You are on page 1of 42

ECONOMETRIA

Amanda Aires

Introduo
Aula 01

Edital Banco Central


ECONOMETRIA: 1. Regresso Simples e Regresso Mltipla. 2. Modelos de Variveis Defasadas. 3. Sries Temporais. 4. Vetor AutoRegressivo. 5. Processos Estocsticos, estacionaridade. 6. Cointegrao e correlao dos erros. 7. Mtodos de estimao. 8. Nmeros ndices Finanas, Estatstica, Contabilidade e Economia

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...

Mtodo dos Mnimos Quadrados Ordinrios (MQO)

Mtodo dos Mnimos Quadrados Ordinrios


Aula 03

Y * *

* * *

* *

Mtodo dos Mnimos Quadrados Ordinrios (MQO)


ei(, ) = Yi ( + .Xi). para todo i = 1, 2, 3, ...., N
O objetivo encontrar valores para os parmetros que reduzam a distncia entre o valor observado e a reta: N

Mtodo dos Mnimos Quadrados Ordinrios (MQO)

.x = ( y y ).( xi x ) e = y ( xi x ) 2

S ( , ) = [ yi ( + x1 )]
i =1

S ( , ) = [ yi ( + x1 )]2
i =1

Interpretao das equaes normais

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 esperana do erro deve ser 0 A covarincia entre ei e xi nula


Correlao nula

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.

Questo de Concurso Mtodo dos Mnimos Quadrados Ordinrios - Exerccios


Aula 04
(Analista do Banco Central, rea 3, 2006, FCC) Uma empresa, com a finalidade de determinar a relao entre os gastos anuais com propaganda (X), em R$ 1.000,00, e o lucro bruto anual (Y), em R$ 1 000,00, optou por utilizar o modelo linear simples Y = + X + em que Yi o valor do lucro bruto auferido no ano i, Xi o valor gasto com propaganda no ano i e o erro aleatrio com as respectivas hipteses consideradas para a regresso linear simples ( so parmetros desconhecidos). Considerou, para o estudo, as seguintes informaes referentes s observaes nos ltimos 10 anos da empresa:

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

Mtodo do Melhor Estimador Linear No Tendencioso (BLUE)

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

Mtodo da Mxima Verossimilhana (MV)


aK = ( xK x )
K =1

(x

x )2

( xK x ) = BlUE = ai Yi = . Yi . N MQO 2 (xK x)


K =1

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.

2 2 ) = Var ( YK g K ) = g K Var ( Var (YK ) = 2 g K K =1 K =1 K =1

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

Da aula anterior... ) = 2 X /[ ( x x ) 2 , Cov ( i

Interpretao grfica da covarincia


Y

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.

Erros aleatrios x erros estimados

.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

Conhecidas as distribuies dos estimadores:

Inferncia sobre o Modelo de Regresso Linear Simples


Aula 07

Intervalos de Confiana Testes de Hipteses

Anlise dos Resultados


Parmetros Estimativas * * Desvio-Padro DP(*) DP( *) t-Student t = */DP(*) t = */DP( *) p-Valor P(|t|> t ) P(|t|> t )

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

Coeficientes Interseo Varivel X 1 788.298967 -0.580847174

Erro padro 37.72147444 0.216517605

Stat t 20.8978832 -2.682678732

valor-P 7.81864E-07 0.036405967

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.

Anlise da Varincia Inferncia sobre o Modelo de Regresso Linear Simples


Aula 08 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?

Decomposio do Modelo Amostral


Y
*

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

SQT = SQE + SQR Caso Y no seja afetado por variaes de X...

O coeficiente de Determinao R2
R2 = SQE/SQT 0 R2 1.
Frmulas alternativas:
2 (X i X ) R = . 2 (Yi Y ) 2 2

Teste de Aderncia do Modelo


SQE SQR ( K 1) ~ F Snedecor

(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

Equao Resduos Total

SQE SQR SQT

Hipteses de Teste
Ho: X no capaz de explicar Y Ha: X explica parte significativa de Y

Violaes dos pressupostos bsicos do MRLS


Aula 09

As hipteses fortes do modelo


Mdias nulas Covarincias nulas Varincias constantes

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.

Sequncia para estudo das violaes


Diagnstico Consequncias
Homocedasticidade Se os pressupostos do modelo no forem atendidos, as propriedades desejadas dos estimadores de MQO no so verificadas.
BLUE e MV dependem dos pressupostos

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

Reconstruo dos pressupostos originais do modelo.


