Notas de Aulas Econometria I- EPGE/FGV Eduardo P. Ribeiro, Do ponto de vista estatístico, quero que a média do y seja dada pelo modelo linear:
|
|
- Vítor Gabriel Branco Aldeia
- 6 Há anos
- Visualizações:
Transcrição
1 Noas de Aulas Economeria I- EPGE/FGV Eduardo P Ribeiro, 008 *Hipóeses do Modelo Clássico de Regressão Linear (0) Modelo é linear => y i = α + β x i + + β k x ki + ε i Do pono de visa esaísico, quero que a média do y seja dada pelo modelo linear: E [y x i,,x k ] = E [y X] = α + β x + + β k x k + E[ε X] = α + β x i + + β k x ki Iso implica em E[ε X] = 0 Em ouras palavras: () E [ε i ] = 0, média do erro é zero () E [X i ε i ] = 0, o erro é independene das explicaivas x j (para j=,k) (3) As variáveis explicaivas X,,X k não são combinações lineares enre si Ouras hipóeses feias no Modelo Clássico de Regressão Linear (4) V [ε i X] = σ, erros êm variância consane (5) E [ε i ε j ] = 0, i j, erros são independenes enre si (6) ε i ~ iid N ( 0, σ ) Todavia, apenas (0) e (3) são imporanes para esimação por Mínimos Quadrados Já na esimação por Máxima Verossimilhança, (0)-(6) são imporanes Obs: Pela hipóese dos erros serem independenes enre si, E(ε i ε j ) = 0 = Cov(ε i ε j ) *Como achar os coeficienes do modelo? Mínimos Quadrados: Para achar α e β, busco errar pouco no desenho da rea de regressão Ou seja, enho de minimizar os erros (ao quadrado): Vejamos as condições de a ordem: Min L(α, β, y, x ) <-> Min (y i α β x i - - β k x ki ) (i) L/ α = Σ (y i a b x - - b k x k )(-) = 0 (ii) L/ β = Σ (y i a b x - - b k x k )(-x ji ) = 0 para j =,,k Noe que (i) implica que Σ e i = 0 Já (ii) implica que, Σ e i x ji = 0 para j =,,k Compare com a hipóese (), que afirma que x e ε são orogonais Se esa hipóese não é válida, os coeficienes β k não serão bem esimados
2 Resolvendo as condições de a ordem (escrias em noação maricial): (i) X ε = 0 (ii) X (Y X b) = 0 Temos que: X Y X X b = 0 -> b = (X X) - X Y No caso da consane, em paricular, emos a parir da condição de primeira ordem: n a = Σ y i b Σ x ji - b k Σ x ki -> a = Y bx A hipóese (3) é indispensável ao modelo Desa forma não há como er a mariz inversa (X X) - Se as explicaivas são combinações lineares enre si, de(x X) = 0, e, porano, não será possível calcular a inversa da mariz Méodo dos Momenos (MM): Noe que podemos enconrar α e β se parimos de () e (), ajusados para uma amosra E[ε i ] = 0 -> n - Σe i = 0 E [X i ε i ] = 0 -> n - Σ[X i e i ] = 0 que são condições de primeira ordem de mínimos quadrados ordinários (MQO) Obs: Noe que, em regressão simples (k=), a fórmula do esimador de b, ou seja, b=σ(y i m y )x i / Σ(x i m x ), que é equivalene à formula mais conhecida: b=σ(y i m y )(x i m x ) / Σ(x i m x ), onde m x = n - Σ x i, e m y = n - Σ y i, ou seja, a média amosral de x e y, respecivamene Avaliação da Regressão Dividindo a variabilidade da variável dependene, a parir da idenidade y i ŷ i + e i e das condições de primeira ordem do problema de mínimos quadrados: SQT = SQE + SQR n n y m = yˆ m + e ( i y ) ( y ) n i= i= i= i Pode-se consruir o coeficiene de deerminação (R ): R = SQE / SQT = SQR/SQT Obs: como o próprio nome diz, R = (Cor(y i ; ŷ i ))
3 Teses de Hipóeses Para eses de hipóeses é necessário idenificar quais as propriedades esaísicas do veor de coeficienes esimados b, ou seja, sua média, sua variância e sua disribuição: Propriedades do Esimador de MQO Y = Xβ + ε b = (X X) - (X Y) E[b X] = E[(X X) - X (Xβ + ε) X] = E[(X X) - X Xβ X] + E[(X X) - X ε X] = E[β X] + E[(X X) - X ε X] = β + (X X) - X E[ε X ] = β Foram uilizadas as seguines hipóeses sobre o erro: () E [ε i ] = 0, média do erro é zero () E [X i ε i ] = 0, o erro é independene das explicaivas x j (para j=,k) V[b X] = E [(b E[b])( b E[b]) X] = E [(β + (X X) - X ε β) (β + (X X) - X e β) X] = E [((X X) - X ε)( ε X (X X) - X) = (X X) - X E[εε X]X (X X) - = σ (X X) - X I X (X X) - = σ (X X) - Foram uilizadas as hipóeses sobre o erro: () E [ε i ] = 0, média do erro é zero ()E [X i ε i ] = 0, o erro é independene das explicaivas x j (para j=,k) (3) V [ε i X] = σ, erros êm variância consane (4) E [ε i ε j ] = 0, i j, erros são independenes enre si Que em noação maricial podem ser escrias como ε ε ε E [εε ] = E ε nε ε ε ε ε ε ε n n σ 0 = 0 0 σ 0 = σ I σ Noe que a V(b) é uma mariz (k+)x(k+) V ( a) Cov( ba) V(b) = Cov( bk a) Cov( ab ) V ( b ) Cov( ab V ( b k ) k ) Na práica, σ pode ser esimado por s = (n (k+)) - Σe i 3
4 Por fim, como o esimador de MQO (ou MM) é uma função linear de y, que é uma função linear de ε, pela hipóese (6) e a propriedade da disribuição Normal, b X~N(β, σ (X X) - ) Com iso, podemos er o resulado a parir das propriedades (se Z j ~ N(0,), para j =,,p independene, Lembrando que Z + Z + + Z p ~χ p ), (b β) [σ (X X) - ] - (b β)~χ p Para ransformações lineares de b, aravés de uma mariz R,, iso é Rb=r podemos escrever (Rb-r) [Rσ (X X) - R ] - (Rb-r)~χ p Noe que o poso de Rb é dado por p, se R em amanho p X (k+) Para usar o resulado empiricamene, necessiamos de uma esimaiva de σ, que é dada por s como definido acima Desa forma, pode-se escrever F= (R βˆ -r) [R(X X) - R ] - (R βˆ -r)/p ~ F p, n-k- SQR /(n-k-) Oura forma de escrever a expressão acima, explora a diferença enre SQR de dois modelos, um resrio (onde a hipóese, ou condição Rb=r é imposa), SQR r, e um irresrio SQR i, em que o modelo é esimado livremene O SQR i nada mais é do que a soma dos quadrados dos resíduos empregado para calcular a variância dos erros F= (SQR r SQR i )/p ~ F p, n-k- SQR i /(n-k-) Exemplos de Teses de Hipóeses: a) Rβ = r B = [ A β β β3 β4 ] Ho: β = 0 R [ ] B A β β β 3 β 4 = β = r = 0 4
5 b) Rβ = r B = [ A β β β3 β4 ] Ho: β = 0 β = 0 R B A β β β 3 β 4 0 = 0 c) Ho: β = β -> β β = 0 [ 0-0 0] A β β β 3 β 4 = [ 0 ] Tese de Hipóeses: ) Tese de significância de um coeficiene angular Ho: β j = 0 β j 0 T= b j 0 ~ n-(k+) (V(b j )) / ) Tese ANOVA Ho: β = β = = β k = 0 Ha: pelo menos um diferene de zero F= (SQR r SQR i )/p ~ F p, n-k- SQR i /(n-k-) onde SQR r é baseado em um modelo resrio (sob H 0 ), que nese caso é y i = α + ε i, e SQR i é baseado em um modelo irresrio (sem imposição de hipóese alguma) 5
