Professional Documents
Culture Documents
Amanda Aires
Introduo
Aula 01
Introduo
Aula 02
O que econometria?
Metodologia da Econometria
Econometria significa literalmente medida econmica. Embora a medida seja uma parte importante da econometria, sua finalidade mais abrangente.
Teoria Econmica Economia Matemtica Estatstica Econmica Estatstica Matemtica
1. Formulao da teoria ou da hiptese 2. Especificao do modelo matemtico da teoria 3. Especificao do modelo economtrico da teoria 4. Obteno de dados 5. Estimativa dos parmetros do modelo economtrico 6. Teste de hiptese 7. Previso ou predio 8. Utilizao do modelo para fins de controle ou poltica
Os Modelos Economtricos
Os modelos economtricos podem assumir estruturas bastante sofisticadas, reunindo muitas variveis em diversas equaes, ou at mesmo contendo simultaneamente vrios conjuntos de equaes.
Ricardo Wyllie
Modelos Economtricos
Forma funcional: Y = f(X) + preciso realmente uma varivel estocstica?
A economia uma cincia social
Modelos Economtricos
Y = Varivel dependente ou explicada (tambm chamada de induzida) X = Varivel independente ou explicativa Para que seja possvel determinar corretamente os parmetros da funo f:
Termo aleatrio com restries
Modelos Economtricos
1 Hiptese sobre a forma funcional do modelo: Y = + X +
Como obter as estimativas dos parmetros da funo?
Atravs da abordagem geomtrica...
Y * *
* * *
* *
.x = ( y y ).( xi x ) e = y ( xi x ) 2
S ( , ) = [ yi ( + x1 )]
i =1
S ( , ) = [ yi ( + x1 )]2
i =1
Pressupostos do MRLS
Pressupostos do MRLS ~ Normal para todos os nveis de X. E[/X] = 0 E[2/X] = 2 = constante
e
i =1
=0 e
e .x
i i =1
=0
A reta de regresso passa pelos pontos mdios de Y para cada valor fixado de X. homocedasticidade
Isto significa que o MQO extrai, atravs dos estimadores de e , toda a componente linear de Y que depende de X, nada sobrando no erro. (RW)
E[i . j] = 0 , onde i e j denotam erros para observaes distintas de X. X uma varivel no estocstica.
os erros, para diferentes valores de X, so independentes.
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que, caso haja um gasto anual com propaganda de 80 mil reais, a previso do lucro bruto anual, em mil reais, ser de A) 84 B) 102,5 C) 121 D)128,4 E) 158
Mtodos de Estimao
Aula 05
= a Y + a Y + .... + a Y 1 1 2 2 N N Considerando a equao Y = + X + . Para que o estimador seja no tendencioso deve-se ter:
) = a + a X = E( K K K
=0 e
XK = 1
(x
x )2
A primeira hiptese do modelo de regresso simples faz referncia a distribuio dos termos de erro do modelo. Combinando esta com as demais hipteses podemos concluir que os erros so variveis aleatrias independentes.
Isto tambm nos permite escrever a funo de densidade conjunta dos erros
f ( 1 2 3 ,......, N ) = 1 ( 2
2
)N /2
. exp(
)/2 2
2
= a Y = . Y . ( xK x ) = MV i i i N MQO 2 ( x x ) K
K =1
Concluso; Por serem idnticos aos estimadores BLUE e de MV, os estimadores de MQO gozam de todas as propriedades desejveis para pequenas e grandes amostras (no tendenciosidade, eficincia dentre os lineares, suficincia, consistncia, eficincia assinttica e no tendenciosidade assinttica).
Distribuio do estimador de
Tomando como dada a distribuio de ^ a determinao da distribuio de ^ torna-se bem mais simples. Em primeiro lugar, observase que o estimador de MQO de tambm pode ser escrito como combinao linear dos Yis.
. X = ( =Y
Onde
gK =
N YK 1 X wK YK ) = ( YK [ XwK ]) = YK g K N N K 1
1 Xw K N
se os Yis forem normais independentes podemos concluir que ^ tambm normalmente distribudo.
