Vous êtes sur la page 1sur 71

Mtodo dos Momentos Generalizados (GMM),

Variveis Instrumentais (VI), Mnimos quadrados 2


Estgios (MQ2S) e Equaes Simultneas
Disciplina: Econometria I
Professor: Marcelo Savino Portugal
Elaborado por: Enrique, Fernanda Victor,
Julio Cesar Junior

1
O mtodo generalizado dos momentos
(GMM)
O GMM foi melhorado por Lars Hansen (1982), e
trata-se de igualar um momento a um determinado
valor. Em sua origem o mtodo se associava
diretamente aos momentos de uma distribuio.
Porm, o mtodo foi estendido para os parmetros
de momentos decorrentes de condies econmicas.

Dito isso, igualar um momento a um determinado
valor no mais do que satisfazer uma mdia
amostral(Bueno, 2008).

2
Hansen, Lars, P. Large sample proprieties of generalized method of moments estimators. Economtrica, v.50, n.4, p.1029-
1054, 1982
O mtodo generalizado dos momentos
(GMM)
Exemplo simples:

(1)
Onde:
= um escalar a ser estimado por algum mtodo;
= pode representar, por exemplo, alguma defasagem de ou
algum termo exgeno que represente .

A matriz de regressores tem dimenso n x K, onde n o nmero de
observaes.

Dado como um rudo branco, IID (idntica e independentemente
distribudo).


t t t
x y c | + =
1
t
x t
y
t
y
t
c
3
t
x
O mtodo generalizado dos momentos
(GMM)
Dadas as suposies anteriores natural supormos
que e so independentes entre si.
Formalizando: E( )=0. (2)

A equao (2) exatamente uma condio de
momento. A forma de obt-la usando uma amostra
finita de observaes calculando a seguinte mdia:
(3)






t
x
t
c
t
x
t
c
0
1
=

=
T
x
T
t
t t
c
4
O mtodo generalizado dos momentos
(GMM)
A equao (3) a condio de momento para estimar .
Alm de propor o mtodo para estimar esse parmetro,
Hansen (1982) derivou a distribuio de de tal modo que
se pudessem fazer inferncias estatsticas.

Utilizando (3) e (2) temos:

=> (4)



1
|
1
|
0 ) (
1
1
=

=
t
T
t
t t
x y x |

=
=
=
T
t
t
T
t
t t
x
y x
1
2
1
1
^
|
5
Hansen, Lars, P. Large sample proprieties of generalized method of moments estimators. Economtrica, v.50, n.4, p.1029-
1054, 1982
O mtodo generalizado dos momentos
(GMM)
O resultado de (4) o estimador de MQO tambm, com isso
mostramos que MQO um caso especial de GMM.

Contudo, empiricamente alguns dos regressores so endgenos, de
forma que E(x
t

t
) 0, isso implicaria na impossibilidade de
estimao via MQO, pois geraria vis. Porm, o mtodo dos
momentos permitem tal estimao, desde que exista outra varivel
correlacionada com x
t
e no correlacionada com
t


Segundo Bueno (2009), O mtodo dos momentos apresenta a
vantagem de permitir trabalhar com total inexistncia de hipteses
sobre a distribuio dos erros. Em contrapartida, tem a
desvantagem de possuir mal desempenho para pequenas amostras.




6
O mtodo generalizado dos momentos
(GMM)
Se existe , tal que E( )0 e E( )=0,
pode-se estimar usando a seguinte mdia
amostral:

=> =>

(5)
7
t
z
t
x
t
c
0 ) (
1
1
=

=
t
T
t
t t
x y z |

=
=
=
T
t
t t
T
t
t t
x z
y z
1
1
1
^
|
0
1
=

=
T
z
T
t
t t
c
t
z
t
z
O mtodo generalizado dos momentos
(GMM)
Com o resultado anterior obtemos o estimador de variveis
instrumentais, IV, tambm conhecido como mnimos
quadrados a dois ou trs estgios, que tambm uma forma
especial do GMM.

Nada impede de se usar mais de um instrumento para estimar
. Para fins de exposio, vamos supor o que chamaremos de
Caso 1, com duas variveis e , suas condies de
momento so:

(6)

8
t
z
t
m
|
|
.
|

\
|
=
|
|
.
|

\
|
0
0
t t
t t
z
m
E
c
c
O mtodo generalizado dos momentos
(GMM)
Utilizando a idia de obter mdias amostrais usando variveis
instrumentais,

(7)

O problema nesse caso ter duas equaes (condies de momento) e
apenas uma incgnita (parmetro).Em casos com mais de um
instrumento, quantos devemos utilizar? 1, 2,3, ..., T?

