Вы находитесь на странице: 1из 108

ECONOMETRIA

Prof. Victor Azambuja Gama


Nenhuma parte deste material poder ser reproduzida para
fins comerciais. Este material foi desenvolvido com o propsito
de auxiliar as aulas da disciplina de Econometria do curso de
Cincias Econmicas da Universidade Estadual de Mato
Grosso do Sul (UEMS).
EMENTA
Anlise de Regresso (com duas variveis, com regresso
mltipla);
O modelo clssico de regresso linear e suas hipteses
bsicas;
Estimadores de mnimos quadrados ordinrios e suas
propriedades;
Intervalos de confiana e teste de hipteses;
Regresso com variveis dummy;

Regresso com variveis binrias;


Violao das hipteses bsicas do modelo clssico de
regresso linear: testes de diagnstico e procedimentos de
correo;
Modelos auto-regressivos e de defasagens distribudas;
Modelos de equaes simultneas;
Introduo a modelos de sries de tempo: Modelos
OBJETIVOS

Demonstrar ao aluno as tcnicas e


mtodos economtricos bsicos,
capacitando-o a entender e analisar
trabalhos empricos na rea de economia.
Possibilitando a utilizao deste
instrumental em anlises econmicas e no
prprio trabalho de concluso de curso.
Captulo 1
Uma Introduo Econometria
1.1 Por que se estuda Econometria?

Econometria: um conjunto de ferramentas de pesquisa;

Econometria, resultado de um certo ponto de vista sobre o papel da


economia, consiste na aplicao da estatstica matemtica aos dados
econmicos para dar suporte aos modelos construdos pela economia
matemtica e para obter resultados numricos (TINTNER, 1968).

[] econometria pode ser definida como a anlise quantitativa de


fenmenos concretos, baseada no desenvolvimento simultneo de teoria
e observao, relacionadas por mtodos de inferncia adequados
(SAMUELSON, KOOPMANS E STONE, 1954).

Econometria pode ser definida como a cincia social na qual as


ferramenta da teoria econmica, matemtica e inferncia estatstica
so aplicadas anlise dos fenmenos econmicos (GOLDBERG,
1964).
1.1 Por que se estuda Econometria?

A econometria se ocupa da determinao


emprica das leis econmicas (THEIL, 1971).

A arte do econometrista consiste em achar o


conjunto de hipteses que sejam tanto
suficientemente especficas quanto realistas, para
lhe permitir tirar o mximo de proveito possvel
dos dados a sua disposiao (MALINVAUD, 1966).
1.1 Por que se estuda Econometria?

Quais disciplinas empregam a


econometria?
- Contabilidade;
- Finanas;
- Marketing;
- Sociologia;
- Cincia poltica.

Porque estudar econometria?

Economista terico X Anlise emprica


1.1 Por que se estuda Econometria?

A econometria se ocupa da determinao


emprica das leis econmicas (THEIL, 1971).

A arte do econometrista consiste em achar o


conjunto de hipteses que sejam tanto
suficientemente especficas quanto realistas, para
lhe permitir tirar o mximo de proveito possvel
dos dados a sua disposiao (MALINVAUD, 1966).
1.2 O que Econometria?

As relaes entre variveis econmicas, so expressas pelas


funes;

Por exemplo, para expressarmos uma relao entre renda i e


consumo c, podemos escrever
c f (i )
A demanda para um bem individual, digamos um carro Renault
Clio, pode ser expressa como
q d f ( p, p s , p c , i )

A quantidade demandada de Clios, qd, uma funo de quais


variveis? :
1.2 O que Econometria?

A oferta de um bem agrcola como a carne bovina pode


ser escrita como:
q f ( p, p , p )
s c f

OBS: Econometria diz respeito a como ns podemos


utilizar a teoria econmica, as teorias da administrao ou
da cincia social e dados, junto com as ferramentas da
estatstica, para responder questes do tipo quanto.
1.2.1 Alguns Exemplos

Uma questo enfrentada pelo presidente do Banco Central


Quanto ns deveramos aumentar a taxa de redesconto para
segurar a inflao e ainda manter uma economia estvel e em
crescimento?

A resposta depender da reao das firmas e dos indivduos


ao crescimento da taxa de juros e dos efeitos da reduo
dos investimentos no produto interno bruto;

As elasticidades e os multiplicadores so chamados de


parmetros. Os valores dos parmetros econmicos no so
conhecidos e precisam ser estimados utilizando uma amostra
de dados econmicos quando formuladas as polticas
econmicas.
1.2.1 Alguns Exemplos

Em que consiste a econometria?


a) Como melhor estimar os parmetros
econmicos.
b) Dadas as informaes que possumos.

Qual a importncia da econometria?


R: Erros nas estimaes utilizadas pelos
formuladores de polticas, podem levar
a correes muito altas ou muito baixas
na taxa de juros;
1.2.1 Alguns Exemplos

Outros exemplos:

a) Um conselho municipal avalia quanto a violncia ser reduzida se um


milho de reais adicionais forem gastos no enfardamento da polcia na
rua.

b) Como questes de um candidato presidencial do tipo: quantos


eleitores adicionais de So Paulo votaro em mim se for gasto um
milho de reais a mais em propaganda no estado?

c) O dono de uma franquia da Pizza Hut precisa decidir quanto de


espao de propaganda no jornal local precisa comprar. Assim, ele
precisa estimar a relao entre propaganda e vendas.

d) Uma universidade precisa estimar quanto as matrculas cairo se a


taxa for elevada para $100 por semestre e, portanto, se a receita
proveniente desta taxa subir ou cair.
1.2.1 Alguns Exemplos

Outros exemplos:

e) Uma empresa precisa estimar a demanda que haver de um


determinado detergente em dez anos, no momento em que ela
avalia quanto investir em uma nova fbrica e em equipamentos;

f) Um agente imobilirio deve prever em quanto a populao e a


renda aumentaro nos prximos anos ao sul de Santa Catarina e se
ser lucrativo iniciar a construo de um novo complexo de lojas.

g) Voc precisa decidir quanto de suas economias vai aplicar em


um fundo de aes e quanto no mercado financeiro. Isso exige
previses sobre o nvel de atividade econmica, sobre a taxa de
inflao e sobre a taxa de juros, no seu horizonte de
planejamento.
1.3 O modelo economtrico

Modelo: representao matemtica de


algum fenmeno econmico;

Por que utilizar um modelo?