1 X2 ) = 2[ + Var ( ] N ( X K X )2
A distribuio:
~ N ( , 2 [ 1 X2 + ]) N ( X K X )2
) = 2 X /[ ( x x ) 2 , Cov ( i
Mtodos de Estimao
Aula 06
XMD1
XMD2
Observaes importantes:
Se o coeficiente angular aumenta, passando de negativo para positivo, o valor do intercepto (corte no eixo vertical) se reduz. Ou seja, as estimativas de e caminham em sentido contrrio. Quanto maior a mdia da varivel independente, por exemplo, XMD1 < XMD2, maior em valor absoluto - a correlao entre os estimadores de e . Em particular, se XMDIO = 0 a correlao nula.
RW
A reta de regresso estimada sempre passa pelo ponto (XMDIO , YMDIO). Substituindo este ponto na reta estimada chega-se a:
.X .X K = . X K Calculado em ( X =Y + + Y , YMDIO ) Y = MDIO
Observaes importantes:
Ambas as varincias - estimadores de e dependem da varincia amostral da varivel independente. Quanto maior for a varincia da explicativa, menores sero as varincias dos estimadores. As varincias dos estimadores so funes crescentes da varincia dos erros.
Em palavras, se a parcela de Y que no pode ser explicada pela relao linear com X variar muito as estimativas tendem a ser menos precisas.
.X ) K ( + K = YK ( + . X K ) e eK = Y K
O teste Jarque-Bera pode ser empregado no caso de grandes amostras na tentativa de obter evidncia estatstica sobre a normalidade dos erros. A estatstica do teste combina medidas de assimetria e curtose da distribuio
CA2 (CC 3) 2 JB = n. + 24 6
T-student
2 X ~ N ( 0,1) e Y ~ N
X ~ t Student Y N
*
* ~ N ( ,
2 ) ( x i x )2
[ ( x
x)2
~ t Student
1/ 2
A expresso colocada na terceira linha e quarta coluna da tabela ltima s ter de fato distribuio t-Student se = 0.
Questo de Concurso
(FGV, Secretaria de Estado de Receita e Controle do Mato Grosso do Sul, Fiscal de Rendas, 2006) Em um teste de hipteses, a hiptese nula foi rejeitada no nvel de 3%. Portanto a hiptese nula: A) ser aceita no nvel de 1% B) ser aceita no nvel de 5% C) pode ser aceita ou rejeitada no nvel de 5% D) ser rejeitada no nvel de 1% E) ser rejeidada no nvel de 5%
Questo de Concurso
(FGV, Secretaria de Estado de Receita e Controle do Mato Grosso do Sul, Fiscal de Rendas, 2006) Um teste de hiptese apresentou p-valor igual a 0,03. Portanto, nos nveis de significncia 1% e 5%, respectivamente, a hiptese nula: A) deve ser aceita e aceita B) deve ser rejeitada e aceita C) deve ser rejeitada e aceita D) deve ser rejeitada e rejeitada E) pode ou no ser rejeitada, dependendo de a hiptese ser simples ou no.
Em termos analticos
Y ) + (Y Y ) YK Y = (Y K K K
= .X + Y
Y MDIO
(Y
K =1
X
Y )2 =
(Y
K =1
Y )2 +
(Y
K =1
YK ) 2
O coeficiente de Determinao R2
R2 = SQE/SQT 0 R2 1.
Frmulas alternativas:
2 (X i X ) R = . 2 (Yi Y ) 2 2
(N K )
Soma de Quadrados Graus de Liberdade K-1 N- K N- 1 Quadrados mdios SQE/(K-1) SQR/(N-K) SQT/(N-1) FOBSERVADO = [SQE/(N-1)]/[SQR/(N-K)] FTABELADO F-Snedecor p-valor
Fonte
ou
R = ( X ,Y )
2 2
Hipteses de Teste
Ho: X no capaz de explicar Y Ha: X explica parte significativa de Y
Pressupostos do MRLS
Pressupostos do MRLS ~ Normal para todos os nveis de X. E[/X] = 0 E[2/X] = 2 = constante
A reta de regresso passa pelos pontos mdios de Y para cada valor fixado de X. homocedasticidade
E[i . j] = 0 , onde i e j denotam erros para observaes distintas de X. X uma varivel no estocstica.
os erros, para diferentes valores de X, so independentes.
