente overidentified
de acordo com o teste de Sargan (p-
value = 0,216> 0,05), e os instrumentos so devidamente forte
(Primeira fase estatstica F (2, 26) =
41,4873). O resultado do teste de Hausman parece suspeito. A
estatstica perto de zero. A
verificao manual pode ser feito facilmente usando o script:
270
Pgina 432
Pgina 433
----------------------- Pgina 295 -----------------------
TSLS da demanda, por meio de observaes 1-30
Varivel dependente: q
Instrumentado: p
Instrumentos: ps const di pf
Valor de p
const -4,27947 5,54388 -0,7719
0,4402
ps 1,29603 0,355193 3,6488
0,0003
di 5,01398 2,28356 2,1957
0,0281
p -0,374459 0,164752 -2,2729
0,0230
4.613088
4.929960
0.137590
F (3, 26) 5.902645 Valor P (F)
0.003266
395.6130
397.4061
Teste de Hausman -
Asymptotic estatstica de teste: 2 (1) = 132,484
com p-valor = 1.17244e-030
Pgina 433
Pgina 434
Primeira fase F (1, 26) = 20,5717
Tabela 11.2: dois estgios estimativas menos quadrados da demanda de
trues.
1 ols px
2 sries v = $ uhat
3 ols q const p pf v
4 omitir v
O primeiro passo a regress de todos os instrumentos em regressor endgeno, p.
Obter os resduos e
adicion-los equao estrutural para o fornecimento. Reestimate por mnimos quadrados e
verificar o t-ratio
na residual adicionado. Se for significativo, ento p endgeno. Em
Neste exemplo, confirmar a
clculo Gretl. Isso sugere que a equao de oferta pode ser seguramente
estimativa de mnimos quadrados.
Ao faz-lo usando:
ols q const p pf
revela que os resultados so praticamente idnticas s do TSLS. Este um
implicao de ter um
Estatstica de Hausman, que to pequeno. Veja o apndice no captulo 10 do POE4 para
uma bela explicao
por esta.
271
----------------------- Pgina 296 -----------------------
TSLS de abastecimento, por meio de observaes 1-30
Varivel dependente: q
Instrumentado: p
Instrumentos: ps const di pf
Valor de p
Pgina 434
Pgina 435
const 20,0328 1,22311 16,3785
0,0000
pf -1,00091 0.0825279 -12,1281
0,0000
p 0.337982 0.0249196 13,5629
0,0000
4.613088
1.497585
0.894610
F (2, 27) 95,25929 Valor P (F)
5.85e-13
Teste de Hausman -
Asymptotic estatstica de teste: 2 (1) = 2.62751e-007
Sargan sobre-identificao de teste -
Hiptese nula: todos os instrumentos so vlidos
Estatstica de teste: LM = 1,53325
com valor de p = P (2 (1)> 1,53325) = 0,215625
Primeira fase F (2, 26) = 41,4873
Tabela 11.3: dois estgios estimativas menos quadrados da demanda de
trues.
11,4 Fulton Peixe Exemplo
O script a seguir calcula as equaes de forma reduzida utilizando menos
quadrados e a demanda
Pgina 435
Pgina 436
equao usando duas fases mnimos quadrados por exemplo Fulton Peixe de Graddy.
No exemplo, ln (quan) e ln (preo) so endogenamente determinada. L
so vrios potencial
instrumentos que esto disponveis. A tempestade varivel pode ser til
na identificao da procura
equao. Para que a equao de demanda de ser identificado, h
deve ser, pelo menos, uma varivel
disponvel que influencia eectively o fornecimento de peixe sem aecting
sua demanda. Presumivelmente,
tempo tempestuoso aects captura dos pescadores sem aecting apetite das pessoas
para os peixes! Logicamente,
tempestuosa pode ser um bom instrumento.
O modelo de procura inclui um conjunto de variveis indicadoras para o dia da
semana. Sexta-feira omitido
para evitar a armadilha varivel dummy. No se espera que estas variveis dia de semana
para fornecimento AECT;
pescadores capturam a mesma quantidade, em mdia, todos os dias teis.
O dia da semana pode AECT
exigir, porm, desde que as pessoas em algumas culturas comprar mais peixe em alguns dias do que
outros.
272
----------------------- Pgina 297 -----------------------
A equao de demanda :
ln (quan) = + ln (preo) + mon + ter + casar +
qui + e (11.5)
1 2 3 4 5
6 d
A oferta aected pelo clima nos ltimos trs dias, o que
capturado no indicador
tempestuosa varivel.
ln (quan) = + Ln (preo) + + e tempestuoso
(11.6)
1 2 3
s
Em ambas as equaes de demanda e oferta, ln (preo) a endgena lado direito
Pgina 436
Pgina 437
varivel. Iden-
tificao da equao de demanda requer tempestuoso a ser significativamente
correlacionada com lprice. Este
pode ser determinada examinando o t-relao na forma reduzida lprice
equao.
Para o abastecimento de ser identificados, pelo menos, um dos dias da semana manequim
variveis (SEG TER QUA
qui) que so excludos a partir da equao de alimentao, tem de ser significativamente
correlacionada com lprice em
a forma reduzida. Se no, a equao de oferta no pode ser estimado; no
identificado.
Prosseguindo com a anlise, abrir os dados e estimar a forma reduzida
equaes para lquan
e lprice. V em frente e realizar o teste comum de o dia da semana
variveis usando o --quiet
opo.
1 aberta "gretldir \ Data \ poe \ fultonfish.gdt"
2 #Estimate a reduzida equaes de forma
3 lista dias = SEG TER QUA QUI
4 lista z = tempestuoso const dias
5 ols lquan z
6 omitir dias --quiet
7 ols lprice z
8 omitir dias --quiet
Observe como o comando lista usada. Uma lista separada criada para conter o
variveis indicadoras.
Isso nos permite adicion-los como um conjunto para a lista de instrumentos na
linha 4 e para testar a sua articulao
significncia na equao de forma reduzida para o preo nas linhas 6 e 8.
Os reduzidos resultados do formulrio para
lquan aparecem abaixo:
Modelo 1: MQO estimativas usando as 111 observaes 1-111
Varivel dependente: lquan
Pgina 437
Pgina 438
Varivel Coecient Std. Erro estatstica t
Valor de p
const 8.810 0,147 59,922
0,000
tempestuoso -0.388 0,144 -2,698
0.008
mon 0,101 0,207 0,489
0,626
tue -0,485 0,201 -2,410
0,018
wed -0,553 0,206 -2,688
0.008
qui 0,054 0,201 0.267
0.790
273
----------------------- Pgina 298 -----------------------
Erro padro dos resduos () 0.681790
No ajustado R2 0.193372
F (5, 105) 5,03429
p-valor para F ()
0,000356107
e os resultados para lprice
Modelo 2: MQO estimativas usando as 111 observaes 1-111
Varivel dependente: lprice
Valor de p
const -0,272 0,076 -3,557
0,001
tempestuoso 0,346 0,075 4,639
0,000
mon -0,113 0,107 -1,052
0.295
tue -0,041 0,105 -0,394
Pgina 438
Pgina 439
0.695
wed -0,012 0,107 -0,111
0,912
qui 0,050 0,104 0.475
0.636
No ajustado R2 0.178889
F (5, 105) 4,57511
p-valor para F () 0,000815589
Na equao de forma reduzida por preo, tempestuoso altamente significativa com a
t-ratio de 4,639. Este
implica que a equao de procura identificado e pode ser estimada
com os dados. Um teste comum
o significado das variveis indicadoras dirios revela que eles no so
conjunto significativo; o
Estatstica F tem um valor-p de apenas 0,65. Uma vez que os indicadores esto sendo dirios
utilizados como instrumentos para
estimativa de abastecimento, o fornecimento equao estrutural no identificado pelos dados e
no pode ser estimada
sem melhores variveis.
Os dois estgios de mnimos quadrados estimativas da equao de demanda so obtidos
usando:
#TSLS Estimativas de demanda
TSLS lquan dias lprice const; z
para produzir o resultado:
Modelo 3: TSLS estimativas usando as 111 observaes 1-111
Varivel dependente: lquan
Instrumentos: tormentoso
274
----------------------- Pgina 299 -----------------------
Pgina 439
Pgina 440
Valor de p
const 8,506 0,166 51,189
0,000
mon -0.025 0,215 -0,118
0,906
tue -0,531 0,208 -2,552
0,011
wed -0,566 0,213 -2,662
0.008
qui 0,109 0,209 0.523
0,601
lprice -1,119 0,429 -2,612
0.009
Mdia da varivel dependente
8,52343
DP de varivel dependente
0.741672
Soma dos quadrados dos resduos
52,0903
Erro padro dos resduos ()
0.704342
F (5, 105)
5,13561
p-valor para F ()
0,000296831
Teste de Hausman -
Estatstica de teste assinttica: 2 = 2,4261
1
Primeira fase F (1, 105) = 21,5174
O coecient em lprice negativo e significativo. Ela tambm aparece
que a demanda significativamente
menor na tera-feira e quarta-feira em relao a sexta-feira. A
Hausman teste para a exogeneidade
de lprice no rejeitada em 5%. Isto sugere que os mnimos quadrados
pode ser um meio adequado para
estimar os parmetros neste caso. Alm disso, os instrumentos parecem
Pgina 440
Pgina 441
suciently forte, isto ,
F = 21,51> 10.
11,5 Alternativas para TSLS
Existem vrias alternativas para o estimador de IV / TSLS padro. Entre
eles a limitada
informaes de mxima verossimilhana (LIML) estimador, que foi derivado pela primeira vez por
Anderson e Rubin
(1949). H um interesse renovado em LIML porque as evidncias indicam que ele
desempenho melhor do que
TSLS quando os instrumentos so fracos. Vrias modificaes de LIML tm
foi sugerido por Fuller
(1977) e outros. Estes estimadores so unificados em um quadro comum, ao longo
com TSLS, usando
a idia de uma classe k de estimadores. LIML suers menos do tamanho de teste
aberraes do que o TSLS
estimador, ea modificao Fuller suers menos de preconceitos. Cada
destas alternativas ser
considerado abaixo.
Em um sistema de M equaes simultneas deixar o endgeno
variveis ser y, y,. . . , Y. Vamos
1 2 M
haver K variveis exgenas x, x,. . . , X. O primeiro estrutural
equao dentro deste sistema
1 2 K
y = y + x + x + E
(11.7)
1 2 2 1 1 2 2 1
275
----------------------- Pgina 300 -----------------------
O y varivel endgena reduziu forma y = x + x +
+ x + v E = (y) + v,
2 2 12 1 22 2
K2 K 2 2 2
que consistentemente estimada por mnimos quadrados. As previses do
forma reduzida so
Pgina 441
Pgina 442
E (y) = x + x + x
(11.8)
2 12 1 22 2 K2 K
e os resduos so v = Y - E (y).
2 2 2
A de dois estgios estimador de mnimos quadrados um estimador IV usando E
(Y) como instrumento. A
2
classe k estimador um estimador IV utilizando instrumental varivel y -
kv. O estimador LIML
2
2
utiliza k = l onde L o rcio mnimo da soma do quadrado dos resduos a partir de dois
regresses. A
explicao dada nas pginas 468-469 de POE4. Uma modificao
sugerido por Fuller (1977) que
utiliza o valor de classe k
uma
k = -
(11.9)
N - K
onde K o nmero total de variveis instrumentais (includos e excludos
variveis exgenas)
e N o tamanho da amostra. O valor de a uma constante, geralmente 1 ou 4 Quando um
modelo apenas identificado,
as estimativas LIML e TSLS sero idnticos. somente em
modelos overidentified que os dois
diverge. H alguma evidncia de que LIML de fato superior ao TSLS quando
instrumentos so
fraco e modelos substancialmente overidentified.
Com os dados Mroz estimamos a equao horas abastecimento
Pgina 442
Pgina 443
horas = + + mtr educ + + kidsl6
+ e nwifeinc (11.10)
1 2 3 4 5
Um script pode ser usado para estimar o modelo via LIML. A seguir
um utilizado para replicar o
resultados apresentados na Tabela 11B.3 de POE4.
Um abertas "gretldir \ data \ poe \ mroz.gdt"
2 exper quadrado
4 horas SMPL> 0 --restrict
6 lista z1 = educ kidsl6 nwifeinc exper const
7 lista z2 = educ kidsl6 nwifeinc exper const sq_exper largecity
8 lista z3 = kidsl6 nwifeinc const fathereduc mothereduc
9 lista z4 = kidsl6 nwifeinc mothereduc const fathereduc exper
10
11 TSLS horas x; z1 --liml
Estimativa LIML usa o comando TSLS com a opo --liml. Os resultados
LIML estimador
o da equao horas, (11,10) o quarto modelo de linha 14, so dadas
abaixo. As variveis mtr
e educ so endgenas, e os instrumentos externos so mothereduc,
fathereduc e exper; dois
variveis endgenas com trs instrumentos externos sugere que o modelo
overidentified em
esta especificao.
Pgina 443
Pgina 444
276
----------------------- Pgina 301 -----------------------
LIML, por meio de observaes 1-428
Varivel dependente: horas
Instrumentado: mtr educ
Instrumentos: const nwifeinc mothereduc fathereduc exper
kidsl6
Valor de p
const 18587,9 3.683,61 5,0461
0,0000
mtr -19196,5 4.003,68 -4,7947
0,0000
educ -197,259 64,6212 -3,0525
0,0023
nwifeinc -104,942 20,6867 -5,0729
0,0000
kidsl6 207,553 163,252 1,2714
0,2036
776.2744
Soma quadrado 3.11e resid + 08 SE da regresso
857.3679
11.988,03
Critrio de Schwarz 12.008,32 Hannan-Quinn
11.996,04
Menor autovalor = 1,00288
LR sobre-identificao de teste: 2 (1) = 1,232 [0,2670]
Os resultados LIML so fceis de replicar usando comandos de matrizes.
Se o fizer, revela alguns dos
O poder de Hansl.
1 matriz y1 = {horas, mtr, educ}
2 matriz w = {kidsl6, nwifeinc, const, exper, mothereduc,
Pgina 444
Pgina 445
fathereduc}
3 matriz z = {kidsl6, nwifeinc, const}
4 matriz Mz = I ($ nobs) z * invpd (z '* z) * z'
5 matriz Mw = I ($ nobs) w * invpd (w '* w) * w'
Matriz 6 Ez = Mz * y1
7 matriz W0 = Ez '* Ez
Matriz 8 Ew = Mw * y1
Matriz 9 W1 = Ew '* Ew
10 matriz G = inv (W1) * W0
11 matriz l = eigengen (G, null)
12 MINL escalar = min (l)
13 printf "\ nO mnimo eigenvalue .8f% \ n", MINL
14 matriz X = {mtr, educ, kidsl6, nwifeinc, const}
15 matriz y = {} horas
Matriz de 16 Km = (I ($ nobs) - (MINL * Mw))
17 matriz b = invpd (X '* km * X) * X' * km * y
18 a = rownames (b, "mtr educ kidsl6 nwifeinc const")
19 printf "\ nO LIML estimativas so \ n% .6f \ n", b
As equaes que fazem essa magia so encontrados em Davidson e
MacKinnon (2004, pp. 537-538).
277
----------------------- Pgina 302 -----------------------
Sintaxe simples de Hansl faz traduzir a lgebra em um clculo
muito fcil. A
resultar do script :
As estimativas so LIML
mtr -19196,516697
educ -197,259108
kidsl6 207,553130
nwifeing -104,941545
const 18587.905980
Pgina 445
Pgina 446
que coincide com os produzidos por TSLS de Gretl com opo --liml.
Modificao de Fuller se baseia em uma constante escolhida usurio e faz uma
pequena mudana em k do
k-classe estimador. No roteiro que termina o captulo, o valor
de um definido como 1 eo modelo
reestimamos utilizando o mtodo de Fuller. A modificao bastante
simples de fazer e o captulo
roteiro terminando mostra os detalhes reais.
11,6 Script
1 set echo off
3 # reduzir forma estimativa
4 lista x = const ps di pf
5 ols qx
6 ols px
7
8 # procura e oferta de trufas
10 lista x = const ps di pf
11 TSLS q const p ps di; x
12 TSLS q const p pf; x
13
14 # teste de Hausman
15 ols px
16 sries v = $ uhat
17 ols q const p pf v
18 omitir v
Pgina 446
Pgina 447
19
20 # fornecimento de estimao por OLS
21 ols q const p pf
22
23 # Fulton Peixe
24 abertos "gretldir \ data \ poe \ fultonfish.gdt"
25 #Estimate as equaes de forma reduzida
26 Lista dias = SEG TER QUA QUI
278
----------------------- Pgina 303 -----------------------
27 lista z = dias de tempestade const
28 ols lquan z
29 ols lprice z
30 dias omitir --quiet
31
32 TSLS lquan dias lprice const; z
33
34 # LIML
36 exper quadrado
38 horas SMPL> 0 --restrict
40 lista z1 = educ kidsl6 nwifeinc exper const
41 lista z2 = educ kidsl6 nwifeinc const sq_exper exper largecity
42 lista z3 = kidsl6 nwifeinc mothereduc const fathereduc
Pgina 447
Pgina 448
43 lista z4 = kidsl6 nwifeinc mothereduc const exper fathereduc
44
45 # LIML usando TSLS
50 TSLS horas x; z4
51
52 # LIML usando matrizes
53 matriz y1 = {horas, mtr, educ}
54 matriz w = {kidsl6, nwifeinc, const, exper, mothereduc,
fathereduc}
55 = {z matriz kidsl6, nwifeinc, const}
56 matriz Mz = I ($ nobs) -z invpd * (z '* z) * z'
57 matriz Mw = I ($ nobs) w * invpd (w '* w) * w'
Matriz de 58 Ez = Mz * y1
59 matriz W0 = Ez '* Ez
60 matriz Ew = Mw * y1
Matriz de 61 W1 = Ew '* Ew
62 matriz G = inv (W1) * W0
63 matriz l = eigengen (G, null)
64 MINL escalar = min (l)
Matriz 66 X = {mtr, educ, kidsl6, nwifeinc, const}
68 matriz kM = (I ($ nobs) - (MINL * Mw))
70 a = rownames (b, "mtr educ kidsl6 nwifeinc const ")
71 printf "\ nO LIML estimativas so \ n% .6f \ n", b
Pgina 448
Pgina 449
72
LIML Modificado 73 # Fuller a = 1
74 escalar fuller_l = minl- (1 / ($ nobs-cols (w)))
76 matriz X = {mtr, educ, kidsl6, nwifeinc, const}
279
----------------------- Pgina 304 -----------------------
Matriz de 78 km = (I ($ nobs) - (fuller_l * Mw))
80 a = rownames (b, "mtr educ kidsl6 nwifeinc const")
81 printf "\ nO LIML estimativas usando Fuller a = 1 \ n% .6f \ n", b
82 TSLS horas mtr educ kidsl6 nwifeinc const; z4 --liml
280
----------------------- Pgina 305 -----------------------
Captulo 12
Regresso com a Time-Series de dados:
Variveis no estacionrias
O objetivo principal deste captulo usar Gretl para explorar a
propriedades de sries temporais de sua
dados. Um dos pontos bsicos que fazemos em econometria que o
propriedades dos estimadores
e sua utilidade para o ponto de estimao e testes de hipteses dependem de como
os dados comportam.
Por exemplo, em um modelo de regresso linear, em que os erros so correlacionados com
regressores, mnimos quadrados
no sero consistentes e, consequentemente, no deve ser utilizado para qualquer
estimativa ou posterior
teste.
Pgina 449
Pgina 450
Em regresses de sries temporais de dados precisa ser parado. Basicamente, este
requer que os meios,
varincias e covarincias da srie de dados no depende da
perodo de tempo em que se encontram
observado. Por exemplo, a mdia ea varincia da distribuio de probabilidade
que o PIB gerado
no terceiro trimestre de 1973 no pode ser dierent daquela que gerou o
Trimestre PIB quarta
de 2006 Observaes sobre sries temporais estacionrias podem ser correlacionados com uma
outro, mas a natureza
de que a correlao no pode mudar ao longo do tempo. PIB dos EUA cresce ao longo do tempo
(Quer dizer estacionrio)
e pode ter se tornado menos voltil (no varincia estacionria). Mudanas
em tecnologia da informao
e instituies podem ter encurtado a persistncia de choques na
economia (no covarincia
estacionrio). De sries temporais no estacionrias tem que ser usado com cuidado em regresso
anlise. Mtodos
para eectively lidar com este problema tm proporcionado um rico campo de
pesquisa para econometricians em
ltimos anos.
12.1 Terrenos Series
A primeira coisa a fazer quando se trabalha com sries temporais tomar um
olhar para os dados graficamente.
Um grfico de sries temporais ir revelar possveis problemas com seus dados e
sugerir caminhos a seguir
estatisticamente. Em Gretl parcelas de sries temporais so simples de gerar uma vez
existe uma funo built-in
281
----------------------- Pgina 306 -----------------------
que executa essa tarefa. Abra o usa.gdt arquivo de dados e criar a primeira
extencil de diferenas usando o diff
de comando. Os primeiros extencil de diferenas de seu tempo-srie so adicionados ao
conjunto de dados e cada um dos
sries dierenced prefixado com 'd', por exemplo, gdpt = gdpt - gdpt-1 d PIB.
Um abertas "gretldir \ data \ poe \ usa.gdt"
Pgina 450
Pgina 451
2 diff b inf f PIB
3 setinfo b-d "taxa de ligao de 3 anos" n "3-year bond rate "
4 setinfo d_b-d "Alterar da taxa de ligao de 3 anos " -n
"D.BOND"
5 setinfo inf-d "anual taxa de inflao taxa de inflao "n" "
6 setinfo d_inf -d "Mudana na inflao anual taxa "-n
"D.INFLATION"
7 setinfo PIB d "produto interno bruto real dos EUA" -n "Real
PIB "
8 setinfo d_gdp -d "= primeira diferena do PIB" n "D.GDP"
9 setinfo f-d "taxa de fundos federais" n "Fed Funds Rate "
10 setinfo d_f-d "= primeira diferena de f" n "D.FED_FUNDS"
Em seguida, eu quero adicionar descries e rtulos para a representao grfica. Isso feito usando
o comando setinfo.
Lembre-se, o parmetro-d altera a descrio e -n atribui um rtulo
para ser utilizada em grficos. Texto
precisa ser colocado entre aspas duplas.
Determinao da srie pode ser feito de qualquer nmero de maneiras. A
mais fcil usar view> mltipla
grficos> Tempo srie a partir do menu suspenso. Isto ir permitir
voc para representar graficamente a oito sries em
dois lotes. Dois lotes so necessrios uma vez que o nmero mximo de srie que
pode ser representada
simultaneamente est actualmente limitado a seis.
Use o mouse para selecionar quatro da srie. Eu escolhi inf, d inf, f, d f.
Uma vez que estes so destacados
escolha Exibir> Multiple grficos> Time-srie a partir do menu suspenso.
Estas variveis devem
aparecem na caixa dos vars Selecionadas '. Voc pode alterar a ordem da
variveis, destacando a
varivel e um clique direito do mouse. A caixa de Cima / Baixo abre e clicando
Abaixo vai colocar d inf
abaixo inf na lista.
Em seguida, selecione Adicionar> primeiras diferenas das variveis selecionadas
a partir do menu suspenso como
mostrado na Figura 12.2. Voc pode ganhar mais controle sobre a forma como os grficos olhar por
plotagem da srie
Pgina 451
Pgina 452
editando individualmente e, em seguida, os grficos a gosto. Por exemplo, aqui
o enredo da mudana na
a taxa de ligao, com os perodos de recesso em destaque (Figura 12.3).
282
----------------------- Pgina 307 -----------------------
Figura 12.1: Destaque inf, d inf, f, e DF usando o mouse.
Em seguida, escolha View> Multiple
> grficos de sries temporais a partir do menu suspenso para abrir a caixa de dilogo.
Clique em OK revela esta
grfico.
A prxima coisa a fazer criar um conjunto de estatsticas de resumo.
Neste caso, o livro de texto tem
voc produzir estatsticas de resumo para sub-amostras dos dados. A
primeiro consiste na subamostra
52 observaes, de 1984: 2-1996: 4. A segunda tambm contm 52
observaes e continua
a partir de 1997: 1 a 2009: 4. O resumo de comando usado para se obter o
estatsticas de resumo sobre o
subamostra desejado. No script, abra o usa.gdt arquivo de dados e alterar a
amostra de 1984: 2-1996: 4
usando o comando smpl 1984: 2 1996: 4. Emita o resumo
--simple comando para imprimir o
conjunto condensado de estatsticas de resumo de todas as variveis na memria para a tela.
Finalmente, a restaurar
amostra para a gama completa usando smpl completo.
Normalmente, as funes SMPL de Gretl so cumulativos. Isso significa que tudo o que
modificaes
fazer a amostra so feitas com base na amostra que j est em
memria. Neste exemplo
no entanto, fomos capazes de carregar o segundo subperodo sem ter que primeiro restaurar
o total da amostra.
Este no documentado por isso pode parar de funcionar em algum momento. Nesse caso, basta emitir um
smpl comando completo
depois de obter estatsticas de resumo para o primeiro subconjunto.
O roteiro
Pgina 452
Pgina 453
283
----------------------- Pgina 308 -----------------------
Figura 12.2: Adicionar a primeira extencil de diferenas da srie selecionada a partir da
menu suspenso.
1 smpl 1984: 2 1996: 4
2 Resumo --simple
3 smpl 1997: 1 2009: 4
4 Resumo --simple
5 smpl completos
Isto produz
Estatsticas sumrias, usando as observaes 1984: 2-1996: 4
A mdia Mnimo Mxima Std.
Dev.
PIB 5.813,0 3.906,3 8.023,0
1204.6
inf 6,9037 1.2800 13.550
3,3378
f 6,4173 2,9900 11.390
2,1305
b 7,3431 4,3200 12.640
1,9398
d_b -,10294 -1,5400 1,4500
0,63128
d_inf -,16059 -1,8000 1,4300
0,83201
d_f -,086471 -2,1200 0,97000
0,58607
d_gdp 82,659 -4,6000 161,80
29.333
Intervalo de dados completa: 1984: 1 - 2009: 4 (n = 104)
284
----------------------- Pgina 309 -----------------------
Pgina 453
Pgina 454
Figura 12.3: Individual parcelas podem ser editadas usando os controles de edio.
Este mostra a primeira
extencil de diferenas da taxa de ligao de 3 anos. Recesses so sombreadas cinza.
Amostra atual: 1997: 1 - 2009: 4 (n = 52)
Estatsticas sumrias, usando as observaes 1997: 1 - 2009: 4
A mdia mnima Mxima
Std. Dev.
PIB 11458. 8.137,0 14.485.
2.052,1
inf 3,2194 1,4500 6,0400
1,1166
f 3,4875 0,12000 6,5200
2,0253
b 3,9771 1.2700 6,5600
1,5643
d_b -,087500 -1,3300 0,81000
0,47885
d_inf 0.025192 -,93000 1,5200
0,46174
d_f -,099231 -1,4300 0,59000
0,51429
d_gdp 120,27 -293,70 267,90
92,920
Observe que a opo --simple utilizado para suprimir outro resumo
estatsticas, como a mediana,
assimetria e curtose. Se essas estatsticas voc interesse, sinta-se livre para remover
a opo.
Pode-se limitar as estatsticas de resumo para certas variveis, criando uma lista
que segue sumrias
mary. Por exemplo, para limitar as estatsticas de resumo para as variveis em nveis
voc pode usar:
nveis de lista = PIB inf fb
nveis de resumo --simple
285
Pgina 454
Pgina 455
----------------------- Pgina 310 -----------------------
Os nveis de cada srie temporal so colocados em uma lista chamada nveis. A
estatsticas de resumo de todo o
contedos podem ento ser obtidas usando resumo nveis.
12.2 regresses esprias
possvel estimar uma regresso e encontrar uma estatisticamente significativa
relao, mesmo se nenhum
existe. Na anlise de sries temporais , na verdade, uma ocorrncia comum quando os dados
no so estacionrias.
Este exemplo usa duas sries de dados, RW1 e RW2, que foram gerados como
passeios aleatrios independentes.
