Professional Documents
Culture Documents
ECONOMETRIA II INTRODUO
O termo regresso foi criado por Francis Galton. Em um artigo famoso de 1886, Galton
verificou que os filhos de pais mais altos e os filhos de pais mais baixos tendiam a apresentar uma
altura que se assemelhava a altura mdia da populao. Em outras palavras, a estatura dos filhos de
pais com certa altura tendia a regredir para a altura mdia da populao como um todo.
A anlise de regresso tornou-se a base da econometria e, atualmente, refere-se ao estudo da
dependncia de uma varivel (dependente), em relao a outras variveis (explicativas). A anlise de
regresso uma ferramenta interessante, pois consegue aproximar a Funo de Esperana
Condicional (Conditional Expectation Function CEF) ou Funo de Regresso Populacional (RFP)
ou ainda Funo de Mdia Condicional. A partir disso, ela utilizada para estimar e/ou prever o valor
mdio da varivel dependente em termos dos valores conhecidos ou fixados (em amostras repetidas)
das variveis explicativas.
CEF:
1
Professor Assistente da Universidade do Estado de Mato Grosso (UNEMAT) Campus de Sinop.
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
Segundo Angrist e Pischke (2008), a CEF ser causal quando descrever as diferenas na mdia
condicional da varivel de interesse para uma populao de referncia fixa. Isso leva a hiptese de
independncia condicional (Conditional Independence Assumption - CIA) que muitas vezes fornece
base para interpretaes causais. Essa hiptese garante que a regresso pode representar relaes
causais, caso essa relao seja independente de outros resultados potenciais. Em outras palavras,
pode-se estabelecer um contra factual desde que se possa controlar outros fatores, assim os grupos
sendo comparados so realmente comparveis.
Pela teoria ou conhecimento a priori:
= (1 , 2 , , )
Por vrios motivos, dentre eles a ausncia de variveis que representam certos fatores e o
tratamento de relaes inexatas pela economia, adicionamos um termo de erro aleatrio:
= (1 , 2 , , , ), ( < )
= 11 + 2 2 + + +
onde = 1,2, , .
As incgnitas representam o efeito mdio da varivel sobre .
= 2
2
= +
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
O principal problema a ser abordado pela econometria a estimao dos parmetros e, para
isso, queremos encontrar um estimador adequado que apresente propriedades 2 desejveis (no
tendenciosidade, consistncia e eficincia) dado o problema em questo.
Estimador de Mnimos Quadrados Ordinrios:
2
Propriedades referentes distribuio do estimador.
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
= +
() =
Esse pressuposto indica que para cada valor fixo de existe uma distribuio de probabilidade
associada. Estamos interessados no valor mdio condicional de para cada valor fixo de . Caso
seja estocstico pressupe-se que o mesmo no est correlacionado com o termo de erro = 0.
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
( | ) = 0
Implica que:
() = () + ()
() =
( ) = 2
( ) = [ ( )]2
Dado () = 0:
( ) = ( 2 ) = 2
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
( ) = 0
Considere o produto
1
2
. . . . ]
= . [1 2 1
.
[ ]1
12 1
= [ ]
1 2
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
(12 ) (1 )
( ) = [ ]
2
( 1 ) ( )
(1 ) (1 )
( ) = [ ]
( 1 ) ( )
2 0
( ) = [ ]
0 2
Com 2 em evidncia:
1 0
) 2 ] = 2 =
( = [
0
Para os pressupostos 5 e 6, = I:
( ) () = 2
Esse pressuposto necessrio apenas para os testes de hipteses, ou seja, ele no influencia
as propriedades dos estimadores de MQO. A adio desse pressuposto ao MCRL gera o MCRL
normal (MCRLN).