6 Ou F= (R )/p ~ F p, n-k- (-R ) /(n-k-) Resulados em Grandes Amosras Muias vezes não emos como avaliar as propriedades dos esimadores usando valor esperado Desa forma, o second bes passa a ser avaliar as propriedades dos esimadores em um condição ideal de uma amosra crescene (aé o infinio) Para iso emprega-se o conceio de convergência de esimadores e resulados esaísicos da forma de Teorema Cenral do Limie Convergência de esimadores: a medida que aumena n, variância de um esimador cai Isso implica queda da margem de erro do esimador e em uma amosra hipoeicamene infinia, o esimador passa a er apenas o valor do parâmero na população Teorema Cenral do Limie: Somas de variáveis aleaórias independenes padronizadas êm uma disribuição que se aproxima da Normal Padrão, à medida que a amosra aumena A disribuição da média da população em disribuição Normal Esimadores lineares, como os coeficienes de MQO, êm disribuição Normal A disribuição da média ende a ser simérica V ( X ) = (σ x/n) / Lembrando: Tese de Hipóeses: ERRO TIPO : rejeio Ho e Ho é verdadeiro (alfa) ERRO TIPO : aceio Ho e Ho é falso Realidade \ Decisão Aceio Ho Rejeio Ho Ho verdadeiro ( α) nível de confiança Erro do ipo I (α) (amanho do ese / nível de significância) Ho falso Erro do ipo II (β) ( β )(poência/poder do ese) 6
7 Como aumenar o poder do ese: aumena-se o amanho da amosra e, com isso, aumena-se a segurança (vou me aproximar do alfa verdadeiro) Variáveis Explicaivas Binárias (Dummies) Quando há variáveis qualiaivas como explicaivas, não devemos incluí-las usando uma escala numérica qualquer, pois variáveis qualiaivas não são cardinais Desa forma, para uma variável qualiaiva com D caegorias deve ser incluída na regressão aravés de D- variáveis binárias (dummy) Para eviar que a mariz X deixe de ser poso compleo usamos apenas D- variáveis explicaivas (a chamada dummy rap) Por exemplo, considere uma regressão rendimenos, com gênero (Masculino e Feminino) como explicaiva y i =α+β(gênero) i +ε i Há duas caegorias e escolhemos uma delas para a dummy (no caso, feminino) Cria-se uma variável F i ={ se gênero=fem; 0 se gênero=masc} A regressão passa a ser y i =α+βf i +ε i A quesão mais imporane é a inerpreação dos coeficienes: lembrando, que sob as hipóese do MCRL a rea de regressão é a média condicional, emos E(y masc)= α (pois nese caso, F i =0) e E(y fem)= α+β Com iso, β=e(y fem) E(y masc), ou seja a diferença de médias enre a caegoria analisada e aquela excluída na consrução da(s) dummy(ies) No caso de mais de uma variável qualiaiva, devem ser incluídas variáveis dummies para cada uma, manendo a regra de exclusão de uma das caegorias de cada uma das variáveis do grupo de dummies que é incluída na regressão Em adição, deve-se considerar a possibilidade de ineração enre as dummies das diferenes variáveis qualiaivas Esa possibilidade pode ser desconsiderada no caso de independência enre as qualiaivas Por exemplo y i =α+β(gênero) i +γ(cor) i +ε i, onde cor={branco; Não-Branco} Criando B i ={ se cor=branco; 0 se cor=não-branco}, emos a regressão múlipla: y i =α+βf i +γb i +ε i onde E(y Masc, NBranco)= α E(y Fem, NBranco)= α +β E(y Masc, Branco)= α +γ E(y Fem, Branco)= α +β +γ e com iso, a inerpreação dos coeficienes é β= E(y Fem, NBranco) E(y Masc, NBranco) β= E(y Fem, Branco) E(y Masc, Branco) e γ= E(y Masc, Branco) E(y Masc, NBranco) γ= E(y Fem, Branco) E(y Fem, NBranco) 7
8 Como há duas inerpreações de β, pode-se concluir que gênero é independene de cor, para que as duas expressões de β sejam válidas Por exemplo, para o caso de gênero, β= E(y Masc, NBranco) E(y Fem, NBranco)= E(y Masc) E(y Fem) No caso de ineração enre as dummies (não independência), emos o seguine modelo y i =α+βf i +γb i + δ F i B i +ε i onde E(y Masc, NBranco)= α E(y Fem, NBranco)= α +β E(y Masc, Branco)= α +γ E(y Fem, Branco)= α +β +γ + δ As diferenças passam a ser β= E(y Fem, NBranco) E(y Masc, NBranco) γ= E(y Masc, Branco) E(y Masc, Branco) e δ= [E(y Fem, Branco) E(y Masc, Branco) ] [ E(y Fem, NBranco) E(y Masc, NBranco) ] Inerpreação dos coeficienes de regressão (quando esimadas por MQO) Maemaicamene, não há dúvidas na inerpreação de β k no modelo de regressão y i = α + β x i + + β k x ki + ε i, pois y/ x k =β k (efeio da mudança de x k sobre y, manidos os ouros faores x e ε consanes) Noe que ε/ x k =0, ou seja, o erro não depende de x k Como é a inerpreação nas esimaivas, viso que as explicaivas em geral são correlacionadas? Considere uma regressão múlipla com k= (para simplificar a exposição, desconsidere a consane) Y = β X + β X + ε Como inerprear b? Quando b é obido aravés da fórmula de MQO na regressão múlipla: [b b ] = b=(x X) - X Y Volando às condições de primeira ordem X e=0, ou X (Xb Y)=0 ou (X X) b (X Y)=0 Expliciando o coneúdo do veor b, as duas condições para esimação podem ser escrias como ou (X X ) b + (X X ) b (X Y)=0 (X X ) b + (X X ) b (X Y)=0 (A ) b + (A ) b (X Y)=0 (A ) b + (A ) b (X Y)=0 8
9 Resolvendo na primeira equação para b = A - A b + A - (X Y) e subsiuindo na segunda equação (A )[ A - A b + A - (X Y)] + (A ) b (X Y)=0 [(A ) A A - A ]b [ A A - (X Y)+ (X Y)]=0 [X X (X X ) (X X ) - X X ]b [X (X X ) (X X ) - X ] Y=0 [X (I X (X X ) - X )X ]b X (I X (X X ) - X )Y=0 [X M X ]b (X M Y)=0 b =[X M X ] - (X M Y) Mas o que é a mariz M? Tomemos o caso geral: e=y Xb = Y X(X X) - X`Y = (I X(X X) - X`)Y, ou seja, e=m X Y Dois resulados: MM=M (idempoene) e M =M (simérica) Com iso, podemos escrever b =[X M M X ] - (X M M Y) b =[(M X ) (M X )] - [(M X ) (M Y)] onde M X = resíduos de uma regressão de X em X, ie, X = δx + erro e M Y= resíduos de uma regressão simples de Y em X, ie, Y = α X + erro Ou seja, como os resíduos represenam a informação (variabilidade) de X não conida em X (ou seja X limpo de qualquer possível relação linear com X ), o coeficiene b pode ser inerpreado como o efeio de X sobre Y, limpo de qualquer efeio direo e indireo de X sobre Y e X, respecivamene Em ouras palavras, b mede o efeio de X sobre Y, manidos fixos as ouras variáveis incluídas na regressão Noe que, por suposição, como X é independene do erro, as variáveis que compõe o erro são consideradas fixas, em ermos de média condicional ambém Para complear a compreensão, vejamos o caso oposo, ou seja, em um modelo de regressão múlipla, qual o efeio de omiirmos uma variável explicaiva relevane (que faz pare do modelo De modo simérico, vamos considerar que a variável X será omiida O modelo passa a ser Y = β X + erro e com iso o esimador de mínimos quadrados b* =(X `X ) - (X Y) Seu valor esperado é E[b* ]= E[(X `X ) - (X Y)= E[(X `X ) - X (X β + X β + ε)] = β + (X `X ) - X X β + E[(X `X ) - X ε] = β + (X `X ) - X X β = β + δ β onde δ é o coeficiene da regressão de X em X (a regressão reversa do íem anerior), iso é, X = γ X + erro Noe que o esimador de b* nese caso é viesado, exceo no caso de X e X serem independenes (pois assim δ=0) Um modo de inerprear o resulado seria: Se a regressão é múlipla, e esimamos uma regressão simples, a esimaiva obida é uma misura do efeio direo e do efeio indireo da variação de X k de ineresse Usando o exemplo acima, definimos E[b* ]= β + γ β Efeio direo Efeio indireo 9