RW1: yt = yt-1 + V1T
(12.1)
RW2: xt = xt-1 + V2T
Os erros so normais desvia padro independentes aleatrios gerados
utilizando um pseudo-aleatrio
gerador de nmeros. Como voc pode ver, xt e yt no esto relacionados de alguma forma.
Para explorar o emprico
relao entre estas sries independentes, carregar os dados spurious.gdt e
Declaro que os dados sejam
de sries temporais.
Um abertas "gretldir \ data \ poe \ spurious.gdt"
2 setobs 1 1 --special-time-series
A informao da amostra na parte inferior da janela principal Gretl
indica que os dados tm
j sido declarados como de sries temporais e que toda a gama (1-700) est em
memria. A primeira coisa
a fazer traar os dados utilizando um diagrama de sries temporais. Para colocar tanto
sries ao mesmo tempo-srie
grfico, selecione Exibir> Grfico especificado vars> Time-srie parcelas de
o menu suspenso. Este
ir revelar a caixa de dilogo "Definir grfico '. Coloque as duas sries para a
Caixa e clique em 'vars Selecionadas'
Pgina 455
Pgina 456
Est bem. O resultado aparece na parte superior da Figura 12.4 (aps a edio)
abaixo. O grfico de disperso XY
obtido da mesma forma, exceto uso View> vars Graph especificados> XY
espalham a partir do pull-down
menu. Coloque RW1 no eixo y e RW2 no eixo x.
A regresso linear confirma isso. esquerda, clique no grfico para
revelar um menu pop-up, a partir de
que voc escolha Editar. Isso traz os controles do enredo mostrado na Figura
4.16. Selecione o linear
opo Ajustar para revelar os resultados da regresso da Tabela 12.1.
O coecient em RW2 positivo (0,842) e significativa (t =
40.84> 1,96). No entanto, estes
variveis no esto relacionados uns aos outros! A relao observada puramente
esprio. A causa
do resultado esprio o no-estacionrio das duas sries. Este
por isso que voc deve verificar o seu
dados para estacionariedade Sempre que voc usa de sries temporais em uma regresso.
286
----------------------- Pgina 311 -----------------------
Varivel dependente: RW1
Valor de p
const 17,8180 0.620478 28,7167
0,0000
RW2 0.842041 0.0206196 40,8368
0,0000
8.557268
0.704521
Tabela 12.1: Mnimos quadrados estimativa de uma espria
relacionamento.
Pgina 456
Pgina 457
12.3 Os testes de estacionariedade
A (aumentado) teste Dickey-Fuller pode ser utilizado para testar o
estacionariedade de seus dados. Para
executar este teste, algumas decises tm de ser tomadas em relao a
de sries temporais. As decises so
geralmente feita com base em inspeo visual dos grficos de sries temporais. Por
olhando para os lotes que voc pode
determinar se a srie temporal tem uma tendncia linear ou quadrtica.
Se a tendncia da srie
quadrtica, ento a verso dierenced da srie ter uma tendncia linear no
los. Na Figura 12.1
voc pode ver que a taxa dos Fed Funds parece ser uma tendncia de queda e sua
dierence parece
passear certa quantidade constante. O mesmo vale para ttulos. Isto sugere que o
Dickey
Fuller regresses teste para cada uma das sries deve conter uma constante, mas
no uma tendncia cada vez.
A srie do PIB no lado superior esquerdo da Figura 12.2 parece ser um pouco
quadrtica no tempo.
A verso dierenced da srie que aparece a seguir que tem um
ligeiro desvio ascendente e, portanto, eu
escolheria um Dickey-Fuller test aumentada (ADF), que incluiu uma constante e
uma tendncia temporal.
Como voc deve ter adivinhado, analisando sries temporais desta forma um pouco como a leitura
entranhas e no h
algo de uma arte para ele. Nosso objetivo reduzir parte da incerteza utilizando
testes formais, sempre que
podemos, mas percebem que a escolha da especificao de teste apropriado requer
algum julgamento pelo
econometricista.
A prxima deciso escolher o nmero de termos defasados para
incluir nas regresses ADF.
Mais uma vez, este um julgamento, mas os resduos da regresso ADF
deve ser desprovido de qualquer
autocorrelao. Gretl til a este respeito, uma vez que relata o resultado
de uma autocorrelao
teste sempre que as rotinas ADF embutidos so usados. Abaixo est o exemplo de
o texto, em que o
estacionariedade da taxa dos Fed Funds ea srie de obrigaes trs anos so explorados.
Pgina 457
Pgina 458
Para realizar o teste ADF sobre a taxa dos Fed Funds, utilize o cursor
para destacar a srie e
clique Varivel> Unidade testes de raiz> Aumentada teste Dickey-Fuller
a partir do menu suspenso como
mostrado na Figura 12.5 abaixo. Isso abre a caixa de dilogo mostrada na prxima
Figura, 12,6. Aviso
que aqui onde voc informar Gretl se voc quiser incluir uma constante,
tendncia, tendncia ao quadrado,
indicadores sazonais, etc Optamos por comear com um atraso mximo de 4 e
para permitir a Gretl
teste para o nmero de defasagens necessrias. Ns tambm optaram por realizar a
teste de duas maneiras, uma
incluindo uma constante na regresso ADF e no outro havia uma constante
e tendncia. Alm disso, ns
287
----------------------- Pgina 312 -----------------------
no ter marcado a caixa para ter relatrio Gretl os resultados da regresso.
Para fazer com que os resultados
um pouco mais transparente muitas vezes uma boa idia para ver o
Os resultados de regresso que geram o teste
estatsticas, e ns convidamos voc a experimentar por si prprio.
Na parte inferior da caixa de dilogo, voc deve escolher se deseja usar o
nvel ou o dierence
da varivel. Escolhendo o nvel, conforme indicado na caixa, coloca o
dierence na mo esquerda
lado da regresso. Isso pode ser um pouco confuso, mas na realidade deveria
no ser. Lembre-se, voc
esto testando para ver se os valores de nveis da srie so estacionrios.
Escolhendo esta opo contar
Gretl que voc deseja testar a estacionariedade dos nveis da srie.
Se voc deseja verificar para ver se os extencil de diferenas so no-estacionrio, em seguida,
clique no boto de rdio
abaixo da indicada. Clique em OK e os resultados aparecem, como na Figura 12.7.
Os resultados do teste so bastante informativo. Primeiro ele diz que voc um
valor defasado foi selecionado
(A partir de um mximo de 4) para incluir no modelo. Revela
que o primeiro conjunto de estatsticas para uma
Pgina 458
Pgina 459
o ensaio com base em regresso com uma constante. Ele fornece uma
estimativa de , que se refere
como a-1, o t-relao para , e o valor de p correcta para a estatstica quanto
calculado por Davidson e
MacKinnon. Ele tambm relata um coecient autocorrelao estimada para o
erros (-0,051), que
deve ser pequeno se voc tiver escolhido o nmero correto de defasagens no ADF
regresso.
A hiptese nula do teste ADF que a srie temporal tem uma raiz unitria
e no estacionria.
Se voc rejeita essa hiptese depois de concluir que a srie estacionria.
Para no rejeitar a hiptese nula
significa que o nvel no estacionria. Aqui, a estatstica de teste para a
estacionariedade dos Fed Funds
taxa de -2,50482 que tem um valor-p de 0,1143. No estacionariedade do Fed
Taxa de fundos no pode ser
rejeitou neste caso para os habituais nveis 5 ou 10% de significncia.
S mais uma coisa deve ser dita sobre os resultados do teste ADF.
Gretl expressa o modelo em um
ligeiramente di maneira erent de seu livro. O modelo
(1 - G) = y + ( - 1) y + Ay
+ E (12.2)
t 0 t-1 1
t-1 t
A 0 coecient est includo porque voc acredita que a srie tem uma tendncia, (-1)
= o coecient
de interesse na regresso de Dickey-Fuller, e 1 o parmetro para o
termo que 'augments' o
Regresso de Dickey-Fuller. Ele includo para eliminar autocorrelao
erros do modelo, e, e
t
mais defasagens podem ser includos, se necessrio para alcanar este objetivo. A notao na
lado esquerdo da equao
(1 - L) yt faz uso do operador de atraso, L. O operador executa o desfasamento
magic Lyt = yt-1. Assim,
(1 - L) y = y - Ly = Y - y = Ay.
tttt t-1 t
Pgina 459
Pgina 460
O script para realizar o teste ADF :
2 ADF 4 f --c --ct --test-down
A sintaxe bastante simples. O primeiro nmero depois adf
d Gretl o nmero lag para
o teste de ADF. Em seguida o nome da srie para testar. Existem trs
opes: 1) --c diz Gretl para executar
288
----------------------- Pgina 313 -----------------------
regresses ADF com uma constante (quando a srie tem uma tendncia) 2) --ct diz
Gretl para executar o
regresso com constante e tendncia (a srie e sua dierence tm tendncias)
e 3) para baixo --test
Gretl informa que pretende usar o nmero 4 lag como ponto de partida e
reduzir o nmero
de defasagens para encontrar o modelo ideal.
Ao testar para baixo, Gretl segue o algoritmo.
1 Estimativa da regresso ADF com as defasagens mximas dadas, km,
da varivel dependente
includos como variveis explicativas.
2. Greta verifica para ver se o ltimo atraso dierent significativamente a partir de zero a
o nvel de 10%. Se for,
realizar o teste ADF com ordem lag km. Se o coecient na
ltima desfasamento no significativa,
reduzir o nmero de atraso por um, km-1 km = - 1 e de repetio.
3. se k1 insignificante, executar o teste com a ordem lag 0.
Voc tambm pode usar as regras de seleco do modelo atravs de uma funo de usurio escrito para
eliminar defasagens do ADF
regresses.
Pgina 460
Pgina 461
A sintaxe do alimentador automtico de comando Gretl ajuda resumida:
A verso ampliada do teste de Dickey-Fuller acrescenta defasada di rncias para
o modelo. Pela
modelo com uma constante e nenhuma tendncia este seria:
m
Ay = + y + a Ay + V
(12.3)
t t-1 st-st
s = 1
Voc tem que escolher o nmero de defasagens a incluir. Essencialmente, uma
deve incluir defasagens apenas o suficiente
de yt-s para garantir que os resduos no esto correlacionados. O nmero de
termos defasados tambm pode ser
289
----------------------- Pgina 314 -----------------------
determinada examinando a funo de auto-correlao (ACF) dos resduos, ou
o significado
os coecients defasagem estimado. O ltimo o que Gretl faz quando voc usa o
--test-down opo.
Note-se que tambm inclui o Gretl coecient autocorrelao na sada.
Assim, ela funciona como um
verificao final da adequao de sua regresso ADF.
No exemplo de POE4, a taxa dos fundos federais (f) eo 3 anos bond
taxa (b) so consi-
radas. Os grficos de srie mostram que os dados vagar, indicando que eles
pode ser no-estacionrio.
Para executar os testes de Dickey-Fuller, primeiro decidir se pretende utilizar um
constante e / ou uma tendncia. Desde
os nveis das sries oscilar em torno de uma mdia de zero e os di rncias
em torno de zero, inclumos
uma constante. Em seguida, decidir sobre a forma como muitos termos dierence defasada para incluir no
do lado direito do
a equao. Voc tambm pode usar as regras de seleo de modelos descritos no captulo
Pgina 461
Pgina 462
9, para escolher defasagens para
ADF.
Para utilizar este mtodo como um meio de seleco do modelo, temos que voltar ao nosso
funo modelsel2
e estimar as regresses ADF manualmente. A funo de seleo de modelos
mostrado abaixo:
Funo Seleo de Modelos
1 funo modelsel2 matriz (lista xvars)
2 ols xvars --quiet
9% printf "\ ndependent variveis e Regressores:
10% printf "K =% d, N =% d, AIC =% .4f SC =
% .4f. \ N ", K, N, aic, bic
11 Um retorno
Funo 12 final
Esta exatamente a mesma verso da funo de seleco do modelo utilizado no captulo
9. Consulte a pgina
221 para mais detalhes. Vamos us-lo em um loop para selecionar comprimentos de atraso para o ADF
regresses.
As regresses FDA requer somente um nico lao sobre o lag
extencil de diferenas na srie. A
loop :
1 diff b
A matriz 2 = {}
4 lista vars = d_b (0 a -p) b (-1) const
Matriz de 5 a = pmodelsel2 (VARs)
Pgina 462
Pgina 463
Matriz 6 A = A | um
7 endloop
8 COLNAMES (A, "p KN AIC SC")
9 Imprima uma
290
----------------------- Pgina 315 -----------------------
O resultado da matriz :
p K N AIC
SC
1,0000 3,0000 104,00 -1,3674
-1,2911
2,0000 4,0000 104,00 -1,3544
-1,2527
3,0000 5,0000 104,00 -1,4241
-1,2970
4,0000 6,0000 104,00 -1,4291
-1,2765
O AIC minimizado em 4 defasagens ea SC em 3.
Finalmente, aqui est uma maneira de automatizar o processo de seleo de modelos para uma
de sries temporais arbitrria. Ns
quer ser capaz de alimentar a funo modelsel2 o nome de um
de sries temporais para calcular um ADF
regresso. Ns vamos criar uma outra funo que tem duas entradas; um para o
mximo de atraso sobre o qual
para pesquisar e outro para o nome da srie. O loop
criar as extencil de diferenas, gerar
a lista de variveis necessrios para estimar uma regresso ADF que contm uma constante,
enviar a lista para o
rotina modelsel2, e recolher a sua sada em uma matriz e imprimir a matriz.
bastante simples,
mas eective.
1 funo escalar modelseladf (escalar p, srie * y)
2 diff y
A matriz 3 = {}
Pgina 463
Pgina 464
4 de loop i = 1..p --quiet
5 lista vars = d_y (0 a-i) y (-1) const
6 matriz a = imodelsel2 (VARs)
7 matriz A = A | um
8 endloop
10 Imprima uma
11 return 0
Funo 12 final
O retorno um escalar que ser igual a zero, desde que tudo no
funo executada.
A outra pequeno dierence que um ponteiro para a srie usado em vez do
srie em si. Um ponteiro
pode servir a dois propsitos: 1) ele economiza memria especialmente til se o que quer
ele aponta para consome
muito disso. Isso pode levar a um aumento significativo em seu programa de
velocidade; 2) fornece uma maneira de
atualizao o que est sendo apontado.
Neste exemplo, o ponteiro no estritamente necessrio; a srie
y muito pequeno e no
sendo modificado pela funo. O ponteiro para a entrada de sries em funo
precedido por um *.
Para chamar a funo para obter estatsticas de seleo de modelos para a srie de inflao
uso
modelseladf (5, & Inf)
291
----------------------- Pgina 316 -----------------------
Por causa do uso de um ponteiro na funo, a srie (inf) tem de ser precedido
pelo comercial
(&). A sada impresso na tela:
modelseladf (5, & Inf)
A (5 x 5)
Pgina 464
Pgina 465
p K N AIC
SC
1,0000 3,0000 104,00 -1,0233
-,94704
2,0000 4.0000 104,00 -1,0257
-,92404
3,0000 5,0000 104,00 -1,0906
-,96351
4.0000 6.0000 104,00 -1,2439
-1,0914
5,0000 7,0000 104,00 -1,3028
-1,1248
A srie de inflao parece ter defasagens mais longas do que as duas juros
srie de taxa. AIC e SC
so minimizados em cinco defasagens. Schwert (1989) props que para N> 100
o atraso mximo a ser definida
0,25
0,25 1
kmax = int [12 (T + 1) / 100]. Se a sua amostra menor, ento use kmax =
int [4 (T + 1) / 100] .
Uma vez que voc terminar com estas funes voc pode usar a funo
modelsel2 modelseladf
ordem clara para remov-los da memria.
12.3.1 Outros testes para no-estacionrio
Existem outros testes para no-estacionrio em Gretl que voc pode
achar til. O primeiro o
Teste DF-GLS. Ele executa o teste t de Dickey-Fuller modificado (conhecido como o DF-GLS
teste) proposto
por Elliott et al. (1996). Essencialmente, o teste uma Dickey-Fuller
teste, semelhante ao do teste
realizada pelo comando do ADF Gretl, a no ser que a srie temporal
transformado atravs de uma generalizada
mnimos quadrados (GLS) regresso antes de estimar o modelo.
Elliott et al. (1996) e outros tm
mostrado que este teste tem significativamente maior poder do que o anterior
verses do aumentada
Teste de Dickey-Fuller. Consequentemente, no incomum para este teste para rejeitar a
nula de no estacionariedade
quando o teste aumentada habitual Dickey-Fuller no.
Pgina 465
Pgina 466
A opo --gls executa o teste DF-GLS para uma srie de modelos
que incluem 1 a k defasagens
do primeiro dierenced, sem tendncia varivel. O atraso de k pode ser definida
pelo utilizador ou pelo mtodo
descrito em Schwert (1989). Como discutido acima e em POE4, o
aumentada teste Dickey-Fuller
envolve a montagem de uma regresso do formulrio
Ay = + y + + Dt Ay + ... + Ay
+ U (12.4)
t t-1 1 t-1 k
t-kt
e, em seguida, testar a hiptese nula H0 : = 0 O teste DF-GLS
realizada de forma anloga, mas
na GLS-aviltada ou dados GLS-sem tendncia. A hiptese nula de
o teste que a srie um
passeio aleatrio, possivelmente com drift. H duas possveis alternativas
hipteses: yt estacionrio
sobre uma tendncia linear ou estacionrio com uma mdia possivelmente diferente de zero, mas sem
tendncia temporal linear.
Assim, voc pode usar as opes --c ou --ct.
Para os nveis da taxa de juros do Fed:
1This ponta atravs do grupo de usurios gretl por Grzegorz Konat.
292
----------------------- Pgina 317 -----------------------
Dickey-Fuller (GLS) teste para f
incluindo seis defasagens de (1-L) f (max era 12)
tamanho da amostra 97
unidade-raiz hiptese nula: a = 1
com constante e tendncia
modelo: (1-G) y = b0 + b1 * + t (a-1) * y (-1) + ... + e
De 1 ordem autocorrelao Coef. para e: 0,010
diferenas defasados: F (6, 90) = 16,433 [0,0000]
Pgina 466
Pgina 467
valor estimado (a - 1): -,115012
teste estatstico: tau = -4,14427
10% 5% 2,5% 1%
Os valores crticos: -2,74 -3,03 -3,29 -3,58
O teste estatstico -4,14, que se encontra na regio de rejeio de 1% para o ensaio.
A srie estacionria.
Observe que o lag selecionado foi de 6 e que todos disponveis
observaes foram utilizadas para estimar o
modelo neste ponto. Isso um pouco dierent de implementao do Stata,
que define a amostra
at o mximo possvel para o maior modelo. Alm disso, observe que se a um
tendncia. Isto opcional.
Para os nveis da taxa de ligao:
Dickey-Fuller (GLS) teste para b
incluindo cinco defasagens de (1-L) b (max era 12)
com constante e tendncia
modelo: (1-G) y = b0 + b1 * + t (a-1) * y (-1) + ... + e
De 1 ordem autocorrelao Coef. para e: -0,005
teste estatstico: tau = -3,17998
10% 5% 2,5% 1%
Os valores crticos: -2,74 -3,03 -3,29 -3,58
O teste estatstico -3.18, que est na regio de rejeio a 5% para o teste.
A srie estacionria.
Observe que o lag selecionado foi de 5, e que mais uma observao
disponvel para obter o teste
estatstica.
Pgina 467
Pgina 468
Gretl tambm pode realizar o teste KPSS proposto por Kwiatkowski et
ai. (1992). O KPSS
comando calcula o teste KPSS para cada uma das variveis especificadas (ou seu primeiro
dierence, se o
--difference opo for selecionada). A hiptese nula que a varivel em
questo estacionria,
ou em torno de um nvel ou, se a opo --trend dada, em torno de um
tendncia linear determinista.
293
----------------------- Pgina 318 -----------------------
A estatstica em si muito simples
T S2
= i = 1 t
(12.5)
T 2~2
onde st = T es e ~2 uma estimativa da varincia de longo prazo da et
= (Yt - y). A longo prazo
s = 1
varincia estimada utilizando um parmetro de largura de banda, m, que o usurio escolhe.
m
~2 = 1 - | i | (
Eu
(M + 1)
i =-m
e onde autocovarincia empirical de et de ordem-m para m.
As chamadas de comando para o parmetro de uma largura de banda, m (ver seco 9.6.2 para uma
breve discusso).
Para este estimador para ser coerente, m deve ser grande o suficiente para acomodar o
de curto prazo persistente
tncia de e, mas no muito grande em comparao com o tamanho da amostra T. Se voc fornecer um
0, Gretl computar
t
Pgina 468
Pgina 469
uma largura de banda de 4 automtico (T / 100) quarto.
KPSS 0 fb
As estatsticas KPSS utilizando resultados da seleco automtica da largura de banda em:
Teste KPSS para f
T = 104
Lag truncamento parmetro = 4
Estatstica de teste = 1,36747
10% 5% 1%
Os valores crticos: 0,349 0,466 0,734
Teste KPSS para b
T = 104
Lag truncamento parmetro = 4
Estatstica de teste = 1,72833
10% 5% 1%
Os valores crticos: 0,349 0,466 0,734
Ambos so significativamente dierent de zero e o nulo estacionria
hiptese rejeitada em qualquer
nvel razovel de significncia. Observe tambm que a largura de banda foi escolhida para ser
4.
294
----------------------- Pgina 319 -----------------------
12,4 Cointegrao
Duas sries no-estacionrias so cointegradas se eles tendem a se mover
em conjunto com o tempo. Para
Pgina 469
Pgina 470
exemplo, temos estabelecido que os nveis da taxa eo Fed Funds
Vnculo de 3 anos so no-
estacionria, enquanto seus extencil de diferenas so estacionrias. No opaco
linguagem utilizada em sries temporais
literatura, cada srie dito ser "integrado de ordem 1" ou I (1).
Se as duas sries no-estacionrias
movem-se juntos ao longo do tempo, ento ns dizemos que eles so "cointegradas." teoria econmica
sugeriria
que devem ser amarrados juntos via arbitragem, mas isso no garantia.
Neste contexto, o teste
para co-integrao equivale a um teste de substituibilidade desses ativos.
O teste bsico muito simples. Regredir um I (1) varivel em outro
usando mnimos quadrados. Se o
sries so co-integradas, os resduos dessa regresso estiver parado.
Isto verificado usando
aumentada teste Dickey-Fuller, com um novo conjunto de valores crticos que levam em
conta que a srie
dos resduos utilizados no ensaio calculado a partir de dados.
A hiptese nula de que os resduos so no-estacionrio, que
implica que as sries so
no co-integradas. Rejeio isso leva concluso de que o
sries so co-integradas. A
funo coint em Gretl realiza cada uma das trs etapas deste
teste. Primeiro, ele realiza uma
Teste de Dickey-Fuller da hiptese nula de que cada uma das variveis listadas tem
uma raiz unitria. Em seguida, ele
estima a regresso de cointegrao utilizando mnimos quadrados. Finalmente, ele
executa um teste de Dickey Fuller em
os resduos da regresso de co-integrao. Este procedimento,
referida como o Engle-Granger
(EG) teste de cointegrao e discutidos no captulo 12 de Hill et al. (2011),
a um feito em Gretl
por padro. Gretl tambm pode executar testes de cointegrao com base na mxima
estimativa de probabilidade
as relaes de cointegrao propostos por Johansen e resumidos em Hamilton
(1994, captulo
20). Os testes Johansen usar o comando coint2, o que explicado em
documentao do Gretl
(Cottrell e Lucchetti, 2011, captulo 24).
Figura 12.8 mostra a caixa de dilogo usada para testar cointegrao em
Pgina 470
Pgina 471
Por aqui. Para obter isso usar
Modelo> Tempo series> teste de cointegrao> Engle-Granger da principal
janela Gretl. No
caixa de dilogo que voc tem que indicar quantas defasagens que voc quer no
iniciais regresses Dickey-Fuller
sobre as variveis, quais as variveis que voc deseja incluir no
cointegrantes relacionamento, e
se voc quer uma constante, tendncia ou tendncia quadrtica nas regresses.
Teste para baixo a partir do
ordem mxima lag escolhido atravs de um check-box. Para selecionar estes
opes de modelagem adicionais voc
tem que clicar sobre o boto de seta para baixo indicado na Figura 12.8. Esta vontade
revelar as quatro opes:
Ns estamos escolhendo o modelo que contm uma constante, que o padro. Para
a taxa de ligao de 3 anos
e as sries taxa dos Fed funds obtemos o resultado mostrado na Figura 12.9.
295
----------------------- Pgina 320 -----------------------
Desde a opo --skip-df usado, existem apenas duas etapas mostradas
na sada. O primeiro
o resultado da regresso de co-integrao. apenas uma linear
regresso de b e uma constante
em f. Os resduos so gerados e passou para a etapa 2 automaticamente que
executa o teste de EG.
A seleo do modelo ocorre porque a opo --test-down usado, que pega
um modelo com trs
defasagens. A estatstica de teste e o seu valor de p so circulados na parte inferior.
A estatstica -4,32 e
significativo ao nvel de 5%. A hiptese nula de raiz unitria rejeitada e ns
Conclui-se que a srie
so co-integradas.
A sintaxe e as opes disponveis para o teste de Engle-Granger esto resumidos:
Se a ordem lag especificada positiva em todos os testes Dickey-Fuller usar esse
ordem, com este lificao
catio: se a opo --test-baixo utilizada, o valor dado tomado como o
mximo e o real
ordem atraso utilizado em cada caso obtido por meio de testes para baixo. Basicamente, uma srie de
testes t no ltimo lag
Pgina 471
Pgina 472
usado at que o ltimo torna-se significativo ao nvel de 10%.
A sintaxe para Engle-Granger testa a partir de um roteiro a partir do console segue
coint 4 fb --test-down --skip-df
Note-se que um mximo de 4 defasagens so considerados; o --test-down
opo tentar automati-
maticamente reduzir esse nmero de acordo com o algoritmo discutido
acima. Alm disso, optamos
para ignorar os testes de Dickey-Fuller para estacionariedade f e b, uma vez que
j foi feito e
discutido acima.
Correo de erro de 12,5
Cointegrao uma relao entre duas no estacionrios, I (1), variveis.
Essas variveis partes
uma tendncia comum e tendem a se mover juntos no longo prazo. Nesta seo, a
relacionamento dinmico
entre I (0) variveis que incorpora uma relao de co-integrao conhecido
como o erro de curto prazo
modelo de correo examinado.
Comece com um ARDL (1,1)
y = + y + x + x + v
(12,7)
t 1 t-1 0 t 1 t-1 t
296
----------------------- Pgina 321 -----------------------
aps alguma manipulao (ver POE4 para mais detalhes)
Ay = - (1 - ) (y - - x) + Ax
+ V (12,8)
t 1 t-1 1 2 t-1 0
tt
Pgina 472
Pgina 473
O termo, no segundo conjunto de parnteses um relacionamento onde cointegrante
os nveis de y e x
so linearmente relacionadas. Deixe- = (1 -) e os parmetros da equao pode ser
estimada por no linear
1
mnimos quadrados. Ao estimar a equao (12.8) os autores do POE4 adicionar um
atraso adicional, xt-1,
para o modelo, de modo a remover qualquer remanescente de correlao em srie no
resduos.
Em Gretl isso mais fcil feito em um script. Existem, basicamente,
trs passos. Primeiro, abra os dados
e criar defasagens e Di rncias. Em segundo lugar, decidir sobre partida razovel
Os valores para o numrica
procedimento de otimizao. Por fim, especifique a equao a ser estimada por nls.
