Академический Документы
Профессиональный Документы
Культура Документы
José Francisco
Econometria professorjfmp@hotmail.com
Variável dummy
Teste de Chow
Variável dummy
Variável explicativa (X) que assume apenas dois valores: 0 e 1 (variável
indicadora). Indica a presença (1) ou ausência (0) de um atributo.
Para inserir a variável sexo no modelo devemos criar uma variável dummy que
atribui os valores 0 e 1:
Esta variável qualitativa tem sete categorias (K=7), logo K-1=6 variáveis dummies
devem ser incluídas no lado direito do modelo de regressão, por exemplo:
Variáveis dummies
Categorias
Dummy(1) Dummy(2) Dummy(3) Dummy(4) Dummy(5) Dummy(6) Para um trabalhador analfabeto
Analfabeto 0 0 0 0 0 0 todas as variáveis dummies são
Ensino básico incompleto 1 0 0 0 0 0
Ensino básico completo 0 1 0 0 0 0 iguais a 0.
Ensino fundamental incompleto 0 0 1 0 0 0
Ensino fundamental completo 0 0 0 1 0 0 Para um trabalhador com nível
Ensino superior incompleto 0 0 0 0 1 0
Ensino superior completo 0 0 0 0 0 1
superior completo, apenas a
variável dummy 6 assume valor
igual a 1
Variável dummy
6
rendimento anuali = β0 + ∑β j⋅ Dummy( j )i + β2 idadei + β3 dummyi + εi
j =1
Dummy = 1 se trabalhador i é masculino
Dummy = 0 se trabalhador i é feminino
Escolaridade
Variável dummy
Forma aditiva
Forma multiplicativa
Forma mista
Variável dummy – Forma aditiva
A variável dummy altera o termo constante (intercepto) do modelo de
regressão linear.
Y = salário do indivíduo i
Yi = β 0 + β1 X i + β 2 Di + ε i
X = anos de estudo do indivíduo i
D = variável dummy:
1 para indivíduo do sexo masculino
0 para indivíduo do sexo feminino
E (Yi ) = β 0 + β1 X i
Reta de regressão para as mulheres
β0
Escolaridade X
Y = salário do indivíduo i
X = anos de estudo do indivíduo i
Yi = β 0 + β1 X i + β 2 Di X i + ε D = variável dummy:
i 1 para indivíduo do sexo masculino
Interação entre 0 para indivíduo do sexo feminino
escolaridade e sexo
E (Yi ) = β 0 + β1 X i
Reta de regressão para as mulheres
β0
Escolaridade X
O efeito de cada ano de estudo adicional sobre o salário médio depende do sexo
do indivíduo (EFEITO DE INTERAÇÃO ENTRE VARIÁVEIS EXPLICATIVAS)
Variável dummy – Forma mista
A variável dummy altera o intercepto e o coeficiente de uma variável
explicativa do modelo de regressão linear.
Yi = β 0 + β1 X i + β 2 Di + β 3 Di X i + ε i Y = salário do indivíduo i
X = anos de estudo do indivíduo i
D = variável dummy:
1 para indivíduo do sexo masculino
0 para indivíduo do sexo feminino
E (Yi ) = (β 0 + β 2 ) + (β1 + β 3 )X i
Salário Y
E (Yi ) = β 0 + β1 X i
Reta de regressão para as mulheres
(β 0 + β 2 )
Os pontos são as observações
mulheres
homens
β0
Escolaridade X
Variável dummy em séries de tempo
Também permite distinguir o comportamento de um fenômeno em
períodos de tempo com características diversas, por exemplo:
69 1 143 84 0
76 1 134 85 0
81 1 117 82 0 Estimador de mínimos βˆ0 = 5,7319
quadrados
90 1 111 86 0
βˆ1 = −0,2645
94
Y =
X
1
=
1
109
100
93
100
1
1
(
βˆ = X T X )
−1
X TY
βˆ2 = 1,2660
100
103 1 137 104 1
βˆ3 = −0,5958
108 1 122 104 1
113 1 85 107 1
115 1 90 102 1
Exemplo 1 (Mattos, 1997)
Saída do Excel P-valor > 5%
Teste t não rejeita a hipótese nula β3=0
Intervalo de
confiança contém o
zero, logo não
rejeitamos a
hipótese β3=0
3000
A série histórica das vendas apresenta
2500
tendência e sazonalidade
2000
Vendas ($)
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
trimestres
Exemplo 2 (Ragsdale, 2004)
Modelo de regressão linear a ser ajustado
1 Se primeiro trimestre
D1t
0 Se não é primeiro trimestre
1 Se segundo trimestre
D2 t
0 Se não é segundo trimestre
1 Se terceiro trimestre
D3t
0 Se não é terceiro trimestre
Exemplo 2 (Ragsdale, 2004)
Vendas esperadas
Histórico
ANOVA
gl SQ MQ F F de significação
Regressão 5 6443613,818 1288723 190,7628 2,31527E-12
Resíduo 14 94578,83513 6755,631
Total 19 6538192,653
2500
2000
vendas
previsto
1500
observado
1000
500
0
0 5 10 15 20 25
trimestres
Exemplo 2 (Ragsdale, 2004)
Previsão de vendas para o trimestre t
Vendast = 824,47 + 17,31t + 3,46t 2 − 86,81D1t − 424,74 D2 t − 123,45 D3t
Correlação = 0,9548
Regressão linear por partes (piecewise regression)
Na modelagem da demanda por energia elétrica é bastante comum o uso da seguinte
especificação:
Elasticidade
β1 ε t
Et = β 0 PIBt e
Erro
ln Et = ln β 0 + β1 ln PIBt + ε t
Regressão linear por partes (piecewise regression)
Dados
Estimação
por MQO
ln Eˆ t = 1,81 + 1,24 ln PIBt R2= 0,89
2002
Reta de regressão
ln Eˆ t = 1,81 + 1,24 ln PIBt
Regressão linear por partes (piecewise regression)
Por meio da regressão linear por partes pode-se ajustar um modelo que considere a
mudança de tendência, mas sem descontinuidade em 2002.