2. O Teorema de Gauss-Markov
( ) = [( )( ) ]
( ) = [(( )1 )(( )1 ) ]
( ) = [( )1 ( )1 ]
( ) = [( )1 ( )1 ]
( ) = ( )1 ( )( )1
( ) = ( )1 ( 2 )( )1
( ) = 2 ( )1 ( )1
Sob a validade dos pressupostos 5 e 6, = I, ento:
( ) = 2 ( )1
A violao desse pressuposto impossibilita a estimao dos parmetros e torna os erros padro
infinitos. A presena de multicolinearidade forte no viola o pressuposto, nesse caso os estimadores
de MQO preservam suas propriedades de BLUE, contudo os erros padro tornam-se grandes e os
testes de significncia individual () tendem a aceitar a hiptese nula. Para ver isso, observe que
quando se pretende explicar determinada varivel por meio de uma regresso mltipla possvel
mostrar que a varincia do j-simo regressor pode ser expressa como:
2 1
( ) = 2 (12)
Esse pressuposto indica que para cada valor fixo de existe uma distribuio de probabilidade
associada. Estamos interessados no valor mdio condicional de para cada valor fixo de . Caso
seja estocstico pressupe-se que o mesmo no est correlacionado com o termo de erro = 0,
caso esse pressuposto no se mantenha os estimadores de MQO sero viesados e inconsistentes e
torna-se necessrio a utilizao de outro estimador.
que no puderam ser includas no modelo e esto, portanto, presentes no termo de erro possuem um
efeito mdio nulo sobre Y.
Se variveis importantes forem omitidas pode-se violar esse pressuposto, pois a varivel
omitida pode estar correlacionada com X, ( 0), ou com Y, ( 0), causando o vis ou erro
de especificao do modelo.
Podem-se listar alguns tipos de erros de especificao como a omisso de uma ou mais
variveis relevantes, a incluso de uma ou mais variveis desnecessrias, a adoo da forma funcional
errada, erros de medida, especificao incorreta do termo de erro estocstico e a pressuposio de que
o erro distribui-se normalmente quando o processo gerador no dessa forma.
Os erros de especificao do modelo trazem vrias consequncias. A omisso de varivel
relevante, ou seja, estimar = 1 + 2 2 + quando o verdadeiro modelo = 1 + 2 2 +
3 3 + causar vis e inconsistncia das estimativas de MQO se a varivel 3 estiver
correlacionada com outra varivel explicativa, ou seja, ( | ) 0 pois ( 0) uma vez que
= + 3 3. Mesmo que a varivel 3 no esteja correlacionada com as demais o intercepto ser
viesado. Outra consequncia a incorreta estimao da varincia do erro e o consequente equvoco
no clculo dos intervalos de confiana, erros padro e testes de hipteses.
A incluso de variveis desnecessrias, ou seja, estimar = 1 + 2 2 + 3 3 + quando
o verdadeiro modelo = 1 + 2 2 + incorrer na perda de eficincia dos estimadores devido
a correlao (FIV) existente entre as covariveis. J os erros de medida quando na varivel dependente
causam perda de eficincia nos estimadores e quando nas variveis explicativas causam vis e
inconsistncia por motivos anlogos omisso de varivel relevante.
A especificao incorreta do termo de erro causa vis nos estimadores de MQO enquanto a
invalidade da pressuposio de distribuio normal torna os testes de hipteses usuais inutilizveis.
A identificao dos problemas de omisso de varivel relevante, incluso de varivel
irrelevante e forma funcional equivocada podem ser feita por meio dos testes (), do teste () restrito,
do exame dos resduos, da estatstica d de Durbin-Watson, do teste Reset de Ramsey e do teste
Multiplicador de Lagrange (ML). Os erros de medidas so difceis de ser detectados uma vez que
geralmente trabalhamos com dados secundrios, j os erros de especificao do termo de erro devem
ser tratados a partir de mtodos de estimao no lineares. A normalidade do termo de erro pode ser
verificada a partir do teste de normalidade de Jarque-Bera.
Por fim, cabe ressaltar que a estimao de relaes endgenas por MQO gera estimadores
viesados e inconsistentes devido a violao da pressuposio ( | ) = 0, pois tanto ( 0)
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
como ( 0). Ao se detectar relaes endgenas pelo teste de Hausman (que verifica se 0)
preciso recorrer a outros estimadores para superar o problema como o de Mnimos Quadrados
Indiretos (MQI), para equaes exatamente identificadas, ou Mnimos Quadros em Dois Estgios
(MQ2E) e Variveis Instrumentais (VI) para equaes superidentificadas.
2 2
(2 ) = ( 2 )2 .