No razovel deixar de utilizar uma boa varivel instrumental pois com
isso perdemos informaes. Ento como utilizar mais de uma?

Para soluo desse tipo de problema Hansen (1982) props ponderar
cada um dos momentos de modo a obter os parmetros que minimizam
uma funo quadrtica.

9
0 ) (
1
1
=

=
t
T
t
t t
x y z |
0 ) (
1
1
=

=
t
T
t
t t
x y m |
O mtodo generalizado dos momentos
(GMM)
Chamamos o Caso 1 de sistema sobreidentificado, pois
existem mais parmetros que momentos.

A idia para solucionar o Caso 1 mais ou menos a idia de
estimao de MQO, porm no caso dos momentos a matriz
de covarincia dos momentos que serve como ponderador, ao
invs da matriz de varincia dos parmetros.

Essa ponderao tem uma intuio simples: os momentos de
maior varincia recebem o menor peso (ocorre naturalmente
quando tomamos o inverso da matriz de covarincia dos
momentos).
10
O mtodo generalizado dos momentos
(GMM)
A idia ento achar uma matriz W, simtrica e positiva semi
definida de forma a minimizar:

(8)


Em termos de mdias amostrais significa:


(9)
11
( ) ] [
|
|
.
|

\
|
t t
t t
t t t t
z
m
W z m E
c
c
c c
|
|
|
|
.
|

\
|


=
=
= =
) (
) (
)) ( ) ( ( min
1
1
1
1
1
1
1
1
1
t
T
t
t t
t
T
t
t t
t
T
t
t t t
T
t
t t
x y z
x y m
W x y z x y m
|
|
| |
|
O mtodo generalizado dos momentos
(GMM)
Supondo W seja uma matriz identidade (significando que os
momentos teriam os mesmos pesos) o problema seria:



=>

(10)

Resolvendo a minimizao (10), resulta em:


(11)







12
|
|
|
|
.
|

\
|

|
|
.
|

\
|


=
=
= =
) (
) (
1 0
0 1
)) ( ) ( ( min
1
1
1
1
1
1
1
1
1
t
T
t
t t
t
T
t
t t
t
T
t
t t t
T
t
t t
x y z
x y m
x y z x y m
|
|
| |
|
2
1
1
2
1
1
) ( ) ( min
1
(

+
(



= =
t
T
t
t t t
T
t
t t
x y z x y m | |
|
) (
) (
1 1
1 1
1
^
j t j t
T
t
j
T
t
t
T
t
j t j t j
T
t
t
z z m m x x
z z m m x y
+
+
=


= =
= =
|
(GMM) - Especificao
Para formalizao da especificao de GMM em termos de seus
momentos populacionais e contrapartida amostral, consideremos a
seguinte definio:

Definio (Condio de momento populacional) Sejam:
um vetor de variveis aleatrias
um vetor de parmetros k x 1
g (.) um vetor m x 1 de funes reais, a condio de momentos
populacionais definida como:

(12)

A contrapartida amostral dessa condio de momento :

(13)
t
w
t
u
0
[ ( , )] 0
t
E g w u =
0
1
0
( , )
( , )
T
t
t
T
g w
g w
T
=
u
u =

(GMM) - Especificao
O estimador GMM ser definido como o valor de que
resolve o seguinte problema :


(14)


Em que W uma matriz m X m positiva semidefinida.
Naturalmente o nmero de momentos deve ser superior ao
nmero de parmetros (sobreidentificados).
Os sistemas podem ser classificados como:
indentificados -> m = k, (m = momentos, k = parmetros),
Subidentificados -> k > m
Sobreidentificados -> m > k


0 0
min ( ) ( , )' ( , )
T T T T
J g w W g w
u
u = u u
argmin ( )
GMM
T
J
u
u = u
u
(GMM) - Estimao
Diferenciar a funo objetivo (14) em relao ao parmetro
com isso temos a condio de primeira ordem (15)

(15)

A matriz , de dimenso m X k, o jacobiano das
condies de momento tomadas em relao a


(16)
0 0
2 ( , ) ' ( , ) 0
T T T
G w W g w u u =
1
1
0
( , )
( , )
'
T
t
t
T
g w
G w T

=
c u
u =
cu

t
u
) , ( u w G
t
(GMM) - Estimao
As condies de primeira ordem podem ser no-lineares.
Logo, o problema pode no ter soluo analtica, precisando
de mtodos numricos para soluo. Obter um mnimo global
pode ser computacionalmente intensivo.

Uma pergunta persiste: qual a matriz de pesos ideal?

Defina a matriz de covarincia de longo prazo dos momentos:


(17)
1
2
0
limvar( ( , ))
T
T
S T g w

= u
(GMM) - Estimao
Assim, a matriz ideal de pesos :


A intuio : Momentos com varincia maior devem ter peso menor. Por
isso a inversa.