R: So simplificaes da realidade, mas
transmitem grandes percepes acerca do
funcionamento do mundo.

Restries
Modelo
Hipteses
1.3 O modelo economtrico

Exemplo: modelo para explicar as vendas do carro gol;

Passo 1: especificao do modelo;

As vendas do carro Gol so determinadas por dois


componentes:
a) Componente sistemtico.
b) Componente aleatrio (erro aleatrio).

Um modelo economtrico representando as vendas dos


Clios :

q d f ( p, p s , p c , i ) e
1.3 O modelo economtrico

Passo 2: determinar a forma algbrica da relao entre as as


variveis econmicas.

Por exemplo: nos cursos de economia a quantidade demandada


era descrita como uma funo linear do preo.

Nesse caso, admiti-se que a parte sistemtica da relao de


demanda linear:

f ( p, p s , p c , i) 1 2 p 3 p s 4 p c 5i
O modelo economtrico correspondente

q d 1 2 p 3 p s 4 pc 5i e
1.4 Como obtemos os dados?

1.4.1 Dados Experimentais

Modelo Descrio do Observaes Evidncias


Pesquisador Mundo ideal econmico experimento e sobre os
informaes parmetros

Repetindo o experimento T vezes, criaramos uma amostra de T


observaes.
1.4 Como obtemos os dados?

1.4.1 Dados Experimentais

Vamos demonstrar um experimento controlado.

Objetivo: compreender como se determina a quantidade de


automveis Renault Clio adquiridos.

Em um mundo ideal para pesquisa, experimentos controlados


podem ser conduzidos para investigar a relao entre essas
variveis explanatrias e a varivel dependente qd.

No experimento controlado, o grupo que o realiza fixa o nvel


das variveis explanatrias, realiza o experimento e obtm uma
observao sobre a varivel dependente.
1.4 Como obtemos os dados?

1.4.1 Dados Experimentais


A teoria microeconmica do comportamento do consumidor sugere que a
quantidade adquirida (qd) depende:

p = preo dos Clios = $25.000


ps = preo dos Gols = $25.000
pc = preo do litro da gasolina = $1,65
i = renda dos indivduos na amostra = $42.000

No fim do ms, ns observamos que o nmero de Clios vendidos por um


comerciante igual a qd = 37.

Repetindo esse processo diversas vezes, uma amostra de dados econmicos


criada.

O resultado experimental que ns observamos a soma do componente


sistemtico, que depende das variveis explanatrias de controle, e desse
rudo aleatrio. Conseqentemente, o resultado do experimento aleatrio
tambm.
1.4 Como obtemos os dados?

1.4.1 Dados Experimentais


Tabela 1.1 Vendas Mensais de Clios
OBS 1: Se repetirmos o
Ms qd p ps pc i experimento algumas
1 37 25 25 1,35 42 vezes, ns obtemos
2 28 23 25 1,35 32 observaes tais quais
3 30 23 25 1,35 32 figuram na Tabela 1.1.
4 35 20 25 1,35 35
5 40 25 27 1,35 42 OBS 2: p, ps ,pc e i so
6 46 25 30 1,35 52
dados em $ 1.000.
7 52 25 32 1,35 55
8 55 25 25 1,40 60
9 60 25 25 1,45 70
10 65 25 25 1,55 100
1.4 Como obtemos os dados?

1.4.1 Dados Experimentais

Importante: Os econometristas, desejam Teoria


determinar a relao entre cada varivel econmica

explanatria (p, pc, ps, i) e a varivel


dependente qd , utilizando uma amostra
de T observaes dos valores das
variveis explanatrias e das
Econometria
quantidades vendidas observadas.
Cincia da
Especificamente, os econometristas computao Estatstica

querem estimar o efeito () de uma


mudana em uma varivel explanatria
sobre a quantidade esperada de Renault
Clio vendidos.
1.4 Como obtemos os dados?

1.4.1 Dados Experimentais


1.4 Como obtemos os dados?

1.4.2 Dados No Experimentais

Os dados podem ser coletados na forma de:


a) Sries temporais dados coletados ao longo de intervalos
discretos de tempo.
b) Corte tranversal dados coletados sobre unidades da amostra
em determinado perodo de tempo.
c) painel de dados dados que seguem microunidades individuais ao
longo do tempo.

Esses dados podem ser coletados em diversos nveis de


agregao:
a) micro dados coletados sobre decises econmicas individuais
feitas por unidades, como indivduos, domiclios ou firmas.
b) macro dados resultantes de um agregado de indivduos,
domiclios ou firmas, a nvel municipal, estadual ou nacional.
1.4 Como obtemos os dados?

1.4.2 Dados No Experimentais

Os dados coletados podem representar tambm um fluxo


ou estoque:
a) fluxo resultado mensurado ao longo de um perodo de
tempo, tal como o consumo de gasolina durante o ltimo
trimestre de 1999.

b) estoque resultado medido em um ponto de tempo


particular, tal como a quantidade de petrleo bruto mantido nos
reservatrios da Petrobrs no primeiro dia do ms de abril de
1999.
1.4 Como obtemos os dados?

