1 Econometria - Danielle Carusi Machado
1 Econometria - Danielle Carusi Machado
1 Econometria - Danielle Carusi Machado
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Econometria</strong><br />
1. Propriedades assintóticas dos estimadores MQO<br />
(continuação)<br />
2. Inferência – grandes amostras<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Uma extensão do Teorema de<br />
Slutsky<br />
d<br />
Se x n x (Xn tem uma distribuição limite) e θ é uma constante tal<br />
⎯→ ⎯<br />
d<br />
que g ( x n , θθθθ ) ⎯⎯→<br />
g (gn tem uma distribuição limite que é função de θ),<br />
d<br />
e p limy n = θθθθ temos que: g ( x n , y n ) ⎯⎯→<br />
g<br />
Ou seja, substituir o θ por um estimador consistente leva a mesma<br />
distribuição limite.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Teorema do Limite Central<br />
Descreve o comportamento de uma variável<br />
aleatória que envolve soma de variáveis<br />
“Tendência para a normalidade.”<br />
A média de uma amostra aleatória de qualquer<br />
população (com variância finita), quando<br />
padronizada, tem uma distribuição normal<br />
padrão assintótica.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Teorema de Slutsky para Variáveis<br />
Aleatórias<br />
d<br />
X<br />
Se n X<br />
, e se g(Xn) é uma função continua com derivadas<br />
⎯→ ⎯<br />
contínuas e que não depende de n, temos que :<br />
Exemplo:<br />
d<br />
g ( X n ) g ( X ) ⎯→ ⎯<br />
t-student converge para uma normal padrão.<br />
Quadrado de uma t-student converge para uma qui-quadrada.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Aplicação do Teorema de Slutsky<br />
Comportamento da estatística F para testar restrições em grandes amostras:<br />
* *<br />
2<br />
* *<br />
( e ´ e − e´<br />
e)<br />
⎫ d χχχχ J<br />
( e ´ e − e´<br />
e )<br />
2 ⎬ ⎯⎯→<br />
J<br />
σσσσ J J<br />
F =<br />
=<br />
⎭<br />
e´<br />
e<br />
( ) e´<br />
e<br />
⎫ p<br />
n − k<br />
2 ⎬ ⎯⎯→1<br />
σσσσ ( n − k ) ⎭<br />
d 2<br />
JF ⎯⎯→<br />
χχχχ J<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Teorema do Limite Central<br />
Teorema Lindeberg-Levy (versão simples do TLC):<br />
Se x 1 , x 2 , … , x n é uma amostra aleatória de uma população cuja<br />
distribuição de probabilidade tem média µ e variância finita<br />
n<br />
1<br />
n ∑ i<br />
n<br />
i = 1<br />
igual a σ2 e x = x temos que:<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
x n − μμμμ d<br />
n ⎯⎯→<br />
N ( 0,<br />
1)<br />
σσσσ<br />
Se p lims<br />
n=<br />
σσσσ :<br />
x n − μμμμ d<br />
n ⎯⎯→<br />
N ( 0,<br />
1)<br />
sn<br />
1
Teorema do Limite Central<br />
Teorema Lindeberg-Feller :<br />
Suponha que { } , i = 1,...,<br />
n é uma sequência de variáveis aleatórias<br />
x i<br />
independentes com média µ i e variâncias positivas finitas σ2 i<br />
1<br />
μμμμ n = ( μμμμ 1 + μμμμ 2 + μμμμ 3 + ... + μμμμ n )<br />
n<br />
2 1<br />
σσσσ n = ( σσσσ 1 + σσσσ 2 + σσσσ 3 + ... + σσσσ n )<br />
n<br />
n<br />
d<br />
2<br />
( x − μμμμ ) ⎯⎯→N<br />
( 0,<br />
σσσσ )<br />
n<br />
n<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Distribuição assintótica<br />