10 Ou, por meio de uma figura, β X Y γ δ β X Tese para Quebra Esruural: Amosra se divide em dois grupos, onde os grupos possuem modelos de regressão diferenes: y i = α + β X i + ε i i =, m yi = α + β X i + εi i = m +, n Sob Ho: (não há quebra esruural) Y i = α + β X i + ei i =, n Ho: α = α e β =β Ha: α α e β β Ou Ho: α α = 0 Ha: α α = 0 ou β β = 0 β β 0 Usando variáveis dummies iremos colocar as duas equações em uma só, combinando os modelos Defina Colocando no modelo: d i = {0, se i =,, m;, se i = m+,n} y i = γ 0 + γ X i + γ d i + γ 3 (d i X i ) + ε i Se a observação perence à primeira pare dos dados, emos: 0
11 y i = γ 0 + γ X i + ε i i =, m Se a observação perence à segunda pare dos dados, emos: y i = (γ 0 + γ ) + (γ + γ 3 )X i + ε i Ou seja, α = (γ 0 + γ ) e γ = (γ + γ 3 ) Iso implica que a hipóese nula pode ser reescria como Ho: γ = 0 e γ 3 =0 e esada aravés da esimação dos modelos resrios e irresrio: F = (SQRr (SQR + SQR )) / (SQR + SQR ) (n (k +))/ (k+) Onde SQR é a soma dos quadrados dos resíduos do primeiro modelo (i=,, m) e SQR é a soma dos quadrados dos resíduos do segundo modelo (i=m+,, n) SQR r é a soma dos quadrados dos resíduos do modelo resrio, onde há igualdade de coeficienes enre grupos, e =,, n Obs: quando há poucas observações, pode ser que a conclusão de quebra esruural seja conradiório enre um modelo com dummies de inercepo e ouro com dummies de inercepo e inclinação Iso é: Rodando o modelo, o coeficienes γ e γ 3 não são significaivos, mas esimando um modelo apenas com γ ele é significaivo e esimando um modelo apenas com γ 3 ele é significaivo ambém
12 Mulicolinearidade Mulicolinearidade Perfeia: violação da hipóese As variáveis explicaivas X,,X k não são combinações lineares enre si Em ouras palavras, o poso da mariz X não é k+ Nese caso, não é possível ober esimaivas por MQO Mulicolinearidade: alíssima correlação enre variáveis explicaivas Iso não gera esimaivas viesadas ou alera a forma da mariz de variância-covariância Mas infla os desvios padrões de cada coeficiene (pela mariz (X X) - er ermos muio grandes) Ese é o problema da mulicolinearidade Com iso, passa a ser comum er (pares) de coeficienes com esaísicas pequenas, mas com eses F conjunos de exclusão rejeiados Ese é o sinoma de mulicolinearidade Ouro modo de idenificar, seria aravés do cálculo do FIV(b k )=/( R k ), o faor de inflação da variância de um parâmero b k e onde R k é o coeficiene de deerminação da regressão de x k em x,, x k- Se ese for alo, é possível que o problema da mulicolinearidade eseja presene Diz-se possível, pois um alo FIC não é condição necessária nem suficiene para o problema de mulicolinearidade, já que pode-se demonsrar que V(b k )=σ /(S kk ( R k )), onde S kk = Σ(x ki m xk ), O que ocorre é que há duas variáveis explicaivas com o mesmo coneúdo informacional (variabilidade similar, ie, alamene correlacionada) Com iso, o méodo de mínimos quadrados não consegue disinguir enre os efeios direos e indireos das variáveis Embora haja soluções dias ad-hoc como o méodo de ridge regression e o uso de análise faorial, alvez o mais razoável seja pensarmos no problema e idenificarmos qual variável (denre aquelas que em, na práica, a mesma informação) é a mais imporane e/ou a mais represenaiva Heerocedasicidade Heerocedasicidade: violação da hipóese do MCRL: V [ε i X] = σ, erros êm variância consane Agora, V [ε i X] = σ i = f(γ 0 + γ z i + + γ pz pi ) Como esa hipóese é imporane para demonsrar que V(b)=σ (X X) -, se violarmos a hipóese de homocedasicidade, os pacoes esaísicos irão errar no cálculo do desvio padrão dos coeficienes e errar nos valores dos eses de hipóese Ese é o problema da heerocedasicidade O esimador de MQO ainda irá gerar esimaivas não viesadas Na verdade, V(b) = (X X) - X ΩX(X X) -, onde Ω é uma mariz diagonal com elemeno da diagonal igual a σ i Para idenificar o problema, é necessário fazer eses de especificação Ese é o diagnósico Os eses mais comuns são os de Whie e de Breush- Pagan, que são equivalenes, a grosso modo O ese busca avaliar a heerocedasicidade, aravés de um ese de H 0 :homocedasicidade; H a :heerocedasicidade ou
13 H 0 : γ ==γ p =0 O ese supõe que f( ) acima é linear, que uma esimaiva de σ i pode ser dada por e i Os eses diferem pela hipóese de z: alguns usam as variáveis x, ouros usam as variáveis x e seus quadrados Uma vez idenificado o problema de heerocedasicidade, a solução êm duas formas Primeiro, o uso de uma mariz de variância-covariância dos coeficienes ajusada para heerocedasicidade (a chamada Mariz de Whie) que é uma esimaiva de V(b) = (X X) - X ΩX(X X) -, implemenada no EViews, como uma opion em Leas Squares na hora de Esimae Equaion Segundo a ransformação das variáveis explicaivas e explicadas, para ober, de modo indireo, esimaivas por mínimos quadrados generalizados (MQG ou GLS em inglês) O problema de MQG é ober esimaivas de β, al que, dado E(εε )=Ω, MQG: Min β Σε w ou Min (Y - Xβ) Ω - (Y - Xβ) b GLS = (X Ω - X) - (X Ω Y) com V(b GLS ) = (X Ω - X) - b GLS pode ser calculado aravés de ransformação das explicaivas e explicadas, al que b GLS = (X * X * ) - (X * Y * ), onde X * = PX Y * = PY e onde P P = Ω Para o caso de heerocedasicidade, a sugesão é muliplicar cada observação por (/s i ), onde s i é obido a parir da esimação do ese de Whie/Breush- Pagan, em um processo ineraivo Todavia, é possível demonsrar que ese méodo de MQG facível gera esimaivas viesadas, quando emos o caso usual de σ i desconhecido O melhor é a esimação por Máxima Verossimilhança, se sabemos a disribuição dos erros e a forma da heerocedasicidade Auocorrelação Auocorrelação: violação da hipóese: E [ε ε -s ] = 0, para s > 0, como por exemplo, ε = ρ ε - + υ, onde υ é ruído branco) Nese caso E(εε )=Ω, Como esa hipóese é imporane para demonsrar que V(b)=σ (X X) -, se violarmos a hipóese de independência dos erros, os pacoes esaísicos irão errar no cálculo do desvio padrão dos coeficienes e errar nos valores dos eses de hipóese Ese é o problema da auocorrelação O esimador de MQO ainda irá gerar esimaivas não viesadas Na verdade, V(b) = (X X) - X ΩX(X X) -, onde Ω é uma mariz complexa (desenvolvida abaixo) Para idenificar o problema, é necessário fazer eses de especificação Ese é o diagnósico Os eses mais comuns são os de Durbin-Wason e de Breush-Godfey Para enender o ese, vamos especificar uma forma de classificação dos erros auorregressivos Há o caso geral de ε = ρ ε - +ρ ε - + +ρ p ε -p + υ 3