1 aberta "gretldir \ Data \ poe \ usa.gdt"
2 defasagens 2; fb
3 diff fb
4 ols b const f
6 escalar b2 = $ coef (f)
7 ols d_b (0 a -1) d_f (0 a -1)
8 escalar d0 = $ coeff (d_f)
9 escalar d1 = $ coeff (d_f_1)
10 ols b const b (-1) f (0 a -1)
11 escalar a = 1 a US $ coeff (b_1)
12 nls d_b = -a * (b_1-b1-b2 * f_1) + d0 * d_f + d1 * d_f (-1)
13 params um b1 b2 d0 d1
14 nls finais
A parte mais difcil deste est dando a rotina de um conjunto decente de partida
valores. Aqui, trs separados
regresses lineares so utilizados para gerar os razoveis. Em primeiro lugar,
a relao de co-integrao
estimada via mnimos quadrados na linha 4 para preencher e . A
estratgia semelhante usado para obter incio
Pgina 473
Pgina 474
1 2
Os valores para e; equao (12.7) estimado em primeiro
extencil de diferenas em linha 7.2 A regresso
0 1
sem que a relao de cointegrao em que estimada para obter
estes valores iniciais. Pela
parmetro a, a equao (12.7) estimado e a0 = (1 - ) gerado.
Uma vez que muitos de ns esto relutantes em tomar derivados analiticamente
a menos que forado, o modelo
Estima sem eles, contando com excelentes verses numricas de Gretl.
A declarao params
na linha 13 necessria ao utilizar derivados numricos. Felizmente,
Gretl nos retribui com o
resultado correto (como verificamos em Eviews e Stata).
A utilizao de derivados numricos
Tolerncia = 1.81899e-012
Convergncia obtida depois de 19 iteraes
2There h mal nenhum em adicionar uma constante a essa regresso na linha 7-como se o
original tinha uma tendncia temporal.
297
----------------------- Pgina 322 -----------------------
NLS, por meio de observaes 1984: 3-2009: 4 (T = 102)
d_b = -a * (b_1-b1-b2 * f_1) + d0 * d_f + d1 * d_f (-1)
estimativa std. erro valor-p t-ratio
-------------------------------------------------- -----
uma 0.141877 0.0496561 2.857 0,0052 ***
b1 1,42919 0.624625 2,288 0,0243 **
b2 0.776557 0.122475 6,341 7.25e-09 ***
d0 0.842463 0.0897482 9.387 2.83e-015 ***
Pgina 474
Pgina 475
d1 -,326845 0.0847928 -3,855 0,0002 ***
Mdia dependente var -,110294 SD var dependente
0.537829
Sum squared resid 14,18070 EP da regresso
0.382352
R-quadrado 0.514614 Ajustado R-quadrado
0.494598
Log-verossimilhana -44,10409 Critrio Akaike
98,20819
103.5229
rho 0.126909 Durbin-Watson
1.745112
Uma vez que o modelo estimado, voc pode obter a estimativa implcita de .
1
escalar theta1 = 1 a US $ coeff (a)
que 0,858123. Voc tambm pode realizar um teste de EG para stantionarity por
construir os resduos
e usando ADF. Neste caso, voc ter que consultar uma tabela de crtica
desde os valores so EG
no disponvel a partir de rotina ADF.
sries ehat = b- $ coeff (b1) - $ coeff (b2) * f
ADF 1 ehat --nc
Tal como antes, o que nula (b, f) no so co-integradas. Uma vez que o
relao de co-integrao inclui
um termo constante, o valor crtico (-3,37). Comparando o calculado
valor -3,92668 com o
valor crtico, rejeitamos a hiptese nula e concluir que (b, f) so
cointegradas.
12,6 Script
Pgina 475
Pgina 476
2 set echo off
3 # tomar diferenas
4 diff b inf f PIB
5 # alterar atributos variveis
6 setinfo b-d "taxa de ligao de 3 anos" n "taxa de ligao de 3 anos"
298
----------------------- Pgina 323 -----------------------
7 setinfo d_b-d "Mudana na taxa de ligao de 3 anos" n "D.BOND"
8 setinfo inf-d "inflao anual taxa de inflao "n" "
9 setinfo d_inf-d "Alterar da taxa de inflao anual "-n
"D.INFLATION"
10 setinfo PIB-d "produto interno bruto real dos EUA" N "Real
PIB "
11 setinfo d_gdp-d "= primeira diferena do PIB" n "D.GDP"
12 setinfo f-d "taxa de fundos federais" n "fed funds rate"
13 setinfo d_f-d "= primeira diferena de f" n "D.FED_FUNDS"
14
15 # tempo de mltipla parcelas da srie
16 scatters inf d_inf f d_f
17 espalha b d_b PIB d_gdp
18
19 # estatsticas de resumo para sub-amostras e amostra completa
20 smpl 1984: 2 1996: 4
21 resumo --simple
22 smpl 1997: 1 2009: 4
23 Resumo --simple
24 smpl completos
25
Pgina 476
Pgina 477
26 nveis de lista = PIB inf fb
27 Resumo nveis --simple
28
29 # regresso espria
30 abertos "gretldir \ data \ poe \ spurious.gdt"
31 setobs 1 1 --special-time-series
32 gnuplot RW1 RW2 --with-linhas --time-series
33 ols RW1 const RW2
34
35 # testes ADF
36 abertos "gretldir \ data \ poe \ usa.gdt"
37 ADF 4 f --c --ct --test-down
38 ADF 4 b --c --test-down --verbose
39
Matriz de 40 funo modelsel2 (xvars lista)
41 ols xvars --quiet
48 Um retorno
Funo 49 final
50
51 funo escalar modelseladf (escalar p, srie * y)
Pgina 477
Pgina 478
52 diff y
53 matriz A = {}
54 circuito i = 1..p --quiet
55 lista vars = d_y (0 a-i) y (-1) const
56 matriz a = imodelsel2 (VARs)
299
----------------------- Pgina 324 -----------------------
58 endloop
60 Imprimir
61 return 0
Funo 62 final
63
64 # seleo de modelos para ADF testes
65 matriz a = modelseladf (4, E b)
Matriz 66 a = modelseladf (4, E f)
67
68 smpl completos
69 escalar mlag = Int (12 * (($ nobs + 1) / 100) ^ (0,25))
70 adf mlag f --ct --gls --test-down
71 mlag ADF b --ct --gls --test-down
72
73 # teste KPSS
74 KPSS 0 fb
75 coint 4 fb inf --test-down --skip-df
Pgina 478
Pgina 479
76
77 abertos "gretldir \ data \ poe \ usa.gdt"
78 defasagens 2; fb
79 diff fb
80
81 # nls estimativa de cointegrao vector
82 ols b const f
84 escalar b2 = $ coef (f)
85 ols d_b (0 a -1) d_f (0 a -1)
86 escalar d0 = $ coeff (d_f)
87 escalar d1 = $ coeff (d_f_1)
88 ols b const b (1) F (0 a -1)
89 escalar a = 1 a US $ coeff (b_1)
90 nls d_b = -a * (b_1-b1-b2 * f_1) + d0 * d_f + d1 * d_f (-1)
91 params um b2 b1 d0 d1
92 nls finais
93 escalar theta1 = 1 a US $ coeff (a)
94 sries ehat = B- $ coeff (b1) - $ coeff (b2) * f
95 ADF 1 ehat --nc
300
----------------------- Pgina 325 -----------------------
Figura 12.4: As duas sries de passeio aleatrio independentes parecem ser
relacionados. O grfico superior um
simples trama de sries temporais e no fundo uma disperso XY com mnimos quadrados caber.
301
----------------------- Pgina 326 -----------------------
Figura 12.5: Escolha o teste ADF a partir do menu suspenso.
Pgina 479
Pgina 480
Figura 12.6: A caixa de dilogo de teste ADF.
302
----------------------- Pgina 327 -----------------------
Figura 12.7: Os resultados do teste ADF.
Figura 12.8: A caixa de dilogo para o teste de co-integrao.
303
----------------------- Pgina 328 -----------------------
Figura 12.9: Os resultados do teste de Engle-Granger. A sada do
Dickey-Fuller regresso
ses suprimida com a opo do --skip-df.
304
----------------------- Pgina 329 -----------------------
Captulo 13
Vetor de correo de erros e Vector
Modelos auto-regressivos: Introduo ao
Macroeconometria
O modelo de auto-regresso vetorial um quadro geral usado para descrever a
inter dinmica
lao entre as variveis estacionrias. Ento, o primeiro passo para a sua anlise
deve ser o de determinar
se os nveis de seus dados so estacionrios. Se no, pegue a primeira
extencil de diferenas de seus dados e tente
novamente. Geralmente, se os nveis (ou log-nveis) de seu tempo-srie no so
estacionrios, os primeiros extencil de diferenas
ser.
Se a srie temporal no so estacionrios em seguida, as necessidades de enquadramento VAR
para ser modificado para permitir
Pgina 480
Pgina 481
estimativa consistente das relaes entre as sries. A
vector modelo de correo de erro
(VECM) apenas um caso especial do VAR para as variveis que so estacionrias em
seus extencil de diferenas (isto ,
I (1)). O VECM tambm pode levar em conta todas as relaes cointegrantes
entre as variveis.
13.1 Vetor de Correo de Erros e VAR Modelos
Considere duas variveis de sries temporais, y e x. Generalizando o
discusso sobre rela- dinmica
tt
-relaes no captulo 9 a essas duas variveis inter-relacionadas produzir um sistema de
equaes:
yt = 10 + 11yt-1 + 12xt-1 + vy
(13.1)
t
xt = 20 + 21yt-1 + 22xt-1 + vx
(13.2)
t
As equaes descrevem um sistema em que cada varivel uma funo
do seu prprio desfasamento e o desfasamento
da outra varivel no sistema. Juntas, as equaes constituem um sistema
conhecido como um vector
autoregresso (VAR). Neste exemplo, uma vez que o atraso mximo de ordem um, ns
tem um VAR (1).
305
----------------------- Pgina 330 -----------------------
Se y e x estacionria, o sistema pode ser estimada usando
mnimos quadrados aplicado a cada
equao. Se y e x no so estacionrios em seus nveis, mas estacionria em
extencil de diferenas (isto , que (1)), ento
tomar as cias di e estimativa:
yt = 11yt-1 + 12xt-1 + vy
(13.3)
t
xt = 21yt-1 + 22xt-1 + vx
(13.4)
Pgina 481
Pgina 482
t
usando mnimos quadrados. Se y e x so I (1) e cointegrados, ento
o sistema de equaes pode ser
modificada para permitir a relao entre a cointegrao I (1)
variveis. Apresentando o
cointegrantes relacionamento leva a um modelo conhecido como o vetor de correo de erros
Modelo (VEC).
Neste exemplo de POE4, temos dados macroeconmicos sobre o PIB real para um
grande e um pequeno
economia; EUA o PIB trimestral real para os Estados Unidos e a aus
srie para a correspondente
Austrlia. Os dados encontram-se no conjunto de dados e tem gdp.gdt
j foram dimensionadas de modo a que tanto
economias apresentam um PIB real de 100 no ano de 2000 Ns decidimos usar o vector
correo de erros
modelo, porque (1) a srie de tempo no so estacionrios em seus nveis, mas esto em
seus extencil de diferenas (2)
as variveis so co-integradas.
Em um e ort para manter a discusso em movimento, os autores do POE4 optou por
evitar discutir como
eles realmente determinado a srie eram no estacionrias em nvel, mas estacionria
em extencil de diferenas. Este
um passo importante e eu vou levar algum tempo aqui para explicar como se poderia
abordar isso. L
vrias maneiras de fazer isso e eu vou te mostrar duas maneiras de faz-lo em Gretl.
13.1.1 Srie Plots-Constant e Tendncias
Nossas impresses iniciais dos dados so obtidos a partir de olhar para parcelas da
duas sries. Os dados
parcelas so obtidas na forma habitual depois de importar o conjunto de dados. Os dados relativos
EUA e Austrlia
PIB so encontrados no arquivo gdp.gdt e foram coletados a partir de 1970: 1-2004: 4.1
Abra os dados e conjunto
a estrutura de dados em tempo-sries trimestrais usando o setobs 4
comando, iniciar a srie em 1970: 1,
e use a opo --time-srie.
Pgina 482
Pgina 483
aberto "gretldir \ Data \ poe \ gdp.gdt"
setobs 4 1970: 1 --time-series
Um dos propsitos das parcelas ajudar a determinar se o
Regresses Dickey-Fuller deve
conter constantes, tendncias ou tendncias quadrados. A maneira mais simples de fazer isso
pelo console usando
o comando espalha.
espalha EUA diff (EUA) diff aus (aus)
O comando dispersa produz vrios grficos, cada um contendo um dos
a srie listados. A
funo diff () usado para tomar as extencil de diferenas de EUA e aus, que aparecem na
os grficos destaque
na Figura 13.1 abaixo.
1POE4 refere-se a estas variveis como U e A, respectivamente.
306
----------------------- Pgina 331 -----------------------
Figura 13.1: Os nveis de australiano e PIB dos EUA parecem ser no-estacionrio
e co-integradas.
As parcelas dierence ter uma mdia diferente de zero, indicando uma constante em sua ADF
regresses.
Isso leva a dois passos do menu pull-down. Primeiro, use o mouse para
destacar as duas sries
e, em seguida, criar as extencil de diferenas usando Adicionar> primeiras diferenas de
variveis selecionadas. Em seguida,
selecione Exibir> Multiple grficos> Sries temporais. Inclua as variveis do
caixa de lista selecionada para produzir
Figura 13.1.
A partir dos grficos de sries temporais parece que os nveis esto levemente parablico
no tempo. Os extencil de diferenas
tm uma pequena tendncia. Isto significa que o Dickey-Fuller (ADF)
regresses pode precisar
Pgina 483
Pgina 484
contm estes elementos.
13.1.2 Selecionando Lag Length
A segunda considerao a especificao de defasagens para o ADF
regresses. Existem vrias
maneiras de selecionar lags e Gretl automatiza um destes. O conceito bsico consiste em
incluir defasagens suficientes
nas regresses ADF para fazer os resduos rudo branco. Estes sero
discutido atualmente.
307
----------------------- Pgina 332 -----------------------
Teste de Down
A primeira estratgia incluir defasagens apenas o suficiente para que o ltimo
estatisticamente significativo.
Gretl automatiza isso usando a opo --test-down para o aumentada
Regresses Dickey-Fuller.
Iniciar as regresses ADF com um generoso nmero de defasagens e Gretl
reduz automaticamente que
nmero at o t-ratio na maior lag restante significativo a 10
nvel cento. Pela
sries nveis que escolher o nmero mximo utilizando o mtodo de Schwert como discutido
no captulo 12.
O modelo inclui uma constante, tendncia, ea tendncia ao quadrado (opo --ctt) e uso
o --test-down
opo.
Um escalar mlag = int (12 * (($ nobs + 1) / 100) ^ (0,25))
2 ADF mlag EUA --ctt --test-down
3 ADF mlag aus --ctt --test-down
A EUA srie contm um atraso significativo muito longo doze perodos
para o passado. O australiano
srie mostra muito menos persistncia, escolhendo apenas 3 em ensaios para baixo a partir de 12.
O resultado mostrado
na Figura 13.2. Ambos estatstica ADF so insignificantes no 5% ou
Nvel de 10%, indicando que eles so
no-estacionrio. Este processo repetido para a srie dierenced usando os comandos:
Pgina 484
Pgina 485
adf mlag diff (EUA) --ct --test-down
adf mlag diff (aus) --ct --test-down
Os GAL seleccionados para os EUA ea Austrlia so onze e sete, respectivamente.
Ambas as estatsticas ADF
so significativos ao nvel de 5% e conclumos que as extencil de diferenas so
estacionria.
Teste Up
A outra estratgia testar os resduos a partir do aumentada
Regresses Dickey-Fuller para
autocorrelao. Nesta estratgia, voc pode comear com um modelo pequeno,
e testar os resduos do
Regresso de Dickey-Fuller para autocorrelao usando um teste de LM. Se
Os resduos so autocorrelacionados,
adicionar outro dierence desfasado da srie para a regresso ADF e testar o
resduos novamente. Uma vez
a estatstica LM insignificante, voc sair voc est feito. Isto referido como
teste-se. Voc ir
ainda precisa comear com um nmero razovel de defasagens no modelo ou os testes
no ter desejvel
propriedades.
Para empregar esta estratgia em Gretl, voc ter que estimar o ADF
equaes manualmente usando
o comando ols. Desde que a srie de dados tem uma tendncia constante e quadrtica, voc
ter de definir uma
tendncia temporal (genr tempo) e, possivelmente, tendncia ao quadrado (quadrado
tempo) para incluir na regressions.2
2It no decorre das parcelas da srie dierenced que
uma tendncia ao quadrado foi exigido. No entanto, o
tendncia quadrado foi includo no modelo porque estatisticamente significativa
em cada uma das regresses ADF.
308
----------------------- Pgina 333 -----------------------
Pgina 485
Pgina 486
Figura 13.2: Baseado em testes ADF, os nveis de Austrlia e EUA PIB so
no-estacionrio.
Note que este mais um daqueles casos em que voc no pode usar srie no lugar de
genr. O genr
tempo uma funo especial para genr. Os outros casos incluem genr
unitdum manequim e genr. Voc
Tambm ser necessrio para gerar os extencil de diferenas para usar em uma nova funo
chamados lags. O script para fazer
este segue:
Tempo um genr
2 Time Square
3 diff EUA aus
Agora, estimar uma srie de regresses aumentada Dickey-Fuller usando
ols. Siga cada regresso
com o teste LM de autocorrelao dos resduos discutidos no captulo 9.
1 lao i = 1..12
2 ols d_usa (0 a-i) EUA (-1) sq_time tempo const --quiet
3 printf "ADF ordem lag =% d \ n ", i
Ciclo final 5
309
----------------------- Pgina 334 -----------------------
A primeira regresso OLS o ADF (1). Ele inclui um defasada
valor da d EUA como um regressor em
alm do valor defasado dos EUA, uma constante, uma tendncia, e uma tendncia ao quadrado.
Varivel (i do Gretl
para j) cria uma srie de defasagens de i at j de
varivel. Assim, no primeiro regresso,
d EUA (0 a-i) cria o valor contemporneo e um nico
valor desfasado da d EUA. Desde
o valor contemporneo, d EUA, aparece em primeiro lugar na lista de variveis,
tomado como o dependente
varivel. A declarao printf emitido para ns de qual teste lembrar
estamos realizando. Em seguida, o
Pgina 486
Pgina 487
Testes LM e outro AR so realizados utilizando modTest 1
--autocorr --quiet. Se o valor-p
maior que 0,10, em seguida, este o seu modelo. Se no, considerar o resultado da
lao seguinte, que tem
acrescentou mais um lag de d EUA para o modelo. Pare quando o p-valor maior do que
0.10.
Neste exemplo de cdigo que escolhemos para suprimir os resultados da primeira
regresso de modo que a sada
dos testes caberia em uma pgina (Figura 13.3). Na prtica, voc pode pular
esta opo e ler
do t-relao de Dickey-Fuller directamente a partir da sada. A nica desvantagem
isto que o bom
p-valor para o que no calculado usando o mtodo manual.
Figura 13.3: Testando-se: estimar manualmente as regresses FDA e usar LM
Testes para autocorre-
mento para determinar o comprimento adequado lag.
3
Se voc repetir este exerccio para aus (como fizemos no script no
final do captulo) voc
vai achar que o teste se determina de zero defasagens d aus so necessrios no
Dickey-Fuller regresso;
testes para baixo revelou eram necessrios trs defasagens. A incongruncia ocorre porque
fizemos um mau trabalho
de testar-se, deixando de incluir termos de autocorrelao suficientes no
LM teste. Isto ilustra um
perigo de teste acima. Quando realizamos o teste LM usando apenas um
nico termo autocorrelao,
3Actually, a estatstica LM para o ADF (1) foi insignificante e um separado
Regresso DF tambm teve um insignificante
Estatstica LM, indicando que no h defasagens so necessrios. Fiz o circuito um pouco
amador, a fim de produzir a estatstica por DF
adicionando uma instruo condicional para quando i = 0 como fizemos no incio do livro.
310
----------------------- Pgina 335 -----------------------
Pgina 487
Pgina 488
que no tinha procurado o suficiente no passado para detectar significativa
autocorrelaes que se encontram mais
voltar no tempo. Adicionar termos ao teste de autocorrelao usando modTest
3 --autocorr teria
ajudou a detectar isso.
Ento, o que melhor, testando para baixo ou testar-se? Eu acho que a economtrico
consenso que o teste
para baixo mais seguro. Vamos deix-lo para o estudo futuro!
13.1.3 Cointegrao Teste
Dado que as duas sries so parados em suas extencil de diferenas (ou seja, ambos so
I (1)), o prximo passo
para testar se eles so co-integradas. Na discusso que se
segue, voltamos a reproduzir
Resultados de POE4. Para fazer isso, use mnimos quadrados para estimar o seguinte
regresso.
aust = usat + et
(13.5)
obter a resduos, e, em seguida, estimar
t
AE = e + U
(13.6)
t t-1 t
Este o "test case 1" a partir do captulo 12 de Hill et al. (2011) e a 5%
valor crtico para o t-rcio
-2,76. O script a seguir estima a regresso do modelo de co-integrao,
salva os resduos, e
estima a regresso necessria para o teste de raiz unitria.
1 ols aus EUA
2 sries uhat = $ uhat
3 ols diff (uhat) uhat (-1)
Pgina 488
Pgina 489
O resultado :
AE = -0.127937e
(13.7)
t t-1
(0.044279)
2
T = 123 R = 0,0640 F (1, 122) = 8,3482
= 5
A t-ratio -0,1279 / 0,0443 = -2,889, que fica na regio de rejeio
para este teste. Portanto,
rejeitar a hiptese nula de no cointegrao.
13.1.4 VECM: australiano e PIB dos EUA
Voc tem duas di erence sries estacionrias que so co-integradas.
Consequentemente, um erro de correlao
modelo reo da dinmica de curto prazo pode ser estimada utilizando menos
praas. Um simples erro
311
----------------------- Pgina 336 -----------------------
modelo de correo :
aus = + e + V
(13.8)
t 11 12 t-1 1t
usa = + e + V
(13.9)
t 21 22 t-1 2t
e as estimativas
Pgina 489
Pgina 490
aus = 0.491706 + -0.0987029e
t
t-1
(8,491) (-2,077)
usa = 0.509884 + + 0.0302501e
t
t-1
(10,924) (0.790)
que so produzidos usando
1 ols diff (aus) uhat const (-1)
2 ols diff (EUA) uhat const (-1)
O coecient negativo significativo sobre et-1 indica que o PIB australiano
responde a um temporrio
desequilbrio entre os EUA ea Austrlia.
Os EUA no parecem responder a um desequilbrio entre os dois
economias; o t-ratio
em et-1 insignificante. Estes resultados suportam a idia de que a economia
condies da Austrlia depender
sobre aqueles em os EUA mais do que condies os EUA dependem da Austrlia.
Em um modelo simples de
duas comrcio economia, os EUA uma grande economia fechada e na Austrlia um pequeno
economia aberta.
13.1.5 Utilizao da Command VECM do Gretl
O exemplo australiano PIB / US acima foi realizada manualmente em uma srie
de passos na ordem
familiariz-lo com a estrutura do modelo VEC e como, em
pelo menos em princpio, so
Estima. Na maioria das aplicaes, voc provavelmente vai usar outros mtodos
estimar VECM;
eles fornecem informaes adicionais teis e so geralmente mais mostrassem eficientes.
Greta contm um
Pgina 490
Pgina 491
VECM comando completo que estima um VECM. Captulo 24 de Cottrell e
Lucchetti (2011)
fornece um excelente tutorial sobre a estimativa de uma VECM e inclui alguns
exemplos usando Gretl.
Antes de usar o comando VECM em Gretl, este leitura obrigatria!
Uma caracterstica do exemplo em POE4 que me incomoda que os testes de
autocorrelao no erro
modelos de correo rejeitar a hiptese de ausncia de correlao serial. Isso implica
que a estrutura em atraso
os modelos de correo de erro, provavelmente precisa de mais pensava. Assim, defasagens so adicionados
para o modelo e
reestimamos usando o comando de Gretl VECM, a sintaxe para o que :
312
----------------------- Pgina 337 -----------------------
Depois de algumas experincias que eu decidir usar um modelo de terceira ordem. Desde h
so apenas duas sries,
e o nmero mximo de apenas esses vetores 1 A
padro, 'case 3', que uma
constante irrestrita, usado para modelar os componentes determinsticos da
modelo. Escolhendo o
caso correto outra parte da arte de fazer um estudo VECM e eu no sou
perito suficiente para dar
conselhos sobre como fazer isso. Vou deixar voc para seus prprios dispositivos para resolver este
questo complicada.
O modelo estimado atravs de um script:
3 VECM ordem com um cointegrante
vector - sem restries constante
VECM 3 1 aus eua
As caixas de dilogo tambm so teis. Escolha modelo> Time-Series> VECM para
abrir o apropriado
caixa de dilogo mostrada na Figura 13.4. Ele permite que voc adicione variveis endgenas para
o VAR, exgena
variveis (que deve ser I (0)), escolha lags, nmero de esses vetores,
e escolha o modelo
para a parte determinstica da tendncia. Uma das vantagens de
utilizando o dilogo que a
Pgina 491
Pgina 492
resultados do modelo aparecer, como de costume, em uma janela modelo separado. A
janela d-lhe imediato
acesso a exames, enredos e ferramentas adicionais para anlise. Alm disso, h
tambm um mecanismo til
que permite respecificaiton rpida do modelo. Na barra de menu do
janela modelo escolher
Editar> Revisar especificao abre a caixa de dilogo VECM novamente para voc
Alterar configuraes.
Uma forma de avaliar se voc fez modelagem adequada
escolhas olhar para vrios
estatsticas da sada para verificar a significncia de desfasamentos, bem como o
magnitudes e sinais de
os coecients. Mesmo sem a opo --verbose, o comando produz uma grande
bit de sada.
Aqui eu dividi-lo em duas partes. A primeira parte da nossa produo pode ser visto abaixo
na Figura 13.5 A
ordem lag dado, o posto de co-integrao selecionado mostrado, eo "caso"
(Constante irrestrita)
identificado. Em seguida, esto as estimativas da equao de co-integrao.
Os vetores de ajustamento
so realmente as coecients sobre os resduos defasados da cointegrante
relacionamento. Geralmente,
313
----------------------- Pgina 338 -----------------------
Figura 13.4: A caixa de dilogo VECM
estes devem ter sinais opostos em dois modelos de variveis, caso contrrio o
ajustes aos choques podem
no ser equilibrante. Finalmente, algumas estatsticas de seleco do modelo aparecer
na parte inferior, que pode ser
til para determinar a ordem de VECM. Tal como acontece com os computados no nosso
prprio modelsel2
funo, menor melhor.
A segunda parte da sada aparece na Figura 13.6. Este
mostra as estimativas da
completa VECM. Voc vai querer verificar para ver se atrasos desnecessrios ter sido
includas no modelo
(Insignificante t-rcios sobre os atrasos mais longos), verifique o valor da
Durbin-Watson estatstica (que deveria
Pgina 492
Pgina 493
estar prximo a 2), e verificar os sinais e significado da correo de erros
termos. Neste caso, o
sinais so como o esperado, e apenas a economia australiana ajusta de forma significativa para
choques no curto
executar. A emisso de uma modTest 1 --autocorr aps o VECM ir produzir algum
estatsticas de autocorrelao.
Verifique estes para se certificar de que h autocorrelao permanece.
Neste exemplo, que tem 2 desfasada extencil de diferenas na equao R parece
ser garantido. A
segundo atraso na equao australiano tambm significativa em 10%. Os sinais de
a correo de erros
termos fazem sentido. Gostaria de concluir que este modelo um candidato digno para
utilizao posterior.
Mais um cheque vale a pena considerar. A trama dos termos de correo de erros
mostrada na Figura 13.7
Este grfico mostra que a maior parte do desequilbrio negativo. A Austrlia
constantemente jogando catch
at os EUA eu no tenho certeza se eu acredito nisso. Voc vai notar que o coecient
no cointegrante
equao -1,025. A simples estimativa de mnimos quadrados que era
-0,98. Eu suspeito que este
parmetro deve ser igual a -1 (estas economias de mercado so aproximadamente comparveis)
e eu testar
lo, usando um restringir comunicado. A hiptese no rejeitada a 5% e a
restrio imposta
eo enredo reformulao como mostrado na Figura 13.8. Voc pode ver que ele
tem a mesma forma bsica como na
Figura 13.7, mas o agora h muitos desequilbrios mais positivos.