Uma distribuição assintótica é uma distribuição usada para a<br />
aproximar a verdadeira distribuição de amostra finita de uma variável<br />
aleatória.<br />
Construída a partir da distribuição limite da função de uma variável<br />
aleatória.<br />
Se<br />
é assintoticamente normalmente distribuído<br />
com média µ e variância σ2 ⎛ x n − μμμμ ⎞ d<br />
n ⎜ ⎟ ⎯⎯→<br />
N ( 0,<br />
1)<br />
⎝ σσσσ ⎠<br />
2<br />
x n ~ N ( μμμμ , σσσσ )<br />
n<br />
/n.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Eficiência assintótica<br />
Exemplo: Amostra aleatória de uma distribuição<br />
normal,<br />
A média amostral é assintoticamente normal com<br />
[µ,σ 2 /n]<br />
Mediana é assintoticamente normal com<br />
[µ,(π/2)σ 2 /n]<br />
Média é assintoticamente mais eficiente.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Lindberg-Levy vs. Lindeberg-Feller<br />
Lindeberg-Levy assume amostra aleatória – observações<br />
possuem as mesmas média e variância.<br />
Lindeberg-Feller – a variância pode ser diferente entre as<br />
observações, apenas com hipóteses de como elas variam.<br />
Soma de variáveis aleatórias, independente da sua<br />
distribuição, tenderão a ser normalmente distribuídas. E,<br />
mais, Lindeberg-Feller não requere que as variáveis na soma<br />
venham da mesma distribuição de probabilidade.<br />
Estimadores em econometria – uso da versão Lindeberg-Feller<br />
do TLC.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Eficiência assintótica<br />
Comparação de variâncias assintóticas<br />
Como comparamos estimadores consistentes? Se<br />
convergem para constante, ambas variâncias vão para zero.<br />
ˆ d<br />
n ( θθθθ n −θθθθ ) ⎯⎯→N<br />
( 0,<br />
V )<br />
Eficiência assintótica: Um estimador θθθθˆ<br />
n é assintoticamente<br />
normal, este estimador é eficiente assintoticamente se a<br />
matriz de covariância de qq outro estimador consistente e<br />
assintoticamente normal exceder (1/n)V por uma matriz<br />
definida não negativa.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Propriedades assintóticas do EMQ<br />
A hipótese de normalidade não é necessária para<br />
derivarmos as propriedades assintóticas.<br />
Hipóteses: Convergência de X′X/n para uma<br />
matriz Q positiva definida.<br />
Convergência de X’ε/n para 0. Suficiente para a<br />
consistência.<br />
Hipóteses: Convergência de (1/√n)X’ε para um<br />
vetor com distribuição normal – normalidade<br />
assintótica.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
2
EMQ<br />
EMQ pode ser escrito da seguinte forma:<br />
(X′X) -1 X′y = (X′X) -1 Σ ix iy i<br />
= β + (X′X) -1 Σ ix iε i<br />
Um vetor de constantes mais um vetor de variáveis<br />
aleatórias.<br />
Os resultados para a amostra finita são estabelecidos<br />
conforme regras estatísticas para esta soma.<br />
Como esta soma de variáveis se comporta em grandes<br />
amostras?<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Convergência em média quadrática<br />
E[b|X]=β para qualquer X.<br />
Var[b|X]0 para um X específico<br />
b converge para β<br />