1.4.2 Dados No Experimentais

Os dados coletados podem ser quantitativos ou qualitativos:

a) quantitativos resultados como o preo ou a renda que


podem ser expressos como nmeros ou por alguma transformao
deles, tal como o preo real e a renda per capita.

b) qualitativos resultados que traduzem uma situao ou,ou.


Por exemplo, um consumidor pode ou no comprar um particular
bem, ou uma pessoa pode tanto casar como no casar.
1.5 Inferncia Estatstica

Inferncia estatstica: essa expresso significa que ns


queremos inferir ou aprender algo sobre o mundo real atravs
da anlise da amostra de dados. O modo como a inferncia
estatstica conduzida inclui:

a) Estimar parmetros econmicos, tal como elasticidades,


utilizando mtodos economtricos.

b) Predizer resultados econmicos, tal como a taxa de matrcula


em faculdades no Brasil nos prximos dez anos.

c) Testar hiptese econmicas.


1.6 Um Modelo de Pesquisa

A pesquisa econmica emprica segue um padro ordenado.


Os passos so:

a) Tudo comea com um problema ou uma questo.

b) A teoria econmica nos d um modo de pensar sobre o


problema: Quais variveis econmicas esto envolvidas e qual a
possvel direo da relao(es) entre elas?

c) O trabalho com o modelo econmico conduz a um modelo


economtrico. Ns devemos escolher uma forma funcional e fazer
algumas hipteses sobre a natureza do termo de erro.

d) A amostra de dados obtida e um mtodo de anlise


estatstica escolhido, baseado nas nossas hipteses iniciais e no
nosso entendimento de como os dados foram coletados.
1.6 Um Modelo de Pesquisa

e) As estimativas dos parmetros desconhecidos so obtidas com a


ajuda de um pacote estatstico, previses so feitas e testes de
hipteses so efetuados.

f) Fazem-se diagnsticos do modelo para conferir a validade das


hiptese que ns fizemos. Por exemplo, todas as variveis explanatrias
do lado direito da equao so relevantes? Foi escolhida a forma
funcional correta?

g) As conseqncias econmicas e as implicaes dos resultados


empricos so analisadas e avaliadas. Quais so as implicaes da
alocao e distribuio dos recursos econmicos, e quais so as
implicaes das suas polticas de escolha? Quais as questes
remanescentes que podem ser respondidas com estudos futuros ou uma
nova e melhor base de dados?
Captulo 3
O Modelo de Regresso Linear Simples:
Especificao e Estimao
Introduo

A teoria econmica sugere muitas relaes entre as variveis


econmicas;

Microeconomia:
a) Modelos de demanda;
b) Modelos de oferta;
c) Funes de produo;
d) Curvas de produto total.

Macroeconomia:
a) Funes investimento.
b) Funes consumo.
Introduo

Objetivo: como utilizar uma amostra de dados econmicos


para obter informaes sobre tais relacionamentos;

Importante: se uma medida varia de uma certa maneira,


de quanto oscilar outra varivel?

Essas questes sero respondidas com o auxlio de um


modelo de regresso;

Como todos os modelos, o modelo de regresso baseia-se


em pressupostos.
3.1 Um Modelo Econmico

Exemplo econmico: estudar a relao entre renda familiar e


despesas com alimentao.

Supe-se que nos interessa apenas residncias com renda familiar de


R$ 480 por semana.

Nesse experimento, selecionamos aleatoriamente certo nmero de


residncias de uma populao e passamos a entrevistar os seus
moradores.

Pergunta: quanto foi gasto com alimento na semana passada?

A despesa semana com alimentao, que chamaremos de y, uma


varivel aleatrio (VA);
3.1 Um Modelo Econmico

A varivel aleatria contnua y tem funo densidade de


probabilidade, f(y);

A f.d.p descreve as probabilidades dos diversos valores


da despesa com alimentao.

Espeficicamente, temos uma funo de densidade de


probabilidade condicional;

Condicional, pois a f.d.p est condicionada renda da


famlia.
3.1 Um Modelo Econmico
3.1 Um Modelo Econmico

Uma anlise economtrica do relacionamento da despesa pode


dar resposta a algumas questes importantes, como:

a) Se a renda semanal aumenta $ 20, de quanto em mdia,


aumentaro as despesas com alimentao?
b) possvel a despesa semanal com alimentao cair quando a
renda aumenta?
c) Qual seria nossa previso da despesa mensal com alimentao
de uma famlia com renda semanal de $ 800?

Para pesquisar a relao entre despesa e renda, devemos


construir um modelo econmico e, a seguir, um modelo
economtrico que constitua a base de uma anlise econmica
quantitativa.
3.1 Um Modelo Econmico

A funo de regresso linear simples:

E ( y | x) y|x 1 2 x (3.1.1)

Inclinao da reta de regresso

E ( y | x) dE ( y | x) (3.1.2)
2
x dx

denota mudana em
3.1 Um Modelo Econmico
3.2 Um Modelo Economtrico

Hipteses do Modelo de Regresso Linear Simples -I


a) O valor mdio de y, para cada valor de x, dado pela regresso
linear
E ( y) 1 2 x

b) Para cada valor de x, os valores de y se distribuem em torno


do seu valor mdio, seguindo distribuies de probabilidade que
tm todas a mesma varincia,
var( y) 2
c) Os valores de y so todos no correlacionados e tem
covarincia zero. A implicao disso que no existe qualquer
associao linear entre eles.

cov( yi , y j ) 0
3.2 Um Modelo Economtrico
3.2 Um Modelo Economtrico
3.2 Um Modelo Economtrico
3.2 Um Modelo Economtrico

Hipteses do Modelo de Regresso Linear Simples -I

OBS: A hiptese que a covarincia seja zero, pode se tornar


mais forte se assumirmos que os valores de y so todos
estatisticamente independentes.