A sada a partir da regresso
314
----------------------- Pgina 339 -----------------------
Figura 13.5: A primeira parte da sada do VECM 3
1 aus comando EUA.
VECM restrito aparece abaixo: A magnitude da
parmetros de ajuste tornaram-se
mais semelhante em magnitude. O coecient para a Austrlia (-0,096929)
significativo em 10% e o
um para os EUA no .
Pgina 493
Pgina 494
Finalmente, existem algumas vantagens de trabalhar com um script como
bem. Gretl tem acessores para
alguns dos resultados de VECM. O acessor $ jbeta armazena os parmetros de
o co-integrao
estimativas. $ VecGamma armazena os coecients nas extencil de diferenas defasados da
variveis cointegradas,
e lojas $ ec os termos de correo de erros. No roteiro, eu
calcular os termos de correo de erros
manualmente usando $ jbeta. H outros assessores para os resultados VECM. Veja
Guia do Usurio do Gretl
para mais detalhes.
Restringir o VECM e acessar alguns
resultados
1 VECM 3 1 aus eua
2 restringir --full
3 b [1] + b [2] = 0
4 fim restringir
5
6 = $ escalar um vecGamma
7 escalar b = $ jbeta
8 sries ec = aus + $ jbeta [2,1] * EUA
315
----------------------- Pgina 340 -----------------------
Figura 13.6: A segunda parte da sada do VECM 3 1
comando aus EUA.
13.2 Auto-regresso Vetorial
O modelo de auto-regresso vetorial (VAR) na verdade um pouco mais simples para
estimamos que o VEC
modelo. usado quando no h co-integrao entre as variveis
e estima-se usando
de srie temporal que tenham sido transformadas com os seus valores fixos.
Pgina 494
Pgina 495
No exemplo de POE4, temos dados macroeconmicos sobre RPDI e RPCE para
Estados
Unidos. Os dados encontram-se no conjunto de dados fred.gdt e j tm
foi transformado em sua
logaritmos naturais. No conjunto de dados, y o log de bens descartveis
renda e c o registro de bens
despesas de consumo. Como no exemplo anterior, a primeira etapa a
determinar se o
variveis so estacionrias. Se no for, ento voc transform-los em
de sries temporais estacionrias e
teste de co-integrao.
Os dados precisam de ser analisadas da mesma maneira como o PIB
srie no exemplo VECM.
Examine as parcelas para determinar possveis tendncias e usar os testes ADF
para determinar qual a forma
316
----------------------- Pgina 341 -----------------------
Figura 13.7: Lote dos termos de correo de erros do VECM 3
1 aus comando EUA.
os dados so estacionrios. Estes dados so no estacionrias em nveis,
mas estacionrios em extencil de diferenas.
Em seguida, estimar o vetor de cointegrao e testar a estacionariedade de sua
resduos. Se parado, o
sries so co-integradas e estimar um VECM. Se no, ento um tratamento VAR
sucient.
Abra os dados e dar uma olhada nos grficos de sries temporais.
Um abertas "gretldir \ data \ poe \ fred.gdt"
2 dispersa c diff (c) y diff (y)
As parcelas aparecem na Figura 13.10. As sries de nveis parecem ser tendendo
em conjunto. Os extencil de diferenas
pode ser uma tendncia de queda ligeiramente. A mdia da srie dierence
parece ser maior
que zero, o que sugere que, pelo menos, uma constante de ser includo no alimentador
regresses. A incluso de um
Pgina 495
Pgina 496
tendncia pode ser testada utilizando um teste t com base na produo de regresso.
A outra deciso que precisa ser feito o nmero de extencil de diferenas defasados
para incluir na
aumentados regresses Dickey-Fuller. A princpio a seguir a de incluir apenas
o suficiente para que o
resduos da regresso ADF no so autocorrelacionados. A recomendao
testar para baixo usando
a opo --test-down do comando ADF.
1 ADF 12 c --ct --test-down --verbose
2 ADF 12 y --ct --test-down --verbose
317
----------------------- Pgina 342 -----------------------
Figura 13.8: Lote de os termos de correo de erros do VECM 3 1 aus
EUA, onde a co-integrao
vetor aus = EUA.
Depois de algumas experincias, a deciso foi tomada para manter a tendncia no ADF
regresions. A
termo foi significativa para ambas as sries. O procedimento de teste-down escolheu 3 defasada
extencil de diferenas de C no
primeiro modelo e 10 desfasada extencil de diferenas de y no segundo. Em ambas
casos, a hiptese de raiz unitria
no poderia ser rejeitada a 10%. Ver Figuras 13,11 e 13,12.
provavelmente uma boa idia para confirmar que os extencil de diferenas so estacionrias,
desde VAR em extencil de diferenas
vai exigir isso.
Se c e y so co-integradas, ento voc poderia estimar um VECM. A
Engle-Granger testa revela
que elas no so.
Dickey-Fuller teste para uhat
incluindo cinco defasagens de (1-L) uhat (max era 12)
Pgina 496
Pgina 497
modelo: (1-G) y = b0 + (a-1) * y (-1) + ... + e
De 1 ordem autocorrelao Coef. para e: -0,008
318
----------------------- Pgina 343 -----------------------
Figura 13.9: A sada do modelo VECM restrito. O cointegrante
relacionamento A = L.
teste estatstico: tau_c (2) = -2,39489
assintticas valor p 0,327
H evidncias de uma relao de co-integrao, se:
(A) A hiptese de raiz unitria no rejeitada para o indivduo
variveis.
(B) A hiptese de raiz unitria rejeitada para os resduos
(Uhat) do
cointegrantes regresso.
O valor-p sobre a estatstica de teste 0.327. Ns no podemos rejeitar a raiz unitria
hiptese para os resduos
e, portanto, as sries no so co-integradas. Estamos seguros para estimar o VAR
em extencil de diferenas.
A sintaxe bsica para o comando var aparece abaixo
Voc pode especificar a ordem de defasagens, a srie para colocar no VAR, e quaisquer opes
voc quer. Voc pode
escolher HAC erros padres e maneiras de modelar tendncias deterministas no modelo.
A estimativa do
319
----------------------- Pgina 344 -----------------------
Pgina 497
Pgina 498
Figura 13.10: Registros Naturais de consumo e renda e sua
extencil de diferenas.
VAR com a opo -lagselect til para decidir quantas defasagens dos dois
variveis para adicionar
o modelo.
var 12 diff (c) diff (y) --lagselect
Ns escolhemos essa opo aqui com as primeiras linhas do resultado:
Sistema VAR, ordem mxima lag 12
Os asteriscos abaixo indicar o melhor (ou seja, minimizado) valores
dos respectivos critrios de informao, AIC = critrio de Akaike,
BIC = Schwarz Bayesian critrio e critrio HQC = Hannan-Quinn.
defasagens loglik p (LR) AIC BIC HQC
1 1319,59415 -14,049135 -13,945463 * -14,007127 *
2 1323,61045 0,09039 -14,049310 -13,876523 -13,979296
3 1329,48171 0,01937 -14,069323 * -13,827422 -13,971305
320
----------------------- Pgina 345 -----------------------
Figura 13.11: testes ADF de ln (RPCE)
4 1333,38145 0,09921 -14,068251 -13,757235
-13,942227
O BIC (SC) e HQC escolham o mesmo nmero de defasagens, 1 Isso
o que temos estimado para que
esto satisfeitos. Voc tambm pode emitir um comando de teste do modelo aps o VAR para
determinar se existe alguma
remanescente autocorrelao nos resduos. Se houver, voc provavelmente precisar
adicionar defasagens adicionais para
o VAR. Quando usado aqui, as estatsticas Ljung-Box Q para ambas as equaes tm
Pgina 498
Pgina 499
p-valores acima de 0,10
ea hiptese nula de ausncia de autocorrelao no rejeitada.
O resultado do modelo encontrado na Tabela 13.1
Voc tambm pode obter Gretl para gerar comando de seleo defasagem do VAR
atravs dos dilogos.
Selecione o Modelo> Sries temporais> VAR seleo lag a partir do menu suspenso. Este
revela o VAR
caixa de dilogo de seleo de lag. Voc pode escolher a defasagem mxima a considerar, o
variveis de modo a incluir, em
o modelo, e se o modelo deve conter constante, tendncia, ou sazonal
manequins.
321
----------------------- Pgina 346 -----------------------
Figura 13.12: testes ADF de ln (RPDI)
13.3 Funes de resposta ao impulso e varincia Decomposies
Funes de impulso resposta mostram as eects de choques sobre a trajectria de ajustamento
uma das variveis.
Previso decomposies de varincia de erro medir a contribuio de cada
tipo de choque para o
varincia do erro de previso. Ambos os clculos so teis para avaliar como choques
para variveis econmicas
reverberar atravs de um sistema.
Funes de resposta ao impulso (IRFS) e decomposies de varincia de erro previso
(FEVD) pode ser
produzido depois de usar os comandos var ou VECM. Os resultados podem ser
apresentados em uma tabela ou um
grfico.
A obteno das respostas de impulso depois de estimar um VAR fcil em Gretl.
O primeiro passo o de estimar
acasalar o VAR. A partir da janela principal Gretl escolher modelo> Tempo
series> Auto-regresso Vetorial.
Isso traz a caixa de dilogo, mostrada na Figura 13.13. Defina a ordem de defasagens a 1,
e adicione o dierenced
Pgina 499
Pgina 500
variveis para a caixa Endgeno Variveis. Verifique se o
'Incluir uma constante' caixa
322
----------------------- Pgina 347 -----------------------
Sistema VAR, a fim lag 1
MQO estimativas, observaes 1960: 3-2009: 4 (T = 198)
Equao 1: DC
const 0.00527761 0,000952508 5,5408 0,0000
dc 1 0.215607 0.0903028 2,3876 0,0179
dy 1 0.149380 0.0595427 2,5088 0,0129
0.006976
Soma resid quadrado 0.008431 EP da regresso
0.006575
0.111466
F (2, 195) 10,39596 P-value (F)
0.000051
-0,052639 Durbin-Watson
2.085697
Equao 2: dy
const 0.00603667 0.00110476 5,4642 0,0000
dc 1 0.475428 0.105260 4,5167 0,0000
Pgina 500
Pgina 501
dy 1 -0.217168 0.0977454 -2,2218 0,0274
0.009038
Soma resid quadrado 0.014293 EP da regresso
0.008562
0.102706
F (2, 195) 10,22543 P-value (F)
0.000060
-0,003022 Durbin-Watson
1.993480
Tabela 13.1: Resultados do VAR
marcada e clique em OK. Os resultados so apresentados na Tabela 13.1.
Voc pode gerar respostas de impulso selecionando Anlise> Impulse
as respostas a partir dos resultados
janela. Uma caixa de dilogo aparece resposta ao impulso que permite que voc especifique o
horizonte de previso e
alterar a ordem das variveis. Usando 12 perodos com dc ordenou primeira
produz os resultados
Estes podem ser representados graficamente para uma interpretao mais fcil da janela de resultados por
selecionando Grficos> Impulse
respostas (combinado) a partir do menu suspenso. Isso traz um dilogo que
permite escolher
como o grfico vai ser construdo. A caixa de dilogo mostrada na Figura 13.14.
Isto produz o grfico mostrado na Figura 13.15. O erro de previso
decomposies de varincia
(FEVD) so obtidos de forma semelhante. Escolha Anlise> Previso de varincia
decomposio do
323
----------------------- Pgina 348 -----------------------
Figura 13.13: A partir da janela principal Gretl, Escolha o modelo> Tempo
Pgina 501
Pgina 502
series> Vector
Autogregression para abrir a caixa de dilogo VAR.
janela modelo de auto-regresso vector para se obter o resultado mostrado na Tabela 13.3.
Para gerar os IRFs e os FEVDs usando um script, basta utilizar as opes
--impulse-respostas
e --variance-decomp. Estes podem ser usados com o comando var como feito aqui ou
a Comisso VECM
mand.
var um diff (c) diff (y) --impulse-respostas --variance-decomposio
324
----------------------- Pgina 349 -----------------------
Figura 13.14: Selecione Grficos> respostas de impulso (Combinado) do
Janela de resultados VAR traz
esta caixa de dilogo.
13,4 Script
Um abertas "gretldir \ data \ poe \ gdp.gdt"
2 set echo off
3 setobs 4 1970: 1 --time-series
4 # trama mltipla de sries temporais
5 espalha EUA diff (EUA) aus diff (aus)
6
7 # testes ADF com teste para baixo
8 escalar mlag = int (12 * (($ nobs + 1) / 100) ^ (0,25))
9 ADF mlag EUA --ctt --test-down
10 adf mlag aus --ctt --test-down
11
Pgina 502
Pgina 503
12 adf diff mlag (EUA) --ct --test-down
13 adf mlag diff (aus) --ct --test-down
14
15 # testando manualmente para baixo com base em testes de LM
16 # EUA
Tempo 17 genr
18 Time Square
19 aus usa dif
20 circuito i = 1..12
21 ols d_usa (0 a-i) EUA (-1) tempo const sq_time --quiet
22 printf "ordem ADF lag =% d \ n", i
325
----------------------- Pgina 350 -----------------------
Figura 13.15: ln US (RDPI) e ln (RPCE) respostas de impulso
Loop de 24 final
25
26 # Austrlia
27 circuito i = 0..12
28 se i = 0
29 ols d_aus aus (-1) const tempo sq_time --quiet
30 mais
31 ols d_aus (0 a-i) aus (-1) const sq_time tempo
--quiet
32 endif
33 printf "ADF ordem lag =% d \ n ", i
Pgina 503
Pgina 504
Loop de 35 final
36
37 # Seo 13.2 em POE4
38 ols aus EUA
39 sries uhat = $ uhat
40 ols diff (uhat) uhat (-1)
41 ols diff (aus) const uhat (-1)
42 ols diff (EUA) const uhat (-1)
44
45 # Engle-Granger teste
46 coint 8 aus usa --test-down --nc
326
----------------------- Pgina 351 -----------------------
47
48 # VECM restrito
49 VECM 3 1 aus eua
50 restringir --full
51 b [1] + b [2] = 0
52 fim restringir
53
54 # coletando termos de correo de erro de modelo restrito
Matriz 55 a = $ vecGamma
56 matriz b = $ jbeta
57 sries ec = aus + $ jbeta [2,1] * EUA
Pgina 504
Pgina 505
59
60 # VAR estimativa
61 abertos "gretldir \ data \ poe \ fred.gdt"
62 dispersa c diff (c) y diff (y)
63
64 ADF 12 c --ct --test-down --verbose
65 ADF 12 y --ct --test-down --verbose
66
67 ADF 12 diff (c) --ct --test-down --verbose
68 ADF 12 diff (y) --ct --test-down --verbose
69
70 var 12 diff (c) diff (y) --lagselect
71 var um diff (c) diff (y) --robust-hac
73
74 var um diff (c) diff (y) --impulse-respostas --variance-decomposio
327
----------------------- Pgina 352 -----------------------
Respostas a um choque de um padro de erro em dc
perodo dc dy
1 0.00652541 0.00378594
Pgina 505
Pgina 506
2 0.00197247 0.00228018
3 0,000765890 0,000442583
4 0,000231244 0,000268010
5 8.98931e-005 5.17366e-005
6 2.71100e-005 3.15021e-005
7 1.05509e-005 6.04757e-006
8 3.17823e-006 3.70284e-006
9 1.23838e-006 7.06878e-007
10 3.72596e-007 4.35247e-007
11 1.45351e-007 8.26206e-008
12 4.36806e-008 5.11615e-008
Em resposta a um choque de um padro de erros em dy
perodo dc dy
1 0.000000 0.00760630
2 0.00113623 -0,00165185
3 -1.77382e-006 0,000898922
4 0,000133898 -,000196060
5 -4.18065e-007 0,000106237
6 1.57795e-005 -2.32700e-005
7 -7.38999e-008 1.25555e-005
8 1.85961e-006 -2.76179e-006
9 -1.16116e-008 1.48388e-006
10 2.19159e-007 -3.27772e-007
11 -1.71048e-009 1.75376e-007
12 2.58288e-008 -3.88992e-008
Tabela 13.2: Impulse funes de resposta (IRF)
328
----------------------- Pgina 353 -----------------------
Decomposio da varincia para dc
Pgina 506
Pgina 507
perodo std. erro dc dy
1 0.00652541 100.0000 0,0000
2 0.00691105 97,2970 2,7030
3 0.00695336 97,3298 2,6702
4 0.0069585 97,2967 2,7033
5 0.00695908 97,2972 2,7028
6 0.00695915 97,2967 2,7033
7 0.00695916 97,2967 2,7033
8 0.00695916 97,2967 2,7033
9 0.00695916 97,2967 2,7033
10 0.00695916 97,2967 2,7033
11 0.00695916 97,2967 2,7033
12 0.00695916 97,2967 2,7033
Decomposio da varincia para dy
perodo std. erro dc dy
1 0.00849642 19,8552 80,1448
2 0.00895081 24,3800 75,6200
3 0.00900671 24,3198 75,6802
4 0.00901283 24,3752 75,6248
5 0.00901361 24,3743 75,6257
6 0.00901369 24,3750 75,6250
7 0.0090137 24,3750 75,6250
8 0.00901371 24,3750 75,6250
9 0.00901371 24,3750 75,6250
10 0.00901371 24,3750 75,6250
11 0.00901371 24,3750 75,6250
12 0.00901371 24,3750 75,6250
Tabela 13.3: Erro de Previso Variance Decomposies (FEVD)
329
Pgina 507
Pgina 508
----------------------- Pgina 354 -----------------------
Captulo 14
Volatilidade e ARCH Modelos varivel no tempo:
Introduo Econometria Financeira
Neste captulo vamos estimar vrios modelos em que o
varincia da varivel dependente
mudanas ao longo do tempo. Estes so amplamente referido como ARCH (auto-regressivo
heteroskedas- condicional
modelos ticity) e h muitas variaes sobre o tema.
A primeira coisa a fazer ilustrar o problema graficamente usando
dados sobre os retornos das aes. A
os dados so armazenados na base de dados returns.gdt Gretl. Os dados contm quatro mensal
ndices de preos de aes:
US Nasdaq (Nasdaq), o australiano Todos os Ordinrios (allords), o
Japons Nikkei (Nikkei) e
Reino Unido FTSE (FTSE). Os dados so registrados mensalmente a partir de 1988: 01 e
terminando em 2009: 07.
Observe que, com dados mensais, o sux de dois dgitos, ou seja, 1988: 01
Janeiro (01) do ano
1988.
Grficos de disperso simples aparecem abaixo. Eles podem ser gerados utilizando a interface grfica como
descrito na pgina
282, ou usando o comando espalha.
1 aberto "gretldir \ data \ poe \ returns.gdt"
2 espalha NASDAQ allords FTSE nikkei
330
----------------------- Pgina 355 -----------------------
14.1 ARCH e GARCH
O arco base (1) modelo pode ser expressa como:
yt = + et
Pgina 508
Pgina 509
(14.1)
e | IN (0, h)
(14.2)
tt-1 t
h = + e2
(14.3)
t 0 1 t-1
0> 0, 0 1 <1
A primeira equao descreve o comportamento da mdia do seu
de sries temporais. Neste caso, a equao
(14.1) indica que esperamos que a srie temporal para variar aleatoriamente sobre sua mdia,
. Se a mdia
seu tempo-srie deriva ao longo do tempo ou explicado por outras variveis, voc adicionar
los para esta equao
tal como faria um modelo de regresso regular. A segunda equao indica
que o erro do
regresso, e, so normalmente distribudos e heterocedstica.
A variao do perodo atual
t
erro depende de informao que revelada no perodo anterior,
ie, It-1. A varincia
e dado o smbolo h. A equao final descreve como a varincia
se comporta. Observe que h
t t
t
331
----------------------- Pgina 356 -----------------------
depende do erro no perodo de tempo anterior. A
parmetros desta equao tem que ser
positivo para assegurar que a varincia, h, positivo. Note tambm que
no pode ser maior do que um;
t
se fosse, a varincia seria instvel.
A ARCH (1) modelo pode ser estendido para incluir mais defasagens da
erros, et-q. Neste caso,
Pgina 509
Pgina 510
q se refere ao fim da ARCH. Por exemplo,
ARCH (2) substitui (14,3) com ht =
2 2
+ e + E . Ao estimar modelos de regresso que tem ARCH
erros no Gretl, voc vai
0 1 2 t-1 t-2
tem que especificar esta ordem.
ARCH tratada como um caso especial de um modelo mais geral no Gretl chamado
GARCH. GARCH
significa generalizada heterocedasticidade condicional auto-regressivo e acrescenta
valores defasados da
prpria varincia, ht-p, para (14,3). A (1,1) GARCH :
yt = + et
e | I N (0, h)
tt-1 t
h = + e2 + h
(14,4)
t 1 t-1 1 t-1
O dierence entre ARCO (14,3) e a sua generalizao (14.4) um termo h
, Uma funo de
1 t-1
varincia defasada. Em ordem superior do Garch modelo (p, q), q se refere a
nmero de defasagens de et e
p refere-se ao nmero de defasagens de ht para incluir no modelo da
varincia da regresso.
Para abrir o dilogo para estimar ARCH e GARCH em Gretl escolher modelo> Tempo
series> GARCH
da principal window.1 Gretl Isso revela a caixa de dilogo onde
voc especificar o modelo (Figura
14.1). Para estimar o ARCH (1) modelo, voc vai colocar o time-series r no
varivel dependente
caixa e fixado q = 1 e p = 0. Isto gera os resultados:
Pgina 510
Pgina 511
Modelo 1: GARCH, usando observaes 1-500
Varivel dependente: r
Os erros padro baseado em Hessiana
Valor de p
const 1,06394 0,0399241 26,6491
0,0000
0 0.642139 0.0648195 9,9066
0,0000
1 0.569347 0.0913142 6,2350
0,0000
Mdia var dependente 1.078294 SD dependente
var 1.185025
1489.586
1496.202
Incondicional erro varincia = 1,49108
1Na uma verso posterior do Gretl, uma opo ARCH foi adicionado. Voc pode usar
isso tambm, mas a resposta que voc comea
ser ligeiramente dierent devido extencil de diferenas no mtodo utilizado para estimar o
modelo.
332
----------------------- Pgina 357 -----------------------
Figura 14.1: Estimativa ARCH usando a caixa de dilogo no Gretl
.
Voc vai notar que as estimativas coecient e erros padro para o
ARCH (1) e Garch (1,
1) Os modelos so bastante prximos daqueles no captulo 14 do seu livro. Para obter
estes, voc vai ter que
alterar o padro de varincia-covarincia clculo usando set GARCH vcv
Pgina 511
Pgina 512
op antes de executar o
script. Embora isso faz com que voc feche os resultados em POE4, usando o GARCH
vcv op no normalmente
recomendada; basta usar o padro Gretl, definir vcv GARCH desactivado.
Os erros padro e t-rcios muitas vezes pode variar um pouco, dependendo de qual
software e numrica
so utilizadas tcnicas. Esta a natureza da estimativa de probabilidade mxima do
parmetros do modelo.
Com mxima verossimilhana, os parmetros do modelo so estimados utilizando
otimizao numrica
tcnicas. Todas as tcnicas normalmente chegar ao mesmo parmetro
estimativas, isto , aqueles que
maximizar a funo de verossimilhana; mas, eles o fazem de forma dierent.
Cada algoritmo numrico
chega a soluo iterativa com base em valores de partida razoveis
e o mtodo utilizado para
medir a curvatura da funo de probabilidade, em cada ronda de
estima. Uma vez que o algoritmo
Acha o mximo da funo, a medida da curvatura reutilizado como uma estimativa
da varincia
matriz de covarincia. Uma vez que a curvatura pode ser medido em ligeiramente
maneiras dierent, a vontade de rotina
produzir estimativas ligeiramente dierent de erros padro.
Gretl d-lhe uma maneira de escolher qual mtodo que voc gosta para uso
estimativa da varincia-
matriz de covarincia. E, como se esperava, esta escolha ir produzir padro dierent
erros e t-rcios.
O comando set GARCH vcv permite que voc escolha entre cinco alternativas:
-que unset restauraes
333
----------------------- Pgina 358 -----------------------
o padro, juta, im (matriz de informao), op (matriz produto externo), QML
(QML estimador),
ou pc (Bollerslev-Wooldridge). Se no estiver definida dado o padro
restaurado, que neste caso o
De Hesse; se a opo "robusto" dado para o comando Garch, QML usado.
As sries so caracterizadas por acaso, mudanas rpidas e esto a ser dito
voltil. A volatilidade
Pgina 512
Pgina 513
parece mudar ao longo do tempo tambm. Por exemplo, o ndice de retornos de aes dos Estados Unidos
(Nasdaq) experincias
um perodo relativamente calmo, de 1992 a 1996 Em seguida, os retornos das aes tornam-se muito
mais voltil at
cedo 2004 Volatilidade aumenta novamente no final da amostra. A
outras sries apresentam semelhante
perodos de relativa calma seguidos de aumento da volatilidade.
A grficos de histograma da distribuio emprica de uma varivel.
Em Gretl o comando freq
gera um histograma. A curva de distribuio normal so sobrepostos usando o
opo normal e
o teste Doornik-Hansen para a normalidade realizada. Um histograma das ALLORDS
srie aparece
abaixo na Figura 14.1.
A srie leptocrtica. Isso significa que tem muitas observaes
em torno da mdia e um
relativamente grande nmero de observaes que esto longe de mdia; o centro de
o histograma possui
um pico alto e as caudas esto relativamente pesado em comparao com o normal.
O teste tem uma normalidade
p-valor de 0,0007 <0,05 e significativo ao nvel de 5%.
14.2 Teste de ARCH
Testes para a presena de ARCH nos erros do seu modelo
simples. Na verdade, no
so, pelo menos, duas maneiras de proceder. O primeiro para estimar a regresso
parte do seu modelo usando
mnimos quadrados. Em seguida, escolha os testes> ARCH de menu pull-down do modelo.
Isto ilustrado
na Figura 14.3 abaixo.
Isso abre a caixa onde voc dizer Gretl que ordem de ARCH (q) que deseja
como sua alternativa
hiptese. No exemplo, q = 1, o qual conduz a um resultado
obtida no texto. A sada est
mostrado a seguir na Figura 14.5. Gretl produz a estatstica LM discutido em
seu texto; o relevante
parte destacado em vermelho.
Pgina 513
Pgina 514
A outra forma de realizar este teste manualmente. O primeiro passo
para estimar a regresso
334
----------------------- Pgina 359 -----------------------
Figura 14.2: Um histograma da srie ALLORDS traada usando o
opo normal.
(14.1) utilizando Gretl. Salve os resduos quadrados e depois regredir estes em
seu valor defasado. Leve
2
TR a partir desta regresso como sua estatstica de teste. O roteiro para este aparece
abaixo:
abrir "c: \ Arquivos de Programas \ gretl \ data \ poe \ BYD.gdt"
ols r const
srie ehat = $ uhat
sries ehat2 = ehat * ehat
ols ehat2 ehat2 const (-1)
escalar tr2 = $ trsq
A primeira linha de estima a regresso
rt = + et
(14.5)
Os resduos so salvos em ehat e depois quadrado como ehat2. A prxima linha
estima a regresso
e = + e + U
(14.6)
t 1 2 t-1 t
A notao ehat2 (-1) converte o ehat2 varivel e osets que na
conjunto de dados pela quantidade de
parnteses. Neste caso, ehat2 (-1) coloca um perodo de latncia de menos
ehat2 em sua regresso.
Pgina 514
Pgina 515
2
A linha final calcula TR a partir da regresso.
Uma vez que voc estima o seu ARCH ou GARCH, pode representar graficamente o comportamento
da varivel
dade como foi feito no livro didtico. Aps estimar ARCH ou GARCH, voc pode salvar o
varivel previsto
335
----------------------- Pgina 360 -----------------------
Figura 14.3: estimar o modelo usando mnimos quadrados. Em seguida, escolha
Testes> ARCH a partir do modelo de
menu suspenso.
Figura 14.4: Testando caixa de dilogo para ARCH
ances utilizando a srie de comandos ht = $ h. Em seguida, traar-los usando
gnuplot ht --time-srie.