b é consistente<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Limite de probabilidade<br />
Devemos encontrar o plim do último termo:<br />
⎛ X ' εεεε ⎞<br />
p lim⎜<br />
⎟<br />
⎝ n ⎠<br />
n<br />
n<br />
X ' εεεε 1<br />
1<br />
= x i i w i w<br />
n n ∑ εεεε =<br />
n ∑ =<br />
i = 1<br />
i = 1<br />
−1<br />
p limb<br />
= ββββ + Q p limw<br />
Para isto, devemos formular algumas hipóteses.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
We use 'convergence in mean square. Adequate for<br />
almost all problems, not adequate for some time<br />
Limite de probabilidade<br />
series problems.<br />
−1<br />
n<br />
∑i=<br />
1 i i<br />
⎛ 1<br />
⎜<br />
⎝ n<br />
−1<br />
⎞ ⎛ 1 n<br />
⎟ × ⎜ ∑i=<br />
1<br />
⎠ ⎝ n<br />
⎞ 1 n<br />
iε i ⎟ × ∑i=<br />
1<br />
⎠ n<br />
i εi<br />
⎛ 1 ⎞ ⎛ 1 ⎞<br />
b = β + ⎜ X'X ⎟ × ⎜ x ε ⎟<br />
⎝ n ⎠ ⎝ n ⎠<br />
⎛ ⎞ ⎛ 1 ⎞<br />
( b - β)( β)( b - β) β) ' =<br />
= X'X x ⎜ x ' ⎟ ⎜ X'X ⎟<br />
⎝ ⎠ ⎝ n ⎠<br />
−1 −1<br />
n n<br />
∑ ε ε<br />
2 i= 1∑<br />
i i j '<br />
j=1<br />
j<br />
⎛ 1 ⎞ ⎛ 1 ⎞ ⎛ 1 ⎞<br />
= ⎜ X'X ⎟ ⎜ x x ⎟ ⎜ X'X ⎟<br />
⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎠<br />
In E[( b - β)( β)( b - β)<br />
β) ' | X]<br />
in the double sum, terms with unequal<br />
subscripts have expectation zero.<br />
⎛ 1 ⎞ ⎛ 1 n 2 ⎞ ⎛ 1 ⎞<br />
E[( b - β)( β)( b - β)<br />
β) ' | X] = ⎜ X'X ⎟ ⎜ ∑ x ε<br />
= ix 2 i 1 j 'E[ i | X] ⎟ ⎜ X'X ⎟<br />
⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎠<br />
−1<br />
−1 −1<br />
2 −1 −1 2<br />
−1<br />
σ ⎛ 1 ⎞ ⎛ 1 ⎞ ⎛ 1 ⎞ σ ⎛ 1 ⎞<br />
= ⎜ X'X ⎟ ⎜ X'X ⎟ ⎜ X'X ⎟ = ⎜ X'X<br />
n<br />
⎟<br />
⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎠ n ⎝ n ⎠<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Limite de probabilidade<br />
−1<br />
⎛ 1 ⎞ ⎛ 1 n ⎞<br />
b = β + ⎜ X'X ⎟ × ⎜ ∑ x ε<br />
i= 1 i i ⎟<br />
⎝ n ⎠ ⎝ n ⎠<br />
−1 −1<br />
n<br />
⎛ 1 ⎞ ⎛ 1 ⎞ ⎛ 1 ⎞ ⎛ 1 ⎞<br />
b - β β = ⎜ X'X ⎟ × ⎜ ∑ x ε =<br />
i= 1 i i ⎟ ⎜ X'X ⎟ ⎜ X'ε<br />
ε<br />
⎟<br />
⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎠<br />
−1<br />
⎡ ⎤<br />
⎛ 1 ⎞ ⎛ 1 ⎞<br />
P lim( b - ββ β β) = plim ⎢⎜ X'X ⎟ ⎜ X' ε<br />
ε⎟⎥<br />
⎢⎣ ⎝ n ⎠ ⎝ n ⎠⎥⎦<br />
−1<br />
−1<br />
⎛ 1 ⎞ ⎛ 1 ⎞ ⎡ ⎛ 1 ⎞⎤ ⎛ 1 ⎞<br />
= plim ⎜ X'X ⎟ plim ⎜ X'ε ⎟ = plim X'X<br />
⎝ n ⎠ ⎝ n<br />
⎢ ⎜<br />
⎠ ⎝ n<br />
⎟⎥ plim ⎜ X'ε<br />
⎟<br />
⎣ ⎠⎦ ⎝ n ⎠<br />
−1<br />
⎛ 1 ⎞<br />
= Q plim ⎜ X'ε⎟<br />
assuming well behaved regressors. A inversa é uma<br />
⎝ n ⎠<br />
função contínua<br />
⎛ 1 ⎞<br />
What must be assumed to get plim Este<br />
⎜<br />
plim X'εdeverá ⎟ = 0 ? ser zero da matriz<br />
⎝ n ⎠<br />
original.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Hipótese crucial do modelo<br />
O que devemos assumir para que plim(1/nX’ε)=0?<br />
1) x i = vetor aleatório com média e variâncias finitas e com<br />
distribuições idênticas.<br />
2) ε i = variável aleatória com uma distribuição constante com<br />
média e variância finitas e E(ε i)=0<br />
3) x i e ε i são estatisticamente independentes. w i = x iε i = uma<br />
observação em uma amostra aleatória, com matriz de<br />
covariância constante e o vetor de média igual a zero.<br />