d) A varivel x no aleatria e deve assumir pelo menos dois


valores diferentes

e) (opcional) Os valores de y so normalmente distribudos em


torno de sua mdia para cada valor de x,

y ~ N [(1 2 x), 2 ]
3.2.1 Introduzindo o Termo de Erro

O termo de erro aleatrio


e y E ( y) y 1 2 x (3.2.1)

Rearranjando, temos

y 1 2 x e (3.2.2)

y a varivel dependente;
x a varivel explanatria ou independente
3.2.1 Introduzindo o Termo de Erro

Hipteses do Modelo de Regresso Linear Simples -II


RS1. y 1 2 x e
RS2. E (e) 0 E ( y) 1 2 x
RS3. var( e) 2
var( y)
RS4. cov(ei , e j ) cov( yi , y j ) 0

RS5. A varivel x no aleatria e deve assumir pelo menos


dois valores diferentes.

RS6. (opcional) Os valores de e so normalmente distribudos


em torno de sua mdia

e ~ N (0, 2 )
3.2.1 Introduzindo o Termo de Erro
3.2.1 Introduzindo o Termo de Erro
3.2.1 Introduzindo o Termo de Erro

No exemplo da despesa com alimentao, que fatores podem resultar em


uma diferena entre a despesa y e a sua mdia E(y):

a) Inclumos a renda como a nida varivel explanatria do modelo. Quaisquer


outros fatores econmicos que afetam as despesas com alimentao so captados
pelo erro aleatrio;

b) O erro aleatrio absorve qualquer erro de aproximao que surja, porque a


forma funcional linear admitida no nada mais do que uma aproximao da
realidade;

c) O erro aleatrio capta quaisquer elementos de comportamento aleatrio que


possam estar presentes em cada indivduo. O conhecimento de todas as variveis
que influenciam a despesa de um indivduo com alimentao pode no ser suficiente
para prever perfeitamente a despesa. O valor de e tambm pode conter um
componente comportamental aleatrio imprevisvel.
3.3 Estimao dos Parmetros para a Relao
de Despesas

Modelos Base para a


econmicos e utilizao de Estimar os
estatsticos uma amostra parmetros
de dados

Tabela 3.1: valores da despesa com alimentao e a renda semanal para uma amostra
aleatria de 40 residncias;

Suposio: Vamos admitir que os dados de despesas so valores observados da varivel


aleatria yt, t = 1,,40, que satisfazem as hipteses RS1-RS5.

Pergunta: como utilizar nossa informao amostral yt e xt para estimar os parmetros


desconhecidos;

Representando por (yt, xt), t = 1,40 os 40 pontos de dados e assinalando-os em um


grfico, obteremos o diagrama de disperso;
3.3 Estimao dos Parmetros para a Relao
de Despesas
3.3 Estimao dos Parmetros para a Relao
de Despesas
3.3 Estimao dos Parmetros para a Relao
de Despesas

Objetivo: estimar a posio da reta de despesa mdia:

E ( y) 1 2 x

Seria de esperar que essa reta estivesse no meio de


todos os pontos, j que representa um comportamento
mdio;

Como traar uma reta para determinar o coeficiente


angular e o intercepto?
3.3 Estimao dos Parmetros para a Relao
de Despesas

3.3.1 O Princpio de Mnimos Quadrados


Importante: Para estimar os parmetros, necessrio
uma regra, ou frmula;

Princpio dos mnimos quadrados: para ajustar uma


reta aos valores dos dados, devemos procurar a reta tal
que a soma dos quadrados das distncias verticais de
cada ponto reta seja a menor possvel.

Por que utilizar a soma dos quadrados?


R: para evitar que grandes distncias positivas sejam
cancelas pelas negativas;
3.3 Estimao dos Parmetros para a Relao
de Despesas

3.3.1 O Princpio de Mnimos Quadrados


A reta ajustada da regresso
yt b1 b2 xt (3.3.1)

O resduo de mnimos quadrados

et yt yt yt b1 b2 xt (3.3.2)

Qualquer outra reta ajustada

yt* b1* b2* xt (3.3.3)

A reta de mnimos quadrados tem a menor soma de


resduos ao quadrado

t t t t t t)

e 2
( y
y ) 2

e*2
( y
y * 2
3.3 Estimao dos Parmetros para a Relao
de Despesas

3.3.1 O Princpio de Mnimos Quadrados


3.3 Estimao dos Parmetros para a Relao
de Despesas

3.3.1 O Princpio de Mnimos Quadrados


3.3 Estimao dos Parmetros para a Relao
de Despesas

3.3.1 O Princpio de Mnimos Quadrados

As estimativas de mnimos quadrados so obtidas pela


minimizao da funo da soma de quadrados
T
S (1 , 2 ) ( yt 1 2 xt ) 2 (3.3.4)
t 1

Obtenha as derivadas parciais


S
2T 1 2 yt 2 xt2
1
(3.3.5)
S
2 xt22 2 xt yt 2 xt1
2
3.3 Estimao dos Parmetros para a Relao
de Despesas

3.3.1 O Princpio de Mnimos Quadrados

Iguale as derivadas a zero

2( yt Tb1 xt b2 ) 0
(3.3.6)

2( xt yt xt b1 xt2b2 ) 0
3.3 Estimao dos Parmetros para a Relao
de Despesas

3.3.1 O Princpio de Mnimos Quadrados

Rearranjando a equao 3.3.6, temos duas equaes


usualmente conhecidas como equaes normais,

Tb1 xt b2 yt (3.3.7a)

t 1 t b2 xt yt
x b x 2
(3.3.7b)

Frmulas para as estimativas de mnimos quadrados


3.3 Estimao dos Parmetros para a Relao
de Despesas

3.3.1 O Princpio de Mnimos Quadrados

T xt yt xt yt (3.3.8a)
b2
T x xt
2 2
t

b1 y b2 x (3.3.8b)