Problemas iniciais
Hiptese de normalidade dos erros Hiptese de mdia nula dos erros Hiptese de varivel explicativa no estocstica. Posteriormente...
Heterocedasticidade Auto correlao dos erros
Correes
Consequncias
A distribuio dos estimadores no poder ser garantida como normal. Os estimadores de MQO podem no ser assintoticamente eficiencientes.
= a 1 .Y 1+ a 2 .Y 2 + ..... + a N .Y N
Normalidade dos erros normalidade dos Yis normalidade dos Alm disso, possvel garantir a idependncia dos Yis. Normalidade MQP = MV
10
Correo
Para o formato da distribuio:
Tamanho da amostra
Teorema do Limite Central
Para a eficincia:
Natureza preventiva
Ao realizar testes de hipteses, com as frmulas de MQO, deve-se ter em mente que as varincias podem ser na realidade maiores do que as efetivamente calculadas. Ao rejeitar determinada Ho pede-se incorrer em erro, como conseqncia da subestimao da amplitude da rea de aceitao.
A C D E
Violao da Hiptese
Uma constante para todos os nveis da varivel independente, E() = K > 0. Uma funo da observao amostral, E() = f(i) 0.
E() = K > 0
Para o caso do coeficiente angular
= Y ( X X ) = ( + X + ).( X (X X ) (X X )
K K K K 2 2 K K K
E() = f(i) 0
(X X ) = + (X X )
K K 2 K
X)
Colocando-se a esperana do erro em evidncia, tem-se que o estimador no ser tendencioso. Para o caso do coeficiente linear, em todos os casos, o estimador ser tendencioso
Se a funo for linear, o valor da tendncia ser de K unidades. Se f(i) = f(Zi), haver o que se chama de erro de especificao que ser avaliado posteriormente.
11
Correo
Variveis instrumentais
A aplicao do mtodo depende de duas condies:
No ser correlacionado com o termo de erro; Ser correlacionado com a varivel independente do modelo.
Montando o quadro de anlise de varincia, tem-se que a) a variao residual apresenta um valor igual a 100. b) o valor da estatstica F necessria para o teste de existncia da regresso igual a 9. c) o valor do correspondente coeficiente de determinao (R2) igual a 90%. d) a variao total apresenta um valor igual a 550. e) a variao explicada, fonte de variao devido regresso apresenta um valor igual a 500.
12
Definies
Matriz
Matrizes e Determinantes
Aula 11
uma ordenao retangular de nmeros ou elementos dispostos em linhas e colunas. Mais precisamente, uma matriz de ordem M x N um conjunto de M x N elementos dispostos em M linhas e N colunas.
Vetor Coluna, Vetor linha, Transposio, Submatriz Tipos de matrizes:
Quadrada, Diagonal, simtrica, nula, escalar, identidade ou unidade,
Matrizes
Operaes com matrizes:
Adio Subtrao Multiplicao por escalar Multiplicao de matrizes
Determinantes
A toda matriz quadrada corresponde um nmero escalar conhecido como determinante da matriz.
Clculo do determinante
Posto da matriz: a ordem da maior submatriz quadrada cujo determinante no seja zero.
Em notao matricial:
y = X .B +
y = [y1 y2 y3 , .... , yN-1 yN ] = vetor de observaes da varivel dependente = [1 2 3 , ... , K-1 , k] = vetor de parmetros a estimar = [1 2 3 , .... , N-1 N] = vetor de erros aleatrios X = [x1 x2 x3 , .... , xK-1 xK] = matriz de observaes das variveis independentes.
13
Os pressupostos do MRLM
y1 y2 .... yN = x11 x 21 .... xN1 x12 ......... x 22 . ........ .......... ..... x N 2 .. ....... x1 K 1 x 2 K 1 ........ xN
K 1
Linearidade Os is tm distribuio normal E(i ) = 0 , para todo i = 1, 2, 3, ..., N. E[] = 2 I , sendo I a matriz identidade de ordem N.
Matriz de varincia-covarincia das perturbaes
As variveis Xis so do tipo no aleatrio. No h nenhuma relao linear exata entre as variveis X, ou seja, nenhuma multicolinearidade.
O posto de X P(x)=K, em que k menor que o nmero de observaes, n.