O resultado mostrado na Figura 14.2. A trama mais bonita pode ser obtido
usando os menus suspensos
e editar a trama-se usando a caixa de dilogo Editar do Gretl. Para
modificar o grfico, clique direito sobre
o grfico e escolha Editar. A partir da voc pode adicionar rtulos, mudar as cores ou
estilo de linha, e adicione
ttulos. Isso o que eu tenho feito para produzir o resultado na Figura 14.2.
14,3 Threshold ARCH
Limiar ARCO (TARCH) tambm pode ser estimada em Gretl, embora
requer um pouco pro
gramao; no existem menus pull-down para este estimador.
Em vez disso, vamos introduzir gretl de
poderoso comando macho que permite definidos (log) funes de verossimilhana do usurio para ser
maximizada.
336
----------------------- Pgina 361 -----------------------
O modelo de limiar ARCH substitui a equao de varincia (14,3) com
Pgina 515
Pgina 516
h = + e2 + d e2 + H
(14,7)
t 1 t-1 t-1 t-1 1 t-1
dt = 1 se et <0
(14.8)
0 caso contrrio
Os parmetros do modelo so estimados por encontrar os valores que maximizam a sua
probabilidade. Mxima
estimadores de mxima verossimilhana so discutidos no apndice C de Hill et al. (2011).
Gretl fornece uma maneira bastante fcil de estimar via mxima verossimilhana que pode
ser utilizado com uma vasta
gama de problemas de estimao (veja o captulo 16 para outros exemplos).
Para usar o comando macho de Gretl,
voc deve especificar a funo de log-verossimilhana que deve ser maximizado. Qualquer
parmetros contidos em
a funo devem ser atribudos valores de partida razovel para a rotina de trabalhar
adequadamente. Parmetros
pode ser declarada e dado valores iniciais (usando o comando escalar).
Rotinas de otimizao numrica usar as derivadas parciais da
funo objetivo de iteraes
vamente encontrar o mnimo ou mximo da funo. Se voc quiser, voc pode especificar
o analtico
derivados da funo de probabilidade logartmica com respeito a cada um dos
parmetros Gretl; se ana-
lticas derivados no so fornecidos, Gretl tenta calcular um numrica
aproximao. O real
resultados de que voc obter depender de muitas coisas, inclusive se
derivados de anlise so usados
e os valores de partida.
Para o modelo GARCH limite, abrir um novo arquivo de script e digite o programa
que aparece
na Figura 14.7.
Linhas 3-7 do roteiro do os valores iniciais para o modelo de
Pgina 516
Pgina 517
parmetros. Isto essencial e
escolhendo bons valores iniciais aumenta as chances de sucesso. Voc
quer comear a numrica
otimizao em um ponto vivel. Em outras palavras, voc no pode comear
o modelo com um negativo
varincia.
A segunda parte do roteiro a partir da linha 9 contm a
a expresso algbrica do
log-verossimilhana funo. Linha 9 ll = -0,5 * (log (h) + (E2) / h) que
chamado o ncleo do
funo de densidade de probabilidade normal. Lembre-se que os erros do modelo ARCH
so considerados
normalmente distribudos e isso se reflete no kernel.
Figura 14.5: resultados do teste ARCH
337
----------------------- Pgina 362 -----------------------
Figura 14.6: Grfico das variaes depois de estimar o GARCH (1,1)
usando o BrightenYourDay
retorna. Clique com o boto direito no grfico para abrir o menu mostrado. Em seguida, escolha
Editar para modificar o seu
grfico.
Em seguida, temos de especificar uma estimativa inicial para as varincias dos
o modelo, e estes so fixados aos
a varincia emprica das sries usando var (r). Em seguida, os erros so
gerado, quadrado, eo
prazo limite criada usando sries E2M = e2 * (E <0); o
expresso (e <0) assume o valor
de 1 para erros negativos, e, e zero caso contrrio. Em seguida, em linha 14, o
funo ht heterocedstica
especificada. Os parmetros do modelo so dadas no final utilizando os Parmetros
declarao. Este
necessria, uma vez que vamos deixar Gretl tentar maximizar a sua funo usando
derivados numricos.
O lao macho encerrado com final macho. A sada ser na Figura 14.8.
As estimativas coecient
so muito prximos daqueles impressos em POE4, e os erros padro e
correspondentes t-rcios so
Pgina 517
Pgina 518
bastante semelhantes tambm. No incomum para as estimativas produzidas por dierent
software para produzir esta
tipo de variao na estimativa de modelos no lineares numericamente.
Peas de software que Dierent
sem dvida usam algoritmos dierent foram utilizados para maximizar numericamente a
log-verossimilhana funo.
O que surpreendente que Gretl faz um trabalho to bem sem
ter de especificar o analtico
derivados da log-verossimilhana. Muito impressionante.
Gretl Oers um novo conjunto de funes que estimam vrios tipos de
Modelos GARCH. Escolha
Modelos> Time-series> GARCH variantes a partir do menu suspenso para
revelar o seguinte dilogo
caixa:
338
----------------------- Pgina 363 -----------------------
1 Abra o "c: \ Program Files \ Gretl \ data \ poe \ BYD.gdt "
2
3 = 0,5 mu escalares
4 escalar omega = 0,5
5 escalar alfa = 0,4
6 escalar delta = 0,1
7 = 0 beta escalar
8
9 macho ll = -0,5 * (log (h) + (e ^ 2) / h)
10 sries h = var (r)
11 sries e = r - mu
12 sries e2 = e ^ 2
13 sries E2M = e2 * (e <0)
14 sries h = omega + alfa * E2 (-1) + Delta * E2M (-1) +
beta * h (-1)
Pgina 518
Pgina 519
15 params mu Alpha Omega delta beta
Mle 16 final
Figura 14.7: roteiro GARCH Threshold
Figura 14.8: Resultados Threshold ARCH
339
----------------------- Pgina 364 -----------------------
O tipo de modelo GJR efectivamente equivalente ao TARCH discutido
acima. Estimando-lo com
as OPG covarincia estimador produz resultados muito semelhantes aos da POE4.
Este mdulo Oers
vrias outras variantes de GARCH, mas voc ter que usar o Gretl
documentao para ter certeza de
o que voc est estimando. Por exemplo, a opo TARCH no o mesmo que o
um em POE4.
Modelo: GJR (1,1) [Glosten et al.] (Normal) *
Varivel dependente: r
Amostra: 1-500 (T = 500), VCV mtodo: OPG
Condicional equao significa
coeficiente std. p-valor de erro z
-------------------------------------------------- -----
const 0.995450 0.0429312 23,19 6.15e-119 ***
Condicional equao da varincia
coeficiente std. p-valor de erro z
-------------------------------------------------- ----
340
----------------------- Pgina 365 -----------------------
Pgina 519
Pgina 520
omega 0.356106 0.0900902 3.953 7.73e-05
***
alfa 0.476221 0.102614 4,641 3.47e-06
***
gamma 0.256974 0.0873509 2.942 0,0033
***
beta 0.286913 0.115495 2.484 0,0130
**
(Alt. Parametrizao)
std coeficiente. erro z Valor de p
-------------------------------------------------- ----
delta 0.356106 0.0900902 3.953 7.73e-05
***
alfa 0.262915 0.0804612 3.268 0,0011
***
gamma 0.489506 0.203966 2.400 0,0164
**
beta 0.286913 0.115495 2.484 0,0130
**
Llik: -730,58891 AIC: 1471,17783
BIC: 1492,25087 HQC: 1479,44686
Voc percebe que e se referem a duas maneiras dierent de parametrizar
o modelo. A alternativa
refere-se ao modelo TARCH discutido em POE4.
14,4 Garch-in-mdio
O Garch-in-mdio (MGARCH) modelo acrescenta varincia da equao para o
funo de regresso.
Isto permite que o valor mdio da varivel dependente a depender da volatilidade
do subjacente
ativos. Desta forma, mais risco (volatilidade) pode levar a um maior retorno mdio.
As equaes so listados
abaixo:
yt = 0 + + ht et
(14.9)
Pgina 520
Pgina 521
h = + e2 + d e2 + H
(14.10)
t 1 t-1 t-1 t-1 1 t-1
Note que nesta formulao samos do prazo limite no modelo.
Os erros so normalmente
distribudo com mdia zero e varincia h.
t
Os parmetros deste modelo pode ser estimada utilizando Gretl, embora o
natureza recursiva da
funo de verossimilhana torna um pouco mais dicult. No script abaixo
(Figura 14.9), voc vai notar
que ns definimos uma funo para calcular o log-likelihood.2 A
funo chamado filtro de gim e
contm oito argumentos. O primeiro argumento o de sries temporais, y. Em seguida,
cada um dos parmetros
est listado (mu, teta, delta, alfa, gam, e beta) como escalares. A final
argumento um espao reservado
para a varincia, h, que calculado na funo.
Uma vez que a funo chamada e seus argumentos definido, voc
precisa iniciar srie para o
varincias e os erros; estes foram chamados lh e le, respectivamente. A
log-verossimilhana funo
2Actually, Professor gnio Gretl 'Jack' Lucchetti escreveu a funo e estou
muito grato!
341
----------------------- Pgina 366 -----------------------
calculado usando um loop que executado a partir da segunda observao
at o ltimo. O comprimento de
a srie pode ser obtido usando o resultado $ nobs guardado, que atribudo a
a varivel T.
Sintaxe de loop do Gretl muito simples, mas como temos
mostrado em captulos anteriores,
existem vrias variaes. Neste exemplo, o circuito controlado usando o
Pgina 521
Pgina 522
varivel ndice especial,
Eu. Neste caso, voc especificar os valores inicial e final para i, que
incrementado em um cada vez
em volta do circuito. No exemplo MGARCH a sintaxe circuito parecido com este:
loop para i = 2..T --quiet
[Coisas para calcular]
loop de final
A primeira linha de iniciar o loop usando uma varivel de ndice chamado i. O primeiro valor de
de i definido como 2 A
ndice i ser incrementado em 1 at que ele atinja T, que j tem
foi definido como sendo igual
$ nobs. A declarao end loop diz Gretl o ponto em que para voltar ao
a parte superior do circuito e
avanar o incremento i. A opo --quiet apenas reduz a quantidade de sada
que escrito para
a tela.
Dentro do prprio loop, voc vai querer ficar para o ndice e criar
uma varivel indicadora que vai
tomar o valor de 1 quando a notcia ruim (et-1 <0). As prximas linhas quadrados os
residual. lh [i] usos
o ndice de ciclo de colocar o clculo da varincia iterao
para a linha i de lh. A
linha que comea le [i] = funciona de forma semelhante para os erros da equao da mdia.
As variaes so coletadas em h e os resduos em le, o
ltimo dos quais devolvido quando
a funo chamada. A funo fechada usando a funo final.
Se isso parece muito complicado, voc pode simplesmente destacar o cdigo com o seu
cursor, copi-lo usando
Ctrl-C, e col-lo em um arquivo de script Gretl (ou utilizar os scripts fornecidos com
deste livro).
Uma vez que a funo definida, necessrio inicializar cada parmetro, assim como
voc fez no TGARCH.
A srie que acabar por manter as varincias tambm deve ser inicializado.
Este ltimo feito usando
Pgina 522
Pgina 523
srie h = NA, que cria a srie h ea preenche com valores ausentes
(NA). Os valores em falta
para observaes de 2 a T so substitudos como laos a funo.
Em seguida, o comando macho embutido emitido eo kernel de densidade normal
especificada tal como o
foi no exemplo TGARCH. Em seguida, use o pr-definida e = filtro de gim (
Funo), colocando na
r varivel para o tempo-srie, os parmetros inicializados, e & h como um ponteiro
s variaes que
ser processada na funo. Emita a instruo params para identificar
e os parmetros
t-los imprimir na tela. Fechar o ciclo e executar o script.
Os resultados aparecem na Figura
14.10 abaixo. Esta uma probabilidade dicult maximizar e Gretl pode demorar
algum tempo para calcular
as estimativas. Ainda assim, notvel que ficamos to perto usando uma
software gratuito e
os derivados numricos que ele calcula para ns.
342
----------------------- Pgina 367 -----------------------
14.5 Script
1 aberto "gretldir \ data \ poe \ returns.gdt"
2 set echo off
3
4 espalha NASDAQ allords ftse nikkei
5 freq NASDAQ --normal
6 freq allords --normal
7 freq ftse --normal
8 freq nikkei --normal
9
Pgina 523
Pgina 524
10 abertos "gretldir \ data \ poe \ byd.gdt"
11
12 # arco (1) Usando construdo no comando de arco
13 arco 1 r const
14
15 # GARCH (0,1) = arco (1)
16 GARCH 0 1; r const
17
18 # GARCH (1,1)
20
21 # teste LM para o arco
22 ols r const
23 modTest 1 --arch
24
25 # teste LM manualmente
26 ols r const
28 sries ehat2 = ehat * ehat
29 ols ehat2 const ehat2 (-1)
30 escalar tr2 = $ trsq
31
Pgina 524
Pgina 525
32 # plotagem GARCH varincias
34 sries ht = $ h
35 gnuplot tempo ht
36
37 # limiar arco
39
40 mu escalares = 0,5
41 escalar omega = 0,5
43 delta escalar = 0,1
44 = 0 beta escalar
45
46 ll macho = -0,5 * (log (h) + (e ^ 2) / h)
47 sries h = var (r)
48 sries e = r - mu
343
----------------------- Pgina 368 -----------------------
49 sries e2 = e ^ 2
50 sries E2M = e2 * (e <0)
51 sries h = omega + alfa * E2 (-1) + delta * E2M (-1) +
beta * h (-1)
52 params mu alpha omega delta beta
Mle 53 final
54
Pgina 525
Pgina 526
55 # GARCH-in-mdia - A funo
56 funo gim_filter (srie y, \
57 mu escalar, escalar theta, delta escalar, escalar
alpha, \
58 escalar gam, beta escalar, sries * h)
59
60 sries lh = var (y)
61 sries le = Y - mu
63 loop para i = 2..T --quiet
64 escalar ilag = $ i - 1
65 escalar d = (le [ilag] <0)
66 e2lag escalar = le [ilag] ^ 2
67 lh [i] = delta + alfa * e2lag + gam * e2lag * d +
beta * lh [ilag]
68 le [i] = le [i] - theta * lh [i]
Loop de 69 final
70
Srie 71 h = lh
72 sries de retorno le
73
Funo 74 final
75
76 # GARCH-in-mdia
Pgina 526
Pgina 527
78
80 escalar gam = 0,1
82 beta escalar = 0
84 escalar teta = 0,1
85
86 sries h = NA
87
88 ll macho = -0,5 * (log (2 * pi) + Log (h) + (e ^ 2) / h)
89 e = gim_filter (r, mu, teta, delta, alfa, gam, beta,
E h)
90 params mu teta delta alfa gam beta
91 final --robust macho
344
----------------------- Pgina 369 -----------------------
1 funo gim_filter (srie y, \
2 mu escalar, escalar theta, delta escalar, escalar
alpha, \
3 escalar gam, beta escalar, sries * h)
4
5 sries lh = var (y)
6 sries le = Y - mu
8 de loop para i = 2..T --quiet
9 escalar ilag = $ i - 1
Pgina 527
Pgina 528
10 escalar d = (le [ilag] <0)
11 e2lag escalar = le [ilag] ^ 2
12 lh [i] = delta + alfa * e2lag + gam * e2lag * d +
beta * lh [ilag]
13 le [i] = le [i] - theta * lh [i]
Circuito 14 final
15
Srie 16 h = lh
17 sries de retorno le
18
Funo 19 final
20
21 aberto "c: \ Program Files \ Gretl \ data \ poe \ BYD.gdt "
22
24 escalar gam = 0,1
26 = 0 beta escalar
28 escalar teta = 0,1
29
30 sries h = NA
31
Pgina 528
Pgina 529
32 ll macho = -0,5 * (log (2 * pi) + Log (h) + (e ^ 2) / h)
33 e = gim_filter (r, mu, teta, delta, alfa, gam, beta,
E h)
34 params mu teta delta alfa gam beta
35 Final da --robust macho
Figura 14.9: O script MGARCH inclui uma funo para calcular a
log-verossimilhana.
345
----------------------- Pgina 370 -----------------------
Figura 14.10: Garch-in-mdio resultados
346
----------------------- Pgina 371 -----------------------
Captulo 15
Pooling Time-Series e Transversais Dados
Um painel de dados consiste em um grupo de unidades de corte transversal (pessoas, empresas,
estados ou pases)
que so observados ao longo do tempo. Seguindo Hill et al. (2011), vamos denotar a
nmero de transversal
unidades de N e o nmero de perodos de tempo observa-se-lhes como T.
Para utilizar os procedimentos pr-definidos para estimar modelos usando o painel
em que os dados Gretl
tem que primeiro ter certeza de que seus dados tenham sido devidamente estruturado no
programa. A caixa de dilogo
caixas de atribuio de estrutura painel de dados utilizando variveis ndice mostrado
abaixo:
Para utilizar este mtodo, Os dados tm de incluir variveis que identificam
cada indivduo e hora
perodo. Selecione a opo de painel usando o boto de rdio e Gretl ser, ento,
capaz de trabalhar atrs
as cenas de contabilizar com preciso o tempo e as dimenses individuais.
Pgina 529
Pgina 530
Os conjuntos de dados que vm
com este manual j foi configurado dessa maneira, mas se voc estiver usando o seu prprio
dados que voc deseja
para atribuir a estrutura de base de dados que lhe prpria de modo que todos os apropriado
procedimentos de dados em painel
esto disponveis para uso.
Gretl oferece fcil acesso a uma srie de conjuntos de dados de painel til, atravs do seu
server.1 banco de dados Estes
incluir a Penn World Table eo Barro e Lee (1996) os dados sobre
educacional internacional
1Sua computador deve ter acesso internet para usar isto.
347
----------------------- Pgina 372 -----------------------
realizao. Estes dados podem ser instalados usando Arquivo> Banco de dados> On
servidor de banco de dados do
barra de menu, como mostrado na Figura 15.1 abaixo. A partir daqui, selecione um
banco de dados que voc deseja. Na Figura 15.2
Figura 15.1: Acessando dados do servidor de banco de dados atravs do
pull-down menus
a entrada para o painel de Barro-Lee realado. Para o seu direito,
que so dadas informaes sobre
se esse conjunto de dados instalado em seu computador. Clique duas vezes
em barro lee e uma lista de
a srie neste banco de dados ir aparecer em uma nova janela. De
que a janela que voc pode procurar por um
especial srie, observaes de exibio, o grfico de uma srie, ou import-lo.
Este um utilitrio muito til,
tanto para o ensino ea pesquisa e encorajo-vos a explorar o que est disponvel
no servidor Gretl.
Voc vai notar os quatro cones na parte superior da janela
O primeiro cone da esquerda o cone srie lista. Clicando nele
far com que a lista de sries em um
nomeadamente base de dados, como mostrado abaixo na Figura 15.3. O cone que se parece com um
disquete (lembre-se
Pgina 530
Pgina 531
aqueles?) ir instalar o banco de dados. O clique no cone ao lado mostrar que
bancos de dados so instalados
no seu computador, eo 'X' fecha a janela.
A Figura 15 mostra uma poro de janela da lista de srie para o Barro e Lee
dados da base de dados
servidor. A partir daqui voc pode exibir os valores contidos em uma srie, traar o
srie, ou adicionar uma srie
para o conjunto de dados. Destaque da srie especial que voc deseja e clique no
cone apropriado no
superior.
348
----------------------- Pgina 373 -----------------------
Figura 15.2: A instalao de um dados do servidor de banco de dados atravs do
pull-down menus
15.1 A Modelo Bsico
A expresso mais geral de modelos de regresso linear, que tm tanto tempo
e dimenses da unidade
visto na equao abaixo de 15,1.
yit = 1it + + 2itx2it 3itx3it +
eit (15.1)
, onde i = 1, 2,. . . , N e t = 1, 2,. . . , T. Se temos um completo
conjunto de observaes de tempo para cada
indivduo em seguida, haver NT Total de observaes na amostra. O painel
disse para ser equilibrado
neste caso. No incomum ter algumas observaes em tempo falta para um
ou mais indivduos.
Quando isso acontece, o nmero total de observao menor do que o NT e
painel desequilibrado.
O maior problema com a equao (15.1) que, mesmo se o painel
completo (equilibrada), o
modelo contm trs vezes mais parmetros como observaes (NT)! Para ser capaz de
estimar o modelo,
algumas hipteses tm de ser feitas, a fim de reduzir o nmero de parmetros.
Pgina 531
Pgina 532
Um dos mais
pressupostos comuns que as pistas so constantes para cada indivduo
e cada perodo de tempo;
Alm disso, as interceptaes variam apenas por indivduo. Este modelo mostrado na equao
(15.2).
y = + x + x + e
(15,2)
ele 1i 2 2it 3 3It ele
349
----------------------- Pgina 374 -----------------------
Figura 15.3: Isso mostra uma parte da janela da lista de srie para o
Dados Barro e Lee do
servidor de banco de dados. A partir daqui voc pode exibir os valores contidos em uma srie,
plotar a srie, ou adicionar
uma srie de conjunto de dados. Destaque da srie especial que voc deseja e clique em
o cone apropriado
na parte superior.
Esta especificao, que inclui N + 2 parmetros, inclui
dummies que permitem a
interceptar a mudar para cada indivduo. Usando esse modelo voc
dizer que ao longo do tempo curto
perodos no h mudanas substanciais na funo de regresso.
Obviamente, quanto mais o
dimenso do tempo, o mais provvel esta hiptese ser falsa.
Na equao (15.2), os parmetros que variam de indivduo so chamados
eects fixos individuais
eo modelo referido como eects fixos de sentido nico. O modelo apropriado quando
os indivduos
no dier amostra de um outro, de forma que no varia ao longo do tempo. Ele
uma maneira til de
evitar extencil de diferenas no observadas entre os indivduos em sua amostra que
outra forma teria de
ser omitidas considerao. Lembre-se, omitindo variveis relevantes pode causar
mnimos quadrados para
ser tendenciosa e inconsistente; um modelo fixo e ECTS one-way, que requer o uso
de dados em painel, pode
ser muito til para atenuar o vis associado com o tempo invariante,
eects no observveis.
Pgina 532
Pgina 533
Se voc tem um painel de mais tempo e esto preocupados que a funo de regresso
deslocando ao longo do tempo,
voc pode adicionar T - variveis dummy 1 vez ao modelo. O modelo se torna
y = + + x + x + e
(15.3)
ele 1t 1i 2 2it 3 3It
ele
onde qualquer um ou 1i 1t tm de ser omitidos a fim de evitar perfeito
colinearidade. Este modelo possui
N + (t - 1) + 2 parmetros, que geralmente menor do que o NT
observaes na amostra.
A equao (15.3) chamada de mo dupla eects fixos modelo porque
contm parmetros que
ser estimado para cada indivduo e cada perodo de tempo.
15.2 Estimativa
Hill et al. (2011) fornece um subconjunto de National Longitudinal
Levantamento que conduzida por
o Departamento do Trabalho dos EUA. O banco de dados inclui observaes sobre as mulheres, que
em 1968, foram
entre as idades de 14 e 24 Em seguida, segue-os ao longo do tempo, a gravao
vrios aspectos de sua
vidas por ano at 1973 e bi-anualmente depois. Nossa amostra composta por
716 mulheres observadas
em 5 anos (1982, 1983, 1985, 1987 e 1988). O painel
equilibrada e h total de 3580
observaes.
350
----------------------- Pgina 375 -----------------------
O modelo considerado encontrado na equao (15,2) abaixo.
ln (salrio) = + educ + + exper
exper2 + mandato
ele 1i 2 o 3 o 4
o 5-lo
Pgina 533
Pgina 534
+ + Tenure2 sul + + Unio
+ e preto (15.4)
6 o 7 o 8 ele
9-lo ele
O principal comando usado para estimar modelos com dados em painel em
Gretl o painel. O painel
sintaxe :
Todos os estimadores de dados bsicos do painel esto disponveis. Fixa
eects, eects fixos nos dois sentidos, aleatrio
eects, entre estimativa e (no mostrados) mnimos quadrados agrupados.
O primeiro modelo a ser avaliado referido como mnimos quadrados reunidas.
Basicamente, impe a
restrio que 1i = 1 para todos os indivduos. Os indivduos tm
os mesmos intercepta. Aplicando
mnimos quadrados agrupados em um painel restritiva em um nmero de maneiras.
Em primeiro lugar, para definir o modelo
mnimos quadrados usando viola a suposio de que pelo menos um utilizado na prova
de Gauss-Markov
teorema. quase certo que os erros de uma vontade individual
ser correlacionados. Se no o Johnny
ntida mrmore na bolsa, provvel que seus ganhos dado
educao equivalente, experincia,
posse e assim por diante vai ser do lado de baixo da mdia para cada ano. Ele tem baixa
capacidade e que aects
salrio mdio de cada ano da mesma forma.
Tambm possvel que um indivduo pode ter menor de maiores ganhos
em comparao com varincia
outros na amostra. A soluo para estes problemas de especificao
utilizar estimativas robustas da
matriz de covarincia varincia. Lembre-se que mnimos quadrados consistente para a
encostas e de interceptao (mas
no mostrassem eficientes) quando os erros so correlacionados ou heterocedstica, mas que este
altera a natureza da
varincia-covarincia.
Covarincias robustas em dados de painel levar em conta a natureza especial da
estes dados. Especificamente
eles respondem por autocorrelao dentro das observaes sobre cada
Pgina 534
Pgina 535
individuais e permitem que o
varincias para os indivduos dierent para variar. Como os dados do painel tm
tanto um tempo-srie e uma cruzada
351
----------------------- Pgina 376 -----------------------
dimenso do corte era de se esperar que, na avaliao geral, robusto do
matriz de covarincia
exigiria lidar tanto heterocedasticidade e autocorrelao (o HAC
abordagem).
Gretl atualmente Oers dois robustos estimadores da matriz de covarincia especificamente
para dados em painel. Estes
esto disponveis para os modelos estimados via eects fixos, pooled OLS, e agrupados
de dois estgios de mnimos quadrados.
O estimador robusto padro aquela sugerida por Arellano (2003), que HAC
desde que o painel
o de "n grande, pequeno T" variedade (que , muitas unidades so observados em
relativamente poucos perodos).
Nos casos em que a autocorrelao no um problema, no entanto, o
estimador proposto por Beck e
Katz (1995) e discutido por Greene (2003, captulo 13) podem ser apropriadas. Este
estimador leva
em conta correlao contempornea atravs das unidades e heterocedasticidade
por unidade.
Um abertas "gretldir \ data \ poe \ nls_panel.gdt"
2 Lista xvars = const exper educ exper2 mandato tenure2 sul
unio preto
3 Painel lwage xvars --pooled --robust
A primeira coisa a notar que, mesmo que o modelo est sendo
estimativa de mnimos quadrados, a
painel de comando usado com a opo --pooled. O --robust
opo de solicitar o padro
HCCME para dados em painel, que basicamente uma verso especial do HAC (ver seco
9.6.1).
Pooled OLS, utilizando 3.580 observaes
Includo 716 unidades transversais
Pgina 535
Pgina 536
Comprimento da srie temporal = 5
Varivel dependente: lwage
Robustos (HAC) erros padro
Valor de p
const 0.476600 0.0844094 5,6463
0,0000
educ 0.0714488 0.00548952 13,0155
0,0000
exper 0.0556851 0.0112896 4,9324
0,0000
exper2 -,00114754 0,000491577 -2,3344
0,0196
tenure 0.0149600 0.00711024 2,1040
0,0354
tenure2 -0,000486042 0,000409482 -1,1870
0,2353
sul -,106003 0.0270124 -3,9242
0,0001
preto -,116714 0.0280831 -4,1560
0,0000
unio 0.132243 0.0270255 4,8933
0,0000
01 Durbin-Watson 0.337344
Enquanto eects omitidas (por exemplo, extencil de diferenas individuais) no esto correlacionados com
qualquer uma das variveis explicativas,
essas estimativas so consistentes. Se os extencil de diferenas individuais esto correlacionados
com regressores, ento voc
pode-se estimar os parmetros do modelo de forma consistente com eects fixos.