Introduo de novas variveis. Alterao das variveis existentes.

Violao da Normalidade dos Erros


Os estimadores podero ser escritos como uma combinao linear das observaes da varivel dependente:

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

Violaes dos pressupostos bsicos do MRLS


Aula 10

Violao da Mdia Nula dos Erros


A hiptese da mdia nula dos erros diz que a reta de regresso passa pelos pontos mdios de Y para cada valor dado de X.

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

Violao da varivel independente estocstica


Se X for estocstica, os estimadores de MQO sero no tendenciosos. Se a varivel dependente estiver correlacionada com o erro, os estimadores de MQO sero tendenciosos e inconsistentes.
Dificuldades:

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.

Questo de Concurso Modelos de Regresso Linear Mltipla


Aula 11
(Analista do Banco Central, rea 3, 2006, FCC) Uma empresa, com a finalidade de determinar a relao entre os gastos anuais em pesquisa e desenvolvimento (X), em milhares de reais, e o acrscimo anual nas vendas (Y), tambm em milhares de reais, optou por utilizar o modelo + X + em que Yi o acrscimo nas linear simples Y = , vendas no ano i, Xi o valor gasto em pesquisa e desenvolvimento no ano i e ei o erro aleatrio com as respectivas hipteses consideradas para a regresso linear simples (alfa e beta so parmetros desconhecidos). Considerou para o estudo as seguintes informaes referentes s observaes nos ltimos 10 anos da empresa:

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.

Modelo de Regresso Linear Mltipla


Yi = 0 + 1 Xi1 + 2 Xi2 + .... + j Xij + ... + k XiK + I

Modelos de Regresso Linear Mltipla


Aula 12

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

x1 K 1 1 x2K 2 2 . + ..... .... .... x NK K N

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.

Modelos de Regresso Linear Mltipla


Aula 13

Clculo do coeficiente B

O significado dos coeficientes de Regresso Parcial


Cada coeficiente mede a mudana no valor mdio de Y mantendo as demais variveis em valores constantes.

14

A matriz de varincia-covarincia de B

Propriedade do vetor de MQO de B


Os estimadores de MQO so os melhores estimadores lineares no viesados.

Teste de hiptese sobre os coeficientes de Regresso Individual na Notao Matricial

Testando a significncia global da Regresso: Anlise de Varincia na Notao Matricial

Modelos de Regresso Linear Mltipla - Exerccios


Aula 14

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

Autocorrelao dos erros


Aula 15 E(K J ) 0, para algum i j

Erros auto regressivos de primeira ordem


A prtica a presena de auto correlao dos erros pode ter como origem fatores de comportamento cclico ou de tendncia no captados pelo modelo, atravs da forma funcional ou das variveis includas. Ento, a ineficincia do modelo pode estar relacionada a:
Omisso de varivel relevante M especificao da forma funcional Manipulao prvia dos dados

(X+2 , X ) > (X+10 , X )

E ( K , K + S ) = 2

K = . K 1 +

Conseqncias sobre os estimadores de MQO


MQO =

( 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

Evidncias da auto correlao serial


Se a correlao entre os erros for discreta as estimativas de BLUE e de MV sero pouco afetadas, tornando aceitvel a aplicao de MQO.

Autocorrelao dos erros

Teste de Durbin-Watson
Estatstica do Teste:

Teste de Durbin-Watson
et = .e t 1 + t

d =

( et et 1 ) 2

As hipteses formuladas no teste de DurbinWatson so as seguintes: Ho : = 0 contra Ha : 0

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

Consequncias prticas da multicolinearidade


Apesar de serem MELNV, os estimadores de MQO tm grandes varincias e covarincias, dificultando uma estimativa precisa; Em virtude da consequncia 1, os intervalos de confiana tendem a ser maiores, resultando na aceitao da hiptese Ho mais prontamente; Tambm por causa da consequncia 1, a razo t de um ou mais coeficientes tende a ser estatisticamente insignificante; Embora a razo t de um ou mais coeficientes seja estatisticamente insignificante, R2, a medida global do grau de ajuste, pode ser bastante alto; Os estimadores de MQO e seus erros-padro podem ser sensveis a pequenas variaes nos dados.
Isto , o verdadeiro coeficiente na populao zero

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

Transformao das variveis

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...

