Capitulo04 - Econometria 1

Anlise de Regresso Mltipla: inferncia
Aula 28/04/2014
Prof. Moiss A. Resende Filho

Introduo Econometria (ECO 132497)
28 de abril de 2014
Moiss Resende Filho (ECO/UnB)
(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).
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
a partir da amostra aleatria f(xi 1 , xi 2 , ..., xik , yi ) : i = 1, ..., n g, onde b

rij
o resduo da regresso de xj sobre as demais variveis explicativas.
Sob RLM1 a RLM.4, os estimadores MQO so no viesados
(Teorema 3.1) ou E (b
j ) = j , j = 0, 1, ..., k, mas se xk foi omitido,
ento, pode ser que E (ui jxi 1 , xi 2 , ..., xik ) = E (u ) = 0 tenha sido violada,
tal que
e
j = b
j + b
k e
j
e
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.
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.
A suposio RLM.3 elimina a possibilidade de Rj2 = 1, o que ocorreria

s se xj fosse determinado exatamente por uma funo linear das
outras variveis explicativas.
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 sob RLM1 a RLM.5 (hipteses de Gauss-Markov),

Var (b
j ) =
e 2 = SQR/(n
2
, j = 1, ..., k.
STQj (1 Rj2 )
(2)
1) um estimador no viesado de 2 .
Para sermos capazes de testar hipteses sob j , usando procedimentos

exatos de teste (ou amostras nitas), precisamos conhecer a mdia e
a varincia dos estimadores MQO e tambm a distribuio amostral
de cada um deles.
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
onde wij so funes de f(xi 1 , ..., xik ) : i = 1, ..., n g, ou simplemente,

b
rij
wij
onde b
rij o resduo da regresso de xj sobre as demais
n
2
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).
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
iidNormal (0, 2 ), i = 1, ..., n.
RLM.2 + RLM.3 + RLM.6 impem independncia completa entre u e

(x1 , x2 , ..., xk ) (no somente independncia da mdia e varincia de u e
(x1 , x2 , ..., xk )), o que justica chamar xj , j = 1, ..., k de variveis
independentes.
28/04/2014
7 / 32
Normalidade do erro
.1
.2
.3
f(u)
.4
O importante sob MRL.6 que zemos uma suposio bem especca

sobre a distribuio populacional de u, u Normal (0, 2 ), que uma
funo densidade de probabilidade (fdp) em forma de sino:
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).
28/04/2014
9 / 32
Distribuies amostrais dos estimadores MQO

Um fato importante sobre variveis aleatrias normalmente e
independentemente distribudas que qualquer combinao linear
delas tambm normalmente distribuda (vide propriedade Normal.4, p.49
do Apndice B em pdf do Wooldridge).
Assim, como ui
iidNormal (0, 2 ), i = 1, ..., n, ento
n
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 )
28/04/2014
10 / 32

TEOREMA 4.1. (Distribuies Amostrais Normais)
Sob as hipteses do MCRL (RLM1 a RLM.6) e conditional nos valor
amostral das variveis independentes (f(xi 1 , ..., xik ) : i = 1, ..., n g),
j
com Var ( j ) =
Normal [ j , Var ( j )]
2
.
SST j (1 R j2 )
Portanto, subtraindo a mdia e dividindo pelo desvio padro, obtm-se a

varivel aleatria normal padronizada
j
dp ( j )
Normal (0, 1).
Mas no conhecemos 2 , o que nos fora a utilizar

= SQR/(n k 1), o estimador no viesado de 2 .
2
28/04/2014
11 / 32

TEOREMA 4.2. (A distribuio t para os Estimadores
Padronizados)
Sob as hipteses do MCRL (RLM.1 a RLM.6),
j
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
parmetros estimados por MQO no modelo

y = 0 + 1 x1 + 2 x2 + . . . + k xk + u e (n k 1) o nmero de
graus de liberdade da distribuio t de student.
A distribuio t surge da diviso da varivel aleatria normal padro
ep ( )
( dpj ( j) ) pela varivel aleatria qui-quadrado ( dp ( j ) ), sendo as duas

j
variveis independentes- vide apndice B do Wooldridge, p.50.

