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.
1. Modelo Restrito (giz)<br />
2. Formas funcionais<br />
<strong>Econometria</strong><br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2010<br />
Variáveis binárias numa regressão<br />
Variáveis binárias ou dummy:<br />
-valor 1 para algumas observações (efeito ou pertencem a algum grupo) e zero para<br />
observações restantes.<br />
-Deslocamentos discretos de uma função dentro do modelo de regressão.<br />
- Efeito tratamento<br />
- Exemplos: efeito da universidade nos ganhos ao longo da vida, diferenças de sexo no<br />
comportamento da oferta de trabalho, etc.<br />
- Exemplo: vários estados para 10 anos.<br />
Diversos grupos<br />
• Variáveis binárias<br />
Formas funcionais<br />
• Não linearidade nas variáveis<br />
• Modelagem e teste de mudança estrutural<br />
• Viés variável omitida<br />
-Conjunto de variáveis binárias<br />
Diversas categorias<br />
Exemplo: dummies para correção de fatores sazonais<br />
-Armadilha da variável dummy<br />
-Exemplo: níveis educacionais<br />
Fatores qualitativos<br />
Variável discreta: 0 – sem escolaridade (SE), 1 – Fundamental (F), 2 – Médio (M), 3 –<br />
Superior (S).<br />
O que acontece???<br />
Modelo mais flexível (mais alto nível alcançado)<br />
Fazer esperança condicional: E(renda/idade, SE), E(renda/idade, F), E(renda/idade, M),<br />
E(renda/idade, S)<br />
1
Regressão “Spline”<br />
- Dados cross section para indivíduos de diversas idades: alguns padrões são específicos<br />
para determinadas faixas etárias.<br />
- 18 anos: fim do ensino médio<br />
- 22 anos: fim da faculdade.<br />
-Amostra pode ser dividida em 3 grupos.<br />
Formas funcionais<br />
Termos de interação<br />
Exemplos<br />
<strong>Econometria</strong><br />
1. Propriedades assintóticas dos estimadores MQO<br />
(continuação)<br />
4. Inferência – grandes amostras<br />
<strong>Danielle</strong> <strong>Carusi</strong> <strong>Machado</strong> - UFF - <strong>Econometria</strong><br />
2/2009<br />
Não linearidade de variáveis<br />
- O modelo de regressão deverá ser escrito de uma forma mais geral.<br />
um conjunto de funções linearmente independentes de z.<br />
Seja g(y) uma função do y observado, o modelo de regressão nesta forma geral é:<br />
Como é o modelo de regressão linear??<br />
Viés de omissão de variável<br />
relevante<br />
Substitui o y e ache o viés, que dependerá de X1’X2 e de<br />
beta2.<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 />
2
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 />
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 />
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 />
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 />
3
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 />
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 />
4