Pressupostos adicionais
O nmero de observaes da amostra deve ser superior ao nmero de parmetros a estimar no modelo. Empregando-se as letras de praxe temos, N > K + 1.
Clculo do coeficiente B
14
A matriz de varincia-covarincia de B
Seja um modelo linear y = Xb + e , onde y um vetor (n x 1); X uma matriz (n x k) de posto k < n; b um vetor coluna composto de k parmetros desconhecidos e e um vetor (n x 1) de perturbaes aleatrias. Considere as seguintes hipteses sobre as perturbaes aleatrias : i. E( X) = 0 ii. V( X) = sigma2I
15
onde E o operador de expectncia (esperana matemtica), V( eX) = sigma2I a matriz de varincia-covarincia das perturbaes aleatrias, condicionada a X. Utilizando-se o mtodo de mnimos quadrados simples (OLS) estimam-se os parmetros por b = (XX)1Xy.
Nessas condies, analise as proposies a seguir. I - Se as hipteses i e ii so vlidas, conclui-se que os estimadores b so no tendenciosos e eficientes. II - A identificao de como o estimador de mnimos quadrados de sigma2, onde e o vetor de resduos de mnimos quadrados, no estritamente correto, uma vez que esse mtodo s permite estimar beta.
III - Se o posto da matriz X for menor do que k, a hiptese ii no se sustentar e haver problemas de heterocedasticidade. IV Se , onde , o mtodo de mnimos quadrados generalizados (GLS) fornecer estimadores para beta com melhores propriedades do que os estimadores de mnimos quadrados simples.
So corretas as proposies (A) I e II, apenas. (B) III e IV, apenas. (C) I, II e IV, apenas. (D) I, III e IV, apenas. (E) I, II, III e IV.
18 No modelo de anlise de regresso y = Xb +e , as variveis X so chamadas independentes; as colunas de X so ditas linearmente independentes e os elementos de e, por hiptese, so distribudos independentemente. Com relao aos significados de independncia usados acima, pode-se afirmar que I - os es so independentemente distribudos para que se possam estimar os parmetros b pelo mtodo de mnimos quadrados; II - as variveis X so ditas independentes porque no dependem de y; III - as colunas de X so linearmente independentes para que essas variveis no sejam correlacionadas. correto o que se afirma em
(A) I, apenas. (B) I e II, apenas. (C) I e III, apenas. (D) II e III, apenas. (E) I, II e III.
16
E ( K , K + S ) = 2
K = . K 1 +
( y * y*) x * ( x * x*)
K K
quando os erros esto correlacionados, os estimadores de MQO permanecem no tendenciosos e consistentes, mas perdem sua eficincia relativa. Adicionalmente, a eficincia assinttica tambm perdida, pois os estimadores de MV diferem dos estimadores de MQO.
17
Teste de Durbin-Watson
Estatstica do Teste:
Teste de Durbin-Watson
et = .e t 1 + t
d =
( et et 1 ) 2
1t
e2
Metodologia do Clculo
1. Rodar a regresso por MQO e obter os resduos Calcular d Para o dado tamanho da amostra e dado nmero de variveis explicativas, descobrir os valores crticos de dl e ds. Seguir ento as regras de deciso Para que Ho seja rejeitada devemos ter d no muito prximo de dois, pois isto significaria prximo de zero, j que d = 2(1-). Se estiver prximo de 1 teremos d 0 ou d 4. A distribuio da estatstica d tem a peculiaridade de produzir regies de indeterminao no teste de hipteses de tal forma que:
18
dL
dU
(4-dU) (4-dL)
Se 0 < d(calculado) < dL rejeita-se Ho havendo indcio de correlao positiva. Se dL < d(calculado) < dU ou 4-dU < d(calculado) < 4-dL indeterminao. Se dU < d(calculado) < 4-dU no se pode rejeitar Ho. Se 4-dL < d(calculado) < 4 rejeita-se Ho havendo indcio de correlao negativa.
Multicolinearidade
O termo multicolinearidade foi cunhado por Ragnar Frish. Significava, originalmente a existncia de uma perfeita (ou exata) relao linear entre algumas variveis explicativas de um modelo de regresso.