14 chamado de modelo auoregressivo de ordem p (AR(p)) A regressão é sem consane, pois maném-se a hipóese de que E[ε ]=0) Para o caso especial de p=, ε = ρ ε - + erro, H 0 : não há auocorrelação, => Ho: ρ = 0 O ese de DW em uma abela específica, e o ese é calculado por DW = T = ( e e ) T e = ~ ( pˆ ) onde r = Σ T =(e - e - ) /(Σ Τ =e - ), ou seja, uma regressão do resíduo em função do resíduo defasado um período A regra de decisão é :Rejeiamos Ho se DW < D (Lower); Aceiamos Ho se DW > D (Upper) e Inconclusivo se D (lower) < DW < D (upper), onde D(upper) e D(lower) são os valores abulados Para o ese de Breusch-Godfrey, esimamos uma regressão do resíduo conra o residuo defasado p vezes e as explicaivas e fazemos um ese F da significância dos coeficienes angulares dos resíduos defasados Obs: se as explicaivas não incluem a dependene defasada Y -, enão o ese pode ser calculado da regressão de e conra e -,, e -p apenas e pode-se usar o F de significância Para enender melhor a mariz de variância-covariância, omemos o caso de um modelo de regressão com erros AR(): Y = X β + ε, com ε = ρ ε - + u, onde u ~ iid (0, σ ) Temos que b = (X X) - X Y, como sempre, mas V(b) σ (X X) - e na verdade, V(b) = (X X) - X ΩX(X X) -, onde ε ε ε Ω = E [εε ] = E ε nε ε ε ε ε ε ε n n ρ Ω = σ u/(- ρ ) T ρ ρ ρ T ρ ρ ρ T T ρ As soluções para ober boas esimaivas de β e esimaivas de V(b) correas são, primeiro, o uso de um mariz de variância-covariância que acomoda a Auocorrelação (ambém chamada mariz de Newey-Wes, e apresenada como opção no Eviews na esimação por LS); segundo o uso de MQG, aravés de ransformação das variáveis explicaivas e explicada Ou seja, como anes, em heerocedasicidade, o problema de MQ é Min (Y - Xβ) Ω - (Y - Xβ), que gera esimaivas b GLS = (X Ω - X) (X Ω Y), com 4
15 V(b GLS ) = (X Ω - X) - Esas podem ser obidas aravés de b GLS = (X * X * ) - (X * Y * ), onde X * = PX Y * = PY e onde P P = Ω Para o caso de auocorrelação de primeira ordem (para regressão simples) ( r) X * ( r) = ( r) x x 3 rx rx x T rx T y ry Y * = y T ry T + Há dois modos alernaivos a MQG O primeiro é o méodo de Máxima Verossimilhança O segundo é uma Transformação do Modelo de regressao Tomando o exemplo de regressão simples, y = α + β x + ε e ε = ρ ε - + u (*) onde u ~ iid (0, σ ) e =,, T Subsiuindo ε = y - α - β x na segunda equação, emos: Y α β X = ρ (Y - α β X - ) + u Y = α( ρ) + ρ Y - + β X ρ β X - + u (**) Y = α + ρ Y - + β 0 X β X - + u O erro do modelo (**) é independene no empo, ie, não em auocorrelação Por iso, pode ser esimado por MQO sem problemas Noe que se β = ρ β 0, o modelo (**) pode ser escrio como (*) O modelo (**) é chamado ADL(,) Auoregressive Disribued Lag de ordem e Inerpreação dos coeficienes: E [Y Y -, X, X - ] = α + ρ Y - + β 0 X β X - E [Y ]/ X = β 0 (curo prazo) lim T-> E [Y ]/ X = (β 0 + β )/( ρ) (longo prazo), onde ρ < Para enender, lembre-se que, no seady-sae (longo prazo), y = y - = = y e x = x - = = x na média da regressão Subsiuindo na expressão da média condicional, Y = α +ρ Y+ β 0 X β X e Y = α/( ρ) + (β 0 + β )X/( ρ) Obs: O caso geral de ADL(p,q) é 5
16 Y = α + ρ Y ρ p Y -p + β X + + β q X -q + u 6
17 MODELOS ARIMA: Pariremos do caso mais simples: AR() = > Y = β Y - + ε ou Y = α + β Y - + ε onde ε ~ N(0, σ e ) A idéia é que E[Y I - ] = E [Y / Y - ] = α + β Y - No AR(p) a memória é mais longa, no senido de que Y - não resume perfeiamene a rajeória de Y Subsiuindo, Y = α + β [α + β Y - + ε - ] + ε = α + β α + β Y - + ε + β ε - = α + β α + β α + β 3 Y -3 + ε + β ε - = α + β α + β α + β 3 Y -3 + ε + β ε - + β ε - Mas, + β + β = Σ j=0 β j Y = α ( + β + β ) + β Yo + Σ j=0 β j ε -j Assim, Y depende do que aconece em oda a hisóia Todavia, na modelagem, olhamos só o Y -, pois ese sineiza o passado Usando as hipóeses do modelo de regressão, emos: Se T foi grande e β < : Pois Σ j=0 p j = / ( - β) E[Y ] = E[ α Σ j=0 p j ] + E [β Yo ] + E[Σ j=0 p j ε (-j) ] = α Σ j=0 p j + β Yo + Σ j=0 p j E[ε (-j) ] = α Σ j=0 p j + β Yo E [Y] = α / ( β), (PG infinia) Obs: se β = => E [Y ] = α + Yo, pois Σ j=0 j = T 7
18 Vejamos agora a variância: V[Y ] = E [(Y E[Y ] ] = E[(Σ j=0 p j E[ε (-) ])] O quadrado da soma do elemeno acima é: E [(Σ j=0 (p j ) + Σ j=0 ε (-j) + Σ j=0 Σ j l p j p l ε (-j) ε (-) ] Se β =, V [Y ] = σ e = Σ j=0 p j σ e Se β <, V [Y ] = σ e/ - β, pois a ordem da PG é β Se β < e T é grande, os momenos de Y não dependem do empo Em ouras palvras, a variável é esacionária E [Y ] = α + β E [Y - ] + E [ε ] E [Y] = α + β E [Y] + E [ε] E [Y] ( - p) = α -> E [Y] = α / ( - β) Vejamos agora a covariância: Generalizando: Assim, Cov (Y, Y - ) = E [(β Y - + ε E[Y])( β Y (-) + ε - E [Y])] De onde vem o I de ARIMA? = β σ e / β = β V[Y] Cov (Y, Y (-s) ) = β S V[Y] Cor (Y, Y - ) = β Y = Y - + ε Vem da inegração, em que a variável Y em de ser rabalhada pela soma de Y e Y - Z = Δ Y = Y Y - = ε, diferenciou-se a série em primeira ordem Z = β Z β p Z (-p) + ε + O ε O q ε (-q) 8
19 Ese é um ARIMA (p,, q) Oura visão de ARIMA(p,,q): Caso exremo de auocorrelação: Raízes uniárias Vimos que se o coeficiene auoregressivo for igual a, a variável será não-esacionária, ou dia inegrada de ordem É imporane esar esa hipóese: Y = ρ Y - + ε Ou ΔY = (ρ ) Y - + ε ΔY = α + Y - + ε H o : ρ = Η o : α = 0 > H a : ρ < Η a : α < 0 A abela para comparara a esaísica de ese do coeficiene α não é a Normal (ou ) e sim uma abela específica, chamada Dickey-Fuller Se a ordem de Y for ARIMA(p,d,q), p>, q>0, usamos o ese ADF, no modelo abaixo: Raiz Uniária: ΔY = a Y - + Σ j ρ = β j ΔY -j + ε Η o : α = - há raiz uniária Η a : α < - não há raiz uniária Modelos Dinâmicos: Ese é um modelo ADL (,) Y = α + ρ Y - + β X + β 0 X - + u Onde u ~ (0, σ u) ou Auoregressive Disribued Lags (,) O caso geral de ADL(p,q) é Y = α + ρ Y ρ p Y -p + β X + + β q X -q + u Transformando o ADL, emos o MCE ou o modelo de correção de erros(vide laboraório 7) ΔY = α + β 0 Δ X ( - ρ) [ Y - - δ X - ] + ε onde δ = (β 0 + β )( - ρ) 9