Como essas frmulas funcionam para qualquer dos valores da


amostra de dados, elas so os estimadores de mnimos
quadrados.
3.3 Estimao dos Parmetros para a Relao de
Despesas

3.3.1 O Princpio de Mnimos Quadrados

T xt yt xt yt (3.3.8a)
b2
T x xt
2 2
t

b1 y b2 x (3.3.8b)

Como essas frmulas funcionam para qualquer dos valores da


amostra de dados, elas so os estimadores de mnimos
quadrados.
3.3.2 Estimativas para a Funo de Despesa com
Alimentao

3.3.2 Estimativas para a funo despesa com alimentao

T xt yt xt yt (40)(3834936, 497) (27920)(5212,520)


b2 (3.3.9a)
T x xt (40)(21020623,02) (27920) 2
2 2
t

0,1283

b1 y b2 x 130,313 (0,1282886)(698,0) 40,7676 (3.3.9b)

Um modo conveniente de mostrar os valores de b1 e b2


escrever a reta de regresso estimada ou ajustada:

yt 40,7676 0,1283xt (3.3.10)


3.3.2 Estimativas para a Funo de Despesa com
Alimentao
3.3.2 Estimativas para a funo despesa com alimentao
3.3.3 Interpretao das estimativas

O valor b2 = 0,1283 uma estimativa de 2, a quantidade que a


despesa com alimentao cresce semanalmente quando a renda
semanal aumenta em $1. Assim, ns estimamos que se a renda
subir $100, as despesas semanais com alimentao aumentaro
aproximadamente $12,83.

Estritamente falando, a estimativa de intercepto b1 = 40,7676


uma estimativa do gasto semanal com alimentao para uma
famlia com renda nula.
3.3.3a Elasticidades

A elasticidade renda da demanda um modo til de


caracterizar a resposta da despesa do consumidor mudanas
na renda. Dos princpios microeconmicos, a elasticidade de
qualquer varivel y em relao a outra varivel x

variao percentual em y y / y y x
(3.3.11)
variao percentual em x x / x x y

Elasticidade o tamanho do impacto que a alterao em uma


varivel (ex.: preo) exerce sobre outra varivel (ex.: demanda);
Em sentido genrico, a alterao percentual de uma varivel,
dada a alterao percentual em outra, coeteris paribus.
Assim, elasticidade sinnimo de sensibilidade, resposta,
reao de uma varivel, face de mudanas em outras variveis;
3.3.3a Elasticidades

Em um modelo econmico linear dado pela equao 3.1.1,


ns mostramos que

E ( y ) (3.3.12)
2
x

A elasticidade da despesa mdia em relao renda

E ( y ) / E ( y ) E ( y) x x (3.3.13)
2
x / x x E ( y ) E ( y)
3.3.3a Elasticidades

Um modo alternativo freqentemente utilizado mostrar


a elasticidade no ponto das mdias
j que um ponto representativo da reta de regresso.

x 698,00

b2 0,1283 0,687 (3.3.14)
y 130,31

Interpretao do coeficiente: uma variao de 1% na


renda semanal da famlia acarrete, em mdia, um aumento
de aproximadamente 0,7% na despesa semanal com
alimentao quando (x,y) = ( x , y ) (698,00, 130,31)
3.3.3a Elasticidades

Classificao da elasticidade-renda:

a) Er > 1 : bem superior (ou bem de luxo): dada uma variacao


da renda, o consumo varia mais que proporcionalmente;

b) Er > 0: bem normal: o consumo aumenta quando a renda


aumenta;

c) Er < 0: bem inferior: a demanda cai quando a renda aumenta;

d) ERp = 0 : bem de consumo saciado: variacoes na renda nao


alteram o consumo do bem. Ou seja, a variavel renda nao e
importante para explicar o comportamento da demanda desse
bem.
3.3.3b Previso

Suponha que ns queremos prever a despesa semanal com


comida para um domiclio com uma renda semanal de $750.
Essa previso conduzida pela substituio de x = 750 na
nossa equao estimada para obter

yt 40,7676 0,1283xt 40,7676 0,1283(750) $130,98 (3.3.15)

Ns prevemos que um domiclio com uma renda semanal


de $750 gastar $130,98 por semana em comida.
3.3.4 Outro Modelo Econmico

Modelo de regresso linear simples muito mais flexvel, porque as


variveis x e y podem ser transformaes que envolvem logaritmos,
quadrados, cubos ou inversos das variveis econmicas bsicas;

O modelo linear nos parmetros, contudo, o modelo de


regresso linear simples pode aplicar-se a relaes no lineares
entre variveis;

Uma transformao usual na economia o logaritmo natural;

Uma importante caracterstica desse modelo se as hipteses


do modelo de regresso se verificam que o coeficiente
angular a elasticidade de y em relao a x.
3.3.4 Outro Modelo Econmico

O modelo log-log ln( y) 1 2 ln( x)

A derivada de ln(y) em relao a x

d [ln( y )] 1 dy

dx y dx
A derivada de 1 2 ln( x) em relao a x
d [1 2 ln( x)] 1
2
dx x
Colocando esses dois pedaos em igualdade um com o
outro e resolvendo para 2:
dy x
2 (3.3.16)
dx y
Captulo 4
Propriedades dos Estimadores de
Mnimos Quadrados
Introduo

Modelo de regresso linear simples: modelo economtrico para o


estudo de relaes entre variveis econmicas;

Hipteses do Model de Regresso Linear Simples:

RS1. yt 1 2 xt et

RS2. E (et ) 0 E ( yt ) 1 2 xt
RS3. var(et ) 2 var( yt )

