Aula 28/04/2014
28 de abril de 2014
(Wooldridge, captulo 4)
28/04/2014
1 / 32
Suposies ou hipteses
At agora assumimos:
RLM.1: y = 0 + 1 x1 + 2 x2 + . . . + k xk + u (o modelo ou
processo gerador dos dados linear nos parmetros).
RLM.2: temos uma amostra f(xi 1 , xi 2 , ..., xik , yi ) : i = 1, ..., n g
aleatria retirada da populao, tal que
E (ui jxl 1 , xl 2 , ..., xlk ) = 0, i 6= l.
RLM.3: colinearidade no perfeita ou: n (k + 1), cada varivel
explicativa apresenta variabilidade na amostra e nenhuma varivel
uma combinao linear das demais variveis explicativas.
RLM.4: E (ui jxi 1 , xi 2 , ..., xik ) = E (u ) = 0 (a mdia condicional do
erro zero).
RLM.5: a varincia do erro u, seja l quais forem os valores de
x1 , x2 , ..., xk
Var (u jx1 , x2 , ..., xk ) = Var (u ) = 2 (homocedasticidade).
Moiss Resende Filho (ECO/UnB)
(Wooldridge, captulo 4)
28/04/2014
2 / 32
Consequncias
Sob RLM.1 a RLM.3, possvel calcular as estimativas MQO
brij yi
b
j = i =n 1 2 , j = 1, ..., k
i =1 brij
n
E (e
j ) = j + k e
j
onde e
j o coeciente de xj , j = 1, ..., k 1 na regresso auxiliar de xk
sobre as demais variveis explicativas do modelo.
Moiss Resende Filho (ECO/UnB)
(Wooldridge, captulo 4)
28/04/2014
3 / 32
Consequncias
A suposio RLM.5 fundamental para se obter frmulas simples para
os estimadores da varincia dos estimadores de MQO e para a discusso de
ecincia de MQO, tal que, sob RLM.1 a RLM.5 (hipteses de
Gauss-Markov) e conditional nos valores das variveis explicativas nas
amostras
2
Var (b
j ) =
, j = 1, ..., k
SQTj (1 Rj2 )
r2
b
i ij
onde SQTj = ni=1 (xij xj )2 e Rj2 = 1 SQT
o R2 da regresso de xj
j
em x1 , x2 , ..., xj 1 , xj +1 , ..., xk , ou seja, uma regresso auxiliar de xj sobre
as demais variveis explicativas do modelo.
Ainda, sob RLM.1 a RLM.5 (hipteses de Gauss-Markov), os
estimadores MQO so BLUE.
(Wooldridge, captulo 4)
28/04/2014
4 / 32
Consequncias
Conhecemos os dois primeiro momentos da distribuio amostral de
b
j . pois sob RLM.1 a RLM.4,
E (b
j ) = j , j = 0, 1, ..., k
(1)
e 2 = SQR/(n
2
, j = 1, ..., k.
STQj (1 Rj2 )
(2)
1) um estimador no viesado de 2 .
(Wooldridge, captulo 4)
28/04/2014
5 / 32
Consequncias
= br y , j = 1, ..., k como
= br
n
Escreva b
j =
i 1
n
ij i
2
i 1 ij
j = j + wij ui ,
i =1
b
r
i 1 ij
variveis explicativas.
Conditional em f(xi 1 , ..., xik ) : i = 1, ..., n g, j herda a distribuio de
fui : i = 1, .., ng, que uma amostra aleatria da distribuio
populacional de u.
Sendo assim, devemos assumir alguma distribuio de probabilidade
para ui (Hiptese RLM.6 a seguir).
(Wooldridge, captulo 4)
28/04/2014
6 / 32
Normalidade do erro
Hiptese RLM.6 (Normalidade)
O erro populacional u independente de (x1 , ..., xk ) e normalmente
distribudo com mdia zero (RLM.2: E (ui jxl 1 , xl 2 , ..., xlk ) = 0, i 6= l e
RLM.4: E (u jx1 , ..., xk ) = 0, ou exogeneidade estrita) e varincia 2
constante (RLM.5: Var (u jx1 , ..., xk ) = Var (u ) = 2 ), tal que:
u
Normal (0, 2 )
ou
ui
(Wooldridge, captulo 4)
28/04/2014
7 / 32
Normalidade do erro
.1
.2
.3
f(u)
.4
(Wooldridge, captulo 4)
28/04/2014
8 / 32
Normalidade do erro
comum assumir-se nomarlidade dos erros, mas a razo para isso nem
sempre se sustenta.
Usualmente, o argumento pr normalidade baseia-se no fato de que u
a soma de vrios fatores no-observveis independentes, por
exemplo, u = a1 + a2 + ... + am para um m grande tal que se possa
aplicar o teorema central do limite.
Saber se a normalidade de u pode ser assumida uma questo emprica
(p.ex., teste Jarque-Bera dos resduos).
Em ltima anlise, como no caso de RLM.5, a hiptese RLM.6
mantida por convenincia, pois muito difcil fazer inferncia em amostras
nitas sem a hiptese de normalidade.
As suposies, pressupostos ou hipteses RLM.1 a RLM.6 so chamadas
de pressupostos do modelo clssico de regresso linear (MCRL) para
regresses de dados de seo cruzada.
Em termos prticos: pressupostos do MCRL = pressupostos de
Gauss-Markov (RLM.1 a RLM.5) + normalidade dos erros (RLM.6).
Moiss Resende Filho (ECO/UnB)
(Wooldridge, captulo 4)
28/04/2014
9 / 32
j = j + wij ui
Normal [ j , Var ( j )]
i =1
onde wij
b
rij
=
n
b
r2
i 1 ij
eb
rij o resduo da regresso de xj sobre as demais
variveis explicativas e
Var ( j ) =
2
.
