Econometria

Ricardo Bruno N. dos Santos

Professores Adjunto da Faculdade de Economia e do PPGE (Economia) UFPA

O modelo de Regresso Linear Simples A interpretao moderna da regresso

A anlise de regresso se ocupa do estudo da dependncia de uma varivel, a varivel dependente, em relao a uma ou mais variveis, as variveis explanatrias, com vistas a estimar e/ou prever o valor mdio (da populao) da primeira em termo dos valores conhecidos ou fixados (em amostragens repetidas) das segundas.

O modelo de Regresso Linear Simples A interpretao moderna da regresso

O modelo de Regresso Linear Simples A interpretao moderna da regresso

O modelo de Regresso Linear Simples A interpretao moderna da regresso

O modelo de Regresso Linear Simples

Conceito da Funo de Regresso Populacional (FRP)
A regresso populacional (RP) indica apenas o valor esperado da distribuio de Y, dado Xi, ou seja, ela aponta que a resposta mdia de Y varia com X. = ( ) Pressupondo que uma regresso linear teremos: = 1 + 2 Nesse caso 1 e 2 so parmetros conhecidos como intercepto e coeficiente angular

O modelo de Regresso Linear Simples O significado do termo linear

Qual a diferena entre a linearidade das variveis e a dos parmetros?

O modelo de Regresso Linear Simples O Erro Estocstico

Podemos expressar o desvio de um valor individual de Y (Yi) em torno de seu valor esperado, assim temos: = (| )

Ou ento
= + Onde o desvio ui uma varivel aleatria no observvel que assume valores positivos ou negativos. O termo ui tambm conhecido como distrbio estocstico ou termo de erro estocstico.

O modelo de Regresso Linear Simples

O Erro Estocstico
= + = 1 + 2 + que a FRP No entanto, se tomarmos o valor esperado de = + nos dois lados da equao, obtm-se:
E (Yi | X i ) E[ E (Y | X i )] E (ui | X i ) E (Y | X i ) E (ui | X i ) E (ui | X i ) E (Y | X i ) E (Y | X i ) 0

Assim, a pressuposio de que a linha de regresso passa pelas mdias condicionais de Y implica que os valores mdios condicionais de ui so iguais a zero.

O modelo de Regresso Linear Simples

Funo de regresso Amostral (FRA)
E quando tivermos no uma populao, mas sim, apenas amostras de uma populao. Na maior parte das situaes prticas impossvel trabalhar com dados populacionais. O que teramos agora so amostras de Y correspondentes a alguns X fixados.

O modelo de Regresso Linear Simples Funo de regresso Amostral (FRA)

O modelo de Regresso Linear Simples Funo de regresso Amostral (FRA)

Acredita-se que as linhas das FRA representem a linha da FRP, porm, devido s variaes amostrais, elas so, na melhor das hipteses, aproximaes da verdadeira regresso populacional. Como a FRA uma aproximao da FRP podemos representar a linha de regresso da FRA pela seguinte notao.
X Y i 1 2 i

Que assim como FRA pode ser representado por

X u i Yi 1 2 i

O modelo de Regresso Linear Simples Funo de regresso Amostral (FRA)

Assim, nosso principal objetivo passa a ser estimar a FRP com base na FRA.

O modelo de Regresso Linear Simples Funo de regresso Amostral (FRA)

Fica a pergunta: A partir da FRA pode-se formular um mtodo ou regra que torne a aproximao entre FRA e FRP o mais prximo, possvel? Em outras palavras, tornar os estimadores is chapu mais prximos dos verdadeiros is.

O Problema da Estimao: O Mtodo dos Mnimos Quadrados Ordinrios (MQO)

O Mtodo dos Mnimos Quadrados Ordinrios (MQO)

Aqui iremos estimar a FRP a partir da FRA da maneira mais acurada possvel. Recorrendo a FRP de duas variveis temos:
Yi 1 2 X i ui

Porm como a FRP no pode ser observada diretamente. Temos que estim-la a partir da FRA:
X u i Yi 1 2 i u o valor estimado de Y i , sendo Y Y i i i

O Mtodo dos Mnimos Quadrados Ordinrios (MQO)

Como determinar a Prpria FRA? Para vermos isso, faremos o seguinte: Expressamos Yi como: Y Y u
i i i

X Yi 1 2 i

Ou seja, os resduos so simplesmente a diferena entre os valores observados e estimados de Y. Agora nosso objetivo estimar a FRA de tal forma que a mesma fique o mais prximo possvel do Y observado.