RS4. cov(ei , e j ) cov( yi , y j ) 0

RS5. xt no aleatria e assume pelo menos dois valores

RS6. et ~ N (0, 2 ) yt ~ N [(1 2 xt ), 2 ] (opcional)


4.1 Os Estimadores de Mnimos Quadrados
como Variveis Aleatrias

O estimador de mnimos quadrados b2 do parmetro de


inclinao 2, baseado em uma amostra de T observaes,

T xt yt xt yt (3.3.8a)
b2
T xt xt
2 2

O estimador de mnimos quadrados b1 do parmetro


intercepto 1
b1 y b2 x (3.3.8b)

onde y yt / T e x xt / T so mdias amostrais


das observaes sobre y e x, respectivamente.
4.1 Os Estimadores de Mnimos Quadrados
como Variveis Aleatrias

Quando as frmulas de b1 e b2, so tomadas para serem


utilizadas como regras, qualquer que seja a amostra de
dados extrada, ento b1 e b2 so variveis aleatrias.
Nesse contexto, ns chamamos b1 e b2 de estimadores de
mnimos quadrados.

Quando os valores reais da amostra, nmeros, so


substitudos nas frmulas, ns obtemos nmeros que so
valores das variveis aleatrias. Nesse contexto, ns
chamamos b1 e b2 de estimativas de mnimos quadrados.
4.1 Os Estimadores de Mnimos Quadrados
como Variveis Aleatrias

Podemos agora estudar as propriedades dos estimadores


aleatrios b1 e b2 e abordar as seguintes importantes
questes:

a) se os estimadores de mnimos quadrados b1 e b2, so


variveis aleatrias, quais sero suas mdias, varincias,
covarincias e distribuies de probabilidade?

b) o princpio dos mnimos quadrados apenas uma forma de


utilizar os dados para obter estimativas. Como se comparam
os estimadores de mnimos quadrados com outras regras que
poderiam ser usadas, e como podemos comparar estimadores
alternativos? Por exemplo, haver outro estimador que tenha
maior probabilidade de produzir uma estimativa prxima?
4.2 As Propriedades Amostrais dos
Estimadores de Mnimos Quadrados

Os estimadores de mnimos quadrados b1 e b2 so variveis


aleatrias e tm distribuies de probabilidade que podemos
estudar antes da coleta de quaisquer dados;

Se essas funes so conhecidas, podem ser usadas para fazer


afirmaes probabilisticas sobre b1 e b2: mdias (valores
esperados) e varincias das variveis aleatrias;

As mdias e as varincias de b1 e b2 informam-nos sobre os


intervalos de valores que b1 e b2 provavelmente tomaro;

O conhecimento desses intervalos importante porque nosso


objetivo obter estimativas prximas dos verdadeiros valores dos
parmetros.
4.2 As Propriedades Amostrais dos
Estimadores de Mnimos Quadrados

Objetivo: determinar as mdias e as varincias dos


estimadores de mnimos quadrados b1 e b2.

Essas caractersticas pr-dados de b1 e b2, so


chamadas propriedades amostrais, porque a
aleatoriedade dos estimadores decorre da extrao de
amostras de uma populao.
4.2 As Propriedades Amostrais dos
Estimadores de Mnimos Quadrados

4.2.1 Os Valores Esperados de b1 e b2

Ns comeamos reescrevendo a frmula da equao 3.3.8a


na seguinte frmula que mais conveniente para propsitos
tericos,

b2 2 wt et (4.2.1)

onde wt um constate (no aleatria) dada por

xt x
wt (4.2.2)
t
( x x ) 2
4.2 As Propriedades Amostrais dos
Estimadores de Mnimos Quadrados

4.2.1 Os Valores Esperados de b1 e b2

O valor esperado de uma soma a soma dos valores


esperados (ver Seo 2.5.1):

E (b2 ) E 2 wt et E (2 ) E ( wt et )

2 wt E (et ) 2 [como E (et ) 0] (4.2.3)


4.2 As Propriedades Amostrais dos
Estimadores de Mnimos Quadrados

4.2.1 Os Valores Esperados de b1 e b2


Quando o valor esperado de qualquer estimador de um parmetro
igual ao verdadeiro valor do parmetro, o estimador se diz no
tendencioso (ou no viesado).

O significado intuitivo da no-tendenciosidade decorre da


interpretao da esperana matemtica de um processo de amostragem
repetida;

Se coletarmos muitas amostras de tamanho T e aplicarmos a frmula


(3.3.8a) de b, para estimar B2, ento o valor mdio das estimativas b2,
obtidas de todas essas amostras, ser B2, desde que as suposies do
modelo estatstico sejam corretas;

Se, entretanto, as suposies feitas no estiverem corretas, o


estimador de mnimos quadrados poder ser tendencioso.
4.2.1a O Contexto da Amostragem Repetida
A Tabela 4.1 contm as estimativas de mnimos quadrados do modelo de despesa
com alimentao extradas de 10 amostras aleatrias de tamanho T=40 da mesma
populao.
Tabela 4.1 Estimativas de Mnimos Quadrados
de 10 amostras aleatrias de tamanho T=40
N b1 b2
1 51,1314 0,1442
2 61,2045 0,1286
3 40,7882 0,1417
4 80,1396 0,0886
5 31,0110 0,1669
6 54,3099 0,1086
7 69,6749 0,1003
8 71,1541 0,1009
9 18,8290 0,1758
10 36,1433 0,1626
4.2.1a O Contexto da Amostragem Repetida

A propriedade da no-tendenciosidade diz respeito mdia dos valores


de b1 e b2 se muitas amostras de mesmo tamanho forem extradas da
mesma populao;

O valor mdio de b1 nessas 10 amostras b1= 51,43859. O valor mdio


de b2 b2 = 0,13182;

Se tomarmos as mdias das estimativas a partir de muitas amostras,


essas mdias devero se aproximar dos verdadeiros valores dos
parmetros B1e B2.

