Econometria

Aula 24

Marta Areosa
marta@econ.puc-rio.br

Problema: M Especificao
Ocorre quando o modelo especificado no explica de modo
apropriado a relao da varivel dependente com as variveis
explicativas
Isso pode ocorrer quando:
o Omitimos variveis;
o No consideramos a forma funcional correta;

As variveis esto em nvel, quando deveriam estar em
log;

As relaes entre variveis no so consideradas
2

Problema: M Especificao
Variveis omitidas:
O modelo verdadeiro
y= 0 + 1x1 + 2x2 + 3x3 + u
e estimamos
y= 0 + 1x1 + 2x2 +v
Ou seja:
v= 3x3 + u
3

Problema: M Especificao
Se 30 e cov(v, 1x1 + 2x2) 0, teremos E[v |X] 0
Consequncia: os estimadores sero viesados
Se x3 = (x2)2 a situao pior, pois, ainda que.2 fosse noviesado, no seria possvel estimar o efeito de x2 em y, dado por
2 + 23
Se x3 = x1x2 (ou outra forma de relao entre as variveis), os
4
coeficientes,
alm de viesados, no tero a interpretao correta

Problema: M Especificao
Forma funcional incorreta:
Com a ajuda do teste F, podemos especificar um modelo
que englobe vrias possveis especificaes para obter qual
a correta
y= 0 + 1x1 + 2x2 + 3x3
+ 4ln(x1)+ 5ln(x2) + 6ln(x3)
+ 7(x1)2+ 8(x2)2 + 9(x3)2 + u

Dificuldade: Os graus de liberdade aumentam muito e,

portanto, esta abordagem requer um grande nmero de
observaes

Problema: M Especificao
Como detectar a m especifio?
Utilizando o teste de RESET
1) Estima-se a regresso
y= 0 + 1x1 + 2x2 + 3x3 + u
2) Calcula-se o valor predito de y
z = 0 + 1 x1 + 2 x2 + 3 x3
3) Estima-se a regresso
y= 0 + 1x1 + 2x2 + 3x3 + 4z2 + 5 z3 + v
Idia: os termos z2 e z3 captam no linearidades do modelo
Para testar H: 4=0, 5=0 utiliza-se a distribuio F2,n-k-3.
6

Problema: M Especificao
Como escolher entre dois modelos no-aninhados?
Podemos utilizar o R2-ajustado ou...
1) Estimar as regresses
y= 0 + 1x1 + 2x2 + 3x3 + u
y= 0 + 1ln(x1)+ 2 ln(x2) + 3 ln(x3) + u
2) Calcula-se o valor predito de y
z = 0 + 1 ln( x1 ) + 2 ln( x2 ) + 3 ln( x3 )
3) Estima-se a regresso
y= 0 + 1x1 + 2x2 + 3x3 + 4z + v

Idia: 4 no deve ser significativo se o primeiro modelo

verdadeiro

Problema: M Especificao
A rejeio de um modelo no implica que o outro seja
verdadeiro;
Se vrios modelos forem aceitos, pode-se utilizar o R2ajustado para selecionar entre os modelos;
Se vrios modelos forem rejeitados, uma anlise crtica
mais profunda ser necessria. (O que pode estar
interferindo na estimao? Problemas nos dados?
Causalidade simultnea? Outro fator?)
8

Problema: Variveis no-observveis

Algumas variveis no so passveis de serem medidas.
Dizemos que elas so no-observveis. Ex: Aptido de uma
pessoa, comprometimento com o trabalho, etc.
Nesse caso utilizamos uma varivel proxy. Isto
olhamos para uma varivel observvel que se relacione
com a varivel desejada.
Ou seja gostaramos de estimar

yi = 0 + 1 x1i + 2 x2i + 3 x3i + ui

mas, observamos
9

x3* = 0 + 1 x3 + vi

Problema: Variveis no-observveis

Ou seja, estamos estimando

yi = 0 + 1 x1i + 2 x2i + 3 x3* + wi

= ( 0 + 3 0 ) + 1 x1i + 2 x2i + 31 x3 + (wi + 3v1 )
Se
o vi no for correlacionado com x1i ou x2i,
o ui no for correlacionado com x3i
teremos que