Fontes da multicolinearidade
Se a multicolinearidade perfeita, os coeficientes de regresso das variveis X so indeterminados e seus erros-padro so infinitos. Se a multicolinearidade menos perfeita, os coeficientes da regresso, embora determinados, possuem erros padro grandes (em relao aos prprios coeficientes), o que significa que os coeficientes no podem ser estimados com grande preciso ou exatido. Mtodo empregado para a coleta dos dados; Restries sobre o modelo ou a populao que est sendo amostrada; Especificao do modelo; Modelo sobredeterminado
19
Deteco da Multicolinearidade
Alto R2, porm com poucas razes t significativas; Altas correlaes dois a dois entre os regressores; Exame das correlaes parciais; Regresses Auxiliares (X = f(xi));
Medidas Corretivas
Informao a priori Combinao de dados de corte e sries temporais Eliminao de uma varivel (ou variveis) e vis de especificao
Erro de especificao
Erros de Especificao
Omisso ou Incluso
Omisso ou Incluso de varivel independente. Mudanas qualitativas nas independentes. Especificao incorreta da forma matemtica (variveis e erros). Adoo de Y = + X + no lugar de: y = + X + Z +
= Z + E( ) = E(Z + ) = E(Z) + E( ) = E(Z) 0
20
Efeitos
Tendenciosidade Consistncia
Intervalos de confiana para os estimadores de MQO o resultado menos preciso do que seria possvel sem a omisso.
Indcios de Omisso
Comportamento dos erros em mdia ou com respeito a variveis explicativas R2 muito baixo
Exemplo...
21
Erros de Especificao
Heteroscedasticidade
Heteroscedasticidade nunca foi um motivo para rejeitar um modelo que de outro modo seria bom. Mankiw
Mas tampouco ela deve ser ignorada! Gujarati
Qual a natureza da heterocedasticidade? Quais suas consequncias? Como a detectamos? Quais as suas medidas corretivas?
22
Razes da heteroscedasticidade
Modelos de aprendizagem do erro Renda discricionria Tcnica de coleta de dados Erros de especificao Outliers
Heteroscedasticidade
23
Deteco da Heteroscedasticidade
Natureza do Problema Mtodos grficos Mtodos formais
Teste de Park Teste de Goldfeld-Quandt
Teste de Goldfeld-Quandt
aplicvel se admitirmos que a varincia heteroscedstica se relaciona positivamente com uma das variveis explicativas no modelo de regresso.
Teste de Goldfeld-Quandt
1. Passo: Ordenar as observaes de acordo com os valores de Xi, comeando pelo valor mais baixo; 2. Passo: Omitir as observaes centrais c, em que c especificado a princpio, e dividir as (n-c) observaes restantes em dois grupos, cada um com (n-c)/2 observaes; 3. Ajustar as distintas regresses por MQO s primeiras e ltimas observaes. Deve-se obter as respectivas SQR Calcular a razo:
Medidas corretivas
Quando sigmai2 for conhecido: mtodo dos mnimos quadrados ponderados
24
Razes da defasagem
Razes Psicolgicas Razes Tecnolgicas Razes Institucionais
Sries Temporais
Time Serie
Varivel Cross-Section
Tempo
25
26
Sries Temporais
27
Sries Temporais
Regresso Espria
Variveis I(1) Uma pista, nem sempre eficaz, mas bastante utilizada para a deteco de regresses esprias a que faz a comparao entre os valores das estatsticas R2 e DW. Se for observado R2 > DW, desconfia-se de uma relao espria.
Cointegrao
A cointegrao significa que, mesmo sendo individualmente no-estacionrias, uma combinao linear entre duas ou mais sries temporais pode ser estacionria. Y I(1) e W I(1), mas .Y + .W I(0)
28
Sries Temporais
Modelos atericos Nos modelos de srie temporal do tipo BJ, Yt pode ser explicado por valores passados (ou defasados) do prprio Y e dos termos de erro estocsticos.
29
Etapa 2: Estimativa Estimao dos parmetros dos termos auto-regressivos e de mdia mvel includos no modelo.
Esse clculo pode ser realizado com mnimos quadrados simples.
Etapa 3: Checagem de diagnstico Depois de escolher um modelo ARIMA em particular, e estimar os seus parmetros, verifica-se se o modelo escolhido se ajusta aos dados.
Teste do modelo: Verificar se os resduos estimados desse modelo so rudos brancos.