Dado que a obteno das covarincias depende do parmetro que ,
na maioria das vezes, desconhecido. Com isso, ser preciso usar um
sistema de estimao com mltiplos estgios.

Primeiro estgio: impe-se uma matriz W;

Seleciona-se o parmetro resultante do estgio 1. Depois calcula-se a
matriz de covarincia . comum selecionar uma matriz identidade
para iniciar o processo.

1
T
W S

=
t
u
t
u
1
^
S
(GMM) - Estimao
Admitindo a existncia de um mtodo consistente para S, h trs
mtodos de para estimao GMM.

A. mtodo a dois estgios: impe-se uma matriz identidade no
primeiro passo e, no passo seguinte, encontram-se os parmetros
do modelo.

B. mtodo seqencial: a repetio do mtodo de dois estgios,
em que cada novo vetor de parmetros usado para estimar a
nova matriz de covarincia.

C. mtodo de atualizao contnua dos parmetros: a matriz de
covarincia simultaneamente estimada com o vetor de
parmetros.
18
(GMM) - Estimao
No caso do mtodo A (dois estgios) teremos




o qual ser utilizado no segundo estgio.
O caso B (procedimento seqencial ), tende a ser mais robusto em
pequenas amostras. (caso o teste a dois estgios seja robusto o
procedimento seqencial tambm ser).

O caso C (atualizao contnua), o modelo encontra um que satisfaz
0 0
( , ) ' ( , ) 0
T T
G w g w u u =
0 0
1
0
( , ) ( , ) '
( , )
T
t t
t
g w g w
S w
T
=
u u
u =

1
0 0
min ( ) ( , ) ' ( , )
T T T
J g w S g w

u
u = u u
(GMM) - Estimao
O caso C de complexa soluo. Se o estimador converge,
trata-se de um mtodo cujas propriedades de pequenas
amostras so melhores. Com isso, Shepard (2006) sugere
utilizar o estimador seqencial para encontrar os valores
iniciais da funo a ser minimizada e depois utilizar o
estimador de atualizao contnua.
20
(GMM) Propriedades do estimador
Consistente e assintoticamente Normal se


So ergdicos e possuem poucos momentos.
Outro ponto: para que o problema de otimizao possua
soluo nica necessrio que a matriz W seja positiva
definida. Caso W seja eficiente:

21
0
( , ) g w u
1 1
0
( ) (0, ( ' ) )
d
T N G S G

uu
Testes: GMM
O GMM minimiza uma funo representando as condies de
momentos devidamente ponderadas. Se as condies
estiverem corretas, vo ter mdia zero. Assim, o teste de
superidentificao ser:





Observe que o grau de liberdade igual ao numero de
excesso de momentos em relao aos parmetros estimados.

1 2
0 0
( , ) ' ( , ) ~
T T m k
J Tg w S g w

= u u _
Testes: GMM
O que significa a rejeio de superidentificao? Que
existem momentos que no so estatisticamente
iguais a zero. Ou seja, rejeita-se o modelo, pois a
condio de momento no vlida.

Ou ainda, podemos interpretar da seguinte forma: se
a incluso de mais um momento no implica em
rejeio da hiptese nula, esse momento valido e
contribui para estimar os parmetros.
23
Variveis Instrumentais e o Estimador IV
Tal como o MQO, o estimador IV (variveis instrumentais)
pertence classe de estimadores GMM. O IV um GMM linear e
a sua utilizao justifica-se principalmente em modelos
com endogeneidade:
0 ) ( ) , ( = =
i ij i ij
u x E u x Cov (1)
Para algum j = 1,....., k e i = 1, .... , n
onde se mantm a hiptese de E(u) = 0. Na estimao ao IV
necessrio recorrer ao uso de
variveis instrumentais a(s) qual(is) esto associadas a um
particular regressor endgeno.
Definio 1: z uma varivel instrumental para x se:

(i) z exgeno em relao ao erro:



(ii) z est (fortemente) correlacionado com o regressor x:
Variveis Instrumentais e o Estimador IV
0 ) ( ) , ( = = uz E u z Cov
0 ) , ( = x z Cov
(3)
(2)
Em relao primeira, e como no observamos u, partimos
apenas de pressupostos da teoria econmica ou senso comum. A
anlise da correlao amostral entre z e os resduos um tanto
quanto simplista e no rigorosa.
26
Para verificar a segunda condio e qual a intensidade da relao
entre z e x, uma das possibilidades usar um teste
t na regresso auxiliar:
) (
) , (
;
2 2 1
z V
z x Cov
u z x = + + = o o o
Aps a definio da varivel instrumental muito simples a
expresso do estimador IV. No modelo de Regresso Linear
Simples:
Variveis Instrumentais e o Estimador IV
(4)
0 ) ( ) , ( ;
2 1
= = + + = ux E x u Cov u x y | |
(5)
Para uma amostra de dimenso n e um nico instrumento para x,
Variveis Instrumentais e o Estimador IV
=