1 = 1 ; 2 = 2 ;
3
0 = ( 0 + 3 0 ) 0 = 0 3 0 ; 3 = 31 3 =
1
Os estimadores 0 e 3 sero viesados e inconsistentes.
10

Problema: Variveis no-observveis

Se vi for correlacionado com x1i ou x2i teremos que

x3* = 0 + 1 x1 + 2 x2 + 3 x3 + vi
Nesse caso, todos os estimadores sero viesados e
inconsistentes.

yi = 0 + 1 x1i + 2 x2i + 3 x3* + wi

= ( 0 + 3 0 ) + ( 1 + 31 )x1i + ( 2 + 3 2 )x2i
+ 31 x3i + (wi + 3v1 )
11

Problema: Erro de Medida

Vamos supor que algumas variveis so obtidas com erro.
Devemos coniderar dois casos:
o O erro ocorre na varivel dependente e
o O erro ocorre em um regressor.
No primeiro caso, o parmetro de interesse (y*) tem erro.

yi = yi* + ei
Ou seja, gostaramos de regredir

yi* = 0 + 1 x1i + ui
O que corresponde a ter

yi = 0 + 1 x1i + (ui + ei )
12

Problema: Erro de Medida

Se ei no correlacionado com xi, temos que os
estimadores de MQO so no-viesados e consistentes.
O nico problema que

var(ui + ei ) = var(ui ) + var(ei ) > var(ui )

Portanto, os estimadores de MQO tero varincias maiores.
Se ei correlacionado com xi, temos que os estimadores de
MQO sero viesados e inconsistentes.
13

Problema: Erro de Medida

No segundo caso, o regressor de interesse (x*) tem erro

xi = xi* + ei
Ou seja

yi = 0 + 1 xi* + ui
= 0 + 1 xi + (ui 1ei )

Se ei for no-correlacionado com ui, os estimadores sero

consistente e no- viesados.
Teremos

var(ui 1ei ) = var(ui ) + 12 var(ei ) > var(ui )

14

Problema: Erro de Medida

Se ei for correlacionado com ui, os estimadores sero
inconsistentes e viesados.
No caso em questo:

cov( xi , ei ) = cov( xi* , ei ) var(ei ) = var(ei )

cov( xi , ui 1ei ) = cov( xi , ui ) 1 cov( xi , ei ) = 1 var(ei )
Ou seja:

var(ei )
cov( xi , ui 1ei )
1 var(ei )

p lim 1 = 1 +
= 1
= 1 1
var( x )
var(x )
var( x )

15

Problema: Erro de Medida

Como

var( xi ) = var( xi* ) + var(ei )

Temos que

var(ei )
var( xi* )

= 1
p lim = 1 1
*
*
var(x )

var( xi ) + var(ei )
Temos um vis (assinttico) de atenuao.
Se var(e*) for pequena, este vis pequeno.
Num modelo geral, com k regressores, no to fcil obter
uma expesso para o vis.
16

Problema: Identificao
Quando temos um sistema de equaes em que as variveis
esto relacionadas, dizemos que temos um modelo de
equaes simultneas (MES).
Nesse caso, nem sempre conseguimos estimar corretamente
todos os coeficientes das equaes.
Dizemos que ocorre um problema de identificao.