Sries Temporais
Etapa 4: Previso
30
Identificao
Funo de Autocorrelao (FAC) Funo de Autocorrelao parcial (FACP)
Mede a correlao entre observaes que sejam k perodos afastados, depois de controlar quanto s correlaes nas defasagens intermedirias.
Correlogramas
Representaes grficas das FACs e FACPs
31
Sries Temporais
O teste de Causalidade desenvolvido por Granger um teste F, no qual a hiptese nula afirma que no h relao de causalidade entre as variveis testadas. Se for possvel afirmar estatisticamente que uma varivel X Granger causa uma varivel Y, ento valores defasados da varivel X influenciam o comportamento da varivel Y
Somente aps comprovao da existncia dessa relao entre as variveis, procede-se a estimao do modelo. Em seguida necessrio determinar o nmero de defasagens do VAR.
A determinao do nmero de defasagens realizada por meio de um teste assinttico, que consiste na comparao de modelos com ordens diferentes. A hiptese nula desse teste afirma que os modelos no possuem diferena, aceitando essa hiptese ento o modelo escolhido aquele que possui menor nmero de defasagens. Caso contrrio, rejeitando, deve-se optar pelo modelo com maior nmero de defasagens.
Outro teste importante para a identificao dos modelos conhecido como Exogeneidade de Bloco. Segundo Enders (2004), esse teste uma generalizao do teste causalidade de Granger, sendo til para decidir se uma varivel adicional deve ser incorporada ao modelo.
Conhecidas as variveis e a ordem do modelo, os parmetros so estimados. Calculados os parmetros do modelo, so estimadas a funo Impulso-Resposta e a Decomposio da Varincia
32
VEC
Um modelo VEC semelhante a um VAR, porm em todas as equaes do primeiro est contido um vetor de correo de erro, que, como sugere o nome, tem como objetivo corrigir as relaes de cointegrao
xt = i xt i + axt 1 + t
i =1
a) 1/2 < k < 1 b) k < 2/3 ou k > 1 c) k < 1/2 ou k > 1 d) 2/3 < k < 1 e) 1/2 < k < 2/3
33
Nmeros-ndice
Nmeros-ndice - Exerccios
34
Reviso
Anlise da Varincia
Anlise do Modelo como um todo grau de ajustamento. Modelo de Regresso: Y explicada por X, pelo menos em partes.
Pergunta: A proposio do Modelo est adequada?
O coeficiente de Determinao R2
R2 = SQE/SQT 0 R2 1.
Frmulas alternativas:
= .X + Y
Y MDIO
R 2 = 2.
X
2 (X i X ) 2 (Yi Y )
ou
R 2 = 2 ( X ,Y )
35
(N K )
Soma de Quadrados Graus de Liberdade K-1 N- K N- 1 Quadrados mdios SQE/(K-1) SQR/(N-K) SQT/(N-1) FOBSERVADO = [SQE/(N-1)]/[SQR/(N-K)] FTABELADO F-Snedecor p-valor
Fonte
Correes
Consequncias
A distribuio dos estimadores no poder ser garantida como normal. Os estimadores de MQO podem no ser assintoticamente eficiencientes.
= a 1 .Y 1+ a 2 .Y 2 + ..... + a N .Y N
Normalidade dos erros normalidade dos Yis normalidade dos Alm disso, possvel garantir a idependncia dos Yis. Normalidade MQP = MV
Correo
Para o formato da distribuio:
Tamanho da amostra
Teorema do Limite Central
Para a eficincia:
Natureza preventiva
Ao realizar testes de hipteses, com as frmulas de MQO, deve-se ter em mente que as varincias podem ser na realidade maiores do que as efetivamente calculadas. Ao rejeitar determinada Ho pede-se incorrer em erro, como conseqncia da subestimao da amplitude da rea de aceitao.
A C D E
36
Violao da Hiptese
Uma constante para todos os nveis da varivel independente, E() = K > 0. Uma funo da observao amostral, E() = f(i) 0.
Correo
Variveis instrumentais
Dificuldades:
A aplicao do mtodo depende de duas condies:
No ser correlacionado com o termo de erro; Ser correlacionado com a varivel independente do modelo.
