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?

 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

Metodologia da Econometria
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

Aula 03

Mtodo dos Mnimos Quadrados Ordinrios (MQO)

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

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

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

Mtodo dos Mnimos Quadrados Ordinrios (MQO)

( y y ).( x x ) (x x)
i 2 i

.x = y e

Interpretao das equaes normais

ei = 0 e
i =1

e .x
i =1 i

=0

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

Correlao nula

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)

Pressupostos do MRLS
Pressupostos do MRLS ~ Normal para todos os nveis de X. E[/X] = 0 E[2/X] = 2 = constante
homocedasticidade

A reta de regresso passa pelos pontos mdios de Y para cada valor fixado de X.

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.

Mtodo dos Mnimos Quadrados Ordinrios - Exerccios

Aula 04

Questo de Concurso
(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:

10

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

11

Mtodos de Estimao
Aula 05

Mtodo do Melhor Estimador Linear No Tendencioso (BLUE)

= 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

12

aK =

( xK x )

(x
K =1

x )2

( xK x ) = MQO BlUE = aiYi = . Yi . N 2 ( x x ) K

K =1

Mtodo da Mxima Verossimilhana (MV)

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.

13

 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 ) = ii i N MV 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).

14

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.

N . X = ( YK X w Y ) = ( Y [ 1 X w ]) = Y g =Y N K K K N K K K K 1

Onde
gK =

1 XwK N

15

 se os Yis forem normais independentes podemos concluir que ^ tambm normalmente distribudo.

) = Var ( YK g K ) = g Var (YK ) = Var (

K =1 K =1 2 K

g
K =1

2 K

) = 2[ Var (

1 X2 + ] N ( X K X )2

A distribuio:
1 X2 ~ N ( , [ + ]) N ( X K X )2
2

16

 ) = 2 X /[ ( x x ) 2 , Cov( i

Mtodos de Estimao
Aula 06

17

Da aula anterior...

) = 2 X /[ ( x x ) 2 , Cov( i

Interpretao grfica da covarincia

Y

XMD1

XMD2

18

 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

Observaes importantes:
A reta de regresso estimada sempre passa pelo ponto (XMDIO , YMDIO). Substituindo este ponto na reta estimada chega-se a:
. X Calculado em ( X .X .X K = + + =Y Y ,Y )Y = K MDIO MDIO

19

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 = YK ( + . X K ) e eK = Y K 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

20

Inferncia sobre o Modelo de Regresso Linear Simples

Aula 07

Conhecidas as distribuies dos estimadores:

Intervalos de Confiana Testes de Hipteses

21

Anlise dos Resultados

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

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

T-student
2 X ~ N (0,1) e Y ~ N

X ~ t Student Y N
*

* ~ N ( ,

2 ) ( xi x ) 2

[ ( x

x)

2 1/ 2

~ t Student

A expresso colocada na terceira linha e quarta coluna da tabela ltima s ter de fato distribuio t-Student se = 0.

22

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.

23

Inferncia sobre o Modelo de Regresso Linear Simples

Aula 08

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?

24

Decomposio do Modelo Amostral

Y
*

.X = + Y

YMDIO

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

Em termos analticos
Y ) + (Y Y ) YK Y = (Y K K K

K =1

(Y K Y ) 2 =

K =1

Y )2 + (Y K

(Y
K =1

)2 Y K

SQT = SQE + SQR

25

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

ou

R 2 = 2 ( X ,Y )

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

Equao Resduos Total

SQE SQR SQT

26

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

27

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
homocedasticidade

A reta de regresso passa pelos pontos mdios de Y para cada valor fixado de X.

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.

28

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

Correes

Reconstruo dos pressupostos originais do modelo.

Introduo de novas variveis. Alterao das variveis existentes.

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

29

Violao da Normalidade dos Erros

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

= 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

Consequncias
A distribuio dos estimadores no poder ser garantida como normal. Os estimadores de MQO podem no ser assintoticamente eficiencientes.

30

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

31

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.

32

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

X)

=+

(X X ) (X X )
K K 2 K

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

E() = f(i) 0
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.

33

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.

34

Modelos de Regresso Linear Mltipla

Aula 11

Questo de Concurso
(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:

35

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.

36

Matrizes e Determinantes
Aula 11

Definies
Matriz
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,

37

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.

38

Modelos de Regresso Linear Mltipla

Aula 12

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.

39

x11 y1 x 21 y2 = .... .... xN1 yN

x12 ......... x 22 . ........ .......... ..... x N 2 .. .......

x1 K 1 x 2 K 1 ........ x N K 1

1 1 x2 K 2 . + 2 ..... .... .... x NK K N x1 K

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

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.

40

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

41

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.