17

Problema: Identificao
Seja o seguinte sistema

y1i = 0 + 1 y2i + ui
y2i = 0 + 1 y1i + vi
Econometricamente, temos apenas uma equao...

y1i = 0 + 1 y2i + ui

0 1
1
y1i = + y2i vi

1
1
1
{ {
0

No h motivo para obtermos

18

123
wi

0 0 ; 1 1 e ui w i

Problema: Identificao
Precisamos de variveis que sejam determinadas fora do
sistema para nos ajudar a identificar cada curva
separadamente.
Considere o sistema

y1i = 0 + 1 y2i + ui
y2i = 0 + 1 y1i + 2 xi + vi
Nesse caso

y2i = 0 + 1 ( 0 + 1 y2i + ui ) + 2 xi + vi
= ( 0 + 1 0 ) + 11 y2i + 2 xi + ( 1ui + vi )
19

Problema: Identificao
Ou seja

0 + 1 0
1ui + vi
2
+

y2i =
xi +
11 1 11
1 11
1142

424
3
43 1
14243
0

wi

Chamamos esta equao de forma reduzida.

Se tivermos cov( xi , wi ) = 0 , ou seja cov( xi , ui ) = 0,
poderemos utilizar x como instrumento.
Obtendo y 2 i , podemos estimar y1i = 0 + 1 y 2i + ui

20

Problema: Identificao
Vimos que podemos obter os parmetros de uma das
equaes utilizando variveis instrumentais. E quanto a
outra equao?
Parece que podemos fazer a mesma coisa obtendo

0 + 1 0
1 2
1vi + ui
y1i =
xi +
+
1 1 0 1 1 0
1 1 0
Mas, intuitivamente, o procedimento parece estranho.
Estamos identificando deslocamentos em y1 atravs de x,
que uma varivel que desloca a curva de y2!
21

Problema: Identificao
De fato, este procedimento no pode ser feito... Se
tentssemos estimar

y2i = 0 + 1 y1i + 2 xi + vi
no iramos conseguir. Existe colinearidade perfeita entre
os regressores!
Dizemos que esta equao no identificada.

22

Problema: Identificao
Seja o seguinte sistema

y1i = 0 + 1 y2i + 2 x1i + ui

y2i = 0 + 1 y1i + 2 x2i + vi
Podemos estimar a forma reduzida deste sistema como
1

y1i 1 1 0 2 0 x1i ui
+

+
y =

x
v
1
0

2 2i
0
2i 1
i
Para ter sentido, a matriz acima deve ser inversvel.
23

Problema: Identificao
Devemos ter os erros no-correlacionados com os
regressores para estimar as formas reduzidas sem vis

y1i = 0 + 1 x1i + 2 x2i + wi

y2i = 0 + 1 x1i + 2 x2i + ei
onde
1

0 1 1 0 wi 1 1 ui
; =
=

v
1
1
e

0 i 1
i
0 1
1

24

1 2 1 1 2 0
=
0
1
1
2
1
1

Problema: Identificao
No podermos ter multicolinearidade perfeita entre

y1i e x1i

y 2i e x2i
para estimarmos

y1i = 0 + 1 y 2i + 2 x1i + ui
y2i = 0 + 1 y1i + 2 x2i + vi

Como, o caso em questo,

y1i = 0 + 1 x1i + 2 x2i

y 2i = 0 + 1 x1i + 2 x2i
esta condio nos diz que

2 0; 1 0 e correl (x1 , x2 ) {1,1}

25

Problema: Identificao
Caso geral:

Yi = B + CX + DY + U i
Yi = [ y1i L yni ] ;U i = [u1i L uni ] ;
T

X = [x1i

T
]
xki ; Anxn ; Bnx1 ; Cnxk ; Dnxn

A forma reduzida se torna

1

Yi = A B + A CX + A U i ;
26

A = ( I D)

Problema: Identificao
Para haver identificao nas equaes:
o A matriz A deve ser inversvel.
o Para estimarmos as formas reduzidas sem vis, U no
pode ser correlacionado com X;
o No pode haver multicolinearidade perfeita entre
1
1

DYi = DA B + DA CX

para estimarmos

AYi = B + CX + DY + U i
27

e CX