Em notao matricial:
y = X .B +
y = [y1 y2 y3 , .... , yN-1 yN ] = vetor de observaes da varivel dependente = [1 2 3 , ... , K-1 , k] = vetor de parmetros a estimar = [1 2 3 , .... , N-1 N] = vetor de erros aleatrios X = [x1 x2 x3 , .... , xK-1 xK] = matriz de observaes das variveis independentes.
Os pressupostos do MRLM
Linearidade Os is tm distribuio normal E(i ) = 0 , para todo i = 1, 2, 3, ..., N. E[] = 2 I , sendo I a matriz identidade de ordem N.
Matriz de varincia-covarincia das perturbaes
Pressupostos adicionais
O nmero de observaes da amostra deve ser superior ao nmero de parmetros a estimar no modelo. Empregando-se as letras de praxe temos, N > K + 1.
As variveis Xis so do tipo no aleatrio. No h nenhuma relao linear exata entre as variveis X, ou seja, nenhuma multicolinearidade.
O posto de X P(x)=K, em que k menor que o nmero de observaes, n.
37
Reviso
quando os erros esto correlacionados, os estimadores de MQO permanecem no tendenciosos e consistentes, mas perdem sua eficincia relativa. Adicionalmente, a eficincia assinttica tambm perdida, pois os estimadores de MV diferem dos estimadores de MQO.
Teste de Durbin-Watson
Estatstica do Teste:
d =
( et et 1 ) 2
1t
e2
dL
dU
(4-dU) (4-dL)
38
Deteco da Multicolinearidade
Alto R2, porm com poucas razes t significativas; Altas correlaes dois a dois entre os regressores; Exame das correlaes parciais; Regresses Auxiliares (X = f(xi));
Medidas Corretivas
Informao a priori Combinao de dados de corte e sries temporais Eliminao de uma varivel (ou variveis) e vis de especificao
Erro de especificao
Indcios de Omisso
Comportamento dos erros em mdia ou com respeito a variveis explicativas R2 muito baixo
39
Deteco da Heteroscedasticidade
Natureza do Problema Mtodos grficos Mtodos formais
Teste de Park Teste de Goldfeld-Quandt
Teste de Goldfeld-Quandt
aplicvel se admitirmos que a varincia heteroscedstica se relaciona positivamente com uma das variveis explicativas no modelo de regresso.
Reviso
Regresso Espria
Uma srie temporal uma sucesso de dados aleatrios observados em perodos de tempo homogneos. A anlise das sries temporais permite que se realize previso de valores futuros (ex-ante) e passados (ex-post), atravs de mtodos que vo desde a extrapolao simples at o uso de modelos economtricos que consideram as caractersticas estocsticas da srie. Variveis I(1) Uma pista, nem sempre eficaz, mas bastante utilizada para a deteco de regresses esprias a que faz a comparao entre os valores das estatsticas R2 e DW. Se for observado R2 > DW, desconfia-se de uma relao espria.
40
Cointegrao
A cointegrao significa que, mesmo sendo individualmente no-estacionrias, uma combinao linear entre duas ou mais sries temporais pode ser estacionria. Y I(1) e W I(1), mas .Y + .W I(0)
A metodologia de Box-Jenkins
Etapa 1: Identificao Descobrir os valores apropriados de p, d e q.
Ajuda do correlograma
Etapa 2: Estimativa Estimao dos parmetros dos termos auto-regressivos e de mdia mvel includos no modelo.
Esse clculo pode ser realizado com mnimos quadrados simples.
41
O vetor autorregressivo
Etapa 3: Checagem de diagnstico Depois de escolher um modelo ARIMA em particular, e estimar os seus parmetros, verifica-se se o modelo escolhido se ajusta aos dados.
Teste do modelo: Verificar se os resduos estimados desse modelo so rudos brancos.
O VAR consiste em um sistema de equaes, em que cada uma das variveis que compem o sistema funo dos valores das demais variveis no presente, dos seus valores e dos valores das demais variveis defasadas no tempo, mais o termo de erro.
Etapa 4: Previso
VEC
Um modelo VEC semelhante a um VAR, porm em todas as equaes do primeiro est contido um vetor de correo de erro, que, como sugere o nome, tem como objetivo corrigir as relaes de cointegrao
xt = i xt i + axt 1 + t
i =1
42