20 Coinegração: ΔY = α + β 0 Δ X ( - ρ)ε - + ε Porque modelo de correção de erros Digamos que a endência de longo prazo de ΔY = ΔY * = 0,0 ΔY = 0,05 > ΔY * -> ε > 0 u > 0 -> ΔY + < ΔY * pois ( - ρ) u < Vimos que se ρ = em um modelo ADL ou se o coeficiene auoregressivo de erro da regressão for igual a um não haverá análise de longo prazo Assim, é imporane esar se as relações econômicas são válidas (esáveis) no longo prazo, iso é, se as variáveis do modelo são coinegradas Lembrando: Se Y ~ I(), Y é não-esacionária (ou inegrada de primeira ordem) Enão, Y - Y = ΔY ~ I(0), ou seja, é esacionária No nosso caso emos: Y ~ I() e X ~ I() Se Y - β X = u ~ I(0) Enão u é esacionário ou coinegrado -> Para esar coinegração, fazemos um ese ipo ADF nos resíduos do modelo esáico (ese Engle-Granger) Y = α + β X + ε Ho: ρ = não há coinegração Há: ρ < há coinegração ε = ρ ε - + u VAR: Y β X = ε (Esaísica) Y = β X - ε (Economia) X e ε independenes (Economeria) Se X e ε não são independenes, não podemos usar MQO (ou MQG) para esimar β 0
21 Hipóese alernaiva para séries de empo: X -p e ε independenes (p>0) Y -p e ε independenes Y = α + β Y - + β X - + ε X = α + β Y - + β X - + ε Y X α β = + α β β Y β X ε + ε VAR() E[ X X - Y - ] E[ X X - ] -> Causalidade de Granger X = α + β Y - + ε X = α + β (β X - + ε ) + ε (verifica-se correlação enre consumo e renda, mas iso quer dizer que consumo causa renda?) X = α + (β β) X - + erro (não há causalidade de Granger) O modelo acima implica que X = α + β Y - + β X - + ε β = 0 pois Y - é apenas uma proxy de X - X = a + X - + b Y + b Y - + erro Y = a + γ Y - + γ 0 X + γ X - + v X = a + γ X - + γ 0 Y + γ Y - + v γ 0 γ 0 Y X a = a γ + γ γ Y γ X v + v G 0 Z = A + G Z - + V Z = C o - A + C o - G Z - + C o - V Z = α + β Z - + ε Δ Y = β (,) Δ Y - + β (,) Δ C - + β (,3) Δ Y - + β (,4) Δ C - + β (,5) Δ Y = β (,) Δ Y - + β (,) Δ C - + β (,3) Δ Y - + β (,4) Δ C - + β (,5)
22 H o : renda não causa consumo H a : renda causa consumo
Notas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2011 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 0 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ρ ε t- + υ t, onde υ t é ruído
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Paricia Maria Borolon, D. Sc. Séries Temporais Fone: GUJARATI; D. N. Economeria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006 Processos Esocásicos É um conjuno de variáveis
Leia maisGrupo I (Cotação: 0 a 3.6 valores: uma resposta certa vale 1.2 valores e uma errada valores)
INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Esaísica II - Licenciaura em Gesão Época de Recurso 6//9 Pare práica (quesões resposa múlipla) (7.6 valores) Nome: Nº Espaço reservado para a classificação (não
Leia maisMódulo de Regressão e Séries S Temporais
Quem sou eu? Módulo de Regressão e Séries S Temporais Pare 4 Mônica Barros, D.Sc. Julho de 007 Mônica Barros Douora em Séries Temporais PUC-Rio Mesre em Esaísica Universiy of Texas a Ausin, EUA Bacharel
Leia maisProf. Carlos H. C. Ribeiro ramal 5895 sala 106 IEC
MB770 Previsão usa ando modelos maemáicos Prof. Carlos H. C. Ribeiro carlos@comp.ia.br www.comp.ia.br/~carlos ramal 5895 sala 106 IEC Aula 14 Modelos de defasagem disribuída Modelos de auo-regressão Esacionariedade
Leia maisLista de Exercícios #11 Assunto: Séries Temporais
. ANPEC 995 - Quesão 5 Lisa de Exercícios # Assuno: Séries Temporais Sea yi xi i ordinários (MQO) de e, respecivamene. Pode-se afirmar que: uma equação de regressão e seam a e b esimadores de mínimos quadrados
Leia maisEXAME DE ESTATÍSTICA AMBIENTAL 2ª Época (V1)
Nome: Aluno nº: Duração: horas LICENCIATURA EM CIÊNCIAS DE ENGENHARIA - ENGENHARIA DO AMBIENTE EXAME DE ESTATÍSTICA AMBIENTAL ª Época (V) I (7 valores) Na abela seguine apresena-se os valores das coordenadas
Leia maisDEPARTAMENTO DE ESTATÍSTICA - UFSCar 6 a Lista de exercício de Teoria de Matrizes 28/06/2017
DEPARTAMENTO DE ESTATÍSTICA - UFSCar 6 a Lisa de exercício de Teoria de Marizes 8/06/017 1 Uma pesquisa foi realizada para se avaliar os preços dos imóveis na cidade de Milwaukee, Wisconsin 0 imóveis foram
Leia maisEconometria de Séries Temporais Rogério Silva de Mattos, D.Sc.
Economeria de Séries Temporais Rogério Silva de Maos, D.Sc. UNIVERSIDADE FEDERAL DE JUIZ DE FORA (UFJF) FACULDADE DE ECONOMIA (FE) Economeria III O COMEÇO Box e Jenkins (1970) processos esocásicos nãoesacionários/inegrados
Leia mais4. Modelagem (3) (4) 4.1. Estacionaridade
24 4. Modelagem Em um modelo esaísico adequado para se evidenciar a exisência de uma relação lead-lag enre as variáveis à visa e fuura de um índice é necessário primeiramene verificar se as variáveis logarimo
Leia maisCapítulo 4. Propriedades dos Estimadores de Mínimos Quadrados
Capíulo 4 Propriedades dos Esimadores de Mínimos Quadrados Hipóeses do Modelo de Regressão Linear Simples RS1. y x e 1 RS. Ee ( ) 0 E( y ) 1 x RS3. RS4. var( e) var( y) cov( e, e ) cov( y, y ) 0 i j i
Leia maisProf. Lorí Viali, Dr. UFRGS Instituto de Matemática - Departamento de Estatística
Conceio Na Esaísica exisem siuações onde os dados de ineresse são obidos em insanes sucessivos de empo (minuo, hora, dia, mês ou ano), ou ainda num período conínuo de empo, como aconece num elerocardiograma
Leia maisUniversidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria
Universidade do Esado do Rio de Janeiro Insiuo de Maemáica e Esaísica Economeria Variável dummy Regressão linear por pares Tese de hipóeses simulâneas sobre coeficienes de regressão Tese de Chow professorjfmp@homail.com
Leia maisEXAME DE ESTATÍSTICA AMBIENTAL Ano lectivo 2015/16-1ª Época (V1) 18 de Janeiro de 2016
Nome: Aluno nº: Duração: h:30 m MESTRADO INTEGRADO EM ENGENHARIA DO AMBIENTE EXAME DE ESTATÍSTICA AMBIENTAL Ano lecivo 05/6 - ª Época (V) 8 de Janeiro de 06 I (7 valores) No quadro de dados seguine (Tabela
Leia maisSéries temporais Modelos de suavização exponencial. Séries de temporais Modelos de suavização exponencial
Programa de Pós-graduação em Engenharia de Produção Análise de séries de empo: modelos de suavização exponencial Profa. Dra. Liane Werner Séries emporais A maioria dos méodos de previsão se baseiam na
Leia maisEXAME DE ESTATÍSTICA AMBIENTAL 1ª Época (v1)
Nome: Aluno nº: Duração: horas LICENCIATURA EM CIÊNCIAS DE ENGENHARIA - ENGENHARIA DO AMBIENTE EXAME DE ESTATÍSTICA AMBIENTAL ª Época (v) I (7 valores) Na abela seguine apresena-se os valores das coordenadas
Leia maisUniversidade Federal do Rio de Janeiro
Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL42 Coneúdo 8 - Inrodução aos Circuios Lineares e Invarianes...1 8.1 - Algumas definições e propriedades gerais...1 8.2 - Relação enre exciação
Leia maisConceito. Exemplos. Os exemplos de (a) a (d) mostram séries discretas, enquanto que os de (e) a (g) ilustram séries contínuas.