Importante: A no-tendenciosidade no diz que uma estimativa a


partir de uma amostra qualquer est prxima do verda-deiro valor do
parmetro, e, assim, no podemos dizer que uma estimativa no
tendenciosa. Podemos dizer que o processo de estimao de mnimos
quadrados (ou o estimador de mnimos quadrados) no tendencioso.
4.2.1b Deduo da Equao 4.2.1

Objetivo: mostrar que (4.2.1) correta;

1
t
( x x ) 2
t t
x 2
2x x T x 2
tx 2
2 x T
T
xt

T x 2
(4.2.4a)

xt2 2T x 2 T x 2 xt2 T x 2

x
2

( xt x ) x T x x x xt x (4.2.4b)
2 2 2 2 2 t
t t t
T

Para a obteno desse resultado, ns levamos em


considerao que x xt / T ento xt T x

( x x )( y y ) xt yt Tx y xt yt
x y
t t
(4.2.5)
t t
T
4.2.1b Deduo da Equao 4.2.1

b2, na forma de desvios em relao mdia, :

b2
( x x )( y y )
t t (4.2.6)
(x x ) t
2

Lembre-se que ( xt x ) 0 (4.2.7)

Ento, a frmula para b2 se torna

b2
( x x )( y y ) ( x x ) y y ( x x )
t
t t t t

(x x ) t (x x )
2
t
2


(x x ) y
t (x x )


y wt yt (4.2.8)
2 t
t t

(x x )t ( x x )
2
t
4.2.1b Deduo da Equao 4.2.1

onde wt a constante dada na equao 4.2.2.


Para obter a equao 4.2.1, substitua yt por
yt 1 2 xt et e simplifique:

b2 wt yt wt (1 2 xt et ) 1 wt 2 wt xt wt et (4.2.9a)

w 0
t , isso elimina o termo 1 wt

w x t t 1 ento 2 wt xt 2 e (4.2.9a) se torna a equao

4.2.1.
b2 2 wt et (4.2.9b)
4.2.1b Deduo da Equao 4.2.1

O termo wt 0 , porque
( xt x )
wt ( x x )2
1
2
( xt x ) 0 usando ( x x ) 0
t ( xt x )
t

Para mostrar que w x t t 1 ns novamente utilizamos


( x x ) . Outra expresso para ( x x ) 0
t
2
t

( x x ) ( x x )( x x ) ( x x )x x ( x x ) ( x x )x
t
2
t t t t t t t

Conseqentemente,

wt xt
(x x )x (x x) x
t
t t t
1
(x x ) (x x) x
t
2
t t
4.2.2 A Varincia e Covarincia de b1 e b2

Varincia: a varincia de uma


varivell aleatria uma
medida de sua disperso
estatstica, indicando o quo
longe em geral os seus valores
se encontram do valor esperado.

Covarincia: uma medida


do grau de interdependncia
(ou inter-relao) numrica entre
duas variveis aleatrias.
4.2.2 A Varincia e Covarincia de b1 e b2
var(b2 ) E[b2 E (b2 )]2

Se as hipteses do modelo de regresso RS1-RS5 so


corretas (RS6 no necessria), ento as varincias e
covarincia de b1 e b2 so:

var(b1 )
2
xt
2

2
t
T ( x x )

2
var(b2 ) (4.2.10)
t
( x x ) 2

x
cov(b1 , b2 )
2
2
t
( x x )
4.2.2 A Varincia e Covarincia de b1 e b2
4.2.2 A Varincia e Covarincia de b1 e b2

Vamos considerar os fatores que afetam as varincias e


covarincia na equao 4.2.10.
1. A varincia do termo de erro aleatrio, 2 , aparece em
cada uma das expresses.
2. A soma dos quadrados dos valores de x em relao mdia
amostral, ( xt x )2 , aparece em cada uma das varincias e na
covarincia.
3. Quanto maior for o tamanho da amostra T, menores sero
as varincias e a covarincia dos estimadores de mnimos
quadrados; quanto maior a amostra de dados, melhor .
4. O termo x2 aparece na var(b1).

5. A mdia amostral dos valores de x aparecem na cov(b1,b2).


4.2.2 A Varincia e Covarincia de b1 e b2
4.2.2 A Varincia e Covarincia de b1 e b2

Deduo da varincia de b2: O ponto de partida a equao


4.2.1.

var(b2 ) var 2 wt et var wt et [como 2 uma constante]


= wt2 var(et ) [usando cov(ei , e j ) 0]
=2 wt2 [usando var(et ) 2 ]
2

( xt x )2 (4.2.11)

O ltimo passo se baseia no fato de que



( x x ) 2
1
t
w 2
t
( xt x )
2
2
( xt x ) 2
(4.2.12)
4.2.3 Estimadores Lineares

O estimador de mnimos quadrados b2 uma soma


ponderada das observaes de yt,

b2 wt yt

Estimadores como b2 so chamados de estimadores


lineares por serem combinaes lineares de uma varivel
aleatria observvel.
Com base em tudo quanto sabemos at agora, podemos
descrever b2 como um estimador linear no tendecioso de
B2, com varincia dada por (4.2.10).

Da mesma maneira, podemos descrever b1, como um


estimardor linear, no tendencioso de B1 com varincia
dada por (4.2.10).
4.3 O Teorema de Gauss-Markov

O Teorema de Gauss-Markov: Satisfazendo as


hipteses RS1-RS5 do modelo de regresso linear, os
estimadores b1 e b2 tm a menor varincia de todos os
estimadores lineares e no tendenciosos de 1 e 2.
Eles so os melhores estimadores lineares no
tendenciosos (the Best Linear Unbiased Estimators
BLUE) de 1 e 2
4.3 O Teorema de Gauss-Markov

1. Os estimadores b1 e b2 so melhores quando comparados


com estimadores similares, aqueles que so lineares e no
tendenciosos. O Teorema no diz que b1 e b2 so os
melhores de todos possveis estimadores

2. Os estimadores b1 e b2 so os melhores dentro de sua


classe porque eles possuem a menor varincia.