Observe que com uma única equação de regressão podemos ajustar equações
diferentes para os períodos anterior e posterior ao ano de 2002. No ano de 2002 as
duas equações fornecem o mesmo valor esperado da variável dependente.
ln Et = ln β 0 + β1 ln PIBt + ε t Para
t ≤ 2001
Estimação
por MQO
R2= 0,9839
R2 ajustado = 0,9812
Regressão linear por partes (piecewise regression)
ln Eˆt = −6,98+ 2,22ln PIBt −1,47(ln PIBt − ln PIB2002)Dt
Para este fim, vamos testar a hipótese nula de que nennhum dos m componentes
sejam significativos, contra a hipótese alternativa de que pelo menos um deles seja:
Uma análise das importações portuguesas, para o período 1981 a 1999, forneceu o
seguinte conjunto de resultados, estimados a partir de observações trimestrais:
onde
t é um contador de trimestres.
Dt é uma variável dummy que vale 1 para observações após a entrada de Portugal na
CEE, em 1986, e 0 caso contrário.
Uma análise das importações portuguesas, para o período 1981 a 1999, forneceu o
seguinte conjunto de resultados, estimados a partir de observações trimestrais:
SQT
=
SQT
= 1−
SQE
SQT
⇒ SQE = 1 − R 2 SQT ( )
Parcela não
explicada da
variação total
Substituindo SQE por (1-R2)SQT tem-se que da variável
dependente Y
2
RIrrestrito − RRe2
strito
J ~ FJ ,n −(k +1)
2
RIrrestrito
n − (k + 1)
Exemplo 3 ( Oliveira et al, 1997)
Exemplo:
Uma análise das importações portuguesas, para o período 1981 a 1999, forneceu o
seguinte conjunto de resultados, estimados a partir de observações trimestrais:
n = 19 x 4 = 76 trimestres
2
RIrrestrito − RRe2
strito 0,9869 − 0,9814
J ⇒ 2 = 0,20175
2
RIrrestrito 0 ,9814
n − (k + 1) 76 − (3 + 1)
Fcalculado = 0,20175
Yi = β0,1 + β1,1Xi,1 + ... + βk,1Xi,k + εi Modelo a ser estimado com n1 obs. do grupo 1
Yi = β0,2 + β1,2Xi,1 + ... + βk,2Xi,k + εi Modelo a ser estimado com n obs. do grupo 2
2
H0: β0,1=β
β0,2 , β1,1=β
β1,2 ,..., βk,1=β
βk,2
H1: β0,1=β
β0,2 , β1,1=β
β1,2 ,..., βk,1=β
βk,2
Estatística teste
SQErestrito − (SQEModelo _1 + SQEModelo _ 2 )
k +1
SQEModelo _1 + SQEModelo _ 2
n1 + n2 − 2(k + 1)
H0: β1=0 ( número de visitantes tem efeito nulo sobre conservação das espécias )
H1: β1≠0 ( número de visitantes tem efeito não nulo sobre conservação das espécias )
Estatística teste t calculado t crítico ao nível alfa de 5%
= INVT(0,05;12) = 2,8
βˆ1 0,51
= 0,52
~ t n −3 9,98
2
s βˆ
1
Estatística teste
Estatística teste
( )
SQE = 1 − R 2 (n − 1)SY2
Exemplo 4 (OLIVEIRA et al, 1997)
Teste de Chow
H0: β0,I=β0,II e β1,I=β1,II e β2,I=β2,II ( não houve mudança estrutural )
H1: β0,I≠β0,II ou β1,I≠ β1,II ou β2,I≠ β2,II ( houve mudança estrutural )
F calculado
23.686,2 − (1.034,27 + 1.303,04 )
3 = 66,98
1.034,27 + 1.303,04
22
Oliveira, M.M., Aguiar, A., Carvalho, A., Mendes, V., Portugal, P. Econometria:
Exercícios, Editora McGraw Hill de Portugal, Alfragide, 1997.