Conceio Na Esaísica exisem siuações onde os dados de ineresse são obidos em insanes sucessivos de empo (minuo, hora, dia, mês ou ano), ou ainda num período conínuo de empo, como aconece num elerocardiograma
Leia maisREDUÇÃO DE DIMENSIONALIDADE
Análise de componenes e discriminanes REDUÇÃO DE DIMENSIONALIDADE Uma esraégia para abordar o problema da praga da dimensionalidade é realizar uma redução da dimensionalidade por meio de uma ransformação
Leia maisDefinição 0.1. Define se a derivada direcional de f : R n R em um ponto X 0 na direção do vetor unitário u como sendo: df 0) = lim t 0 t (1)
Cálculo II - B profs.: Heloisa Bauzer Medeiros e Denise de Oliveira Pino 1 2 o semesre de 2017 Aulas 11/12 derivadas de ordem superior/regra da cadeia gradiene e derivada direcional Derivadas direcionais
Leia maisAplicação. Uma famosa consultoria foi contratada por uma empresa. que, entre outras coisas, gostaria de entender o processo
Aplicação Uma famosa consuloria foi conraada por uma empresa que, enre ouras coisas, gosaria de enender o processo gerador relacionado às vendas de deerminado produo, Ainda, o conraane gosaria que a empresa
Leia mais5.1. Filtragem dos Estados de um Sistema Não-Linear Unidimensional. Considere-se o seguinte MEE [20] expresso por: t t
5 Esudo de Casos Para a avaliação dos algorimos online/bach evolucionários proposos nese rabalho, foram desenvolvidas aplicações em problemas de filragem dos esados de um sisema não-linear unidimensional,
Leia maisPARTE 12 DERIVADAS DIRECIONAIS
PARTE DERIVADAS DIRECIONAIS. Inrodução Dada uma função f : Dom(f) R n R X = (x, x,..., x n ) f(x) = f(x, x,..., x n ), vimos que a derivada parcial de f com respeio à variável x i no pono X 0, (X 0 ),
Leia maisSISTEMAS DE EQUAÇÕES A DIFERENÇAS LINEARES
8//7 SISTEMAS DE EQUAÇÕES A DIFERENÇAS LINEARES Teorema: Considere o seguine sisema de k equações a diferenças lineares de primeira ordem, homogêneo: x a x a x... a x k k x a x a x... a x k k x a x a x...
Leia maisCálculo do valor em risco dos ativos financeiros da Petrobrás e da Vale via modelos ARMA-GARCH
Cálculo do valor em risco dos aivos financeiros da Perobrás e da Vale via modelos ARMA-GARCH Bruno Dias de Casro 1 Thiago R. dos Sanos 23 1 Inrodução Os aivos financeiros das companhias Perobrás e Vale
Leia maisCAPÍTULO 10 DERIVADAS DIRECIONAIS
CAPÍTULO 0 DERIVADAS DIRECIONAIS 0. Inrodução Dada uma função f : Dom(f) R n R X = (x, x,..., x n ) f(x) = f(x, x,..., x n ), vimos que a derivada parcial de f com respeio à variável x i no pono X 0, (X
Leia mais4 O modelo econométrico
4 O modelo economérico O objeivo desse capíulo é o de apresenar um modelo economérico para as variáveis financeiras que servem de enrada para o modelo esocásico de fluxo de caixa que será apresenado no
Leia mais3 Metodologia do Estudo 3.1. Tipo de Pesquisa
42 3 Meodologia do Esudo 3.1. Tipo de Pesquisa A pesquisa nese rabalho pode ser classificada de acordo com 3 visões diferenes. Sob o pono de visa de seus objeivos, sob o pono de visa de abordagem do problema
Leia maisCaracterísticas dos Processos ARMA
Caracerísicas dos Processos ARMA Aula 0 Bueno, 0, Capíulos e 3 Enders, 009, Capíulo. a.6 Morein e Toloi, 006, Capíulo 5. Inrodução A expressão geral de uma série emporal, para o caso univariado, é dada
Leia mais1 Pesquisador - Embrapa Semiárido. 2 Analista Embrapa Semiárido.
XII Escola de Modelos de Regressão, Foraleza-CE, 13-16 Março 2011 Análise de modelos de previsão de preços de Uva Iália: uma aplicação do modelo SARIMA João Ricardo F. de Lima 1, Luciano Alves de Jesus
Leia maisEconometria Semestre
Economeria Semesre 00.0 6 6 CAPÍTULO ECONOMETRIA DE SÉRIES TEMPORAIS CONCEITOS BÁSICOS.. ALGUMAS SÉRIES TEMPORAIS BRASILEIRAS Nesa seção apresenamos algumas séries econômicas, semelhanes às exibidas por
Leia maisEXAME NACIONAL DE SELEÇÃO 2007
EXAME NACINAL E SELEÇÃ 007 PRVA E ESTATÍSTICA o ia: 8/0/006 - QUARTA FEIRA HRÁRI: 0h30 às h 45 (horário de Brasília) EXAME NACINAL E SELEÇÃ 007 o ia:8/0(quara-feira) Manhã:0:30h às h 45 ESTATÍSTICA Insruções.
Leia maisTeoremas Básicos de Equações a Diferenças Lineares
Teoremas Básicos de Equações a Diferenças Lineares (Chiang e Wainwrigh Capíulos 17 e 18) Caracerização Geral de Equações a diferenças Lineares: Seja a seguine especificação geral de uma equação a diferença
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Paricia Maria Borolon, D. Sc. Aocorrelação Fone: GUJARATI; D. N. Economeria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Camps, 006 Core Transversal Série Temporal Em geral, com dados
Leia maisExercícios sobre o Modelo Logístico Discreto
Exercícios sobre o Modelo Logísico Discreo 1. Faça uma abela e o gráfico do modelo logísico discreo descrio pela equação abaixo para = 0, 1,..., 10, N N = 1,3 N 1, N 0 = 1. 10 Solução. Usando o Excel,
Leia mais2.6 - Conceitos de Correlação para Sinais Periódicos
.6 - Conceios de Correlação para Sinais Periódicos O objeivo é o de comparar dois sinais x () e x () na variável empo! Exemplo : Considere os dados mosrados abaixo y 0 x Deseja-se ober a relação enre x
Leia mais4. Selecionando modelos de Projeção com. AIC e SIC. Primeiro, vamos falar do erro quadrático médio
4. Selecionando modelos de Projeção com AIC e SIC Os criérios de seleção de modelos ipicamene requerem que o erro quadráico médio da previsão de um período a frene seja o menor possível. A diferença enre
Leia maisTRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 18 LIVRO DO NILSON)
TRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 8 LIVRO DO NILSON). CONSIDERAÇÕES INICIAIS SÉRIES DE FOURIER: descrevem funções periódicas no domínio da freqüência (ampliude e fase). TRANSFORMADA DE FOURIER:
Leia mais3 Uma metodologia para validação estatística da análise técnica: a busca pela homogeneidade
3 Uma meodologia para validação esaísica da análise écnica: a busca pela homogeneidade Ese capíulo em como objeivo apresenar uma solução para as falhas observadas na meodologia uilizada por Lo e al. (2000)
Leia maisInstituto de Física USP. Física Moderna. Aula 23. Professora: Mazé Bechara
Insiuo de Física USP Física Moderna Aula 3 Professora: Mazé Bechara Aula 3 Bases da Mecânica quânica e equações de Schroedinger: para odos os esados e para esados esacionários. Aplicação e inerpreações.