=
=
=
.
) )( (
) )( (
1
1
, 2
x x z z
y y z z
i i
n
i
i i
n
i
IV
|
(6)
Naturalmente:
x y
IV IV , 2 , 1
. .
= | |
Ao contrrio do MQO, o IV no resulta na minimizao dos
quadrados dos erros. A sua expresso pode no entanto ser
justificada pelo mtodo dos momentos.
(7)
28
Variveis Instrumentais e o Estimador IV
Da expresso (5):
) , (
) , (
) , (
) , ( ) , (
) , ( ) , (
2 2
2
2 1
z x Cov
z y Cov
z x Cov
z u Cov z x Cov
z u x Cov z y Cov
=
= +
= + + =
| |
|
| |
Alternativamente, resulta dos momentos:
0 ) ( = u E 0 ) ( = uz E e
(8)
29
Quando a varivel instrumental vlida, o estimador IV consistente
1
lim | | =
.

IV
n
p
Ou seja, num modelo com endogeneidade,
0 ) , ( = x u Cov
2 2 ,
2 2 ,
) , (
) , (
lim
) , ( lim
|
o
o
| |
|
o
o
| |
= + =
= + =
.

.

x
u
IV s
n
x
u
MQO s
n
z x Corr
z u Corr
p
x u Corr p
Variveis Instrumentais e o Estimador IV
Em um instrumento vlido, essa correlao zero
Em um instrumento vlido, essa correlao diferente de zero
(9)
30
O IV tem um menor vis assimpttico do que o MQO se:
Variveis Instrumentais e o Estimador IV
) , (
) , (
) , (
u x Corr
x z Corr
u z Corr
<
(10)
Esta condio no fcil de testar a no ser de uma forma
intuitiva em que se calculam as correlaes amostrais onde u
representado pelos resduos de .
.
u
Quando essa condio no satisfeita, dizemos que Z uma IV
pobre.
31
Variveis Instrumentais e o Estimador IV
Sob a hiptese de que : ) ( ) / (
2 2
u V z u E = =o
2 2
2
, 2
) , (
) , / (
z x Corr n
z x V
x
VI
o
o
| =
.
2
,
2
2
, 2
) , / (
z x
x
VI
R n
z x V
.
.
.
=
o
o
|
Que pode ser consistentemente estimada por:
(11)
(12)
2
1
2
2
1
.
=
.

= u
n
n
i
o Onde: e so os resduos de IV.
.
u
32
Variveis Instrumentais e o Estimador IV
Isso significa que se X e Z so linearmente dependentes:




E o estimador de VI ser igual ao estimador inconsistente por MQO.

Em geral, isso no acontece, e porque:

O IV menos eficiente (maior que que MQO). Mas, o importante
que ao contrrio do IV, o MQO inconsistente sob a hiptese de
endogeneidade. Quanto maior a correlao entre X e Z (melhor a
qualidade do instrumento), maior a preciso na estimao do IV
do modelo.
2
,
2
.
z x x
R SQT
.
o
1 0
2
,
< <
z x
R
Igual a 1 (13)
EXEMPLO: ESTIMAO DO RETORNO DO SALRIO PARA
MULHERES CASADAS
Primeiro obtemos as estimativas por MQO:
educ salrio 109 , 0 185 , 0 ) log( + =
.
(0,185) (0,014)
118 , 0 , 428
2
= = R n
Em seguida, usamos e educao do pai (educp) como varivel instrumental de
educ. Temos que sustentar que educp no correlacionada com o erro, e testamos
se ela correlacionada com educ usando uma regresso simples:
(20)
educp educ 269 , 0 24 , 10 + =
.
(0,28) (0,029)
173 , 0 , 428
2
= = R n
(21)
e aptid educ salrio + + + =
2 1 0
) log( | | |
e educ salrio + + =
1 0
) log( | |
Sendo a estatstica t de educp 9,28, indica que educp tem ma correlao positiva
estatisticamente significativa com educ.
EXEMPLO: ESTIMAO DO RETORNO DO SALRIO PARA
MULHERES CASADAS
Utilizar educp como uma VI de educ produz:
educ salrio 059 , 0 441 , 0 ) log( + =
.
(0,446) (0,035)
093 , 0 , 428
2
= = R n
A estimativa de VI do retorno da educao 5,9%, que cerca de metade da
estimativa MQO. Isso sugere que a estimativa de MQO alta demais e
consistente com o vis de aptido omitida. Entretanto, devemos lembrar que
essas estimativas so de apenas uma amostra: nunca podemos saber se 0,109
est acima do verdadeiro retorno da educao, ou se 0,059 est mas prximo
do verdadeiro retorno da educao. Alm disso, o erro-padro da estimativa VI
duas vezes e meia maior que o erro-padro de MQO.