1<br />
converge para sua esperança.<br />
∑w i<br />
n<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
3
Limite de probabilidade<br />
Pela hipótese de exogeneidade e pela lei das<br />
expectativas iteradas:<br />
⎡<br />
( )<br />
⎛w<br />
⎤ ⎡<br />
⎤<br />
=<br />
i ⎞ ⎛ x<br />
=<br />
i εεεε<br />
E w<br />
i ⎞<br />
i E x ⎢E<br />
⎜ ⎟⎥<br />
E x ⎢E<br />
⎜ ⎟⎥<br />
⎣ ⎝ x i ⎠⎦<br />
⎣ ⎝ x i ⎠⎦<br />
⎡<br />
⎤<br />
= E<br />
⎛ i ⎞<br />
x ⎢x<br />
i E<br />
εεεε<br />
⎜ ⎟⎥<br />
= 0<br />
⎣ ⎝ x i ⎠⎦<br />
Desta forma a expectativa<br />
exata E ( w ) = 0<br />
∑<br />
∑<br />
1<br />
1<br />
1<br />
E ( w ) = E ( w i ) = E ( w i ) = E ( w i ) = 0<br />
n n<br />
n<br />
i = 1<br />
i = 1<br />
i = 1<br />
Substituindo<br />
(2) em (1) :<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
∑<br />
Limite de probabilidade<br />
[ var(<br />
w ) ]<br />
⎡⎛<br />
2<br />
σσσσ ⎞ ⎤ ⎛ 2<br />
σσσσ ⎞ ⎡⎛<br />
⎞⎤<br />
⎢⎜<br />
⎟⎛<br />
X ' X ⎞<br />
⎥ = ⎜ ⎟ X ' X<br />
var( w ) = E<br />
= E ⎜ ⎟ E ⎢⎜<br />
⎟<br />
X<br />
⎜ ⎟<br />
⎥<br />
⎢⎜<br />
⎟<br />
⎣⎝<br />
n<br />
⎠⎝<br />
n ⎠⎥<br />
⎦ ⎝<br />
n<br />
⎠ ⎣⎝<br />
n ⎠⎦<br />
A variância<br />
irá para zero se a esperança entre parênteses convergir para<br />
uma matriz constante. A hipótese de que plim (X' X/n) converge para Q será<br />
suficiente.<br />
lim var( w ) = 0.<br />
Q = 0<br />
n → ∞<br />
Como a médiaw<br />
é zero e sua variância converge para zero, w converge em média<br />
quadrática para zero, desta forma :<br />
X ' εεεε<br />
plim = 0<br />
n<br />
−1 p limb<br />
= ββββ + Q . 0 = ββββ<br />
EMQ é consistente!!<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Resultados Assintóticos<br />
− ⎛ ⎞<br />
+ × ⎜ ∑ ε<br />
= ⎟<br />
⎝ ⎠<br />
n<br />
1 1<br />
β Q x<br />
i 1 i i<br />
n<br />
Qual What a média is the desta mean variável of this aleatória? random vector?<br />
What is its variance?<br />
Qual sua variância?<br />
Do they 'converge' to something? We use<br />
Esta<br />
this<br />
soma<br />
method<br />
converge<br />
to<br />
para<br />
find<br />
algo?<br />
the probability<br />
Podemos achar<br />
limit.<br />
o<br />
limite de probabilidade.<br />
Qual What a distribuição is the asymptotic assintótica? distribution?<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
var(<br />
= E<br />
var<br />
Limite de probabilidade<br />
Pela decomposição da variância:<br />
w ) = E [ var(<br />
w ) ] + var[<br />
E ( w ) ]<br />
X<br />
X<br />
[ var(<br />
w ) ] + 0 (1)<br />
Para<br />
calcular o primeiro termo usamos E<br />
( w ) = E [ ww<br />
'|<br />
X ]<br />
X<br />
1<br />
X 'E<br />
n<br />
X<br />
1<br />
n<br />
⎛ 2<br />
σσσσ ⎞⎛<br />
X ' X ⎞<br />
⎜ ⎟<br />
⎝<br />
n<br />
⎠⎝<br />
n ⎠<br />
[ εε εε εε εε'|<br />
X ] X = ⎜ ⎟⎜<br />
⎟ (2)<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
[ εε εε εε εε'|<br />
X ]<br />
2<br />
= σσσσ I<br />
⎡ 1 ⎛ 1 ⎞ ⎤<br />
= E ⎢ X ' εεεε ⎜ X ' εεεε ⎟'|<br />
X ⎥ =<br />
⎣n<br />
⎝ n ⎠ ⎦<br />
Distribuição assintótica<br />
−1<br />
⎛ 1 ⎞ ⎛ 1 n ⎞<br />
b = β + ⎜ X'X ⎟ × ⎜ ∑ x ε<br />
i= 1 i i ⎟<br />