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
28/04/2014
13 / 32
A distribuio t
Nunca teremos um nmero muito pequeno de graus de liberdade (gl), tal

que:
Quando gl = 10, Var (tgl ) = 1.25, que 25% maior que a varincia de
Normal (0, 1).
Quando gl = 120, Var (tgl ) 1.017, que apenas 1,7% maior que a da
normal padro.
A medida que gl ! ,
tgl ! Normal (0, 1).
28/04/2014
14 / 32
A distribuio t
.1
.2
.3
.4
A diferena entre a normal padro e a distribuio t praticamente

nenhuma para gl > 120.
O grco abaixo apresenta a funo densidade de probabilidade (fdp)
normal padro e t6gl .
-4
-2
0
standard normal
t with 6 df
28/04/2014
15 / 32
Testes de hiptese sobre um nico parmetro do modelo

Utilizamos o resultado da distribuio t para testar a hiptese nula (H0 )
de que xj no tem qualquer efeito sobre y :
H0 : j = 0
A hiptese nula sempre sobre um parmetro populacional.
Uma hiptese alternativa bilateral:
H1 : j 6= 0
Hipteses alternativas unilaterais:
H1 : j > 0
H1 : j < 0
28/04/2014
16 / 32
Por exemplo, no modelo

log(salarioh ) = 0 + 1 educ + 2 exper + 3 perm + u
H0 : 2 0 ou 2 = 0 - uma vez controlado para escolaridade (educ) e
permanncia no emprego corrente (perm), o nmero de anos no mercado
de trabalho (exper ) no afeta o log do salrio hora (log(salarioh )).
H1 : 2 > 0.
Portanto, o primeiro passo para implementar um teste de hiptese
denir a hiptese nula e hiptes alternativa.
28/04/2014
17 / 32

O segundo passo, estabelecer a estatstica do teste e a sua
distribuio amostral.
Para H0 : j = 0, utilizamos a estatstica t ou a razo t
t =
j
onde ep ( j ) = p
,
SQT j (1 R j2 )
j
ep ( j )
ni=1 ubi2
.
n (k +1 )
Como ep ( j ) uma estimativa de dp ( j ), t mede o quantos

j
desvios-padro estimados ou erros-padro, j se afasta de zero.
O Teorema 4.2., diz que a distribuio amostral, tal que
t =
j
j
ep ( j )
tn
(k +1 ) .
28/04/2014
18 / 32
Testes contra uma alternativa unilateral
Primeiro, consideremos a hiptese alternativa

H1 : j > 0
que efetivamente implica a hiptese nula
H0 : j
Em termos prticos, se rejeitamos j = 0 ento rejeitamos tambm

j < 0, de modo que, basta estabelecer H0 : j = 0 e agir como se
no nos importssemos sobre valores negativos do parmetro j .
28/04/2014
19 / 32

Sumrio dos passos de um teste de hiptese para um alternativa
unilateral:
1. Dena a hiptese nula, por exemplo, H0 : j
0 ou, simplesmente,
H0 : j = 0.
2. Dena a hiptese alternativa, por exemplo, H1 : j > 0.
3. Estabelea a estatstica do teste e a sua distribuio amostral, por
exemplo, t =
j
j
ep ( j )
tn
(k +1 ) .
4. Dena, o nvel de signicncia (ou, simplesmente, o nvel (level) ou

tamanho (size)) do teste, que probabilidade de rejeitar a hiptese nula
quando esta verdadeira (Erro Tipo I).
5. Obtenha o valor crtico, c > 0, tal que seja possvel, ao nvel de
signicncia pr-estabelecido, aplicar a regra de rejeio
t > c
j
28/04/2014
20 / 32