O intervalo de confiana de 95% de , utilizando MQO, muito mais justo do
que utilizando VI; de fato, o intervalo de confiana de VI, na realidade, contm a
estimativa de MQO. Mais adiante ser demonstrado como saber se a diferena
entre os resultados estatisticamente significante.
(22)
1
.
|
Mnimos Quadrados de dois Estgios
MQ2E
Considere o seguinte modelo estrutural:
0 ; 0 ;
4 3 2 4 1 3 2 1
= = + + + + = o o o o o o v z z z x
0 ) , ( ; 0 ) , ( ;
3 2 1
= = + + + = z u Cov x u Cov u z x y | | |
Em que x endgeno, z exgeno, e z1, z2 so instrumentos vlidos
para x. Num primeiro passo, estima-se consistentemente por MQO:
(14)
(15)
Em que x tem como regressores todas as variveis exgenas
(instrumentos e do modelo estrutural). Como a combinao linear de
todas as variveis exgenas:
2 4 1 3 2 1 2 1
) , , / ( z z z x z z z x E
. . . . . .
+ + + = = o o o o (16)
36
Mnimos Quadrados de dois Estgios
MQ2E
No segundo passo, estima-se consistentemente por MQO o modelo
estrutural (14)
u z x y + + + =
.
3 2 1
| | |
(17)
onde determinado no primeiro passo e o estimador
resultante para coincidente com o IV.
.
x
Podemos interpretar essa regresso da seguinte forma: o valor
estimado a verso estimada de X , que por sua vez no
correlacionado com u. Portanto, primeiro o MQ2E expurga X de sua
correlao com u antes de fazer a regresso por MQO.
.
x
Teste de endogeneidade
Torna-se necessrio nesta discusso apresentar testes quanto
exogeneidade dos regressores. No caso de existir mais de um
instrumento por regressor endgeno, tambm podemos testar a
validade de algum dos instrumentos no sentido de no estarem
correlacionados com os erros.
O teste de Hausman o procedimento de referncia para inferir sobre a
exogeneidade dos regressores. Em resumo, o teste de Hausman procura
comparar estatisticamente dois estimadores , para o mesmo modelo e
vetor de parmetros . O estimador consistente sob ambas as
hipteses , enquanto que o estimador apenas
consistente sob a hiptese nula. Por outro lado, sob a hiptese nula,
(assimptoticamente) mais eficiente do que o .
VI
.
|
MQO
.
|
1 0
; H H
MQO
.
|
0
H
VI
.
|
Se cada z no-correlacionado com o erro, x ser no-correlacionado
com o erro se, e somente se, v no o for. Logo, u e v so no-
correlacionados se, e somente se,
u v z x y + + + + =
.
o | | |
3 2 1
(18)
(19)
0 = o
Teste de endogeneidade
Vejamos o teste de Hausman com o recurso a regresso auxiliar.
Dado o fato de que: , os erros u e v dos modelos
(14) e (15) esto auto-correlacionados, ou seja:


O teste exogeneidade simplesmente o teste t ao coeficiente
na regresso auxiliar (aumentada em relao ao modelo estrutural
em ):
0 ) , ( = x u Cov
0 ) , ( = v u Cov
.
v o
Teste de endogeneidade
Se existirem mais do que uma varivel endgena (por exemplo, 5)
ento usa-se o teste F da significncia conjunta dos 5 coeficientes
associados aos 5 resduos do primeiro passo.
Para testar se um particular regressor x, que tem associado o
parmetro 2 no modelo, no endgeno:
0
1
lim 0 ) ( ) , ( :
1
0
=
|
|
|
.
|

\
|
= =


xiui
n
i
n n
p ux E x u Cov H
2
1
, 2 , 2
2
, 2 , 2
) ( ) (
) (
_
| |
| |
d
MQO IV
MQO IV
V V

.
.
.
.
. .
pode-se utilizar a estatstica:
(20)
(21)
Teste de restries sobreidentificadas
Para finalizar, apresentamos um teste quanto auto-correlao de
erros e instrumentos onde o nmero de instrumentos pelo
menos dois. Num contexto IV ou GMM linear, procura-se testar a
hiptese nula de:



em que os m > 1 instrumentos para x no esto auto-
correlacionados com u. Se a hiptese nula no aceita, conclumos
que pelo menos um dos instrumentos no vlido e est
correlacionado com os erros u. O modelo diz-se sobre-identificado
pois m>1. No caso de exata identificao, m = 1, no possvel
desenvolver este teste.