Incluso de Varivel Irrelevante


Adoo de Y = + X + Z + Quando... Y = + X +

Mudanas Qualitativas Erros de Especificao


Alteraes de padro ou mudanas na qualidade Exemplo:
Y = + X + Z +

21

Especificao Incorreta da Forma Funcional


Modelos Intrinsecamente Lineares

Erros de Especificao

Modelo log-log Modelo lin-log Modelo log-lin Modelo Recproco

lnY = + .lnX + Y = + .lnX + lny = + .X + Y = = + .(1/X) +

Modelos Intrinsecamente No Lineares


Y = X .Z . vs Y = X .Z +
Estimao por MV

Modelos com Variveis Qualitativas


A adio da varivel Dummy
Gnero Guerra x paz Partidos polticos

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

Estimativa por MQO na presena de heteroscedasticidade


Os estimadores calculados atravs do mtodo de MQO no so os melhores e a varincia no mnima, embora sejam no viesados

Mtodo dos Mnimos Quadrados Generalizados (MQG)


Esse mtodo leva em considerao a informao a respeito da variabilidade desigual da varivel dependente e, portanto, capaz de produzir estimadores que sejam MELNV.

Consequncias do uso de MQO na presena de heteroscedasticidade


Estimativa levando em considerao a heteroscedasticidade
No se pode estabelecer IC e TH com os testes t e F usuais.

Heteroscedasticidade

Estimativa de MQO desconsiderando a heteroscedasticidade


Estimador da varincia ser viesado
Em suma, se insistirmos em utilizar os procedimentos de testes usuais, apesar da heteroscedasticidade, sejam quais forem as concluses a que chegarmos ou as inferncias que fizermos, elas podem ser bastante enganosas.

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

Modelos de variveis defasadas

O papel do tempo na economia

24

Razes da defasagem
Razes Psicolgicas Razes Tecnolgicas Razes Institucionais

Modelos de variveis defasadas

Estimativas de Modelos Autoregressivos


Ad-hoc Kyock Expectativa Adaptativa Ajustamento parcial O mtodo dos mnimos quadrados clssicos podem no ser diretamente aplicveis a eles. Devido a presena de variveis explicativas estocsticas e a possibilidade de correlao serial.

Sries Temporais x Cross Sections


R enda

Sries Temporais

Time Serie

Varivel Cross-Section

Tempo

25

Modelos de Tendncia Determinstica


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.

26

Critrio de escolha do modelo


Um critrio utilizado para escolher o melhor modelo de previso o erro quadrtico mdio da Previso (EQM), dado pelo seguinte clculo:

Sries Temporais

Processo estocstico estacionrio


Dados de uma srie temporal podem ser pensados como sendo gerados por um processo estocstico ou aleatrio.
Grosso modo, diz-se que um processo estocstico estacionrio se suas mdia e varincia forem constantes ao longo do tempo e o valor da covarincia entre dois perodos de tempo depender apenas da distncia ou defasagem entre os dois perodos, e no do perodo de tempo efetivo em que a covarincia calculada.

Teste de estacionaridade com base no correlograma


Funo autocorrelao (FAC)

27

O teste da raiz unitria para detectar estacionariedade


Quando o coeficiente de autocorrelao tem valor considervel mesmo com alto grau de defasagem, tem-se que esse tipo de padro geralmente um indicador de que a srie temporal no estacionria. Em contraste, se um processo estocstico for puramente aleatrio, sua autocorrelao a qualquer defasagem maior que zero zero. Yt = Yt-1 + ut

Processos Estocsticos de Tendncia Estacionria


Uma srie temporal de TE possui uma tendncia determinstica. O teste DF pode ser aplicado para verificar se uma srie temporal de TE.

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

Abordagem da previso econmica Sries Temporais


1. Como modelamos uma srie temporal estacionria? 2. Como usamos o modelo ajustado para fins de previso?

Abordagens da previso econmica


1. Modelos de regresso de equao nica; 2. Modelos de regresso de equao simultneas; 3. Modelos auto-regressivos integrados de mdia mvel (ARIMA);
Perde fora Funo demanda por automveis

Sries Temporais

4. Modelos de auto-regresso vetorial (VAR)


Inexistem variveis exgenas no modelo

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.

Modelagem AR, MA e ARIMA


Um processo auto-regressivo (AR)

Modelagem AR, MA e ARIMA


Um processo de Mdia Mvel (MA)
Combinao linear dos termos de erro rudo branco.

29

Modelagem AR, MA e ARIMA


Um processo auto-regressivo e de mdia mvel (ARMA)

Modelagem AR, MA e ARIMA


Um processo auto-regressivo integrado e de mdia mvel (ARIMA)

A metodologia de Box-Jenkins Sries Temporais


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.