Suponha que gl = 28 e utilizemos um teste ao nvel de 5%.
O valor crtico da distribuio t com 28 graus de liberdade a 5%, tal
que, Pr (t c ) = 0, 05, t5%;28gl . = c5%;28gl . = 1, 701 para um teste
monocaudal, pode ser obtido na Tabela G.2 (p. 652 do Wooldridge) ou
com o computador (Scientic Workplace) TInv(0.95; 28) = 1.7011.
Area = .05
0
1.701
rejection
region
28/04/2014
21 / 32
Com 28 g.l., a regra de rejeio de H0 : j = 0 em favor de H1 : j > 0,

ao nvel de 5%,
t =
j
j
> 1, 701
ep ( j )
Precisamos de uma estatstica t maior que 1, 701 para concluirmos que

h suciente evidncia contra H0 .
Se t
1.701, no rejeitamos H0 em favor de H1 ao nvel de
j
signicncia de 5% e 28 graus de liberdade.
28/04/2014
22 / 32
Mantendo gl = 28, mas para outros nveis de signicncia, normalmete,

10% e 1%, temos:
c10%;28gl
c5%;28gl
c1%;28gl
= 1, 313
= 1, 701
= 2, 467
Quanto menor o nvel de signicncia, maior o valor crtico.

Se rejeitamos H0 a 1%, tambm rejeitaramos a 5% e 10%.
Se no rejeitamos H0 a 10%, tambm no rejeitaramos a 5% e 1%.
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.
28/04/2014
24 / 32
EXAMPLO 4.1: Equao do salrio-hora (WAGE1.DTA)

til em aplicaes rotular os parmetros com os nomes das variveis
ao se estabeler as hitptese, por exemplo, educ , exper , perm . Ento
H0 : exper = 0
que o nmero de anos de experincia de trabalho no afeta o salrio,
uma vez tenham sido controlados edu, exper, perm.
28/04/2014
25 / 32

[ =
lwage
0, 284 + 0, 092educ + 0, 0041 exper + 0, 022perm

(0,104 )
(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.
28/04/2014
26 / 32

. reg
lwage educ exper tenure

Source
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|
[95% Conf. Interval]
0.000
0.017
0.000
0.007
.0776292
.0007357
.0159897
.0796756
.1064288
.0075065
.0281448
.4890435
texper = 2, 39
p
valor =
0.017
= 0.0085 ou 0.85%
2
28/04/2014
27 / 32
Pelo fato da distribuio t ser simtrica, testar H0 : j = 0 contra.

H1 : j < 0
direto, pois o valor crtico passa a ser
Assim, rejeita-se H0 se a estatstica
t =
j
c.
j
<
ep ( j )
; caso contrrio, no se rejeita H0 .
28/04/2014
28 / 32

Para gl = 18 e = 5%, o valor crtico c = 1, 734, para um teste
monocaudal, segundo a Tabela G.2 (p. 652 do Wooldridge) ou com o
computador (Scientic Workplace) c = TInv(0.05; 18) = 1.7341, tal
que a regra de rejeio
t <
j
1.734 ou t > 1.734

j
Area = .05
0
rejection
region
-1.734
28/04/2014
29 / 32

EXEMPLO: Nota no exame nal e faltas s aulas
Amostra de 680 alunos em "introductory microeconomics"na
Michigan State University em vrios anos.
A frequncia dos estudantes foi registrada eletronicamente e
monitorada por monitores da disciplina.
nal a nota na prova nal na distiplina em um total de 40 pontos.
missed o nmero de aulas que o estudante faltou em um total de 32
aulas.
priGPA o IRA acumulado at o incio da disciplina "introductory
microeconomics".
ACT a nota do teste de avaliao para em curso superior.(min 13,
max 32).
Baixe os dados (disponveis no formato Stata em
https://sites.google.com/site/rese0013/attend.dta) para o seu
computador e clique sobre o arquivo para abrir o Stata.
28/04/2014
30 / 32

O nmero de faltas afeta "negativamente"o desempenho dos
alunos no exame nal?
Ou no modelo economtrico
nal = 0 + 1 missed + 2 priGPA + 3 ACT + u
testar
H0 : missed = 0 contra H1 : missed < 0
Obtemos 1 = 0, 079 e t = 2.25.
1
Como gl = (680 4) = 676 > 120, o valor crtico para amostras
grandes (gl > 120) -c5% = 1, 65 e -c1% 2.36.
Tal que rejeita-se H0 ao nvel de 5%, mas no ao nvel de 1%.
Em termos prticos o efeito no grande, faltar 10 aulas a menso em
um total de 32 aulas, diminui a nota no exame nal em apenas 0, 8
pontos, ou seja, em menos que um ponto.
28/04/2014
31 / 32
. reg
final missed priGPA ACT