Leia maisAplicações à Teoria da Confiabilidade
Aplicações à Teoria da ESQUEMA DO CAPÍTULO 11.1 CONCEITOS FUNDAMENTAIS 11.2 A LEI DE FALHA NORMAL 11.3 A LEI DE FALHA EXPONENCIAL 11.4 A LEI DE FALHA EXPONENCIAL E A DISTRIBUIÇÃO DE POISSON 11.5 A LEI
Leia maisAnálise de séries de tempo: modelos de decomposição
Análise de séries de empo: modelos de decomposição Profa. Dra. Liane Werner Séries de emporais - Inrodução Uma série emporal é qualquer conjuno de observações ordenadas no empo. Dados adminisraivos, econômicos,
Leia maisMÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA
MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesa abordagem paramérica, para esimar as funções básicas da análise de sobrevida, assume-se que o empo de falha T segue uma disribuição conhecida
Leia maisInstituto Superior de Economia e Gestão Universidade Técnica de Lisboa Econometria Época Normal 17/06/2013 Duração: 2 horas. Nome Turma: Processo:
Insiuo Superior de Economia e Gesão Universidade Técnica de Lisboa Economeria Época Normal 7/6/3 Duração: horas Nome Turma: Processo: Espaço reservado para classificações Noas: a uilização do elemóvel
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisModelos Não-Lineares
Modelos ão-lineares O modelo malhusiano prevê que o crescimeno populacional é exponencial. Enreano, essa predição não pode ser válida por um empo muio longo. As funções exponenciais crescem muio rapidamene
Leia maisIV. METODOLOGIA ECONOMÉTRICA PROPOSTA PARA O CAPM CONDICIONAL A Função Máxima Verosimilhança e o Algoritmo de Berndt, Hall, Hall e Hausman
IV. MEODOLOGIA ECONOMÉRICA PROPOSA PARA O CAPM CONDICIONAL 4.1. A Função Máxima Verosimilhança e o Algorimo de Bernd, Hall, Hall e Hausman A esimação simulânea do CAPM Condicional com os segundos momenos
Leia maisUNIVERSIDADE FEDERAL DO PARÁ CÁLCULO II - PROJETO NEWTON AULA 20. Palavras-chaves: derivada,derivada direcional, gradiente
Assuno: Derivada direcional UNIVERSIDADE FEDERAL DO PARÁ CÁLCULO II - PROJETO NEWTON AULA 20 Palavras-chaves: derivada,derivada direcional, gradiene Derivada Direcional Sejam z = fx, y) uma função e x
Leia mais4 Análise dos tributos das concessionárias selecionadas
4 Análise dos ribuos das concessionárias selecionadas Nese capíulo serão abordados os subsídios eóricos dos modelos esaísicos aravés da análise das séries emporais correspondenes aos ribuos e encargos
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Deparameno de Esaísica Prof. Daniel Furado Ferreira 11 a Teoria da Decisão Esaísica 1) Quais são os erros envolvidos nos eses de hipóeses? Explique. 2) Se ao realizar um
Leia maisInstituto de Física USP. Física V - Aula 26. Professora: Mazé Bechara
Insiuo de Física USP Física V - Aula 6 Professora: Mazé Bechara Aula 6 Bases da Mecânica quânica e equações de Schroedinger. Aplicação e inerpreações. 1. Ouros posulados da inerpreação de Max-Born para
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curo prazo Séries emporais Cláudio Moneiro Disribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) Séries emporais Esa é a meodologia clássica mais popular para a previsão
Leia maisCapítulo 7. O Modelo de Regressão Linear Múltipla
Capíulo 7 O Modelo de Regressão Linear Múlipla Quando ornamos um modelo econômico com mais de uma variável explanaória em um modelo esaísico correspondene, nós dizemos que ele é um modelo de regressão
Leia maisO Modelo Linear. 4.1 A Estimação do Modelo Linear
4 O Modelo Linear Ese capíulo analisa empiricamene o uso do modelo linear para explicar o comporameno da políica moneária brasileira. A inenção dese e do próximo capíulos é verificar se variações em preços
Leia maisCircuitos Elétricos I EEL420
Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL420 Coneúdo 1 - Circuios de primeira ordem...1 1.1 - Equação diferencial ordinária de primeira ordem...1 1.1.1 - Caso linear, homogênea, com
Leia maisTeste F na Regressão Linear Múltipla para Dados Temporais com Correlação Serial.
Deparameno de Ciências e ecnologias Mesrado em Esaísica, Maemáica e Compuação ese F na Regressão Linear Múlipla para Dados emporais com Correlação Serial. Bruno Fernando Pinheiro Faria Lisboa, Mesrado
Leia mais4 Filtro de Kalman. 4.1 Introdução
4 Filro de Kalman Ese capíulo raa da apresenação resumida do filro de Kalman. O filro de Kalman em sua origem na década de sessena, denro da área da engenharia elérica relacionado à eoria do conrole de
Leia maisEnunciado genérico. Trabalho: Séries Temporais Disciplina: Estatística Ambiental
Enunciado genérico Trabalho: Séries Temporais Disciplina: Esaísica Ambienal Criérios de escolha da série 1. A série escolhida deverá er uma exensão, N, de pelo menos 150 observações da variável em esudo;.
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Licenciaura em Economia E C O N O M E T R I A II (LEC310) Exame Final Época de Recurso 14 de Julho de 2006 NOTAS PRÉVIAS: 1. A primeira pare da prova em duração de 75 minuos
Leia maisSéries de Tempo. José Fajardo. Agosto EBAPE- Fundação Getulio Vargas
Séries de Tempo Inrodução José Faardo EBAPE- Fundação Geulio Vargas Agoso 0 José Faardo Séries de Tempo . Por quê o esudo de séries de empo é imporane? Primeiro, porque muios dados econômicos e financeiros
Leia mais5 Aplicação da Modelagem Estrutural ao problema de previsão de Preço Spot de Energia Elétrica.
Aplicação da Modelagem Esruural ao problema de previsão de Preço Spo de Energia Elérica. 41 5 Aplicação da Modelagem Esruural ao problema de previsão de Preço Spo de Energia Elérica. 5.1. Inrodução Nesa
Leia maisAPOSTILA DE MODELOS LINEARES EM SÉRIES TEMPORAIS
UNIVERSIDADE FEDERAL DE MINAS GERAIS - UFMG INSIUO DE CIÊNCIAS EXAAS ICEx DEPARAMENO DE ESAÍSICA ES APOSILA DE MODELOS LINEARES EM SÉRIES EMPORAIS Glaura da Conceição Franco (ES/UFMG) Belo Horizone, agoso
Leia maisMovimento unidimensional 25 MOVIMENTO UNIDIMENSIONAL
Movimeno unidimensional 5 MOVIMENTO UNIDIMENSIONAL. Inrodução Denre os vários movimenos que iremos esudar, o movimeno unidimensional é o mais simples, já que odas as grandezas veoriais que descrevem o
Leia mais3 Estudo da Barra de Geração [1]
3 Esudo da Barra de eração [1] 31 Inrodução No apíulo 2, raou-se do máximo fluxo de poência aiva e reaiva que pode chear à barra de cara, limiando a máxima cara que pode ser alimenada, e do possível efeio
Leia maisDEMOGRAFIA. Assim, no processo de planeamento é muito importante conhecer a POPULAÇÃO porque:
DEMOGRAFIA Fone: Ferreira, J. Anunes Demografia, CESUR, Lisboa Inrodução A imporância da demografia no planeameno regional e urbano O processo de planeameno em como fim úlimo fomenar uma organização das
Leia mais3 Modelos de Markov Ocultos
23 3 Modelos de Markov Oculos 3.. Processos Esocásicos Um processo esocásico é definido como uma família de variáveis aleaórias X(), sendo geralmene a variável empo. X() represena uma caracerísica mensurável
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
Leia maisObservação: No próximo documento veremos como escrever a solução de um sistema escalonado que possui mais incógnitas que equações.
.. Sisemas Escalonados Os sisemas abaio são escalonados: 7 Veja as maries associadas a esses sisemas: 7 Podemos associar o nome "escalonado" com as maries ao "escalar" os eros ou energar a "escada" de
Leia mais3 Modelo Teórico e Especificação Econométrica
3 Modelo Teórico e Especificação Economérica A base eórica do experimeno será a Teoria Neoclássica do Invesimeno, apresenada por Jorgensen (1963). Aneriormene ao arigo de Jorgensen, não havia um arcabouço
Leia mais4 Modelo de fatores para classes de ativos
4 Modelo de aores para classes de aivos 4.. Análise de esilo baseado no reorno: versão original (esáica A análise de esilo baseada no reorno é um procedimeno esaísico que visa a ideniicar as ones de riscos
Leia mais5 Resultados empíricos Efeitos sobre o forward premium
5 Resulados empíricos Efeios sobre o forward premium A moivação para a esimação empírica das seções aneriores vem da relação enre a inervenção cambial eserilizada e o prêmio de risco cambial. Enreano,
Leia maisModelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indústria de Óleos Vegetais
XI SIMPEP - Bauru, SP, Brasil, 8 a 1 de novembro de 24 Modelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indúsria de Óleos Vegeais Regiane Klidzio (URI) gep@urisan.che.br
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisAntes de mais nada, é importante notar que isso nem sempre faz sentido do ponto de vista biológico.