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.

Estimativa do Modelo ARIMA Checagem do diagnstico Previso

Correlogramas
Representaes grficas das FACs e FACPs

O vetor autorregressivo Sries Temporais


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.

VAR reduzido de primeira ordem


A partir de algumas operaes matemticas, o modelo VAR pode ser transformado de modo que, nas equaes, os valores do presente deixam de constar como variveis explicativas. Esta a forma conhecida como VAR reduzido Segundo Enders (2004), essa transformao necessria, pois no possvel estimar o modelo em sua forma primitiva. A razo que os valores presentes das variveis do sistema so correlacionados com os termos de erro das equaes. Assim, para encontrar o VAR primitivo, preciso estimar a forma reduzida.
y m a a y1,t 1 1t y t = 1t = 1 + 11 12 + = m + Ay t 1 + t y 2 t m2 a 21 a 22 y 2 ,t 1 2 t

y1t = m1 + a11 y1,t 1 + a12 y 2 ,t 1 + 1t y 2t = m 2 + a 21 y1,t 1 + a 22 y 2,t 1 + 2t

Como sistema de equaes:

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

No caso da presena de cointegrao:


Utilizando a funo de impulso-resposta, possvel perceber como uma variao ocorrida em uma das variveis do sistema repercute nas demais em um determinado horizonte de tempo. J a decomposio da varincia, revela a proporo da varincia do erro de previso para uma das variveis que se deve a ela mesma, e s demais O modelo VAR no o mtodo mais indicado para a anlise das sries, pois seus resultados seriam estatisticamente inconsistentes. Nesses casos, deve-se usar o mtodo dos Vetores com Correo de Erro (VEC)

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

Sries Temporais Exerccios 1

xt = i xt i + axt 1 + t
i =1

Bacen, rea 3, 2006, FCC


14. Seja um modelo auto-regressivo de ordem 1, ou AR(1), em que caracteriza o processo conhecido como rudo branco: Sabendo-se que , sendo k um nmero real, e tambm que a srie yt estacionria, tem-se que:

Bacen, rea 2, 2010, Cesgranrio

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

Bacen, rea 2, 2010, Cesgranrio


Sobre sries temporais, analise as proposies a seguir. I - Se um processo MA(1) for estacionrio, ele pode ser representado como um processo autorregressivo (AR) de ordem infinita. II - Se um processo AR(1) for estacionrio, ele pode ser representado por um processo de mdias mveis (MA) de ordem infinita. III - Uma srie de tempo um conjunto ordenado de variveis aleatrias, isto , um processo estocstico, portanto uma srie de tempo y(t) pode ser representada pela funo de densidade conjunta dos yt (t = 1, 2, ... n); assim, trabalhar com uma srie de tempo inferir sobre o processo estocstico com uma nica realizao desse processo. (So) correta(s) a(s) proposio(es) (A) I, apenas. (B) I e II, apenas. (C) I e III, apenas. (D) II e III, apenas. (E) I, II e III.

Sries Temporais Exerccios 2

Nmeros-ndice

Las Peyres Paasche

Nmeros-ndice - Exerccios

34

Bacen, rea 2, 2010, Cesgranrio


Analise as afirmaes abaixo sobre nmeros ndices. I - A importncia dos nmeros ndices reside na possibilidade que esse instrumento oferece de se agregarem quantidades heterogneas, bem como de separar variaes de preos das de quantidades implcitas nas variaes de valor. II - Todo nmero ndice arbitrrio, uma vez que o sistema de ponderao usado em sua construo, ainda que adequado ao objetivo do ndice, decorre da escolha de seu criador. III - Nmeros ndices servem para transportar valores ao longo do tempo. 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.

Reviso

Anlise dos Resultados


Parmetros Estimativas * * Desvio-Padro DP(*) DP( *) t-Student t = */DP(*) t = */DP( *) p-Valor P(|t|> t ) P(|t|> t )

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?

Coeficientes Interseo Varivel X 1 788.298967 -0.580847174

Erro padro 37.72147444 0.216517605

Stat t 20.8978832 -2.682678732

valor-P 7.81864E-07 0.036405967

Decomposio do Modelo Amostral


Y
*

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 )

Caso Y no seja afetado por variaes de X...

