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
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
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
x3* = 0 + 1 x3 + vi
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
x3* = 0 + 1 x1 + 2 x2 + 3 x3 + vi
Nesse caso, todos os estimadores sero viesados e
inconsistentes.
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
xi = xi* + ei
Ou seja
yi = 0 + 1 xi* + ui
= 0 + 1 xi + (ui 1ei )
var(ei )
cov( xi , ui 1ei )
1 var(ei )
p lim 1 = 1 +
= 1
= 1 1
var( x )
var(x )
var( x )
15
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
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
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 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
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
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
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