O modelo malusiano para empo conínuo: uma inrodução não rigorosa ao cálculo A dinâmica de populações ambém pode ser modelada usando-se empo conínuo, o que é mais realisa para populações que se reproduzem
Leia maisVoo Nivelado - Avião a Hélice
- Avião a Hélice 763 º Ano da icenciaura em ngenharia Aeronáuica edro. Gamboa - 008. oo de ruzeiro De modo a prosseguir o esudo analíico do desempenho, é conveniene separar as aeronaves por ipo de moor
Leia maisestá localizado no cruzamento da i-ésima linha com a j-ésima coluna.
MATRIZES 1. DEFINIÇÕES As marizes são frequenemene usadas para organizar dados, como uma abela indexada. Por exemplo, as noas dos alunos de uma escola podem ser disposas numa mariz cujas colunas correspondem
Leia mais4 O Papel das Reservas no Custo da Crise
4 O Papel das Reservas no Cuso da Crise Nese capíulo buscamos analisar empiricamene o papel das reservas em miigar o cuso da crise uma vez que esa ocorre. Acrediamos que o produo seja a variável ideal
Leia maisSeção 5: Equações Lineares de 1 a Ordem
Seção 5: Equações Lineares de 1 a Ordem Definição. Uma EDO de 1 a ordem é dia linear se for da forma y + fx y = gx. 1 A EDO linear de 1 a ordem é uma equação do 1 o grau em y e em y. Qualquer dependência
Leia maisLista de Exercícios nº 3 - Parte IV
DISCIPLINA: SE503 TEORIA MACROECONOMIA 01/09/011 Prof. João Basilio Pereima Neo E-mail: joaobasilio@ufpr.com.br Lisa de Exercícios nº 3 - Pare IV 1ª Quesão (...) ª Quesão Considere um modelo algébrico
Leia mais3 Retorno, Marcação a Mercado e Estimadores de Volatilidade
eorno, Marcação a Mercado e Esimadores de Volailidade 3 3 eorno, Marcação a Mercado e Esimadores de Volailidade 3.. eorno de um Aivo Grande pare dos esudos envolve reorno ao invés de preços. Denre as principais
Leia maisExercícios Sobre Oscilações, Bifurcações e Caos
Exercícios Sobre Oscilações, Bifurcações e Caos Os ponos de equilíbrio de um modelo esão localizados onde o gráfico de + versus cora a rea definida pela equação +, cuja inclinação é (pois forma um ângulo
Leia maisAula - 2 Movimento em uma dimensão
Aula - Moimeno em uma dimensão Física Geral I - F-18 semesre, 1 Ilusração dos Principia de Newon mosrando a ideia de inegral Moimeno em 1-D Enender o moimeno é uma das meas das leis da Física. A Mecânica
Leia mais4 Método de geração de cenários em árvore
Méodo de geração de cenários em árvore 4 4 Méodo de geração de cenários em árvore 4.. Conceios básicos Uma das aividades mais comuns no mercado financeiro é considerar os possíveis esados fuuros da economia.
Leia maisAplicação de Séries Temporais na Série Teor de Umidade da Areia de Fundição da Indústria FUNDIMISA*
XII SIMPEP, Bauru, SP, Brasil, 7 a 9 de novembro de 25 Aplicação de Séries Temporais na Série Teor de Umidade da Areia de Fundição da Indúsria FUNDIMISA* Suzana Russo (URI - UALG) jss@urisan.che.br Paulo
Leia maisAnálise de Informação Económica e Empresarial
Análise de Informação Económica e Empresarial Licenciaura Economia/Finanças/Gesão 1º Ano Ano lecivo de 2008-2009 Prova Época Normal 14 de Janeiro de 2009 Duração: 2h30m (150 minuos) Responda aos grupos
Leia maisComportamento Assimptótico dos Mínimos Quadrados Questão: Será que a estimativa de mínimos quadrados converge para o valor verdadeiro dos parâmetros?
Conrolo por Compuador 3-Idenificação J. Miranda Lemos IST-DEEC Área Cienífica de Sisemas, Decisão e Conrolo 05 Comporameno Assimpóico dos Mínimos Quadrados Quesão: Será que a esimaiva de mínimos quadrados
Leia maisMovimento unidimensional. Prof. DSc. Anderson Cortines IFF campus Cabo Frio MECÂNICA GERAL
Movimeno unidimensional Prof. DSc. Anderson Corines IFF campus Cabo Frio MECÂNICA GERAL 218.1 Objeivos Ter uma noção inicial sobre: Referencial Movimeno e repouso Pono maerial e corpo exenso Posição Diferença
Leia mais6 Processos Estocásticos
6 Processos Esocásicos Um processo esocásico X { X ( ), T } é uma coleção de variáveis aleaórias. Ou seja, para cada no conjuno de índices T, X() é uma variável aleaória. Geralmene é inerpreado como empo
Leia mais2 Revisão Bibliográfica
Revisão Bibliográfica Ese capíulo apresena os principais conceios, abordagens e a formulação básica das meodologias que esão incluídas no modelo HPA. Conceios maemáicos e esaísicos mais dealhados podem
Leia maisEstimação em Processos ARMA com Adição de Termos de Perturbação
UNIVER ERSIDADE DE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA DEP EPARTAMENTO DE ESTATÍSTICA Esimação em Processos ARMA com Adição de Termos de Perurbação Auor: Paricia Vieira de Llano Orienador:
Leia maisExportações e Consumo de Energia Elétrica: Uma Análise Econométrica Via Decomposição do Fator Renda.
XVIII Seminário Nacional de Disribuição de Energia Elérica Olinda - Pernambuco - Brasil SENDI 2008-06 a 0 de ouubro Exporações e Consumo de Energia Elérica: Uma Análise Economérica Via Decomposição do
Leia maisTabela: Variáveis reais e nominais
Capíulo 1 Soluções: Inrodução à Macroeconomia Exercício 12 (Variáveis reais e nominais) Na abela seguine enconram se os dados iniciais do exercício (colunas 1, 2, 3) bem como as soluções relaivas a odas
Leia mais5 de fevereiro de x 2 y
P 2 - Gabario 5 de fevereiro de 2018 Quesão 1 (1.5). Considere x 2 y g(x, y) = (x, y + x 2 ) e f (x, y) = x 4, se (x, y) = (0, 0) + y2. 0, se (x, y) = (0, 0) Mosre que: (a) f e g admiem odas as derivadas
Leia maisContabilometria. Séries Temporais
Conabilomeria Séries Temporais Fone: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Conabilidade e Adminisração, Ediora Alas, São Paulo, 2010 Cap. 4 Séries Temporais O que é? Um conjuno
Leia maisExperiência IV (aulas 06 e 07) Queda livre
Experiência IV (aulas 06 e 07) Queda livre 1. Objeivos. Inrodução 3. Procedimeno experimenal 4. Análise de dados 5. Quesões 6. Referências 1. Objeivos Nesa experiência, esudaremos o movimeno da queda de
Leia maisModelos Lineares Não-Estacionários
Modelos Lineares Não-Esacionários Aula 04 Enders (2010, 3. ed.) Seções 4.5 a 4.7 Bueno (2011, 2. ed.) Capíulo 4 Morein (2011, 2. ed.) Capíulos 2, 3 e 4 MODELO ARIMA Bueno (2011, 2. ed.) Seções 4.1 a 4.4
Leia maisComportamento Assimptótico dos Mínimos Quadrados. Questão: Será que a estimativa de mínimos quadrados converge para o valor verdadeiro dos parâmetros?
Modelação, Idenificação e Conrolo Digial 4-Idenificação Paramérica 36 Comporameno Assimpóico dos Mínimos Quadrados Quesão: Será que a esimaiva de mínimos quadrados converge para o valor verdadeiro dos
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia mais