352
----------------------- Pgina 377 -----------------------
Para fins de comparao, os resultados agrupados de mnimos quadrados, sem
erros padro do cluster
mostrado
Pgina 536
Pgina 537
Pooled OLS, utilizando 3.580 observaes
Valor de p
const 0.476600 0.0561559 8,4871
0,0000
educ 0.0714488 0.00268939 26,5669
0,0000
exper 0.0556851 0.00860716 6,4696
0,0000
exper2 -,00114754 0,000361287 -3,1763
0,0015
tenure 0.0149600 0.00440728 3,3944
0,0007
tenure2 -0,000486042 0,000257704 -1,8860
0,0594
sul -,106003 0.0142008 -7,4645
0,0000
preto -,116714 0.0157159 -7,4265
0,0000
unio 0.132243 0.0149616 8,8388
0,0000
Voc pode ver que as estimativas so iguais s do primeiro set, mas que
os erros padro
so muito menores. Tendo em conta que os dados so provenientes de um painel, e provvel que su er
tanto no interior do grupo
autocorrelao e heterocedasticidade entre o grupo, os t-rcios poderia ser
altamente enganoso.
15,3 Eects fixos
O modelo (15,2) reestimamos usando e ECTS fixos. Raa e
educao no mudam para
indivduos da amostra, e suas influncias no pode ser estimada utilizando fixo
eects.
Pgina 537
Pgina 538
1 Abra o "c: \ Arquivos de Programas \ Gretl \ data \ poe \ nels_panel.gdt"
preto unio
3 painel lwage xvars de efeitos --fixed
4
5 xvars - = educ preto
6 Painel lwage xvars de efeitos --fixed
Mesmo que os parmetros de preto e educ no so identificados neste modelo,
que os incluiu
de qualquer maneira na linha 3 s para ver como Gretl lida com isso. Os resultados so os seguintes:
-Eects fixa, com 3.580 observaes
353
----------------------- Pgina 378 -----------------------
Valor de p
const 1,45003 0.0401400 36,1244
0,0000
exper 0.0410832 0.00662001 6,2059
0,0000
exper2 -0,000409052 0,000273333 -1,4965
0,1346
tenure 0.0139089 0.00327784 4,2433
0,0000
tenure2 -0,000896227 0,000205860 -4,3536
0,0000
sul -0,0163224 0,0361490 -0,4515
0,6516
unio 0.0636972 0.0142538 4,4688
0,0000
Pgina 538
Pgina 539
Teste para di intercepta grupo rando -
Hiptese nula: Os grupos tm uma interceptao comum
Teste estatstico: F (715, 2858) = 15,145
com valor de p = P (F (715, 2858)> 15,145) = 0
Inteligentemente, Gretl caiu educ e preto do modelo. Ele tambm relata a
teste de hiptese
que os di rncias individuais so conjuntamente iguais a zero. Falha de rejeitar
esta hiptese conduziria
para as estimativas de mnimos quadrados em pool. O valor-p prximo de zero e
a igualdade de interceptaes
rejeitada.
Na linha 5, ns usamos um truque Gretl especial que pode ser usado para
remover itens de uma lista. A
operador - = e nesta linha as variveis educ e negros so removidos
a lista xvars. Voc
pode adicionar coisas a uma lista usando + =.
Como apontado em POE4, quando N pequeno voc pode criar um conjunto de manequim
variveis para o fixo
eects e estimar o modelo usando mnimos quadrados. Este
equivalente a usar os eects fixos
estimador. O panel10.gdt nls contm um subconjunto de 10 indivduos da
conjunto maior de 716 e
podemos us-lo para demonstrar algumas caractersticas do Gretl e da equivalncia da
dois procedimentos.
O primeiro passo o de criar um conjunto de variveis indicadoras para cada indivduo.
Um abertas "gretldir \ data \ poe \ nls_panel10.gdt"
2 setobs ano id --panel-vars
3 genr unitdum
4 lista x = exper const exper2 mandato sindical tenure2
5 ols lwage x du_ *
6 painel lwage const x efeitos --fixed
Pgina 539
Pgina 540
Uma vez que o conjunto de dados foi declarado para ser um painel, Gretl sabe que
os identifica variveis id
indivduos. Assim, genr unitdum gera um indicador para cada
id nico. Este um especial
circunstncia em que o comando genr deve ser usado em vez de em srie.
As variveis indicadoras
so adicionados ao conjunto de dados e recebem nomes e varivel ID
nmeros. O nome do primeiro
354
----------------------- Pgina 379 -----------------------
indicador du 1 que leva a 1 se o indivduo tem id = 1 e 0 caso contrrio. A
demais indivduos
tambm ter uma varivel de indicador, sendo a ltima du 10 O uso da
curinga * na linha 5 reduz
a quantidade de digitao. O * vai pegar todas as variveis que comea
du. Neste modelo du *
equivalente a 1 du du du 2 3 4 du du du 5 6 7 du du du 9 8 du 10.
Os resultados de mnimos quadrados manequim estimativa varivel e o equivalente
painel eects fixos
aparecem abaixo na Tabela 15.1. A vantagem de utilizar os eects painel fixo
verso que, quando houver
Modelo 1: Pooled OLS, utilizando 50 observaes
Valor de p
-------------------------------------------------- ------
exper 0.237999 0.187757 1.268
0,2133
exper2 -,00818817 0,00790482 -1,036
0,3074
tenure -0,0123500 0.0341433 -0,3617
0,7197
tenure2 0,00229615 0,00268846 0,8541
0,3989
Pgina 540
Pgina 541
unio 0.113543 0.150863 0,7526
0,4567
du_1 0.151905 1,09675 0,1385
0,8906
du_2 0.186894 1,07148 0,1744
0,8625
du_3 -0,0630423 1,35092 -0,04667
0,9630
du_4 0.185626 1,34350 0,1382
0,8909
du_5 0.938987 1,09778 0,8554
0,3982
du_6 0.794485 1,11177 0,7146
0,4796
du_7 0.581199 1,23591 0,4703
0,6411
du_8 0.537925 1,09750 0,4901
0,6271
du_9 0.418334 1,08405 0,3859
0,7019
du_10 0.614558 1,09018 0,5637
0,5765
Modelo 2: de efeitos fixos, usando 50 observaes
Valor de p
-------------------------------------------------- -----
const 0.434687 1,14518 0,3796
0,7066
exper 0.237999 0.187757 1.268
0,2133
exper2 -,00818817 0,00790482 -1,036
0,3074
tenure -0,0123500 0.0341433 -0,3617
0,7197
tenure2 0,00229615 0,00268846 0,8541 0,3989
unio 0.113543 0.150863 0,7526
0,4567
Pgina 541
Pgina 542
Tabela 15.1: Comparao de eects fixos e mnimos quadrados varivel dummy
estimadores.
muitas pessoas, a sada dos coecients nas eects fixos
se for suprimida.
Quando N grande, voc raramente so interessados nos valores destes parmetros
de qualquer maneira.
355
----------------------- Pgina 380 -----------------------
15,4 Aleatrias Eects
O estimador eects aleatrio trata os extencil de diferenas individuais
sendo distribudos aleatoriamente para
os indivduos. Ao invs de estim-las como parmetros, como fizemos no fixo
eects modelo, aqui
eles so incorporados erro do modelo, o que por um painel ter um
estrutura especfica. A
prazo 1i na equao 15.3 modelado:
1i = 1 + ui
(15.5)
onde os ui so extencil de diferenas individuais aleatrias que so os mesmos em cada tempo
perodo.
y = + x + x + (e + u)
(15.6)
o 1 2 3 2it 3It ele i

= + x + X + V
(15.7)
1 2 3 2it 3It ele
em que o erro combinada
Pgina 542
Pgina 543
vit = ui + eit
a propriedade fundamental do novo termo de erro que homocedsticos
2 = var (vit) = var (ui + eit) = 2 +
2 (15.8)
v u
e
e correlacionados em srie. Para o indivduo i, que covarincia entre seus erros
cov (vit, vis) = 2
u
para i = s. A covarincia entre dois indivduos zero.
Uma das principais vantagens do
modelo eects aleatria que os parmetros em tempo regressores invariantes pode ser
Estima. Isso significa que
que coecients sobre educ preto e pode ser estimada. No assim com eects fixos.
As estimativas dos parmetros so efectivamente obtida atravs vivel generalizada
mnimos quadrados. Equa-
o 15,8 contm dois parmetros que descrevem as varincias e covarincias
no modelo. Estes
so estimados e usada para executar FGLS. O processo est descrito em
algum detalhe em POE4 e
no sero discutidos em mais detalhe aqui. No entanto, quando Gretl
estima o modelo conforme especificado,
refere-se aos resultados como "GLS".
A transformao que usado nas variveis do modelo
por vezes referido como
quase humilhante. Ele baseia-se no clculo de
e
= 1 -
(15.9)
Pgina 543
Pgina 544
T 2 + 2
u e
Este parmetro calculado a partir dos dados e a transformao est
y = y - y, x = 1 - , x = x2it - X2i, x
= X3it - X3i (15.10)
que ele i 1IT 2it
3It
As barras sobre as variveis indicam meios para a om indivduo
tomado o tempo disponvel
perodos. Gretl estima e as varincias. Na equao de salrios
a estimativa de 2, 2 e
UE
so, respectivamente:
356
----------------------- Pgina 381 -----------------------
Varincia "dentro" = 0.0380681
'Entre' varincia = 0.115887
teta utilizado para quasi-humilhante = 0.743683
Estes correspondem aos em POE4 exatamente.
Se os eects individuais aleatrios so correlacionados com regressores, em seguida, os
aleatria eects estimador
no ser consistente. Um teste estatstico desta proposio deve ser feito sempre que este estimador
usado a fim de reduzir a possibilidade de m-modelo.
Para estimar os parmetros deste modelo em Gretl fcil. Basta especificar
o modelo que voc quer
para estimar e escolha a opo eects aleatria.
1 aberta "gretldir \ Data \ poe \ nls_panel.gdt"
Pgina 544
Pgina 545
3 lista x1 = educ exper exper2 mandato sindical tenure2 preto
sul
4 painel lwage x1 --random efeitos
Os resultados de FGLS estimativa do modelo eects aleatria so mostrados na Tabela
15.3.
15.5 Entre Estimador
Antes de discutir tais testes, outro estimador do modelo de
parmetros merece meno.
O estimador entre tambm utilizado em algumas circunstncias. O modelo entre
Y = + + x x + u + E
(15.11)
i 1 2 3 2i 3i ii
em que o smbolo Y representa o valor mdio de y para o indivduo i, e x o
valor mdio do regressor kth
Eu ki
para i individual. Essencialmente, a observao de cada grupo (ou indivduo)
so em mdia ao longo do tempo.
Os parmetros so ento estimado por mnimos quadrados. A variao
entre indivduos ser
usado para estimar os parmetros. Os erros so no correlacionados entre os indivduos e
homocedsticos e
enquanto extencil de diferenas individuais no esto correlacionados com os regressores, o entre estimador deve
ser consistente para os parmetros.
Para obter o entre as estimativas, basta usar a opo --between do painel
como mostrado abaixo:
1 aberta "gretldir \ Data \ poe \ nls_panel.gdt"
3 lista x1 = educ exper exper2 mandato sindical tenure2 preto
sul
4 painel lwage x1 --between
Pgina 545
Pgina 546
357
----------------------- Pgina 382 -----------------------
(1) (2) (3)
(4)
Dentro FGLS Entre
Pooled OLS
const 1.45 0.534 0.417
0,477
(36,1) (6,68) (3,07)
(5.65)
exper 0,0411 0,0436 0,0662
0,0557
(6.21) (6,86) (2.82)
(4,93)
exper2 -,000409 -,000561 -,00161
-,00115
(-1,50) (-2,14) (-1,61)
(-2,33)
tenure 0,0139 0,0142 0,0166
0,0150
(4.24) (4,47) (1.36)
(2.10)
tenure2 -,000896 -,000755 -,000495
-,000486
(-4,35) (-3,88) (-0,704)
(-1,19)
sul -0,0163 -0,0818 -0,105
Pgina 546
Pgina 547
-0,106
(-0,452) (-3,65) (-3,62)
(-3,92)
unio 0,0637 0,0802 0,156
0,132
(4,47) (6.07) (4.39)
(4.89)
educ 0,0733 0,0708
0,0714
(13.7) (13.1)
(13.0)
preto -0.117 -0,122
-0.117
(-3,86) (-3,84)
(-4,16)
n 3580 3580 716 3580
2
R 0,824 0.358
0.324
1.17e + 003 -1.65e + 003 -240
-1.63e + 003
estatsticas t entre parnteses
Tabela 15.3: Corrigido Eects (Dentro), ECTS E Aleatrias (FGLS), Entre, e Pooled
OLS com robusta
erros padro.
358
Pgina 547
Pgina 548
----------------------- Pgina 383 -----------------------
Os resultados para cada um dos estimadores, em forma de tabela, esto dentro
Tabela 15.3. Sabiamente, Gretl tem
omitido a R2 para o modelo eects aleatria. Lembre-se que R2 apenas
apropriado para modelos lineares
estimada utilizando OLS, que o caso de eects fixos de sentido nico. L
No um monte de variao
nestes resultados, sugerindo que talvez os extencil de diferenas individuais no observados
no so significativamente
correlacionados com os regressores do modelo.
15.6 Testes de Especificao
H um par de testes de especificao chave deve-se fazer antes de confiar em
o entre, aleatrio
eects ou de pool estimadores de mnimos quadrados. Para consistncia exigem que
o hetero no observado
neidade ser no correlacionadas com os regressores do modelo. Isto foi testado usando
uma verso de um Hausman
teste. O outro teste para a presena de eects aleatrios. Este teste uma LM ensaio que , por vezes,
referido como Breusch-Pagan, embora haja provas de outras hipteses que
ir por este ltimo.
15.6.1 Breusch-Pagan Teste
O teste estatstico Breusch Pagan baseia-se em um dos multiplicadores de Lagrange e
computadorizada
NT 2
e
ele
LM = NT i = 1 t = 1 - 1
(15.12)
NT
Pgina 548
Pgina 549
2 (T - 1)
2
e
ele
i = 1 t = 1
A hiptese nula H0: 2 = 0 contra a alternativa que H1
: 2 0. sob a hiptese nula,
u
u
LM N (0, 1) eo melhor idia seria a de realizar um teste unilateral.
Infelizmente, Gretl e
a maioria das outras peas de relatrio software LM2 e utilizar o que faz com que o 2
H1 alternativa: 2 = 0.
1
u
A boa notcia que, pelo menos, Gretl calcula LM2 por padro
sempre que voc estimar um ran-
dom eects modelo. Rejeio da hiptese nula significa que o indivduo
(E, neste modelo, aleatrio)
extencil de diferenas tm varincia. Se voc deixar de rejeitar, ento voc provavelmente vai querer usar
agrupados mnimos quadrados.
Para o modelo de salrio, o resultado
Teste de Breusch-Pagan -
Hiptese nula: Variao do erro especfico de unidade = 0
Asymptotic estatstica de teste: Qui-quadrado (1) = 3.859,28
com valor de p = 0
A estatstica 3859,28, que muito grande e os eects no aleatrios
hiptese rejeitada no
Nvel de 5%.
359
Pgina 549
Pgina 550
----------------------- Pgina 384 -----------------------
15.6.2 Hausman Teste
O teste de Hausman investiga a consistncia do estimador eects aleatria. A
hiptese nula
que essas estimativas so consistentes, isto , que a exigncia de
ortogonalidade do modelo de
erros e os regressores est satisfeito. O teste baseia-se numa medida, H, de
a "distncia" entre
os-eects fixos e aleatrios-eects estimativas, construdo de tal forma que sob o
segue-se o nulo
distribuio 2 com graus de liberdade igual ao nmero de tempo variando
regressores, J. Se o
valor de H "grande" isto sugere que o eects estimador aleatria
no consistente eo
-eects fixos modelo prefervel.
Existem duas formas de calcular H, o mtodo de matriz de dierence ea
mtodo de regresso.
O procedimento para o mtodo da matriz-dierence a seguinte:
~
Recolher os-eects fixos estimativas em um vetor, , e os correspondentes
random-eects estimativa
~
companheiros em , ento formar o vetor dierence ( - )
~
~
Formar a matriz de covarincia do vetor dierence como var ( -
) = var () - var () = .
As matrizes de covarincia dois varincia so estimados a partir da amostra
matrizes de varincia do
fixo e modelos aleatrios-eects respectivamente.
-1 2
~ ~
Calcule a forma quadrtica H = ( - ) ( - ) se J
os erros e regressores so
Pgina 550
Pgina 551
no correlacionados.
~
Dadas as eciencies relativas de e , a matriz "deve ser" positivo
definida, em cujo caso
H positivo, mas em amostras finitas isso no garantido e, claro, um
2 negativo valor no
admissvel.
O mtodo de regresso evita esse problema em potencial. O procedimento :
Trate o modelo aleatrio-eects como o modelo restrito, e registar a sua soma resduos de quadrados
como SSRR.
Estimativa via OLS um modelo irrestrito, em que a varivel dependente
humilhada-quasi
y e da regresso incluem tanto X quase demeaned (como no modelo RE)
eo humilhada
variantes de todas as variveis que variam no tempo (ou seja, os fixos-e ECTS
regressores); gravar a soma
resduos quadrados deste modelo como SSRU.
Computar H = n (SSRR - SSRU) / SSRU, onde n o nmero total de
observaes utilizado. Em
esta variante no H podem ser negativo, uma vez que a adio de regressores adicionais
o modelo ER no pode
elevar o SSR. Veja o captulo 16 do Guia do Usurio do Gretl para mais detalhes.
Por Gretl padro calcula o teste de Hausman, atravs do mtodo de regresso,
mas utiliza a matriz
mtodo dierence se voc passar a opo --matrix-diff para o comando do painel.
No exemplo dos salrios, os resultados do teste de Hausman so:
360
----------------------- Pgina 385 -----------------------
Pgina 551
Pgina 552
Teste de Hausman -
Hiptese nula: As estimativas GLS so consistentes
Asymptotic teste de estatstica: qui-quadrado (6) = 20,5231
O valor p menor do que 5%, o que sugere que o estimador aleatrio eects
inconsistente. A
concluso destes testes que, embora haja evidncias de aleatrio
eects (LM rejeita),
os eects aleatrias no so independentes das variveis explicativas; o estimador FGLS vai
ser inconsistente
e voc vai ter que usar o e ECTS fixo estimador de um modelo que exclui
educao e raa.
15,7 regresses aparentemente no relacionadas
O SUR sigla significa equaes de regresso aparentemente no relacionados.
SUR outra
forma de estimar modelos de dados em painel que so longas (grande T), mas no larga
(Pequeno N). Mais geralmente
no entanto, utilizada para estimar os sistemas de equaes que no fazem
necessariamente tem nenhum parmetro
em comum e cujas funes de regresso no parecem estar relacionados.
No quadro SUR,
cada empresa na sua amostra parametricamente di erent; cada empresa tem seu prprio
funo de regresso, isto ,
interceptar e encostas dierent. As empresas no so totalmente independentes,
no entanto. Neste modelo, as empresas
esto ligados com o que no est includo na regresso em vez de por
o que . As empresas so, assim,
relacionados por fatores no observados e SUR obriga-nos a especificar como estes omitidos
fatores esto ligados
na estrutura de erro do sistema.
No modelo bsico SUR, os erros so considerados homoscedsticos e
linearmente independente
dentro de cada equao, ou no nosso caso, cada empresa. O erro de
cada equao pode ter o seu prprio
varincia. Mais importante ainda, cada uma das equaes (firme) est correlacionada com
os outros no mesmo tempo
perodo. Esta ltima hiptese chamado correlao contempornea,
e esta propriedade
Pgina 552
Pgina 553
que define SUR alm de outros modelos.
Agora, considere o modelo de investimento sugerido por Grunfeld
(1958). Considerando o investimento
decises de apenas duas empresas, a General Electric (g) e Westinghouse (w), temos
invgt = 1g + 2g vgt + 3g kgt + egt
(15.13)
invwt = 1w + 2w VWT + 3w kwt + ewt
(15.14)
em que t = 1, 2,. . . , 20, k o estoque de capital e v o valor do
empresa. No contexto dos dois
empresa modelo Grunfeld em (15.13) e (15.14), isso significaria que
var [egt] = 2; var [ewt] = 2;
g w
cov (egt, ewt) = gw para todos os perodos de tempo; e cov (IET, eis) = 0 para
t = s para cada empresa, i = g, w. Assim
no modelo SUR voc basicamente tem que estimar uma variao para cada indivduo
e uma covarincia
entre cada par de indivduos. Estas so ento utilizadas para
construir um plano exequvel generalizada menos
praas estimador dos parmetros das equaes.
Embora SUR requer um T e um N dimenso,
no especificamente uma tcnica de painel.
Isto porque as equaes em um sistema SUR pode ser modelar dierent
comportamentos para uma nica
individual, e no o mesmo comportamento por vrios indivduos. Como mencionado
antes, ele melhor usado
361
----------------------- Pgina 386 -----------------------
quando os painis so longas e estreitas, uma vez que isso lhe d mais observaes para
as equaes de
varincias e as covarincias equao transversais. Mais observaes em tempo reduz
a variao de amostragem
associada com estas estimativas, que por sua vez melhora o desempenho do
vivel generalizada
Pgina 553
Pgina 554
menos estimador quadrados. Se o conjunto de dados do painel tem um grande
nmero de indivduos e apenas a
alguns anos, ento FGLS pode no funcionar muito bem em um sentido estatstico.
Nas duas firme Grunfeld
exemplo, N = 2 e T = 20 assim que ns no precisa se preocupar sobre este aviso muito, embora
o assinttica
inferncias so baseadas em T (e no N) sendo infinito.
O exemplo de duas empresas de Hill et al. (2011), que forneceram os dados em
o grunfeld2.gdt
conjunto de dados. O primeiro modelo estima o modelo de pool, estimada pelo menos
praas. Isto feito
nas linhas 2 e 3.
Um abertas "gretldir \ data \ poe \ grunfeld2.gdt"
2 Lista xvars = const vk
3 ols inv xvars
O segundo modelo estima as equaes de investimento para cada empresa
separadamente. Existem
nmero de maneiras de fazer isso e vrios so explorados a seguir. O primeiro mtodo usa
termos de interao
(Veja o captulo 7) para estimar as duas equaes. Basicamente, uma
varivel indicador interagiu com
cada regressor, incluindo a constante. O modelo de duas empresa seria:
inv = + k + v + (d k) + d + (d
v) + e (15.15)
1 2 3 4 5 6
onde d o indicador firme. No roteiro as interaes so
criada usando um loop. Neste
forma, voc pode automatizar o processo para qualquer nmero de explicativa
variveis. O unitdum
comando na linha 5 gera o conjunto de indicadores para as unidades de
o painel. H apenas dois
unidades neste painel, to somente dois indicadores so criados nomes du 1 e du 2.
Uma lista vazia chamado
Z criado. Z ser utilizado para conter as variveis criadas no circuito. A
foreach usado em
Pgina 554
Pgina 555
Neste exemplo. O ndice chamado de i e percorrer cada elemento do
lista de variveis, X. Na linha
8, o termo de interaco atribuda a uma srie. O nome ser d $ i, que, como
o loop renda ser
ser dvarname. A linha seguinte cria a lista de variveis, acrescentando que o novo interao em cada iterao.
Por fim, o modelo estimado usando os regressores originais.
5 sries unitdum
6 lista dZ = null
7 foreach loop de i X
8 srie d $ i = du_2 * $ i
9 lista dZ = dZ d $ i
10 endloop
11 ols inv X dZ
12 modeltab add
Os resultados aparecem abaixo.
362
----------------------- Pgina 387 -----------------------
Pooled OLS estimativas
Varivel dependente: inv
(1) (2)
const 17,87 ** -9,956
(7,024) (23,63)
v 0,01519 0,02655 ** **
(0.006196) (0,01172)
k 0,1436 0,1517 ** **
(0,01860) (0,01936)
Pgina 555
Pgina 556
dconst 9,447
(28.81)
dv 0,02634
(0,03435)
dk -,05929
(0,1169)
n 40 40
Adj. R 2 ** 0,7995 0,8025
lnL -177,3 -175,3
Eles combinam com os do Quadro de 13,12 POE4. Uma das desvantagens
de estimar o separado
equaes desta forma que ele assume que o erro varincias dos dois
empresas so iguais. Se esta
no verdade, ento os erros padro e t-rcios no ser vlido. Voc poderia
usar uma covarincia robusta
estimador ou estimar o modelo via GroupWise heterocedasticidade. Alm disso, o uso
de termos de interao
dificulta a interpretao dos coecients um pouco. Os coecients
sobre os termos de interao
esto medindo a dierence em Eect entre o grupo interagiram eo
grupo de referncia (GE).
Para obter o Eect marginal de um aumento de k sobre o investimento mdio
para Westinghouse faramos
adicionar + . O clculo com base nas estimativas de mnimos quadrados 0,1517 -
0,0593 = 0,0924.
2 5
O prximo mtodo de estimar as equaes separadamente melhor.
Ele permite que as variaes de
Pgina 556
Pgina 557
MANUAL GRETL LEANDRO cada subconjunto de dier. O script Gretl para estimar o modelo de duas firme utilizando esta
dados
1 wls du_1 inv vk const
Este usa o truque explorado anteriormente em que as observaes podem ser includos ou
excluda quando ponderados
363
----------------------- Pgina 388 -----------------------
por 1 ou 0, respectivamente. Assim, cada uma das variveis indicadoras empresa poderia ser usado
separar que
observaes da empresa. Isto permite a utilizao de WLS facilmente estimar o
modelo. Na verdade, isso pode ser
automatizado para um nmero arbitrrio de empresas, colocando-o em um loop.
1 foreach loop de i du_ *
2 wls $ i INV vk const
3 endloop
Observe que o curinga du * usado novamente. Os resultados deste exerccio
Foram adicionados ao modelo
tabela e aparece abaixo:
Varivel dependente: inv
(W) (GE) (GE)
(W)
Pooled OLS Pooled OLS WLS
WLS
const 17,87 ** -9,956 -9,956
-0,5094
(7,024) (23.63) (31.37)
(8,015)
v 0,01519 0,02655 ** ** 0,02655
0,05289 **
Pgina 557
Pgina 558
(0.006196) (0,01172) (0,01557)
(0,01571)
k 0,1436 ** 0,1517 ** 0,1517 **
0,09241
(0,01860) (0,01936) (0,02570)
(0,05610)
dconst 9,447
(28.81)
dv 0,02634
(0,03435)
dk -,05929
(0,1169)
n 40 40 20
20
Adj. R 2 ** 0,7995 0,8025 0,6706
0,7144
lnL -177,3 -175,3 -93,31
-73,23
Note-se que os coecients so efectivamente equivalentes nos dois conjuntos de
regresses. As equaes da GE
so colocados lado a lado para facilitar a comparao. O dier erros padro, como
esperado. A Westinghouse
coecients casa estimados pelo WLS tambm so os mesmos que os do pool
modelo, embora
menos bvio. Lembre-se que a implcita marginal e ect de uma mudana de k em
investimento mdio
364
Pgina 558
Pgina 559
----------------------- Pgina 389 -----------------------
foi estimada como sendo 0,1517-0,0593 = 0,0924, que corresponde a directamente
resultado estimado no
ltima coluna.
Coletando os resultados para N grande seria um pouco de um problema,
mas lembre-se, at 6
modelos podem ser adicionados a um modelo de mesa em Gretl.
Em seguida, vamos estimar o modelo usando SUR atravs do sistema
de comando. Para fazer isto, alguns
necessrio rearranjo dos dados. O estimador de sistema Gretl
lida com muitos casos dierent,
mas as observaes tm de ser encomendados em uma maneira particular, a fim
para que ele funcione. Uma vez que cada
equao em um sistema pode ser estimada separadamente, as observaes de cada empresa deve
ser dada nica
nomes e as observaes devem ser alinhadas por perodo de tempo. A
grunfeld2.gdt tem os dados para
cada empresa empilhados em cima uns dos outros, tornando-se 40 3. Precisamos que seja 20
6. Normalmente com
SUR isto no um problema. Lembre-se que SUR para grande T, modelos pequenos N e
as equaes pode
nem conter as mesmas variveis. No nosso caso, os dados foram ordenados
para uso como painel e no
como um sistema. Isso fcil de corrigir.