42

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.

43

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

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

44

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

45

 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.

46

 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.

47

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.

48

Autocorrelao dos erros

Aula 15

E(K J ) 0, para algum i j

49

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

Erros auto regressivos de primeira ordem

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

E ( K , K + S ) = 2

K = . K 1 +

50

 MQO =

( y * y*) x * ( x * x*)
K K

Conseqncias sobre os estimadores de MQO

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.

51

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

52

Teste de Durbin-Watson
Estatstica do Teste:

d =

( et et 1 ) 2

1t

e2

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

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

53

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:

54

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.

55

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.

56

 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.

Fontes da multicolinearidade
Mtodo empregado para a coleta dos dados; Restries sobre o modelo ou a populao que est sendo amostrada; Especificao do modelo; Modelo sobredeterminado

57

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));

58

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

Erros de Especificao

59

 Omisso ou Incluso de varivel independente. Mudanas qualitativas nas independentes. Especificao incorreta da forma matemtica (variveis e erros).

Omisso ou Incluso
Adoo de Y = + X + no lugar de: y = + X + Z +
= Z + E() = E(Z + ) = E(Z) + E() = E(Z) 0

60

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

61

Exemplo...

Incluso de Varivel Irrelevante

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

62

Erros de Especificao

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

63

Erros de Especificao

Especificao Incorreta da Forma Funcional

Modelos Intrinsecamente Lineares
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

64

Modelos com Variveis Qualitativas

A adio da varivel Dummy
Gnero Guerra x paz Partidos polticos

Heteroscedasticidade

65

 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?

66

Razes da heteroscedasticidade
Modelos de aprendizagem do erro Renda discricionria Tcnica de coleta de dados Erros de especificao Outliers

67

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.

68

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.

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.

Heteroscedasticidade

69

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.

70

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

71

Modelos de variveis defasadas

O papel do tempo na economia

72

Razes da defasagem
Razes Psicolgicas Razes Tecnolgicas Razes Institucionais

Modelos de variveis defasadas

73

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.

74

Sries Temporais

Sries Temporais x Cross Sections

R enda

Time Serie

Varivel Cross-Section

Tempo

75

 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.

Modelos de Tendncia Determinstica

76

77

78

79

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

80

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)

81

 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.

O teste da raiz unitria para detectar estacionariedade

Yt = Yt-1 + ut

82

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

83

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)

84

Sries Temporais

Abordagem da previso econmica

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

85

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);
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. Inexistem variveis exgenas no modelo Perde fora Funo demanda por automveis

4. Modelos de auto-regresso vetorial (VAR)

Sries Temporais

86

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.

87

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)

88

Sries Temporais

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.

89

 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.

Etapa 4: Previso

Sries Temporais

90

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

Estimativa do Modelo ARIMA Checagem do diagnstico Previso

91

Sries Temporais

O vetor autorregressivo
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.

92

 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.

VAR reduzido de primeira ordem

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

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:

93

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

94

 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.

95

 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

96

 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

No caso da presena de cointegrao:

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)

97

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

Sries Temporais Exerccios 1

98

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:

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

Bacen, rea 2, 2010, Cesgranrio

99

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.

100

Sries Temporais Exerccios 2

Nmeros-ndice

101

 Las Peyres Paasche

Nmeros-ndice - Exerccios

102

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

103

Anlise dos Resultados

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

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

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?

104

Decomposio do Modelo Amostral

Y
*

.X = + Y

YMDIO

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

ou

R 2 = 2 ( X ,Y )

105

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

Equao Resduos Total

SQE SQR SQT

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

Correes

Reconstruo dos pressupostos originais do modelo.

Introduo de novas variveis. Alterao das variveis existentes.

106

Violao da Normalidade dos Erros

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

= 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

Consequncias
A distribuio dos estimadores no poder ser garantida como normal. Os estimadores de MQO podem no ser assintoticamente eficiencientes.

107

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 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.

108

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.

109

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.

110

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

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.

111

Reviso

Conseqncias sobre os estimadores de MQO

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.

112

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

113

dL

dU

(4-dU) (4-dL)

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

114

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

115

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

116

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.

117

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.

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.

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

118

Teste de Goldfeld-Quandt
aplicvel se admitirmos que a varincia heteroscedstica se relaciona positivamente com uma das variveis explicativas no modelo de regresso.

Reviso

119

 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.

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.

120

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)

121

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)

122

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.

123

 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.

Etapa 4: Previso

O vetor autorregressivo
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.

124

VAR reduzido de primeira ordem

y1t m a a y1,t 1 1t y t = = 1 + 11 12 + = m + Ay t 1 + t y 2t m2 a 21 a 22 y 2,t 1 2t

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:

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

125