⎝ n ⎠ ⎝ n ⎠<br />
O comportamento The limiting behavior limite de of b é is o mesmo the same da as<br />
estatística that of the resultante statistic da that substituição results when da matriz the de<br />
momentos pelo seu limite.<br />
Examinamos moment matrix o comportamento is replaced da by seguinte its limit. soma We<br />
modificada: examine the behavior of the modified sum<br />
β<br />
β<br />
⎛ 1 ⎞<br />
⎜ ⎟<br />
⎝ n ⎠<br />
−<br />
+ × ∑ ε<br />
=<br />
n<br />
1<br />
Q x<br />
i 1 i i<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Distribuição assintótica<br />
b β em probabilidade. Como descrever esta<br />
distribuição?<br />
Não tem uma distribuição limite<br />
Variância b 0<br />
Como estabilizar a variância? Var[√n b] ~ σ 2 Q -1<br />
Mas, E[√n b]= √n β que diverge<br />
√n (b - β) é uma variável aleatória com média e<br />
variância finitas (transformação que estabiliza)<br />
b aproximadamente β +1/ √n vezes a variável<br />
aleatória.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
4
Distribuição limite<br />
√n (b - β) = √n (X’X) -1 X’ε<br />
= (X’X/n) -1 (X’ε/ √ n)<br />
No limite, isto é igual a (plim):<br />
Q -1 (X’ε/√ n)<br />
Q é uma matriz positiva definida.<br />
Comportamento depende da variável aleatória<br />
(X’ε/√ n)<br />
σσσσ<br />
=<br />
n<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Distribuição no limite: Normal<br />
Se<br />
var( x i εεεε i ) = σσσσ E ( x i x i ')<br />
= σσσσ Qi<br />
1<br />
1<br />
var( nw<br />
) = n var( w ) = n var( x i εεεε i ) =<br />
n ∑ n<br />
2<br />
2<br />
∑<br />
Qi<br />
= σσσσ Qn<br />
2<br />
limσσσσ<br />
Qn<br />
= σσσσ Q<br />
{ εεεε }<br />
⎛<br />
2 ⎞<br />
1<br />
~ ⎜ − σσσσ<br />
b N ββββ , Q ⎟<br />
⎜ ⎟<br />
⎝<br />
n<br />
⎠<br />
2<br />
d<br />
n ( b − ββββ ) ⎯⎯→<br />
N<br />
2<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
2<br />
∑<br />
Distribuição assintótica<br />
−1<br />
2 ( 0,<br />
Q σσσσ )<br />
da normalidade<br />
dos distúrbios com consequência<br />
do TLC.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
var( x i εεεε i )<br />
Teorema : Distribuição<br />
assintótica<br />
de b com observações<br />
independentes<br />
Se i são independentemente<br />
distribuídos<br />
com média zero e variância<br />
2<br />
finita σσσσ temos que :<br />
Resultado importante : normalidade<br />
assintótica<br />
do EMQ não depende<br />
Distribuição no limite: Normal<br />
1<br />
( ) X 'εεεε<br />
= n ( w − E ( w ) )<br />
n<br />
Podemos usar a versão Lindeberg - Feller do TLC para obter<br />
a distribuição<br />
limite da variável aleatória acima.<br />
w é a média de n vetores aleatórios independentes<br />
:<br />
w i = x i εεεε i<br />
Estes vetores têm média zero e variância igual a :<br />
2<br />
2<br />
var( x i εεεε i ) = σσσσ E ( x i x i ')<br />
= σσσσ Qi<br />
{ x εεεε }<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Distribuição no limite: Normal<br />
Temos todos elementos para aplicarmos o TLC para o vetor<br />
− i i são vetores independentes<br />
distribuídos<br />
com média zero e<br />
2<br />
variância igual a σσσσ Qi<br />