A maneira mais fcil de fazer isso no Gretl usar matrizes. Os dados
srie ser convertido num
matriz, remodelada, e depois recarregado como sries de dados. Nomes nico ir
tem de ser dado nova
srie e voc vai ter que manter-se com o que colocado onde. Ele ligeiramente
desajeitado, mas fcil o suficiente
a fazer.
Um abertas "gretldir \ data \ poe \ grunfeld2.gdt"
2 Lista X = inv vk
3 dat matriz = {X}
Matriz 4 Y = mshape (dat, 20,6)
5 COLNAMES (Y, "ge_i w_i ge_v w_v ge_k w_k")
Pgina 559
Pgina 560
Na linha 1 os dados so abertos e na linha 2 da lista varivel criada. Em linha
3 sries de dados listados na
X so convertidos para uma matriz chamado dat. Em seguida, a matriz Y convertida a partir de 40
3 a 20 6. A
mshape (matriz, linhas, colunas) comando leva essencialmente o que est no
matriz e converte
lo para a nova dimenso. Elementos so lidos a partir X e escrito para a meta em
column-major ordem.
Assim, y = mshape (X, 2,4)
1 2
3 4 5 1 2 6
= Y
(15.16)
X = =
5 6 3 4 7 8
7 8
Finalmente, os nomes das colunas apropriadas foram realocados usando o comando COLNAMES.
Em seguida, a matriz deve reentrar Gretl como um conjunto de dados. Comece criando um
conjunto de dados novo e vazio
que contm o nmero adequado de observaes (T = 20), utilizando o nulldata
de comando. Voc deve
usar a opo --preserve, caso contrrio, o contedo de sua matriz sero excludos
quando voc cria
o conjunto de dados vazio!
365
----------------------- Pgina 390 -----------------------
7 lista v = null
8 escalares n = cols (Y)
9 loop para i = 1..n
10 sries v $ i = Y [i]
11 endloop
12 renomear v1 inv_g
Pgina 560
Pgina 561
13 renomear v2 inv_w
Uma lista vazia chamado v criado na linha 7 Um escalar n criado
contm o nmero de colunas
de Y e, em seguida, uma malha de 1 a n iniciada. Dentro do circuito um nico
declarao de que atribuir
cada coluna da matriz a uma srie separada. O nome da srie vai comear com
v e a coluna
nmero ser anexado. Voc vai acabar com variveis V1, V2, para
v6. A escolha de uma varivel
nomes no informativo. Voc precisa verificar se as novas variveis
correspondendo correcta
variveis do conjunto de dados original. Para ajudar a manter as regresses em linha reta, o
variveis dependentes
foram renomeados. Um programador inteligente provavelmente poderia descobrir como fazer isso
automaticamente, mas
por agora vamos seguir em frente.
Antes de empurrar a estimativa da SUR, h mais uma
forma de estimar o modelo
equao a equao usando mnimos quadrados. Isto pode ser feito na mesma
estrutura do sistema como
SUR.
constituda por um bloco de cdigo que comea com o sistema
name = linha "Grunfeld". Uma vantagem
nomear o seu sistema que os resultados esto ligados a ele, armazenado na sesso,
e esto disponveis para
anlise posterior. Por exemplo, com uma salva conjunto de equaes pode impor
restries sobre uma nica
equao no modelo ou impor restries em todo equaes.
1 nome do sistema = "Grunfeld"
2 equao inv_g const v_g k_g
3 equao inv_w const v_w k_w
Sistema 4 fim
5 estima "Grunfeld" method = ols
Aps o nome do sistema, cada equao colocado em uma linha separada. Aviso
que cada equao
identificado atravs da equao, que seguido pela varivel dependente e, em seguida,
Pgina 561
Pgina 562
o independente
variveis que inclui uma constante. Feche o bloco de sistema usando o final
comando do sistema. A
sistema ento calculado utilizando a estimativa linha "Grunfeld"
method = ols. Executando este script
rendimentos
Sistema de equaes, Grunfeld
Estimador: Mnimos Quadrados Ordinrios
Equao 1: OLS, usando observaes 1-20
366
----------------------- Pgina 391 -----------------------
Varivel dependente: inv g
Valor de p
const -9,95631 31,3742 -0,3173
0,7548
vg 0.0265512 0.0155661 1,7057
0,1063
kg 0.151694 0.0257041 5,9015
0,0000
48,58450
27,88272
Equao 2: OLS, usando observaes 1-20
Varivel dependente: inv w
Valor de p
const -,509390 8,01529 -0,0636
0,9501
Pgina 562
Pgina 563
vw 0.0528941 0.0157065 3,3677
0,0037
kw 0.0924065 0.0560990 1,6472
0,1179
19,11019
10,21312
VCV-equao Cruz por resduos
(correlaes acima da diagonal)
660,83 (0,729)
determinante log = 10,2203
176,45 88,662
Teste de Breusch-Pagan para matriz de covarincia diagonal:
2 (1) = 10,6278 [0,0011]
Naming o sistema tem muitas vantagens. Primeiro, o modelo especificado salvo
e para uma sesso
um cone adicionado exibio cone da sesso, conforme mostrado abaixo na Figura
15.4. Clicando sobre o modelo
cone chamado "Grunfeld" abre a caixa de dilogo mostrada na Figura 15.5. No se preocupe
sobre o cdigo que
aparece na caixa. No editvel e gerado por Gretl.
Voc tem alguma escolha como a
como o sistema particular, avaliado e se deve ser iteraes
realizada. Estas escolhas
aparecem na Figura 15.6. Como voc pode ver, voc pode escolher sur, ols,
TSLS, WLS, entre outros. Para
reestimamos um modelo, escolha um estimador, e clique em OK.
Um ensaio pode ser utilizado para determinar se existe su ciente contempornea
correlao. A
teste simples de fazer a partir da sada padro ou voc pode contar com gretl de
resultado automtico. Lembre-se
POE4 de que o teste baseia-se na correlao quadrado calculado a partir de pelo menos
praas estimativa
Pgina 563
Pgina 564
367
----------------------- Pgina 392 -----------------------
Figura 15.4: A janela vista sesso
do sistema.
2
r2 = g, w
(15.17)
g, w
2 2

gw
Um pouco de cautela necessria aqui. As correlaes ao quadrado so must
ser calculado com base na
resduos do estimador de mnimos quadrados, no SUR. Desde que usei
o comando do sistema de
estimar o modelo por OLS, dos resultados acima pode ser utilizado directamente.
A covarincia varincia cross-equao resultante para os resduos
VCV-equao Cruz por resduos
(correlaes acima da diagonal)
777.45 (0,729)
207,59 104,31
Ento voc computar
2 207,592
rge, w = = 0,729
(15.18)
(777,45) (104,31)
Pgina 564
Pgina 565
Gretl produz este nmero para voc na diagonal superior da matriz e
coloca-o em parnteses.
Usando o clculo dada a estatstica de teste
2 2
LM = Tr d
(15.19)
g, w - (1)
desde que a hiptese nula de ausncia de correlao verdade. A aritmtica (20
0,729) = 14,58.
Felizmente, Gretl tambm produz essa estatstica como parte da
sada padro do sistema
estimao por mtodo = ols. referido na sada como
"Teste de Breusch-Pagan para diagonal
368
----------------------- Pgina 393 -----------------------
Figura 15.5: A caixa de dilogo escolha do modelo do sistema. Este sistema vai ser estimada
por mnimos quadrados.
Para reestimate usando outro modelo, clique na seta para baixo para revelar um conjunto de
escolhas estimador.
Figura 15.6: O Estimador de opes disponveis a partir do sistema
dilogo.
matriz covarincia "e seu 2 distribuda (1), se no houver contempornea
correlao entre as empresas.
A estatstica = 10,6278, com um valor-p de 0,0011. As duas empresas parecem ser
contemporaneamente
estimativa correlacionada SUR e pode ser mais mostrassem eficientes.
Para executar SUR, a nica mudana mudar o nome do sistema (se desejar) e
mtodo de mudana = ols
para method = sur.
1 nome do sistema = "Grunfeld_sur"
Pgina 565
Pgina 566
2 equao inv_g const k_g v_g
3 equao inv_w const k_w v_w
Sistema 4 fim
5 estimativa "Grunfeld_sur" method = sur
Os resultados aparecem a seguir:
369
----------------------- Pgina 394 -----------------------
Sistema de equaes, regresses aparentemente no relacionadas
Equao 1: SUR, usando observaes 1-20
Valor de p
const -27,7193 27,0328 -1,0254
0,3174
vg 0.0383102 0.0132901 2,8826
0,0092
kg 0.139036 0.0230356 6,0357
0,0000
48,58450
26,25679
Valor de p
const -1,25199 6,95635 -0,1800
0,8590
Pgina 566
Pgina 567
vw 0.0576298 0.0134110 4,2972
0,0004
kw 0.0639781 0.0489010 1,3083
0,2056
19,11019
Sum squared resid 1801.301 EP da regresso
9.490260
Uma vez que o sistema tenha sido estimado, o comando pode ser usado restringir
para impor a cruzada
restries equao em um sistema de equaes que tenha sido previamente definidos
e nomeados. A
conjunto de restries comea com a palavra-chave restringir e termina com final
restringir. Alguns
mais detalhes e exemplos de como usar o comando restringir
so apresentados na seco 6.1.
Cada restrio no conjunto expressa como uma equao. Coloque o linear
combinao de parmetros
a ser testado na mo do lado esquerdo da igualdade e um valor numrico no
direita. Os parmetros so:
referenciado com b [i, j], onde i refere-se ao nmero de equao no sistema, e
j o parmetro
nmero. Assim, para equiparar as intercepes em equaes um e dois utilizar a instruo
b [1, 1] - b [2, 1] = 0
(15.20)
A sintaxe completa para testar o conjunto de restries de cross-equao
1g = 1w, 2g = 2w, 3g = 3w
(15.21)
em equaes (15.13) e (15.14) mostrado
1 restringir "Grunfeld_sur"
2 b [1,1]-b [2,1] = 0
370
Pgina 567
Pgina 568
----------------------- Pgina 395 -----------------------
3 b [1,2]-b [2,2] = 0
4 b [1,3]-b [2,3] = 0
5 fim restringir
6 estimativa "Grunfeld_sur" method = sur --geomean
Gretl estima a duas equaes SUR sujeita s restries.
Sistema de equaes, Grunfeld sur
Estimador: regresses aparentemente no relacionadas
Valor de p
const 19,1578 2,54265 7,5346
0,0000
vg 0.0226805 0.00502650 4,5122
0,0002
kg 0.109053 0.0190478 5,7252
0,0000
48,58450
28,21681
Valor de p
const 19,1578 2,54265 7,5346
0,0000
vw 0.0226805 0.00502650 4,5122
Pgina 568
Pgina 569
0,0002
kw 0.109053 0.0190478 5,7252
0,0000
Note-se que a interceptao e encostas so iguais para todas as empresas agora. A
so impostas restries. Tambm
calcula uma estatstica F da hiptese nula de que as restries so verdadeiras
contra a alternativa
que pelo menos um deles no verdadeira. Ele retorna o computado estatstica F e
o seu valor de p. Um valor-p
menos do que o desejado nvel de significncia conduz a uma rejeio do
hiptese.
A sada de Gretl este procedimento de teste
Teste F para as restries especificadas:
F (3,34) = 3,43793 [0,0275]
que no coincide com o resultado na text.2 ao nvel de 5% de significado, a igualdade da
duas equaes rejeitada.
2No certo porqu. A ser determinado.
371
----------------------- Pgina 396 -----------------------
15,8 Script
1 set echo off
2 abertos "gretldir \ data \ poe \ nls_panel.gdt"
3 # reunidas mnimos quadrados
preto unio
5 painel lwage xvars --pooled --robust
6
Pgina 569
Pgina 570
7 # efeitos fixos
8 xvars - = const
9 painel xvars lwage const --fixed efeitos
10
11 # efeitos fixos e LSDV
12 genr unitdum
13 xvars - = educ preto
14 ols lwage xvars du_ *
15 Painel xvars lwage const --fixed efeitos
16
17 # fe, novamente, entre, e reuniram comparao
18 abertos "gretldir \ data \ poe \ nls_panel.gdt"
19 da lista xvars = educ exper exper2 mandato tenure2 sindicais sul
preto
20 painel xvars lwage const --fixed efeitos
21 modeltab add
22 Painel lwage xvars --random efeitos const
23 modeltab add
24 painel lwage xvars --between const
25 modeltab add
26 painel xvars lwage const --pooled --robust
27 modeltab add
29 modeltab claro
30
31 # regresso sub-amostra utilizando NLS
32 abertos "gretldir \ data \ poe \ nls_panel10.gdt"
Pgina 570
Pgina 571
34 genr unitdum
35 lista x = exper exper2 unio mandato tenure2
36 ols lwage x du_ *
37 painel lwage const x efeitos --fixed
38
39 # Grunfeld exemplo - ols
40 abertos "gretldir \ data \ poe \ grunfeld2.gdt"
41 lista X = const vk
42 ols inv X
43 modeltab add
44 genr unitdum
45 lista dZ = null
46 foreach loop de i X
47 sries d $ i = du_2 * $ i
48 lista dZ = dZ d $ i
372
----------------------- Pgina 397 -----------------------
49 endloop
50 ols inv X dZ
51 modeltab add
53
54 # usando WLS estimar cada equao separadamente
56 modeltab add
58 modeltab add
Pgina 571
Pgina 572
60
61 # repetio usando wls com um lao
Foreach 62 lao i du_ *
63 wls $ i INV vk const
64 endloop
65
66 # sur - remodelando os dados
67 abertos "gretldir \ data \ poe \ grunfeld2.gdt"
68 lista X = inv vk
69 matriz dat = {X}
70 matriz Y = mshape (dat, 20,6)
71 COLNAMES (Y ", ge_i w_i ge_v w_v ge_k w_k ")
72
74 lista v = null
75 escalar n = cols (Y)
76 loop para i = 1..n
77 sries v $ i = Y [i]
78 endloop
79
80 # renomear as variveis para melhorar a produo
81 renomear v1 inv_g
82 renomear v2 inv_w
83 renomear v3 v_g
84 renomear v4 v_w
85 renomear v5 k_g
Pgina 572
Pgina 573
86 renomear v6 k_w
87 setinfo inv_g -d "Investimento GE "n" "
88 setinfo inv_w -d "Investimento Westinghouse " n ""
89
90 # estimativa atual sistema - ols
91 sistema name = "Grunfeld"
92 equao inv_g v_g const k_g
93 equao inv_w v_w const k_w
Sistema 94 final
95 estimar "Grunfeld" method = ols
96
97 # estimativa atual sistema - sur
Sistema 98 name = "Grunfeld_sur"
99 equao inv_g v_g const k_g
373
----------------------- Pgina 398 -----------------------
100 equao const inv_w v_w k_w
Sistema 101 final
102 estimativa mtodo "Grunfeld_sur" = sur
103
104 # restrio sur
105 restringir "Grunfeld_sur"
106 b [1,1]-b [2,1] = 0
107 b [1,2]-b [2,2] = 0
108 b [1,3]-b [2,3] = 0
110 estimativa mtodo "Grunfeld_sur" = sur --geomean
Pgina 573
Pgina 574
374
----------------------- Pgina 399 -----------------------
Captulo 16
Varivel Dependente qualitativa e limitada
Modelos
16,1 Probit
H muitas coisas na economia que no podem ser quantificados de forma significativa.
Como voc votar em um
eleio, se voc vai para a faculdade, se voc trabalha para pagar, ou o que
faculdade major voc
escolher no tem nenhuma maneira natural de ser quantificados. Cada uma delas exprime uma
qualidade ou condio de que
que voc possui. Modelos de como essas decises so determinados por outras variveis
so chamados qualitativa
escolha ou modelos de variveis qualitativas.
Em um modelo de escolha binria, a deciso que voc deseja modelo tem
apenas dois resultados possveis.
Voc atribui nmeros artificiais para cada resultado de modo que voc pode fazer
anlise posterior. Em um binrio
modelo de escolha convencional para atribuir 1 para a varivel que possui uma
qualidade particular ou se
uma condio existe e "0" caso contrrio. Assim, a varivel dependente
yi = 1 se o indivduo i tem a qualidade
0 se no.
O modelo estatstico probit expressa a probabilidade p de que yi = 1 como um
funo de sua indepen
dent variveis.
P [(y | x, x) = 1] = ( + x + x )
(16.1)
i i2 i3 1 2 3 i2 i3
Pgina 574
Pgina 575
onde a distribuio de probabilidade normal acumulada (CDF). A
argumento linear dentro
nos parmetros e chamada a funo de indexao. mapeia valores de
a funo de ndice para o
Intervalo de 0 a 1. Estimando este modelo utilizando mxima verossimilhana muito simples uma vez que o MLE de
o modelo probit j est programado no Gretl.
A sintaxe para um script o mesmo que para a regresso linear, exceto que voc usa
o comando probit
no lugar de ols. O script a seguir estima como o dierence em viagens
tempo entre nibus e
375
----------------------- Pgina 400 -----------------------
auto aects a probabilidade de dirigir um carro. A varivel dependente
(Auto) igual a 1 se a viagem
de carro, e dtime (horrio de nibus - tempo automtico).
Um abertas "gretldir \ data \ poe \ transport.gdt"
2 probit auto const dtime
3 escalar i_20 = $ coeff (const) + $ coeff (dtime) * 20
4 escalar p_30 = cnorm ($ coeff (const) + $ coeff (dtime) * 30)
A terceira linha calcula o valor predito do ndice ( + dtime)
quando dtime = 20, utilizando o
1 2
estimativas do probit MLE. A ltima linha calcula a probabilidade estimada
de conduo, uma vez
que demora 30 minutos a mais para pegar o nibus. Este clculo exige
cnorm, que computa
cdf normal cumulativa, ().
Os resultados so os seguintes:
Estimativas Probit utilizando as 21 observaes 1-21
Varivel dependente: auto
Pgina 575
Pgina 576
Coecient Std. Erro z-stat
Slope
const -,0644342 0.399244 -0,1614.
dtime 0.0299989 0.0102867 2,9163
0.0119068
0.396907
McFadden R2 0.575761 R2 ajustado
0.438136
16,33032
Critrio de Schwarz 18,41936 Hannan-Quinn
16,78369
Avaliado na mdia
Nmero de casos de 'previu corretamente' = 19 (90,5 por cento)
Teste da razo de verossimilhana: 2 (1) = 16,734 [0,0000]
i_20 = 0.535545
p_30 = 0,798292
Claro, voc tambm pode acessar o estimador probit a partir dos menus pull-down
usando modelo> No-Linear
modelos> Probit> Binary. A caixa de dilogo (Figura 16.1) muito parecido com
a outra para re linear
progresso, a no ser que lhe d algumas opes adicionais, por exemplo, para ver
os detalhes das iteraes.
376
----------------------- Pgina 401 -----------------------
Figura 16.1: Use Model> Nonlinear modelos> Probit> Binary para abrir a
Caixa de dilogo do modelo Probit.
2
Pgina 576
Pgina 577
Vrias outras estatsticas so calculadas. Eles incluem uma medida de ajuste
(Pseudo-R de McFadden),
T
o valor do pdf normal ( x) em mdia de independente
variveis, e uma estatstica de teste
para a hiptese nula de que os coecients sobre as variveis independentes (mas
no constante) so
conjuntamente zero; isso corresponde estatstica F global da regresso
significado no captulo 6.
16.1.1 ECTS E Marginais e Eects Mdia Marginal
O Eect marginal de uma mudana na xij em Pi
Pi
= ( + x + x )
(16.2)
xij 1 2 i2 i3 3 j
onde () a densidade de probabilidade normal padro. Isso significa que o
Eect marginal depende
em todos os parmetros do modelo, bem como os valores das variveis
si. Nas viagens
exemplo, suponha que queremos estimar o Eect marginal de aumentar pblico
tempo de transporte.
Dado que a viagem atravs de transportes pblicos tem atualmente 20 (dtime = 2) minutos
mais do que o auto, o
Eect marginal seria
Pi
= ( + dtime) = (-0,0644 + 0,3000
2) (0,3000) = 0,1037 (16.3)
1 2 i
dtimei
Este clculo feito facilmente em um script:
377
Pgina 577
Pgina 578
----------------------- Pgina 402 -----------------------
2 probit auto const dtime
3 escalar i_20 = $ coeff (const) + $ coeff (dtime) * 2
4 escalar d_20 = dnorm (i_20) * $ coeff (dtime)
5 printf "valor \ nO do ndice para dtime = 20% 8.4f \ n \
6 A probabilidade de escolher auto % 8.4f \ N ", i_20, d_20
que produz
O valor do ndice de dtime = 20 0,5355
A probabilidade de escolher auto 0,1037
Ao invs de avaliar eects marginais em pontos especficos nos dados, alguns autores
relatrio mdia
e ECTS marginais. O Eect marginal mdia de uma mudana na xij em Pi
N
1
AME = ( + x + x )
(16.4)
j 1 2 i2 3 i3 j
N
i = 1
Com estes, voc calcular o Eect marginal em cada ponto em seu conjunto de dados e
a mdia deles.
H uma outra maneira que as pessoas usam para estimar eects marginais, e que
avaliar o
Eect marginal as mdias dos dados. Isso seria
Me = ( + x + x)
Pgina 578
Pgina 579
(16.5)
j 1 2 2 3 3 j
Estes so calculados e relatados por Gretl e rotulado 'encosta' na
sada. O maior display
vantagem do uso destes que os valores mdios das variveis
pode no ser representativa da
algum em sua amostra. Isto especialmente verdade se um ou mais dos
variveis um indicador. Para
esta razo, eu geralmente favorecem o uso da AME, a menos que haja
casos especficos que eu quero
considerar. Voc pode realmente ter uma boa idia do que o (mdia)
eects marginais ser por
olhando para as pistas estimados a partir de um modelo de probabilidade linear.
Abaixo est um script simples para calcular os eects marginais mdios (AME) para os
o exemplo de viagens.
O modelo tem apenas um regressor e uma constante. Vamos calcular a
AME para um aumento
tempo de viagem.
Uma srie me = dnorm ($ coeff (const) + $ coeff (dtime) * dtime) * $ coeff (dtime)
2 escalar amf = mdia (me)
3 resumo me --simple
A primeira linha calcula uma nova varivel, eu, que detm a marginal
Eect para cada indivduo.
A funo mdia, o que leva a mdia de uma srie) encontra o
Eect marginal mdia. A
simples statistis resumo tambm revelar o AME e nos dar uma idia de como varivel
(mnimo,
mxima, e desvio padro). O resultado :
378
----------------------- Pgina 403 -----------------------
Estatsticas sumrias, usando as observaes 1 - 21
para a varivel 'eu' (21 observaes vlidas)
A mdia 0.048407
Pgina 579
Pgina 580
Mnimo 0.0024738
Mxima 0,11526
O desvio padro 0.036457
O Eect marginal mdia da amostra 0,0484. O menor
0.0024738 eo maior
0,11526. Essa uma gama bastante grande, na verdade.
Para facilitar o clculo do AME, eu escrevi uma funo
que ir computar-los para
um modelo probit arbitrria. A funo chamada ame e que precisa
dois pedaos de informao para
calcular as eects marginais. Primeiro, ele precisa dos parmetros de
estimativa de probit. Em seguida, ele
necessita da lista de variveis explanatrias que esto no modelo. A
funo ir imprimir a mdia
e ECTS marginais e produzir uma matriz de N K que contm cada um dos
e ECTS marginais para cada
observao e varivel. Esta matriz til para ter por mais
computaes.
1 funo ame matriz (matriz * param, lista x)
Matriz 2 p = lincomb (x, param)
Matriz 3 me_matrix = dnorm (p) * param '
Matriz 4 AMFX = meanc (me_matrix)
5 printf "\ nOs efeitos mdios marginais so% 8.4f \ n",
AMFX
6 retorno me_matrix
Funo 7 final
A funo muito simples, mas utiliza o que referido como um indicador. A
* Param o ponteiro.
Isso no tecnicamente necessrio, mas poupa alguma sobrecarga computador
e pode fazer funes
mais modular e flexvel. Tambm requer tratamento especial quando a funo
chamado. Mais sobre
esse detalhe em um momento.
A segunda linha usa a funo lincomb, que leva uma combinao linear
de seus argumentos.
Pgina 580
Pgina 581
O primeiro argumento deve ser uma lista que contm a srie pretendida,
o segundo argumento um
vetor de coecients para usar com a srie. O resultado pode ser um
srie, ou, neste caso, de uma matriz.
Assim, por exemplo, suponha que X T K e contm variveis e K 1
parmetros. O linear
combinao X T Linha 3 1 calcula a matriz que contm
todos os eects marginais.
A funo meanc na linha 4 calcula os meios de matriz (AME) de coluna,
que fica impresso
em consonncia 5. toda a matriz de eects marginais devolvido quando a funo
chamado.
Uma vez que a funo carregada (real-lo e execut-lo) est pronto para ser
utilizado. Criar a varivel
lista, estimar o modelo probit, e salvar os coecients usando matriz
coef = $ Coef. Considerando a
lista de variveis e as estimativas dos parmetros, voc pode chamar a funo como em linha
4 do roteiro abaixo.
379
----------------------- Pgina 404 -----------------------
1 lista x = dtime const
2 probit auto x
3 matriz coef = $ Coef
4 ame (e coe, x)
Desde que eu usei um ponteiro para identificar o vetor de parmetros no
funo (matriz * Param), voc
tem que usar o E comercial (&) na frente da matriz de parmetro sendo passado para
a funo, isto ,
ame (e coe, x). Assim, os ponteiros requerem um par de marcadores, e * &, quando
utilizado. O * indica Gretl para
usar o endereo de memria do que se segue, em vez de fazer uma cpia do objeto a
passar pela
funo. A & diz Gretl para ir buscar o objeto a partir do endereo de memria quando
chamado. Basicamente,
o uso de ponteiros significa que cpias de objetos no tm que ser
feito, e significa tambm que
tudo o que est sendo passado em torno desta forma pode ser modificada no
o processo. Isso no pode
Pgina 581
Pgina 582
soa como uma grande idia, mas pode tornar seus programas mais
modular.1 Consulte a seo 10.4 do
Usurios Gretl guia para obter mais detalhes.
O uso de ame (e coe, x) na linha 4 imprimir o AME para a tela.
Se voc deseja salvar o
sada da matriz da funo, matriz utilizao me probit =
ame (e coe, x) e o resultado ser
salva-me probit.
O resultado para o exemplo o tempo de viagem :
Os efeitos mdios marginais so -0,0104 0,0484
O marginal e mdia ect de 10 minutos (dtime = 1) aumento no tempo de viagem
0,0484.
16.1.2 Os erros padro e intervalos de confiana para Eects Marginais
A obteno de intervalos de confiana para os eects marginais (eo AME)
relativamente straightfor-
afastar tambm. Para estimar o erro padro da Eect marginal, recorremos
para o mtodo delta.
Este mtodo de se encontrar o desvio das funes de parmetros foi discutido em
seo 5.3.2. Voc
pode querer dar uma olhada nesta seo novamente (pgina 101), antes de prosseguir.
Usando o mtodo Delta significa tomar analtica ou derivados numricas do
Eect marginal ou
AME para ser usado no clculo do erro padro do AME. A analtica
derivados so
no difcil de tomar, mas por que se preocupar quando os numricos esto disponveis. Este
o mtodo utilizado
em software comercial, que inclui a capacidade de estimar no-linear
combinaes de parmetros
e os erros padro.
A funo em Gretl que leva derivados numricos fdjac, que significa
para o primeiro di erence
Pgina 582
Pgina 583
Jacobiana. Para usar o mtodo Delta, voc quer tomar as derivadas parciais
de uma funo com
relao aos parmetros do modelo. No surpreendentemente, a funo fdjac
requer dois argumentos: a
1Se voc no quer o que est sendo apontado para mudar, voc pode declar-lo para
ser constante.