1 0
, 0 ) ( :
mx
Z uZ E H = (22)
Teste de restries sobreidentificadas
e z z z z u
m m
+ + + + + + =
.
t t t o o ......
2 2 1 1 2 1
O teste similar ao anterior de Hausman em que se recorre a
resduos. Neste caso, no entanto, a estatstica de teste :
em que o resulta do modelo auxiliar.
onde so os resduos IV do modelo estrutural, e z1, z2,
..., zm so os (possveis) instrumentos para x. A estatstica
assimptoticamente distribuda como:
2
1 m
_
.
u
2
nR
2
R
(23)
Modelos de Equaes Simultneas - MES
Caractersticas:

- Modelo onde existem duas ou mais variveis
dependentes em vez de apenas uma.

- Diferem da maioria dos modelos economtricos
porque eles consistem de um conjunto de equaes.

- Procedimento de estimao por MQO no mais
apropriado nesses modelos para obter estimativas
confiveis dos parmetros econmicos.
A oferta e a demanda conjuntamente determinam o preo de mercado de um
bem e a quantidade que vendida desse produto.
Um modelo economtrico que explique o preo de mercado e a quantidade
vendida deve ter duas equaes, uma para a S e outra para D.
1 2
Demanda:
d
q p y e = o + o +
1
Oferta:
s
q p e = | +
p e q so chamadas de variveis endgenas
A varivel renda y uma varivel exgena.
MES Exemplo da Oferta e Demanda
Acrescentamos Erros aleatrios
2
2
( ) 0, var( )
( ) 0, var( )
cov( , ) 0
d d d
s s s
d s
E e e
E e e
e e
= = o
= = o
=
O fato de que p aleatrio significa que do lado direito das
equaes de oferta e demanda ns temos uma varivel explanatria
que aleatria.

p, , e
d
e e
s
, so correlacionados, fazendo com que o estimador de
MQO seja viesado e inconsistente.
MES Exemplo da Oferta e Demanda
s
d
e p q
e y p q
+ =
+ + =
1
2 1
|
o o
Resolvendo as equaes estruturais
1 1 2 s d
p e p y e | + = o +o +
Igualando as equaes de demanda e oferta, encontramos a forma reduzida,
simultaneamente para p e q.
( ) ( )
2
1 1 1 1
1 1
d s
e e
p y
y v
o
= +
| o | o
= t +
MES Equaes de forma reduzida
Substituindo p na equao de oferta
( ) ( )
( ) ( )
2
1 1
1 1 1 1
1 2 1 1
1 1 1 1
2 2
d s
s s
d s
e e
q p e y e
e e
y
y v
(
o
= | + = | + +
(
| o | o

| o | o
= +
| o | o
= t +
t
1
e t
2
so os parmetros de forma reduzida.
v
1
e v
2
so os erros de forma reduzida
MES Equaes de forma reduzida
As equaes de forma reduzida (t1 e t2. ) podem ser estimadas
consistentemente por MQO.

As equaes de forma reduzida so importantes para anlise
econmica.Essas equaes relacionam os valores de equilbrio
das variveis endgenas com as variveis exgenas. Assim, se
existir um aumento na renda y, o aumento esperado no
preo, depois dos ajustamentos de mercado levarem ao novo
equilbrio para p e q.

Em segundo lugar, as equaes de forma reduzida podem ser
utilizadas para prever valores de equilbrio do preo e quantidade
para diferentes nveis de renda.
1
t
MES Equaes de forma reduzida
MES Falha de estimao de MQO
Porque no se deve usar os estimadores de MQO para estimar
a equao de Oferta no MES?



Porque o termo p e correlacionado com o erro e


EXPLICAO: Suponha que exista uma pequena variao no termo
de erro e
s
, digamos Ae
s
. A variao Ae
s
no termo de erro
diretamente transmitida para o valor de equilbrio de p.




Observando a equao reduzida vemos que dada um Ae
s
ocorre um
efeito direto linear sobre p.

Como e , se Ae
s
> 0 , ento .