O Mtodo dos Mnimos Quadrados Ordinrios (MQO)

Para tornar o valor de Y observado o mais prximo do estimado basta adotarmos o seguinte critrio: ) deve ser o menor possvel. i (Yi Y u i

Embora intuitivamente seja um bom critrio ele no funciona, pois a soma dos resduos se anulam. Para resolver esse problema utilizamos a soma do quadrado dos resduos.

i2 u

X) (Y
2 (Yi Yi ) i 1 2 i

O Mtodo dos Mnimos Quadrados Ordinrios (MQO)

O princpio do MQO escolher os estimadores de 1 de tal forma que, para qualquer amostra ou conjunto de e 2 2 ui seja a menor possvel. dados, a

Aplicando um processo de otimizao podemos verificar isso, levando em conta que

, ( 1 2)

min

2 ui

Considerando

i2 Q u

Clculo dos estimadores por MQO

Pelo mtodo de MQO podemos encontrar os estimadores da regresso linear simples, esses estimadores so dados por: 1 = 2 E 2 = 2 = 2 2 2

Clculo dos estimadores por MQO

COM BASE NAS FRMULAS DOS BETAS CALCULE A REGRESSO, OS RESDUOS PARA OS DADOS DA TABELA ABAIXO:

Clculo dos estimadores por MQO

MQO: Propriedades Estatsticas do MQO

i) Os estimadores de MQO so expressos unicamente em termos de quantidades observveis (isto , amostra) como X e Y. Portanto, podem ser calculados com facilidade. ii) So estimadores pontuais, isto , dada a amostra, cada estimador proporciona apenas um nico valor (ponto) do parmetro populacional relevante. iii) Uma vez obtidas as estimativas de MQO para os dados amostrais, a linha de regresso amostral pode ser facilmente obtida, tendo as seguintes propriedades:

MQO: Propriedades Estatsticas do MQO

a) Passa pelas mdias amostrais de Y e X. Esse fato fica bvio pela estimativa de 1. b) O valor mdio do Y estimado, , igual ao valor mdio do Y observado para: = 1 + 2 = 2 + 2 = + 2 ( ) Somando-se os dois lados da equao e dividindo por n teremos:

Y Y

MQO: Propriedades Estatsticas do MQO

c) O valor mdio dos resduos igual a zero. iv) Os resduos no esto correlacionados ao Yi previsto.
= = = =

( )

v) Os resduos no esto correlacionados com os , X )X u isto 2(Yi 1 2 i i i Xi 0

MQO: Pressupostos do MQO

1) Modelo de Regresso Linear. O modelo de regresso linear nos parmetros. 2) Os valores de X so fixos em amostras repetidas. Ou seja, X no estocstico.

MQO: Pressupostos do MQO

3) O valor mdio do termo de erro ui zero. Dado o valor de X, o valor mdio, ou esperado, do distrbio aleatrio ui zero. Ou seja, o valor mdio condicional de ui zero:

E (ui | X i ) 0

Homocedasticidade ou varincia igual de ui. A varincia de ui a mesma para todas as observaes, isto , as varincias condicionais de ui so idnticas. Simbolicamente, temos: var(ui | X i ) E[ui E (ui | X i )]2
E (ui2 | X i ), em decorrncia de 3 2

MQO: Pressupostos do MQO

MQO: Pressupostos do MQO

5) No h autocorrelao entre os termos de erro. Dados quaisquer dois valores de X, Xi e Xj (ij), a correlao entre quaisquer ui e uj (ij) zero. (MRLM)

cov(ui , u j | X i , X j ) E{[ui E (ui )]| X i }{[u j E (u j )]| X j } E (ui | X i )(u j | X j ) 0 6) Ausncia de covarincia entre ui e Xi ou E(ui|Xi)=0
cov(ui , X i ) E[ui E (ui )][ X i E ( X i )] E (ui ( X i E ( X i )), j que E (ui ) 0 E (ui X i ) j que E (ui ) 0 0 por hiptese