35

Teste de Aderncia do Modelo


SQE SQR ( K 1) ~ F Snedecor

Sequncia para estudo das violaes


Diagnstico Consequncias
Homocedasticidade Se os pressupostos do modelo no forem atendidos, as propriedades desejadas dos estimadores de MQO no so verificadas.
BLUE e MV dependem dos pressupostos

(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

Equao Resduos Total

SQE SQR SQT

Correes

Reconstruo dos pressupostos originais do modelo.


Introduo de novas variveis. Alterao das variveis existentes.

Violao da Normalidade dos Erros


Os estimadores podero ser escritos como uma combinao linear das observaes da varivel dependente:

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

Violao da Mdia Nula dos Erros


A hiptese da mdia nula dos erros diz que a reta de regresso passa pelos pontos mdios de Y para cada valor dado de X.

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.

Violao da varivel independente estocstica


Se X for estocstica, os estimadores de MQO sero no tendenciosos. Se a varivel dependente estiver correlacionada com o erro, os estimadores de MQO sero tendenciosos e inconsistentes.

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.

Modelo de Regresso Linear Mltipla


Yi = 0 + 1 Xi1 + 2 Xi2 + .... + j Xij + ... + k XiK + I

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

Conseqncias sobre os estimadores de MQO

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.

Evidncias da auto correlao serial


Se a correlao entre os erros for discreta as estimativas de BLUE e de MV sero pouco afetadas, tornando aceitvel a aplicao de MQO.

Teste de Durbin-Watson
Estatstica do Teste:

d =

( et et 1 ) 2

1t

e2

Consequncias prticas da multicolinearidade


Apesar de serem MELNV, os estimadores de MQO tm grandes varincias e covarincias, dificultando uma estimativa precisa; Em virtude da consequncia 1, os intervalos de confiana tendem a ser maiores, resultando na aceitao da hiptese Ho mais prontamente; Tambm por causa da consequncia 1, a razo t de um ou mais coeficientes tende a ser estatisticamente insignificante; Embora a razo t de um ou mais coeficientes seja estatisticamente insignificante, R2, a medida global do grau de ajuste, pode ser bastante alto; Os estimadores de MQO e seus erros-padro podem ser sensveis a pequenas variaes nos dados.
Isto , o verdadeiro coeficiente na populao zero

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

Transformao das variveis

Indcios de Omisso
Comportamento dos erros em mdia ou com respeito a variveis explicativas R2 muito baixo

Modelos com Variveis Qualitativas


A adio da varivel Dummy
Gnero Guerra x paz Partidos polticos

Estimativa por MQO na presena de heteroscedasticidade


Os estimadores calculados atravs do mtodo de MQO no so os melhores e a varincia no mnima, embora sejam no viesados

Mtodo dos Mnimos Quadrados Generalizados (MQG)


Esse mtodo leva em considerao a informao a respeito da variabilidade desigual da varivel dependente e, portanto, capaz de produzir estimadores que sejam MELNV.

39

Consequncias do uso de MQO na presena de heteroscedasticidade


Estimativa levando em considerao a heteroscedasticidade
No se pode estabelecer IC e TH com os testes t e F usuais.

Deteco da Heteroscedasticidade
Natureza do Problema Mtodos grficos Mtodos formais
Teste de Park Teste de Goldfeld-Quandt

Estimativa de MQO desconsiderando a heteroscedasticidade


Estimador da varincia ser viesado
Em suma, se insistirmos em utilizar os procedimentos de testes usuais, apesar da heteroscedasticidade, sejam quais forem as concluses a que chegarmos ou as inferncias que fizermos, elas podem ser bastante enganosas.

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)

Modelagem AR, MA e ARIMA


Um processo auto-regressivo (AR)

Modelagem AR, MA e ARIMA


Um processo de Mdia Mvel (MA)
Combinao linear dos termos de erro rudo branco.

Modelagem AR, MA e ARIMA


Um processo auto-regressivo e de mdia mvel (ARMA)

Modelagem AR, MA e ARIMA


Um processo auto-regressivo integrado e de mdia mvel (ARIMA)

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

VAR reduzido de primeira ordem


y m a a y1,t 1 1t y t = 1t = 1 + 11 12 + = m + Ay t 1 + t y 2 t m2 a 21 a 22 y 2 ,t 1 2 t

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

y1t = m1 + a11 y1,t 1 + a12 y 2 ,t 1 + 1t y 2t = m 2 + a 21 y1,t 1 + a 22 y 2,t 1 + 2t

Como sistema de equaes:

xt = i xt i + axt 1 + t
i =1

42

You might also like