Source
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
[95% Conf. Interval]

-.1485216
1.183674
.2965542
10.07192
-.0101556
2.646914
.5055736
14.67416
0.025
= 0.0125 ou 1.25%
2
28/04/2014
32 / 32

Capitulo04 - Econometria 1

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Capitulo04 - Econometria 1

Diunggah oleh

Hak Cipta:

Format Tersedia

Anlise de Regresso Mltipla: inferncia

Prof. Moiss A. Resende Filho

Moiss Resende Filho (ECO/UnB)

a partir da amostra aleatria f(xi 1 , xi 2 , ..., xik , yi ) : i = 1, ..., n g, onde b

A suposio RLM.3 elimina a possibilidade de Rj2 = 1, o que ocorreria

e sob RLM1 a RLM.5 (hipteses de Gauss-Markov),

Para sermos capazes de testar hipteses sob j , usando procedimentos

onde wij so funes de f(xi 1 , ..., xik ) : i = 1, ..., n g, ou simplemente,

Moiss Resende Filho (ECO/UnB)

iidNormal (0, 2 ), i = 1, ..., n.

RLM.2 + RLM.3 + RLM.6 impem independncia completa entre u e

O importante sob MRL.6 que zemos uma suposio bem especca

Moiss Resende Filho (ECO/UnB)

Distribuies amostrais dos estimadores MQO

Moiss Resende Filho (ECO/UnB)

Distribuies amostrais dos estimadores MQO

Portanto, subtraindo a mdia e dividindo pelo desvio padro, obtm-se a

Normal (0, 1).

Mas no conhecemos 2 , o que nos fora a utilizar

Moiss Resende Filho (ECO/UnB)

Distribuies amostrais dos estimadores MQO

parmetros estimados por MQO no modelo

( dpj ( j) ) pela varivel aleatria qui-quadrado ( dp ( j ) ), sendo as duas

variveis independentes- vide apndice B do Wooldridge, p.50.

Moiss Resende Filho (ECO/UnB)

Nunca teremos um nmero muito pequeno de graus de liberdade (gl), tal

Moiss Resende Filho (ECO/UnB)

A diferena entre a normal padro e a distribuio t praticamente

Moiss Resende Filho (ECO/UnB)

Testes de hiptese sobre um nico parmetro do modelo

Moiss Resende Filho (ECO/UnB)

Testes de hiptese sobre um nico parmetro do modelo

Por exemplo, no modelo

Moiss Resende Filho (ECO/UnB)

Testes de hiptese sobre um nico parmetro do modelo

Como ep ( j ) uma estimativa de dp ( j ), t mede o quantos

Moiss Resende Filho (ECO/UnB)

Testes contra uma alternativa unilateral

Primeiro, consideremos a hiptese alternativa

Em termos prticos, se rejeitamos j = 0 ento rejeitamos tambm

Moiss Resende Filho (ECO/UnB)

Testes contra uma alternativa unilateral

4. Dena, o nvel de signicncia (ou, simplesmente, o nvel (level) ou

Moiss Resende Filho (ECO/UnB)

Testes contra uma alternativa unilateral

Moiss Resende Filho (ECO/UnB)

Testes contra uma alternativa unilateral

Com 28 g.l., a regra de rejeio de H0 : j = 0 em favor de H1 : j > 0,

Precisamos de uma estatstica t maior que 1, 701 para concluirmos que

Moiss Resende Filho (ECO/UnB)

Testes contra uma alternativa unilateral

Mantendo gl = 28, mas para outros nveis de signicncia, normalmete,

Quanto menor o nvel de signicncia, maior o valor crtico.

Moiss Resende Filho (ECO/UnB)

Testes contra uma alternativa unilateral

Moiss Resende Filho (ECO/UnB)

Testes contra uma alternativa unilateral

EXAMPLO 4.1: Equao do salrio-hora (WAGE1.DTA)

Moiss Resende Filho (ECO/UnB)

Testes contra uma alternativa unilateral

0, 284 + 0, 092educ + 0, 0041 exper + 0, 022perm

Testes contra uma alternativa unilateral

lwage educ exper tenure