E (ui X i ) E ( X i ) E (ui ), j que E ( X i ) no estocstico

MQO: Pressupostos do MQO

7) O nmero de observaes n deve ser maior que o nmero de parmetros a serem estimados. Ou ento, o nmero de observaes n deve ser maior que o nmero de variveis. (MRLM) 8) Variabilidade dos valores de X. Os valores de X em uma dada amostra no devem ser os mesmos. Tcnicamente. Var(X) deve ser um nmero positivo finito. 9) O modelo de regresso est especificado da forma correta. Ou ento, no h vis ou erro de especificao no modelo empregado na anlise emprica. 10) No h multicolinearidade perfeita. Isto , no h relaes lineares perfeitas entre as variveis independentes. (MRLM)

MQO: Preciso nas Estimativas

Como verificamos, cada FRA pode nos fornecer diferentes valores dos estimadores Betas da regresso, por este motivo, devemos sempre levar em considerao uma medida de confiabilidade ou preciso dos estimadores 1 e 2 . Na estatstica, a preciso de uma estimativa medida pelo seu erro padro (ep). Podemos estimar os erros a partir das varincias dos , que so: 2 2 = 2 = 2 , 2 1 2 2 = 2 1 = 2 2

MQO: Preciso nas Estimativas

Uma estimativa vivel da varincia do erro 2 pode ser obtida pela Soma do Quadrado dos Resduos (SQR). Assim tem-se: 2 2 = 2 2 Onde o valor de n-2 o grau de liberdade e o a SQR.

MQO: Preciso nas Estimativas

Para um melhor entendimento podemos representar a SQR a partir da seguinte expresso:
2 = 2 2 2 , 2

2 que substituindo na
2

J verificamos que 2 = expresso acima teremos:

2 =

Portanto, podemos afirmar que a SQR composta pela Soma de Quadrados Total (SQT= 2 ) menos a soma de 2 quadrados explicada (SQE= 2 ).

MQO: Propriedades dos estimadores () o Teorema de Gauss-Markov

O Teorema de Gauss-Markov um dos mais importantes dentre da Econometria, a partir deste teorema que provamos trs importantes propriedades dos estimadores que garantem a confiabilidade nas suas estimativas, so elas:

1) Linear: ou seja, trata-se de uma funo linear de uma varivel aleatria. 2) No Viesado (ou no TENDENCIOSO): ou seja, seu valor mdio ou esperado (2 ) igual ao verdadeiro valor de 2 . 3) Tem VARINCIA MNIMA na classe de todos os estimadores lineares no viesados: um estimador no viesado com a menor varincia conhecido como ESTIMADOR EFICIENTE.

MQO: Propriedades dos estimadores () o Teorema de Gauss-Markov

Todo o objetivo por trs da regresso provar que os estimadores de MQO so MELNT (Melhor Estimador Linear No Tendencioso). O Teorema de Gauss-Markov prova isso, logo, essa a principal finalidade de tal teorema. Podemos demostrar isso atravs de um grfico de distribuio normal destinado apenas aos estimadores, logo:

MQO: O coeficiente de Determinao R2 uma medida da qualidade do ajustamento

Na verdade o principal objetivo desse coeficiente mostrar o quanto de X consegue explicar em Y, pode-se verificar isso no seguinte diagrama de Venn

MQO: O coeficiente de Determinao R2 uma medida da qualidade do ajustamento

Ou seja considerando a equao em forma dos desvios (para facilitar o clculo), pode-se verificar que: = + Lembrando que: = 2 + e = 2 , se elevarmos os dois lados da primeira equao ao quadrado e somando na amostra, teremos 2 = 2 +
2 +2 2 2

=
2 = 2

2 +
2 +

MQO: O coeficiente de Determinao R2 uma medida da qualidade do ajustamento

Na composio final temos o conceito de que a SQT=SQE+SQR Soma de Quadrados Total = Soma de Quadrados Explicada + Soma de Quadrados dos Resduos. Isso no grfico pode ser representado da seguinte forma:

MQO: O coeficiente de Determinao R2 uma medida da qualidade do ajustamento

Dividindo ambos os lados de SQT por SQT teremos: 1= + =
2 2

Podemos ento definir o 2 como sendo 2 = 2 2 2 2 2 = 2 = 2 2 2 = 1

2 2

MQO: O coeficiente de Determinao R2 uma medida da qualidade do ajustamento

2 Lembrando do nosso exemplo anterior vamos calcular o

MQO: Um exemplo numrico

Vamos construir a tabela 3.3 do capitulo 3 (seo 3.6) usando o software Gretl. Os dados so referentes as despesas familiares de consumo semanal (Y) e renda familiar semanal (X)