Assim, toda vez que existe uma variao em e
s
, existe uma
mudana associada em p na direo oposta. Conseqentemente, p
e e
s
so negativamente correlacionados.
1
0 | >
1
0 o <
0 p A <
) ( ) (
1 1 1 1
2
o | o |
o

=
s d
e e
y p
MES Falha de estimao de MQO
EXPLICAO: A estimao por mnimos quadrados da relao
entre q e p atribui ao preo o crdito pelo efeito de variaes nas
perturbaes.
Em amostras grandes, o estimador de mnimos quadrados tendem
a ser negativamente viesados.
O vis persiste mesmo quando o tamanho da amostra grande e,
assim, o estimador de mnimos quadrados inconsistente.
O estimador de mnimos quadrados dos parmetros na
equao simultnea estrutural viesado e inconsistente em
virtude da correlao entre o erro aleatrio e a varivel
endgena no lado direito da equao.
MES Falha de estimao de MQO
Uma Condio Necessria para Identificao: Em um sistema
de M equaes simultneas, que conjuntamente determinam os
valores de M variveis endgenas, pelo menos M1 variveis
devem estar ausentes de uma equao para que a estimao de
seus parmetros seja possvel. Quando a estimao dos
parmetros de uma equao possvel de ser feita, ento se diz
que a equao identificvel e seus parmetros podem ser
consistentemente estimados. Se menos do que M1 variveis
estiverem fora da equao, ento se diz que ela no
identificvel e seus parmetros no podem ser estimados
consistentemente.
MES - Identificao
M=2 equaes e 3 (trs) variveis: p, q e y.



Nenhuma varivel omitida No identificvel e seus
parmetros no podem ser estimados consistentemente.




M1=1 varivel, renda omitida; a curva de oferta identificvel
e seus parmetros podem ser estimados.

A condio de identificao deve ser verificada antes de se tentar
estimar uma equao.
1 2
Demanda:
d
q p y e = o +o +
1
Oferta:
s
q p e =| +
MES - Identificao
Procedimento de Estimao por MQ2E
1 s
q p e =| +
A varivel p composta de uma parte sistemtica, que o seu
valor esperado E(p), e de uma parte aleatria, que o erro
aleatrio da forma reduzida v
1
.
1 1 1
( ) p E p v y v = + = t +
Mtodo mais utilizado para estimar os parmetros de uma
equao estrutural identificada.
1 *

q p e =| +
se conhecermos o valor de t
1
ento podemos substituir p por
seu valor
1 1
1 1 1
1 *
[ ( ) ]
( ) ( )
( )
s
s
q E p v e
E p v e
E p e
= | + +
= | + | +
= | +
Regras de Identificao 1
Modelo com 2 variveis endgenas
Nenhuma varivel predeterminada
M-1 = 1
Nenhuma equao identificada
t t t
t t t
u P Q Oferta
u P Q Demanda
2 1 0
1 1 0
+ + =
+ + =
| |
o o
Regras de Identificao 2
Modelo com 2 variveis endgenas (P,Q)
I exgena
Funo oferta esta identificada
t t t
t t t t
u P Q Oferta
u I P Q Demanda
2 1 0
1 2 1 0
+ + =
+ + + =
| |
o o o
Regras de Identificao 3
Modelo com 2 variveis endgenas (P,Q)
I e P
t-1
so exgenos
Funo oferta e demanda esto identificadas portanto o
modelo est identificado
t t t t
t t t t
u P P Q Oferta
u I P Q Demanda
2 1 2 1 0
1 2 1 0
+ + + =
+ + + =

| | |
o o o
Regras de Identificao 4
Modelo com 2 variveis endgenas (P,Q)
I, R e P
t-1
so exgenos
Funo oferta e demanda esto identificadas portanto o
modelo est sobre-identificado em excesso
t t t t
t t t t t
u P P Q Oferta
u R I P Q Demanda
2 1 2 1 0
1 3 2 1 0
+ + + =
+ + + + =

| | |
o o o o
Como E(p) no esta correlacionada com e podemos estimar
por mnimos quadrados |
1
.

Ns podemos estimar t
1
utilizando da equao de forma
reduzida para p.
Um estimador consistente para E(p)
1

t
1

p y = t
Utilizando como um substituto para E(p)
1 *

q p e =| +

p
Procedimento de Estimao por MQ2E
Mnimos Quadrados de Dois Estgios
Resumindo os dois estgios do processo de estimao

1. Estimao por MQO da equao reduzida de p, e o
calculo de seu valor predito

1. a estimao por MQO da equao estrutural em que a
varivel endgena do lado direito p substituda por
seu valor predito

p
Equaes Simultneas, MQ2E e Variveis
Instrumentais - EXEMPLO
Um modelo de oferta e demanda para trufas:

- q a quantidade de trufas comercializada
- p o preo de mercado das trufas,
- ps o preo de mercado de um substituto
- di renda per capita disponvel.
- Assumimos que p e q so variveis endgenas.
- As variveis exgenas so ps, di, pf e a varivel de
intercepto.
s
t t t t
d
t t t t t
e pf p q Oferta
e di ps p q Demanda
+ + + =
+ + + + =
3 2 1
4 3 2 1
| | |
o o o o
A regra para identificar uma equao que, em um sistema
de M equaes, pelo menos M1 variveis devem estar
omitidas de cada equao para ela ser identificvel.