.<br />
⎛<br />
⎜<br />
⎝<br />
1 ⎞ d<br />
⎟<br />
2<br />
⎟<br />
X 'εεεε<br />
⎯⎯→<br />
N ( 0,<br />
σσσσ Q )<br />
n ⎠<br />
−1⎛<br />
1 ⎞ d<br />
Q ⎜ ⎟<br />
⎜ ⎟<br />
X 'εεεε<br />
⎯⎯→<br />
⎝ n ⎠<br />
d<br />
n ( b − ββββ ) ⎯⎯→<br />
N<br />
−1<br />
−1<br />
2 −1<br />
N ( Q 0,<br />
Q σσσσ QQ )<br />
−1<br />
2 ( 0,<br />
Q σσσσ )<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Consistência de s 2<br />
2 1 1 n 1<br />
s = e'e = ε ε'M ε ε = = = ε ε'M ε<br />
ε<br />
n − K n − K n − K n<br />
n<br />
→ 1<br />
n − K<br />
2 1 ⎡1 1<br />
-1 ⎤<br />
plim s = plim ε ε'M ε ε = = plim ⎢ ε ε' ε ε −− − ε ε'X( X'X) X' ε<br />
ε<br />
n ⎥<br />
⎣n n<br />
⎦<br />
1 ⎛ 1 ⎞ ⎛ 1 -1 ⎞ ⎛ 1 ⎞<br />
= = plim ε ε' ε ε − plim ⎜ ε ε'X ⎟ plim ⎜ ( X'X) ⎟plim n<br />
⎜ X' ε<br />
ε⎟<br />
⎝ n ⎠ ⎝ n ⎠ ⎝ n ⎠<br />
1<br />
-1<br />
= = plim ε ε' ε ε −<br />
− 0'Q 0<br />
n<br />
1<br />
2 2<br />
What must be assumed<br />
to claim plim = E[ ε ] = σ ?<br />
n ' εε ε εε<br />
ε<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
n ( w ) :<br />
5
Consistência de s 2<br />
2 X ' X −1<br />
2 −1<br />
p lims<br />
( ) = σσσσ Q<br />
n<br />
2<br />
σσσσ −1<br />
var b = Q<br />
n<br />
2 −1<br />
est var b = s ( X ' X )<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
<strong>Econometria</strong><br />
1. Propriedades assintóticas dos estimadores MQO<br />
(continuação)<br />
2. Inferência – grandes amostras<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Estatística de Wald<br />
Abordagem geral considerando uma distribuição univariada<br />
Quadrado de uma variável normal padrão qui-quadrada com 1 grau<br />
de liberdade.<br />
Suponha z ~ N[0,σ 2 ] , desta forma (z/σ) 2 é uma qui-quadrada com 1<br />
gl.<br />
Suponha z~N[μ,σ 2 ].<br />
[(z - μ)/σ] 2 é uma qui-quadrada com 1 gl. Esta é a distância<br />
normalizada entre z e μ, onde a distância é medida em unidades<br />
de desvios padrão.<br />
Suponha z n não é exatamente normalmente distribuída, mas (1) E[z n]<br />
= μ, (2) Var[z n] = σ 2 , (3) a distribuição limite de z n é normal.<br />
(z n - μ)/σ N[0,1], que é uma distribuição limite , não é uma<br />
distribuição exata em uma amostra finita.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Eficiência assintótica<br />
Um estimador é assintoticamente eficiente se é<br />
consistente, assintoticamente normalmente distribuído, e<br />
tem uma matriz de covariância que não é maior que uma<br />
matriz de covariância de qualquer outro estimador<br />
consistente e com distribuição assintótica normal.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Estatísticas de testes<br />
Como estabelecemos a distribuição assintótica de b,<br />
podemos construir estatísticas de testes. Baseamos os<br />
testes na estatística de Wald.<br />
F[J,n-K] = (1/J)(Rb - q)’[R s 2 (X′X) -1 R′] -1 (Rb - q)<br />
Esta é a estatística de teste usual para testar hipóteses<br />
lineares no modelo de regressão linear, seguindo uma<br />
distribuição F exata se os erros são normalmente<br />
distribuídos.<br />
Qual o resultado mais geral? Quando não se assume<br />