3. Para o Teorema de Gauss-Markov ser vlido, as hipteses


(RS1-RS5) devem ser satisfeitas. Se qualquer uma das
hipteses de 1-5 no forem satisfeitas, ento b1 e b2 no
so os melhores estimadores lineares no tendenciosos de
1 e 2.
4.3 O Teorema de Gauss-Markov

4. O Teorema de Gauss-Markov no depende da hiptese de


normalidade.

5. No modelo de regresso linear simples, se ns queremos


utilizar um estimador linear e no tendencioso, ento ns no
precisamos efetuar novas procuras.

6. O Teorema de Gauss-Markov aplicado aos estimadores de


mnimos quadrados. Ele no se aplica s estimativas
extradas de uma amostra individual.
4.3 O Teorema de Gauss-Markov

Prova do Teorema de Gauss-Markov:

Seja b2* kt yt (onde os kt so constantes) qualquer


outro estimador linear de 2.

Suponha que kt wt ct , onde ct outra constante e wt


dado na equao 4.2.2.

Nesse novo estimador, substitua kt e simplifique,


utilizando as propriedades de wt na equao 4.2.9.
4.3 O Teorema de Gauss-Markov

b2* kt yt ( wt ct ) yt ( wt ct )(1 2 xt et )

( wt ct ) 1 ( wt ct ) 2 xt ( wt ct ) et

1 wt 1 ct 2 wt xt 2 ct xt ( wt ct ) et

1 ct 2 2 ct xt ( wt ct ) et (4.3.1)
4.3 O Teorema de Gauss-Markov

desde que wt = 0 e wt xt = 1. (4.3.2)

E (b2* ) 1 ct 2 2 ct xt ( wt ct )E (et )

1 ct 2 2 ct xt

Para o estimador linear b2 kt yt ser no tendencioso,


*

deve ser verdade que ct 0 e ct xt 0 (4.3.3)

Essas condies devem ser satisfeitas para b2 kt yt


*

estar na classe dos estimadores lineares e no


tendenciosos.
4.3 O Teorema de Gauss-Markov

Ento assumamos as condies (4.3.3) e, as utilizando,


simplifique a expresso (4.3.1):

b2* kt yt 2 ( wt ct ) et (4.3.4)

Ns podemos agora encontrar a varincia do estimador


linear no tendencioso b2* , seguindo os passos da equao
4.2.11 e utilizando uma informao adicional que diz

ct ( xt x ) 1 x
ct wt ( x x )2 ( x x )2 ct xt ( x x )2 ct 0
t t t
4.3 O Teorema de Gauss-Markov

Use as propriedades da varincia para obter

var(b2* ) var 2 ( wt ct ) et ( wt ct ) var(et )


2

2 ( wt ct ) 2 wt2 2 ct2
2

(4.3.5)

var(b2 ) 2 ct2

var(b2 ) como c2
t 0
4.4 Distribuio de Probabilidade dos
Estimadores de Mnimos Quadrados

Se ns assumirmos a hiptese de normalidade, hiptese RS6


sobre o termo de erro, ento os estimadores de mnimos
quadrados so normalmente distribudos.
2 xt2
b1 ~ N 1 ,
T ( x x ) 2
t
(4.4.1)
2
b2 ~ N 2 , 2

( xt x )

Se as hipteses RS1-RS5 forem mantidas e se o tamanho da
amostra T for suficientemente grande, ento os estimadores
de mnimos quadrados tm uma distribuio que se aproxima
das distribuies normais mostradas na equao 4.4.1
4.5 Estimao da Varincia do Termo de Erro

A varincia da varivel aleatria et

var(et ) 2 E[et E (et )]2 E (et2 ) (4.5.1)

se a hiptese E(et)=0 for correta.

Como a esperana um valor mdio, ns podemos


estimar 2 pela mdia dos erros ao quadrado,

2
t
e 2
(4.5.2)
T
Lembre-se que os erros aleatrios so
et yt 1 2 xt
4.5 Estimao da Varincia do Termo de Erro

Os resduos de mnimos quadrados so obtidos pela


substituio dos parmetros desconhecidos pelos seus
estimadores de mnimos quadrados,
et yt b1 b2 xt

2
e 2
t
(4.5.3)
T
Existe uma modificao simples que produz um estimador no
tendencioso:

2
e 2
t
(4.5.4)
T 2

E (
2 ) 2 (4.5.5)
4.5.1 Estimao das Varincias e Covarincias dos
Estimadores de Mnimos Quadrados

Substitua a varincia do erro desconhecida na equao 4.2.10


pelo seu estimador. Obtm-se:

b1 )
xt
2

ep(b1 ) var(
b1 )
2
2
var( ,
T ( xt x )

2
b2 )
var( , ep(b2 ) var(
b2 ) (4.6.6)
( xt x ) 2

x
b1 , b2 )
cov( 2
2
t
( x x )
4.6.2 As Varincias e Covarincias Estimadas
para o Exemplo da Despesa com Alimentao

b1 )

xt2

21020623
490,1200
2
2
var( 1429, 2456
T ( xt x ) 40(1532463)

ep(b1 ) b1 )
var( 490,1200 22,1387

2 1429, 2456
var(b2 )
0,0009326
( xt x ) 1532463
2

ep(b2 ) b2 ) 0,0009326 0,0305


var(

x 698
b1 , b2 )
cov(
2
2
1429, 2456 0,6510
( xt x ) 1532463