Na equao de demanda, a varivel pf no est includa
Na equao de oferta, ps e di esto ausentes

Ns conclumos que cada equao nesse sistema
identificvel e pode, assim, ser estimada por mnimos
quadrados em dois estgios.
MES, MQ2E e VI Exemplo - Identificao
As equaes de forma reduzida expressam cada varivel
endgena, p e q, em termos das variveis exgenas ps, di, pf e
a varivel de intercepto, mais um termo de erro.
11 21 31 41 1
12 22 32 42 2
t t t t t
t t t t t
q ps di pf v
p ps di pf v
= t + t + t + t +
= t + t + t + t +
MES, MQ2E e VI Exemplo Equaes da
Forma Reduzida
pf di ps q 507 , 0 217 , 0 656 , 0 895 , 7 + + =
MES, MQ2E e VI Exemplo Equao na
forma reduzida para a quantidade (q)
MES, MQ2E e VI Exemplo Equao na
forma reduzida para o preo (p)
pf di ps p 0.4513 0.2534 0.5693 -10.8374 + + + =
As equaes de forma reduzida so utilizadas para obter q e p predito,
que sero usados no lugar de q e p no lado direito das equaes de oferta
e demanda no segundo estgio dos mnimos quadrados em dois estgios.
MES, MQ2E e VI Exemplo Equaes de
forma Reduzida
MES, MQ2E e VI Exemplo Estimando a
Oferta por MQ2E
MES, MQ2E e VI Exemplo Estimando a
Demanda por MQ2E
INTERPRETAO DA EQUAO:
Aumentos no preo elevam a quantidade ofertada,
Aumentos na taxa de aluguel dos porcos farejadores, que
um aumento no custo de produo, reduzem a oferta.
Ambas as variveis tm estimativas de coeficiente
estatisticamente significantes.
MES, MQ2E e VI Exemplo
Interpretao da Oferta
pf p q 0009 , 1 0139 , 1 0328 , 20 + =
Oferta
INTERPRETAO DA EQUAO:
- O coeficiente do preo negativo, indicando que medida que o
preo aumenta, a quantidade demandada de trufas cai, como
predito pela lei de demanda.
- O valor-p indica que a inclinao estimada da curva de demanda
significativamente diferente de zero.
-Aumentos nos preos dos substitutos para as trufas elevam a
demanda por trufas, que uma caracterstica dos bens
substitutos.
- Finalmente, o efeito da renda positivo, indicando que as trufas
so um bem normal.
MES, MQ2E e VI Exemplo
Interpretao da oferta e demanda
di ps p q 5016 , 0 2965 , 1 1234 , 1 279 , 4 + + =
Demanda
Referncias
BUENO, R. L (2008). Econometria de Sries Temporais. So Paulo: Cengage
Learning. Cap 5.
CARTER HILL, R.; GRIFITHS, Willian E.; JUDGE, George G. (2003). Econometria. 2.
ed. So Paulo: Saraiva.
DAVIDSON, R. e MACKINNON, J. G. (2004). Econometric Theory qand Methods.
Oxford University Press, Oxford. Captulo 9.
FLORES JR., Renato G. Notas de aula da Fundao Getulio Vargas 2003.
FIGUEIREDO, Erik A. Notas de aula da Universidade Federal da Paraba 2010.
GREENE, William. H. Econometric Analysis. (ANO) (5th ed). Cap 18.
HAYASHI, F. (2000). Econometrics. New Jersey: Princeton University Press. Cap 3 e
4.
NEDER, Henrique D. Notas de aula da Universidade Federal de Uberlndia 2009.
WOOLDRIDGE, J. M. (2003). Introductory Econometrics: A Modern Approach. 2nd
ed. New York: Thomson Learning.
70
Evidncias empricas
Issler & Piqueira. Estimating Relative Risk Aversion, the Discount
Rate, and the Intertemporal Elasticity of Substitution in
Consumption for Brazil using Three Types of Utility Function. BRE,
2000.

Diversas funes de utilidade: funo utilidade potncia (CRRA),
utilidade com hbito externo, e averso ao desapontamento (Kreps-
Porteus).

Outras matrizes de ponderao: Newey e West (1987), com janela
fixa, de Newey e West (1994) com janela varivel, e o mtodo de
Andrews (1991), com janela varivel;