normalidade.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Extensões<br />
Logo:<br />
τ n 2 = [(zn - μ)/σ] 2 {N[0,1]} 2 , ou χ 2 [1].<br />
Novamente, uma distribuição limite, não é uma distribuição exata.<br />
Suponha σ desconhecido, e substituímos σ por um estimador<br />
consistente para σ, ou seja s n, tal que plim s n = σ.<br />
O que acontece com este “análogo empírico”?<br />
t n = [(z n - μ)/s n]?<br />
Como plim s n = σ, o comportamento desta estatística em uma grande<br />
amostra será igual ao comportamento da estatística original<br />
usando σ ao invés de s n.<br />
t n 2 = [(zn - μ)/s n] 2 converge para uma qui-quadrada[1].<br />
t n e τ n convergem para a mesma variável aleatória.<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
6
Forma Quadrática<br />
Se um vetor aleatório x (dimensão k)<br />
tem uma distribuição normal multivariada com<br />
vetor de média igual a μ e matriz covariância<br />
igual a Σ, a variável aleatória W = (x - μ)′Σ ′Σ -<br />
1 (x - μ) tem uma distribuição qui-quadrada<br />
com K graus de liberdade..<br />
Construindo a estatística de teste<br />
Wald<br />
Suponha que a hipótese de normalidade<br />
permanece, mas ao invés de termos a matriz<br />
de parâmetros Σ usamos a matriz S n que é<br />
consistente (plim S n = Σ).<br />
O resultado exato da qui-quadrada não se aplica,<br />
mas a distribuição limite é a mesma se<br />
usarmos Σ.<br />
Resultado geral para a distância de<br />
Wald<br />
Medida de distância de Wald: Se plim x n = μ, x n é<br />
assintoticamente normalmente distribuído<br />
com média μ e variância Σ, e se S n é um<br />
estimador consistente para Σ, a estatística de<br />
Wald, que é uma medida de distância<br />
generalizada converge para uma qui-quadrada<br />
(x n - μ) ′S n -1 (xn - μ) χ 2 [K]<br />
Prova<br />
Σ1/2 é uma matriz tal que:<br />
Σ1/2 × Σ1/2 = Σ. Logo, V = (Σ1/2 ) -1 é a inversa da raiz<br />
quadrada, tal que V × V = Σ-1/2 Σ-1/2 = Σ-1 .<br />
Se z = (x - μ). O z tem média 0, matriz covariância Σ, e distribuição<br />
normal.<br />
O vetor aleatório w = Vz tem média V0 = 0 e matriz covariância VΣV′<br />
= I.<br />
w tem uma distribuição normal com´média 0 e matriz covariância I.<br />
w′w = Σ 2<br />
kwk onde cada elemento é o quadrado de uma normal<br />
padrão, logo uma qui-quadrada(1). A soma de qui-quadradas é<br />
igual a uma qui-quadrada, logo:<br />
w′w = (x - μ) ′Σ -1 (x - μ).<br />
Estatística de Wald<br />
Suponha que a estatística é construída com um x que não<br />
tem uma distribuição normal exata, mas com x n que<br />
tem distribuição normal limite.<br />
(x n - μ) ′S n -1 (xn - μ) χ 2 [K]<br />
Nada depende da distribuição normal. Usamos a<br />
consistência de (S n) e TLC para x n.<br />
A estatística F<br />
H0: Rβ - q = 0<br />
F[J, n-K] = [(e*’e* - e’e)/J] / [e’e / (n-K)]<br />
F[J,n-K] = (1/J) × (Rb n - q)′[R s 2 (X′X) -1 R’] -1 (Rb n - q).<br />
Onde m = (Rb n - q). Sob Ho, plim m=0.<br />
√n m N[0, R(σ 2 /n)Q -1 R’]<br />
Var estimada : R(s 2 /n)(X’X/n) -1 R’]<br />
(√n m )’ [Est.Var(√n m)] -1 (√n m )<br />
Se plim b n = β, plim s 2 = σ 2 ,<br />
JF[J,n-K] χ2[J].<br />
7