Professional Documents
Culture Documents
Amanda Aires
Introduo
Aula 01
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...
Y * *
* * *
* *
S ( , ) = [ yi ( + x1 )]
i =1 N
S ( , ) = [ yi ( + x1 )]2
i =1
( y y ).( x x ) (x x)
i 2 i
.x = y e
ei = 0 e
i =1
e .x
i =1 i
=0
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.
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
) = a + a X = E( K K K
=0 e
XK = 1
12
aK =
( xK x )
(x
K =1
x )2
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.
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
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.
. 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
21
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
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
.X = + Y
YMDIO
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
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 )
(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
26
Hipteses de Teste
Ho: X no capaz de explicar Y Ha: X explica parte significativa de Y
27
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
Correes
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
= 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
31
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
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
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
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
x1 K 1 x 2 K 1 ........ x N K 1
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.
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.
41
Clculo do coeficiente B
42
A matriz de varincia-covarincia de B
43
44
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
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
E ( K , K + S ) = 2
K = . K 1 +
50
MQO =
( y * y*) x * ( x * x*)
K K
51
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
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
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
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...
62
Erros de Especificao
Mudanas Qualitativas
Alteraes de padro ou mudanas na qualidade Exemplo:
Y = + X + Z +
63
Erros de Especificao
64
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
68
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
72
Razes da defasagem
Razes Psicolgicas Razes Tecnolgicas Razes Institucionais
73
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
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.
76
77
78
79
Sries Temporais
80
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.
82
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
85
Sries Temporais
86
87
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
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.
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
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
98
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
99
100
Nmeros-ndice
101
Nmeros-ndice - Exerccios
102
Reviso
103
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
.X = + Y
YMDIO
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
(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
106
= 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
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.
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.
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.
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
112
Teste de Durbin-Watson
Estatstica do Teste:
d =
( et et 1 ) 2
1t
e2
113
dL
dU
(4-dU) (4-dL)
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
115
Indcios de Omisso
Comportamento dos erros em mdia ou com respeito a variveis explicativas R2 muito baixo
116
117
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)
121
122
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
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