Alm da invalidade das inferncias com base nos testes e , os estimadores no sero mais
eficientes. Para detectar a violao do pressuposto de varincia constante possvel recorrer a alguns
procedimentos informais como o grfico do resduo ao quadrado ( 2 ) em funo das variveis
explicativas ou dependente ou procedimentos formais como os testes de Park (a equao de teste
baseia-se na regresso do logaritmo do resduo ao quadrado em funo de alguma varivel
explicativa), Glejser (a equao de teste baseia-se na regresso do resduo absoluto em funo de
alguma varivel explicativa), Goldfeld-Quandt (baseia-se na comparao da varincia entre grupos
diferentes da varivel explicativa), Breusch-Pagan-Godfrey e o teste geral de heterocedasticidade de
White (a equao de teste baseia-se na regresso do resduo ao quadrado em funo das variveis
explicativas, do quadrado e do produto cruzado dessas variveis). A hiptese nula de
homocedasticidade, caso seja identificado algum padro de relao entre a varincia e as variveis
explicativas gera-se evidncia da existncia do problema.
A identificao do problema leva a concluso de que os estimadores de MQO podem no ser
mais os melhores uma vez que no possvel garantir a validade do Teorema de Gauss-Markov.
Nesse caso, pode-se encontrar estimadores que sejam BLUE mesmo com a presena de
heterocedasticidade.
Para corrigir o problema preciso levar em considerao se o padro de heterocedasticidade
conhecido ou no. Se o padro de heterocedasticidade conhecido estima-se o seguinte modelo:
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
1/1
.
= + onde = .
.
[1/n ]
Ao estimar o modelo transformado por MQO damos origem aos estimadores de Mnimos
Quadrados Generalizados (MQG) ou Mnimos Quadrados Ponderados (MQP) que, nesse caso, so
BLUE.
Quando no se conhece o padro de heterocedasticidade, quase a totalidade dos casos, pode-
se supor um padro de heterocedasticidade com base nos testes e estimar por MQG ou utilizar a
correo de White que consiste na estimao da verdadeira varincia por:
2 2
(2 ) = ( 2 )2
2
= 1 + 2 2 + a varincia estimada de 2 ser (2 ) = 2 enquanto a verdadeira varincia
2
seria (2 ) = 2 (1 + 2 1
2
+ + 21
2
).
Alm da invalidade das inferncias com base nos testes e , os estimadores no sero mais
eficientes. Para detectar a violao do pressuposto de ausncia de autocorrelao possvel recorrer
a alguns procedimentos informais como o grfico do resduo em funo do tempo ou do resduo em
funo do resduo defasado ou procedimentos formais como os testes de Durbin-Watson ou de
Breusch-Godfrey (a equao de teste baseia-se na estimao de uma regresso dos resduos em funo
das variveis explicativas e das defasagens do resduo).
A identificao do problema leva a concluso de que os estimadores de MQO podem no ser
mais os melhores (quando a autocorrelao no originada por erro de especificao do modelo) uma
vez que no possvel garantir a validade do Teorema de Gauss-Markov. Nesse caso, pode-se
encontrar estimadores que sejam BLUE mesmo com a presena de autocorrelao.
Para corrigir o problema preciso levar em considerao se o coeficiente de autocorrelao
() conhecido ou no. Se () conhecido estima-se o seguinte modelo de diferenas generalizadas
(para o caso de um processo AR(1):
1 = 1 (1 ) + 2 ( 1 ) + ( 1 )
Ao estimar o modelo transformado por MQO damos origem aos estimadores de Mnimos
Quadrados Generalizados (MQG) que so BLUE.
Quando no se conhece (), quase a totalidade dos casos, podemos estim-lo por meio de
algum procedimento como o de Durbin-Watson, Durbin Watson de 2 etapas, Cochrane-Orkutt de 2
etapas ou iterativo e estimar por MQGF a equao de diferenas generalizada ou ainda, pode-se
utilizar a correo de Newey-West que consiste na estimao da verdadeira varincia. Outra
possibilidade a estimao da equao com as variveis em primeira diferena.
J tratada na seo iv, a violao desse pressuposto impossibilita a usual inferncia estatstica
baseada na distribuio normal. Contudo, caso a amostra possua tamanho razovel possvel invocar
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS
a teoria assinttica ou de grandes amostras que postula que a distribuio do erro tende para normal
conforme cresce o tamanho da amostra.
REFERNCIAS
GUJARATI, Damodar N.; PORTER, Dawn C. Econometria Bsica. 5a Ed., Porto Alegre: Bookman,
2011.