380
----------------------- Pgina 405 -----------------------
funo e um vetor de parmetros. Para ilustrar seu uso, considere o
nova funo para marginal
eects abaixo.
1 Funo me1 matriz (matriz * param, Lista X, escalar * q)
3 retorno dnorm (p) * param [q]
Funo 4 fim
muito semelhante funo ame, exceto, neste caso, ns adicionamos uma
entrada escalar extra.
O escalar * Q vai ser usado para localizar o parmetro desejado no modelo.
Ento, se queremos calcular
o Eect marginal para x2, e lista x = const x2 x3, ento q vontade
ser ajustado para 2; x2 o segundo
varivel na lista. Ao invs de retornar todos os eects marginais,
Esta funo s retorna o
definido para uma determinada varivel. Isso torna o uso fdjac mais fcil de usar e de explicar.
Uma vez que a funo definida, voc est pronto para usar fdjac no mtodo Delta.
3 probit auto x
Covmat matriz 5 = $ Vcv
6 q = 2 escalar
Pgina 583
Pgina 584
7 sries mfx = me1 (& coef, x, & q)
Matriz 8 AMFX = mdia (MFX)
9 matriz jac = fdjac (coef, me1 (& coef, x, & q))
Matriz 10 mjac = meanc (jac)
Matriz de varincia = 11 qform (mjac, covmat)
12 da matriz SE = sqrt (varincia)
13 printf "\ nO mdia marginal efeito de dtime% = 6.4f
com \
14 erro padro% 6.4f \ n ", AMFX, se
15
16 escalar ub = AMFX + crtico (z, 0.025) * se
17 escalar lb = AMFX + crtico (z, 0.025) * se
18 printf "\ nO Intervalo de 95 %% confiana para o AME
(% 6.4f, 6.4f%) \ n ", lb, ub
As seis primeiras linhas do script so padro. Abra os dados, criar a
lista de variveis, a estimativa do
pelo modelo probit, criar a matriz para manter os coecients, a matriz para criar
segure o estimado
matriz de covarincia, e escolher o q escalar que identifica a localizao do
Eect marginal desejado
na lista de variveis, que neste caso o segundo.
Linhas 7 e 8 obter as eects marginais de amostra para o segundo
coecient e sua mdia. A
prxima linha toma a derivada da funo Eect marginal usando fdjac.
Como usamos ponteiros
na funo, o comercial deve preceder o cient coe e entradas escalares.
381
----------------------- Pgina 406 -----------------------
Tal como se mostra no apndice do captulo 16 em POE4, tomando a mdia da
derivados o que
necessria para o clculo da varincia. Na linha 11, a forma quadrtica feita.
Basicamente, qform (x, A)
computa xAxT; isso exatamente o que est envolvido na expresso de varincia em
Pgina 584
Pgina 585
equao (5.10). A
raiz quadrada proporciona o erro padro da AME. A mdia
marginal e ect 0,0484 = com
erro padro 0,0034. O intervalo de confiana de 95% para o AME (0,0413,
0,0556).
Finalmente, podemos automatizar a avaliao de eects marginais em
certos pontos. Lembre-se que ns
computado o Eect marginal para algum que est actualmente a tomar 20 (dtime = 2)
minutos a mais de
viajar de nibus do que de carro. O Eect marginal era bastante fcil de calcular, mas agora
queremos adicionar
um intervalo de confiana. A funo ser ligeiramente modificada para aceitar uma linha
vetor que contm
os valores das variveis explicativas no ponto desejado de avaliao. A
funo :
1 funo matriz me_at (matriz * param, matriz * xx, escalar
* Q)
2 escalar p = xx * param
3 retorno dnorm (p) * param [q]
Funo 4 fim
Agora, em vez de usar lincomb, usamos um clculo da matriz na linha 2 Este
requer uma entrada de matriz
na definio da funo na linha 1, que temos marcado com um ponteiro.
O script para executar este
3 probit auto x
Covmat matriz 5 = $ Vcv
6 q = 2 escalar
Matriz 7 xx = {1, 2}
Matriz 8 mfx = me_at (e coe, e xx, & Q)
Matriz 9 jac = fdjac (coef, me_at (& coef, e xx, & q))
Pgina 585
Pgina 586
Matriz de varincia = 10 qform (jac, covmat)
11 da matriz SE = sqrt (varincia)
12 printf "\ nO marginal efeito de dtime quando dtime = 2
% 6.4f com \
13 padro de erro% 6.4f \ n ", mfx, se
14
15 escalar ub = mfx + crtico (z, 0.025) * se
16 escalar lb = mfx + crtico (z, 0.025) * se
17 printf "\ nO 95 %% intervalo de confiana do ME com dtime = 2
\
18 (% 6.4f, 6.4f%) \ n ", lb, ub
As linhas 3-5 definir as entradas para a funo. A linha 5 um vetor linha
que tem um 1 na primeira elemento
para a constante e 2, no segundo para dtime. Este enviado para
a mim em funo de obter o
Eect marginal ea fdjac avalia a derivada em relao a
coecients, coef. Varincia
calculado usando qform e, em seguida, o desvio padro feita a partir deste. A
resultado :
382
----------------------- Pgina 407 -----------------------
O efeito marginal de dtime quando dtime = 2 0,1037, com
erro padro 0,0326
O intervalo de confiana de 95% do ME com dtime = 2 (0,0397,
0,1677).
A combinao perfeita para o resultado em POE4. Excelente!
Finalmente, a probabilidade prevista de que auto = 1 dado um tempo pendulares
dierence 30 minutos
calculado e um intervalo de confiana obtido atravs do mtodo Delta. A
funo muito semelhante
para a ltima e que foi utilizado como um molde.
Pgina 586
Pgina 587
1 funo matriz MEP (matriz * param, matriz * xx, escalar * q)
2 escalar p = xx * param
Cnorm 3 retorno (p)
Funo 4 fim
Observe que cnorm usado para obter a probabilidade cumulativa.
Para utilizar a funo,
1 q = 2 escalar
Matriz xx = {1, 3} 3
Matriz de 4 mp = MEP (e coe, e xx, & q)
Matriz de 5 jac_3 = fdjac (coef, MEP (e coe, e xx, & q))
Matriz 6 varincia = qform (jac_3, covmat)
7 de matriz SE = sqrt (varincia)
8 printf "\ nO probabilidade de conduo quando dtime = 3 % 6.4f
com a Norma \
9 de erro% 6.4f \ n ", mp, se
10
11 escalar ub = mp + crtico (z, 0.025) * se
12 escalar lb = mp - crtico (z, 0.025) * se
13 printf "\ nO 95 %% intervalo de confiana do Problema com dtime = 3
\
14 (% 6.4f, 6.4f%) \ n ", lb, ub
A probabilidade de conduo quando dtime = 3 0,7983, com padro
erro 0,1425. O confi- 95%
intervalo de confiana com dtime = 3 (0,5189, 1,0777). Obviamente, o superior
limite no vivel, uma vez
probabilidades no pode ser superior a 1.
16.1.3 Testes de Hipteses
Pgina 587
Pgina 588
Com base no exemplo de refrigerantes explorado na seo 8.7, suponha que voc queira
testar a hiptese
que os Coca ea Pepsi monitores tm uma Eect igual e oposta em
a probabilidade de compra
Coca-Cola. Se uma loja tem dois monitores, a Eect net em compras de Coca-Cola zero.
383
----------------------- Pgina 408 -----------------------
O modelo :
Pr (Coke = 1) = ( + + pratio disp coque + 4
pepsi DISP) (16.6)
Eu 1 2 3
As hipteses nula e alternativa so:
H0: 3 - 4 = 0 H1: 3 - 4 = 0
(16.7)
A coisa mais simples a fazer usar a instruo restringir, como mostrado abaixo:
1 aberto "gretldir \ data \ poe \ coke.gdt"
2 lista x = pratio disp_coke disp_pepsi const
3 probit coque x
4 restringir
5 b [3] + b [4] = 0
6 fim restringir
Isso funciona exatamente como fez em regresso linear. O resultado em Gretl :
Restrio:
b [disp_pepsi] + B [disp_coke] = 0
Teste estatstico: chi ^ 2 (1) = 5,40401, com p-valor =
0.0200905
Pgina 588
Pgina 589
O valor p menor do que 5% e a hiptese rejeitada, a este nvel.
Outra hiptese a considerar que os monitores no tm Eect.
O nula e alternativa
hipteses so:
H0: 3 = 0 e 4 = 0 H1: 3 = 0 ou 4
= 0 (16.8)
O cdigo Gretl
1 aberto "gretldir \ data \ poe \ coke.gdt"
3 probit coque x
4 restringir
5 b [3] = 0
6 b [4] = 0
7 fim restringir
Esta estatstica ter uma distribuio 2 se a hiptese nula verdadeira.
O resultado em Gretl :
2
Defina a restrio
1: b [disp_pepsi] = 0
384
----------------------- Pgina 409 -----------------------
2: b [disp_coke] = 0
Teste estatstico: chi ^ 2 (2) = 19,4594, com valor de p =
5.9489e-005
Mais uma vez, esta hiptese rejeitada em qualquer nvel razovel de significncia.
Desde probit e logit so estimados via mxima verossimilhana, voc tambm pode
realizar uma probabilidade
Pgina 589
Pgina 590
teste de razo. A razo de verossimilhana
LR = 2 (LU ln - ln LR) 2
(16,9)
J
se o nulo verdadeiro. O parmetro J so os graus de liberdade para o 2
e que igual ao nmero
de hipteses que voc est testando, neste caso 2 Ele tem o mesmo
distribuio aproximada como o
teste anterior. LU e LR so as log-verossimilhanas maximizadas de um
irrestrita e restrita
modelo, respectivamente. A chave estimar restrito e
modelos irrestritos e recolher o
log-verossimilhana de cada um. Para a primeira hiptese, a restrio de que implica
P = ( + + pratio (pepsi DISP - disp
coque) (16.10)
coque 1 2 4
Para estimar o modelo restrito, apenas formar a nova varivel (pepsi DISP - disp
coque) e us-lo em
o modelo. O script para calcular e avaliar a LR :
1 escalar C_P = disp_pepsi-disp_coke
2 probit coque x # Modelo irrestrito
3 escalar llu = $ LNL
4 probit coque const pratio C_P # restrita modelo
5 escalar LLR = $ LNL
6 escalar lr = 2 * (OLL-LLR)
7 pValue X 1 lr
O resultado
Gerado lr escalar = 5,42183
Pgina 590
Pgina 591
Qui-quadrado (1): rea direita de 5,42183 = 0,0198865
( esquerda: 0,980114)
A estatstica 5,42, o que muito prximo do valor do teste anterior
desta hiptese.
16,2 Logit
O modelo de logit muito semelhante ao de probit. Ao contrrio do que a probabilidade de
um evento a ser descrito
por uma distribuio normal, que modelado usando uma distribuio logstica. A
logstica e normal ter
385
----------------------- Pgina 410 -----------------------
formas muito semelhantes e os resultados da estimao logit so geralmente muito
semelhantes aos
probit. A probabilidade de que o indivduo i escolher a alternativa
1
P = F (z) = (z) =
(16.11)
Eu Eu Eu
1 + e-zi
k
zi = xij $ j
(16.12)
j = 1
Em logit a probabilidade modelado utilizando (z) em vez de (z), como no
modelo probit.
Eu Eu
Abaixo, estimar a probabilidade de compra de Coca-Cola em vez
que Pepsi usando probit,
logit eo modelo de probabilidade linear. Os dados esto contidos
Pgina 591
Pgina 592
coke.gdt e consistem de 1140
pessoas que compraram ou Coca-Cola ou Pepsi. O script Gretl para estimar
os modelos e put
os resultados de um modelo de quadro
1 aberta "gretldir \ Data \ poe \ coke.gdt"
3 probit coque x --quiet
5 logit coque x --quiet
O resultado obtido :
(1) (2)
(3)
Probit Logit
OLS
const 1.11 1.92
0.890
(5,83) (5,90)
(13.6)
pratio -1.15 -2.00
-0,401
(-6,34) (-6,34)
(-6,60)
pepsi DISP -0,447 -0,731
-0,166
Pgina 592
Pgina 593
(-4,41) (-4,36)
(-4,81)
coque disp 0.217 0,352
0,0772
(2,25) (2,22)
(2.27)
n 1140 1140
1140
R2 0.093 0,095
0.120
-711 -709
-748
386
----------------------- Pgina 411 -----------------------
estatsticas t entre parnteses
Para logit e probit, R2 de McFadden pseudo-R2
Os sinais e os t-rcios so aproximadamente iguais em todo o modelo.
Em logit e probit, a
O sinal de coecient indica o sinal da Eect marginal. Magnitudes Coecient
dier s porque
dos extencil de diferenas implcitas no modo como os coecients so normalizados. Embora seja
no bvio, no
uma relao aproximada entre os coecients 'inclinao' dos trs conjuntos de
estima.
~Logit = 4LP M
~
P robit = 2.5LP M
Pgina 593
Pgina 594
~Logit = 1.6P robit
Ento, 4 (-0,4009) = -1,6036, que bastante prximo da estimativa -1,996 para a
pratio coecient em
a coluna logit. Mais importante, h semelhanas ainda mais estreitas entre
os eects marginais
implica, por logit e probit. Suas mdias (AME) so geralmente muito
perto do correspondente
coecient no modelo linear de probabilidade.
Para obter o AMEs no modelo logit, precisamos de uma funo para
avaliar a probabilidade logstica
densidade, que
Zi
e
(z) = , - <Zi <
(16.13)
i (1 + e-zi) 2
Meu funo
1 funo dlogist matriz (matriz * param, lista x)
Matriz 3 d = exp (-p) ./ (1 + exp (-p)). ^ 2
4 retorno d
5 fim funo
Ele usa os operadores "ponto" para a diviso, multiplicao e
exponenciao. Estes element- trabalho
por elemento. Vetorizar isso como feito aqui pode ou no ser uma boa
idia, mas a sintaxe
simples. Uma abordagem mais verstil provavelmente seria de varrer o
observao disponvel
es.
Agora precisamos de uma funo que calcula a mdia e marginal
eects. Pequena modificao
Pgina 594
Pgina 595
da funo ome que foi usado para o modelo probit produz o
Eect marginal mdio para a
logit funo ame l abaixo:
1 funo ame_l matriz (matriz * param, lista x)
Matriz 3 me_matrix = dlogist (e param, x) * param '
387
----------------------- Pgina 412 -----------------------
Matriz 4 AMFX = meanc (me_matrix)
5 printf "\ nOs efeitos mdios marginais so% 8.4f \ n",
AMFX
6 retorno me_matrix
Funo 7 final
A nica mudana para a funo probit ame original vem na linha 3
onde a funo dlogist
substitui dnorm.
Estimando o modelo de logit e se o AME feito usando:
1 lista x = const pratio disp_coke disp_pepsi
2 logit coque x
4 ame_l (& coef, x)
que produz
Os efeitos mdios marginais so 0,4175 -0,4333 0,0763
-0,1587
A mdia e marginal ect para um aumento no ndice de preo -0,4333. Isso
compara a -0,4097
em probit e -0,4009 no modelo linear de probabilidade. Seria certamente
ser fcil, neste ponto,
calcular os erros-padro para esses e ECTS marginais, mas vamos guardar isso como um
Pgina 595
Pgina 596
exerccio.
Os modelos tambm podem ser comparados com base em previses. Gretl produz uma
mesa no padro
probit e logit sadas que facilita isso. O quadro de 2 2 e compara
previses do
modelo de opes reais. O quadro para o modelo de escolha bebida a seguinte:
Nmero de casos "previu corretamente '= 754 (66,1%)
f (beta'x) a mdia de independente vars = 0,394
Teste da razo de verossimilhana: Qui-quadrado (3) = 145,823 [0,0000]
Prevista
0 1
Actual 0 507 123
1 263 247
A tabela mostra que com probit, do (507 + 123) = 630 consumidores que
escolheu Pepsi (Pepsi = 0),
o modelo previu 507 delas corretamente (80% 0,48 correto para
Pepsi). Ele previu 247 / (263 +
247) = 247/510 = 48,43% correta para Coca-Cola. A porcentagem total que foi
previu correctamente
754/1140 = 66,1%. A mesa para logit exatamente o mesmo, ento no h
razo para preferir um sobre
o outro por sua preciso preditiva.
Na verdade, olhe para as correlaes entre as previses dos trs
estimadores:
388
----------------------- Pgina 413 -----------------------
Coeficientes de correlao para previses do modelo, usando o
observaes 1-1140
5 \% valor crtico (bicaudal) = 0,0581 para n = 1140
probit logit ols
1,0000 0,9996 0,9950 probit
Pgina 596
Pgina 597
1,0000 0,9924 logit
1,0000 ols
Como voc pode ver, estes so altamente correlacionados, todo 0,99 e significativa
a 5%.
16,3 Logit Multinomial
A partir da verso 1.8.1, Gretl inclui uma rotina para estimar
logit multinomial (MNL) usando
mxima verossimilhana. Nas verses 1.8.1 antes as alternativas eram ou (1)
mxima do Gretl
mdulo de probabilidade para estimar o seu prprio ou (2) usar um outro pedao de software!
Nesta seo, vamos
estimar o modelo logit multinomial usando a funo nativa Gretl
e eu vou relegar o outro
mtodos para uma separada (opcional) seo 16.3.1. Os outros mtodos de servir
bons exemplos de como
para usar a linguagem de scripting do Gretl e como us-lo em conjunto com R.
Neste modelo, a varivel dependente categrica e codificada no
seguinte maneira. Um estudante
de terminar o colegial escolhe entre trs alternativas:
participar de nenhuma psechoice faculdade = 1,
matricular em uma faculdade psechoice 2 anos = 2, ou se inscrever em uma faculdade de 4 anos
psechoice = 3. A explicativo
varivel graus, que um ndice que varia de 1,0 (maior
nvel, A + grade) para 13,0 (menor
nvel, F grau) e representa o desempenho combinado em Ingls, Matemtica e Social
Estudos. Por esta
exemplo, as opes so tratadas como sendo no-ordenada. H 1.000
observaes.
Para estimar o modelo de escolha da escola em funo de graus
e uma constante abrir o
Nels small.gdt conjunto de dados e use o comando com a opo logit --multinomial
como mostrado:
1 Abra o "c: \ Arquivos de Programas \ Gretl \ data \ poe \ nels_small.gdt"
2 logit graus psechoice const --multinomial
Pgina 597
Pgina 598
Isto produz o resultado mostrado na Figura 16.2:
Os coefi coe aparecer em conjuntos. O primeiro conjunto so os coecients que vo com
psechoice = 2 e
o segundo conjunto ir com psechoice = 3; isto implica que Gretl escolheu psechoice = 1
utilizado como a base.
389
----------------------- Pgina 414 -----------------------
Figura 16.2: Sada do logit multinomial
Figura 16.3: possvel obter as probabilidades de resultados a partir da multinomial
janela modelo logit.
Estes tambm esto disponveis aps o clculo do acessor $ mnlprobs.
A probabilidade de escolher uma alternativa em logit multinomial
1
p = j
= 1 (16.14)
i1 J
1 + j = 2 exp (1j + 2j xi2 + + kj xik)
exp (1j + 2j xi2 + + xik kj)
p = j
= 1 (16.15)
ij J
1 + j = 2 exp (1j + 2j xi2 + + kj xik)
A obteno das probabilidades simples. Se voc estimar o modelo via
o GUI (Modelo> Nonlinear
modelos> Logit> Multinomial), ento voc ter uma opo na janela de modelo para
produzir o pr-
dicted probabilidades para cada caso na amostra. Na Figura 16.3, voc ver
Pgina 598
Pgina 599
que Analysis> Resultado
probabilidades podem ser selecionados. Os primeiros destes so mostrados:
Probabilidades de resultados estimados para psechoice
390
----------------------- Pgina 415 -----------------------
1 2 3
1 0,4408 0,3274 0,2319
2 0,3511 0,3308 0,3181
3 0,2539 0,3148 0,4313
4 0,2539 0,3148 0,4313
5 0,2539 0,3148 0,4313
....
1000 0,0339 0,1351 0,8310
Um script pode ser escrito para obter probabilidades previstas que mostra oa
mais alguns truques. A
funo proposta chamado mlogitprob eo script para ele :
1 funo lista mlogitprob (srie y, x lista, theta matriz)
2 lista probs = null
Matriz de 3 X = {x}
4 escalar j = max (Y)
5 escalar k = cols (X)
B = 6 matriz mshape (teta, k, j-1)
7 matriz tmp = X * b
8 sries den = (1 + SUMR (exp (tmp)))
9
10 loop para i = 1..j --quiet
11 se i = 1
12 srie p $ i = 1 / den
Pgina 599
Pgina 600
13 mais
14 q escalar = i - 1
15 sries num = exp (X [q], * b [q])
16 srie p $ i = num / den
17 endif
18 Lista probs = p + $ i
19 endloop
20 probs retorno
Funo 21 final
As entradas so a varivel dependente, y, uma lista de variveis independentes, x,
e se os coeficientes de coe
estimativa logit multinomial, theta. A funo ir retornar um
lista que contm o computadorizada
probabilites. Estes sero adicionados ao conjunto de dados.
Uma lista vazia deve ser criada, a qual feita usando lista
null. Na linha 3 a independente
variveis so convertidos em uma matriz chamado X. A quarta linha encontra o mximo
categoria na
codificao da varivel dependente. Ours, psechoice, assume valores 1,
2 e 3 nos dados de modo que este
retornar o valor 3. Se seus dados so codificados 0, 1, 2 como eles
s vezes , voc ter que
alterar o seu roteiro para explicar isso. O k escalar conta o nmero de
variveis independentes. Em
MNL h escolhas J e J - um conjuntos de parmetros k. A matriz b
remodela a (J - 1) k 1
vetor de coecients produzido por logit --multinomial em ak (J -
1) da matriz. Cada coluna
desta matriz contm as coecients para (j - 1) th escolha. A
matriz rotulado calcula tmp
391
----------------------- Pgina 416 -----------------------
os ndices para cada escolha. A den matriz calcula a linha
somas destes para produzir o
denominador encontrado nas probabilidades MNL.
Pgina 600
Pgina 601
O lao necessria por causa da maneira probabilidades MNL so computados. Para
normalizado
escolha, o numerador 1 Para os outros exp (index). O computadorizada
probabilidades so adicionados
j
lista probs usando o operador (+ =), que uma maneira elegante de acrescentar novos
resultados ao existente
resultados. O ciclo termina e voc deve retornar a lista probs em
pedir para a srie computadorizada para
ser passado para fora da funo e adicionado ao conjunto de dados. Se
tm trabalhado atravs da
funes mais simples que consideramos at este ponto, ento a complexidade
de esta no
ser incmodo. Se esta sua primeira funo no Gretl, ento voc , sem dvida,
perdida. Novamente, isto no
necessria para obter probabilidades de MNL.
Para utilizar a funo, criar a lista de variveis, estimar o modelo e salvar
os coecients para uma
matriz. Finalmente, criar uma lista de e imprimi-lo por meio de observao como em:
1 aberta "gretldir \ Data \ poe \ nels_small.gdt"
2 lista x = graus const
3 logit psechoice x --multinomial
4 matriz teta = $ coef
5 lista n = mlogitprob (psechoice, x, teta)
6 smpl 1 12
7 de impresso n --byobs
8 smpl completo
Claro, voc pode fazer as coisas com calma e usar apenas o assessor,
$ mnlprobs. Isto d
acesso s probabilidades do logit multinomial que
obtido atravs da GUI. No
muito divertido em que, mas fcil. No entanto, com a nossa funo de caseiro que pudermos
calcular marginal
eects.
Para obter mdia e ECTS marginais um piscar de olhos neste momento. Vamos
simplesmente adicionar 1 para o valor de
Pgina 601
Pgina 602
notas, recalcular as probabilidades, e em mdia a diferen ca entre os dois.
Isto exigir
renomeando as probabilidades previstas, mas que facilmente feito.
1 renomear p1 p01
2 renomear p2 p02
3 renomear P3 p03
4
5 sries grade1 = graus + 1
6 lista x1 = grade1 const
7 lista n1 = mlogitprob (psechoice, x1, teta)
8 sries d1 = p1-p01
9 sries d2 = p2-p02
10 sries d3 = P3-P03
11 Resumo d * --simple
392
----------------------- Pgina 417 -----------------------
Os rendimentos de script:
Estatsticas sumrias, usando as observaes 1-1000
A mdia Mnimo Mxima
Std. Dev.
d1 0.080044 0.0092216 0,11644
0.034329
d2 -0,00014717 -,11560 0.017795
0.023719
d3 -,066086 -,31899 -0,00037743
0.069045
Como o desempenho do aluno fica pior (graus aumenta em 1), o
probabilidade mdia de no
cursando a faculdade sobe 0,08. A probabilidade de frequentar a escola de 4 anos
declina em -0,066.
Pgina 602
Pgina 603
Encontrar eects marginais em pontos especficos requer uma outra funo,
, mas muito semelhante
a utilizada acima. A nica alterao de fundo que alimenta a funo de um
matriz, em vez de o
lista de variveis e mutveis clculos srie dentro da funo, quer
escalares ou matriz.
Aqui est a nova funo chamada
1 funo matriz mlogitprob_at (srie y, matriz X, matriz
teta)
2 probs matriz = {}
3 escalar j = max (Y)
4 escalar k = cols (X)
Matriz 5 b = mshape (teta, k, j-1)
6 matriz tmp = X * b
7 escalar den = (1 + SUMR (exp (TMP)))
8
9 loop para i = 1..j --quiet
10 se i = 1
11 escalar p $ i = 1 / den
12 mais
13 q escalar = i - 1
14 escalar num = exp (X * b [q])
15 escalar p $ i = num / den
16 endif
17 probs matriz = probs p $ i
18 endloop
19 probs retorno
Funo 20 final
A funo muito fcil de usar e reproduz os resultados na Tabela POE4
16.3.
Um abertas "gretldir \ data \ poe \ nels_small.gdt"
Pgina 603
Pgina 604
Matriz 5 Xm = {1, quantis (graus, 0,50)}
393
----------------------- Pgina 418 -----------------------
6 matriz p50 = mlogitprob_at (psechoice, Xm, theta)
Matriz 7 Xm = {1, quantis (graus, 0,05)}
9 printf "\ nO probabilidades previstas para estudante \
10 graus =% 6.2f% 8.4f \ n ", quantis (graus, 0,05), p05
11 printf "\ nO probabilidades previstas para estudante \
12 graus =% 6.2f% 8.4f \ n ", quantis (graus, 0,50), p50
Para usar a funo para obter eects marginais da mudana de 1 unidade em
notas para mdio e 95
estudantes percentuais criamos quantiles com base nas notas da srie e us-los
em nossa nova funo.
Tomando o dierence em probabilidades nos dar uma Eect marginal aproximada
naqueles quantis.
Um abertas "gretldir \ data \ poe \ nels_small.gdt"
5 escalar Q50 = quantis (graus, 0,50)
6 matriz Xm = {1, q50-0.5}
Matriz 7 p0 = mlogitprob_at (psechoice, Xm, theta)
Matriz 8 Xm = {1, Q50 + 0,5}
Matriz 9 p1 = mlogitprob_at (psechoice, Xm, theta)
Matriz de 10 me = p1-p0
11 printf "\ nO marginal efeito de graus para o aluno \
12 graus% = 6.2f % 8.4f \ n ", mediana (graus), me
Pgina 604
Pgina 605
13
14 escalar Q05 = quantis (graus, 0,05)
Matriz de 15 Xm = {1, q05-0.5}
Matriz de 16 p0 = mlogitprob_at (psechoice, Xm, theta)
Matriz de 17 Xm = {1, Q05 + 0,5}
Matriz de 19 me = p1-p0
20 printf "\ nO

Manual Total PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manual Total PDF

Uploaded by

Copyright:

Available Formats

9/10/2014 MANUAL GRETL LEANDRO ----------------------- Page 1 ---------------------- -

exp comida = b + b 20 = 83,416 + 10,2096 20 =

exp comida t se (f) = 287,6069 2,0244 = 8.214,31

9/10/2014 MANUAL GRETL LEANDRO ----------------------- Page 1 ---------------------- -

You might also like