SQTj (1 Rj2 )
(Wooldridge, captulo 4)
28/04/2014
10 / 32
Normal [ j , Var ( j )]
2
.
SST j (1 R j2 )
dp ( j )
(Wooldridge, captulo 4)
28/04/2014
11 / 32
ep ( j )
onde ep ( j ) = p
,
SST j (1 R j2 )
tn
(3)
(k +1 )
ni=1 ubi2
,
n (k +1 )
(k + 1) o nmero de
ep ( )
(Wooldridge, captulo 4)
28/04/2014
12 / 32
A distribuio t
De fato, porque substitumos (uma constante de valor desconhecido)
por (um estimador que varia de amostra para amostra) que trocamos a
distribuio nomal padro pela distribuio t.
Assim, j se distribui segundo uma distribuio t, mas o erro-padro
da distribuio amostra de j deve ser estimado em cada amostra.
Apesar de a distribuio t apresenta uma forma de sino, ela mais
espalhada que a normal padro, Normal (0, 1).
E (tgl ) = 0, se gl > 1
gl
Var (tgl ) =
> 1, se gl > 2
gl 2
(Wooldridge, captulo 4)
28/04/2014
13 / 32
A distribuio t
(Wooldridge, captulo 4)
28/04/2014
14 / 32
A distribuio t
.1
.2
.3
.4
-4
-2
0
standard normal
(Wooldridge, captulo 4)
t with 6 df
28/04/2014
15 / 32
(Wooldridge, captulo 4)
28/04/2014
16 / 32
(Wooldridge, captulo 4)
28/04/2014
17 / 32
onde ep ( j ) = p
,
SQT j (1 R j2 )
j
ep ( j )
ni=1 ubi2
.
n (k +1 )
j
ep ( j )
tn
(k +1 ) .
(Wooldridge, captulo 4)
28/04/2014
18 / 32
(Wooldridge, captulo 4)
28/04/2014
19 / 32
j
ep ( j )
tn
(k +1 ) .
(Wooldridge, captulo 4)
28/04/2014
20 / 32
Area = .05
0
1.701
(Wooldridge, captulo 4)
rejection
region
28/04/2014
21 / 32
j
> 1, 701
ep ( j )
(Wooldridge, captulo 4)
28/04/2014
22 / 32
c10%;28gl
c5%;28gl
c1%;28gl
= 1, 313
= 1, 701
= 2, 467
(Wooldridge, captulo 4)
28/04/2014
23 / 32
Para amostras de tamanho grande, tal que gl > 120, podemos utilizar
os valores crticas da distribuio normal padro, correspondentes a linha
gl = na Tabela G.2 do livro texto.
c10% = 1, 282
c5% = 1, 645
c1% = 2, 362
os quais podem ser arredondados para 1, 28, 1, 65 e 2, 36. O valor crtico
1.65 especiamente comum em testes unilaterais.
(Wooldridge, captulo 4)
28/04/2014
24 / 32
(Wooldridge, captulo 4)
28/04/2014
25 / 32
(0,012 )
(0,00172 )
(0,003 )
n = 526, R = 0, 316
Os nmeros em parnteses so os erros-padro, tal que:
texper =
0, 0041
0, 0017
2, 38
que maior que o valor crtico para amostras grandes (gl > 120)
c1% = 2, 362.
Portanto, rejeita-se H0 : exper = 0 em favor de H1 : exper > 0 ao
nvel de signicncia de 1%.
Um ano a mais de experincia, mantidos educ e perm no tem uma
grande signicncia econmica, apenas 0, 41%. de aumento no salrio
previsto.
Moiss Resende Filho (ECO/UnB)
(Wooldridge, captulo 4)
28/04/2014
26 / 32
SS
df
MS
Model
Residual
46.8741776
101.455574
3
522
15.6247259
.194359337
Total
148.329751
525
.28253286
lwage
Coef.
educ
exper
tenure
_cons
.092029
.0041211
.0220672
.2843595
Std. Err.
.0073299
.0017233
.0030936
.1041904
t
12.56
2.39
7.13
2.73
Number of obs
F( 3,
522)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
526
80.39
0.0000
0.3160
0.3121
.44086
P>|t|
0.000
0.017
0.000
0.007
.0776292
.0007357
.0159897
.0796756
.1064288
.0075065
.0281448
.4890435
texper = 2, 39
p
Moiss Resende Filho (ECO/UnB)
valor =
0.017
= 0.0085 ou 0.85%
2
(Wooldridge, captulo 4)
28/04/2014
27 / 32
c.
j
<
ep ( j )
(Wooldridge, captulo 4)
28/04/2014
28 / 32
Area = .05
0
rejection
region
-1.734
(Wooldridge, captulo 4)
28/04/2014
29 / 32
(Wooldridge, captulo 4)
28/04/2014
30 / 32
(Wooldridge, captulo 4)
28/04/2014
31 / 32
. reg
SS
df
MS
Model
Residual
3032.09408
12029.853
3
676
1010.69803
17.7956405
Total
15061.9471
679
22.1825435
final
Coef.
missed
priGPA
ACT
_cons
-.0793386
1.915294
.4010639
12.37304
Std. Err.
.0352349
.372614
.0532268
1.171961
valor =
t
-2.25
5.14
7.54
10.56
Number of obs
F( 3,
676)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.025
0.000
0.000
0.000
=
=
=
=
=
=
680
56.79
0.0000
0.2013
0.1978
4.2185
-.0101556
2.646914
.5055736
14.67416
0.025
= 0.0125 ou 1.25%
2
(Wooldridge, captulo 4)
28/04/2014
32 / 32