Material de apoio ao curso de Teoria Macroeconomica PPGE UFF
|
|
- Francisco Cipriano de Paiva
- 5 Há anos
- Visualizações:
Transcrição
1 Material de apoio ao curso de Teoria Macroeconomica PPGE UFF Revisão de econometria básica Introduzindo a revolução Novo Clássica Bibliografia: introduction to econometrics G S Maddala e Kajal Lahiri 4a. Edição
2 Dados em Economia Amostra ou dados são uma coleção de n observações que são tratadas como variáveis randômicas (i.e. variáveis cujos valores estão sujeitos ao acaso). Seja o seguinte levantamento (observação) de dados x: População: renda das famílias Amostra da população = x desvio padrão:... n.. = µ = média da população =? σ 2 = variância da população =? = média da amostra VAR(x) = variância da amostra Estimativas não-tendenciosas de µ e σ 2 : =1/ correção de Bessel = 1 1 x é uma variável randômica. Os valores x i são independentes entre si e igualmente prováveis. Variância é uma medida de dispersão: quanto menor, menos dispersos são os valores. Variância nula significa que todos os valores são idênticos. A raiz quadrada da variância (i.e. o desvio padrão) dá um valor mais semelhante a uma distância para indicar a dispersão em relação à média. 2
3 Variáveis Randômicas Uma variável randômica é uma variável cujo valor é qualquer um dos resultados de um experimento aleatório. Cada possível valor de uma variável randômica tem uma probabilidade associada a ela, o que chamamos de distribuição de probabilidade. Denotamos variáveis randômicas por letras maiúsculas e usamos letras minúsculas para denotar valores particulares destas variáveis. Desta maneira, a variável randômica X pode assumir o valor x i que é associado à probabilidade p i, isto é: P(X = x i ) = p i. A soma das probabilidades de cada um dos valores possíveis de uma variável randômica é sempre igual a 1: =1 Exemplos: 1. X é o valor observado quando se joga um dado. Isto é, você joga um dado e X é o valor observado. Os valores possíveis são {1,2,3,4,5,6} e a probabilidade associada a cada um destes valores é 1/6. Fig.1(a) 2. Y é 1 se a moeda dá cara e 0 se dá coroa. Os valores possíveis são {0,1} e a probabilidade de cada um é ½. 3. Z é a quantidade de pizzas entregues por dia pela empresa A. Neste caso, os valores possíveis e as suas probabilidades podem ser calculados a partir das frequências relativas (se um houver um período bastante longo de observações). Fig1(b) Distribuição de Probabilidades: Fig. 1 3
4 Variáveis Randômicas: discretas Note que a probabilidade de uma variável randômica tomar um valor menor ou igual a x i é igual P(X x i ) = p 1 + p p i, pois são eventos mutuamente excludentes. Por exemplo, a probabilidade do dado rolar um número menor ou igual a 3 é igual a 1/6 + 1/6 + 1/6 = 0.5 (na Fig.1(a), basta somar as 3 primeiras barras). Já a probabilidade de serem entregues 1, 2 ou nenhuma pizza é igual a = 0.17 (i.e. a soma das 3 primeiras barras da Fig.1(b)). Na Fig.1(b), a soma da terceira, quarta e quinta barra dá a probabilidade de serem entregues 2, 3 ou 4 pizzas. A soma de todas as barras é sempre igual a 1. As variáveis randômicas dos exemplos anteriores (1 a 3) são chamadas de variáveis randômicas discretas, porque os valores possíveis são valores discretos, isto é, números inteiros. A característica é que estes valores podem ser contados (mesmo que sejam em quantidade infinita). A média de uma variável randômica, também chamada de valor esperado ou expectativa, é denotada como µ X ou E(X): =. E(X) é igual ao resultado médio de um experimento depois de um grande número de tentativas. Por exemplo, a média (i.e. o valor esperado) para uma quantidade grande de lançamentos de um dado é 3.5 (mesmo que seja impossível rolar um 3.5 com um dado de 6 faces): 1(1/6)+2(1/6)+3(1/6)+4(1/6)+5(1/6)+6(1/6) = 3.5. Agora imagine que a variável randômica X é o volume de chuva que ocorrerá no mês seguinte. Este valor pode ser 8.0 mm, 8.01 mm, mm,. Uma infinidade de valores podem ser observados. Nem faz sentido falar de um valor exato de 8.0mm. Este tipo de variável é denominada variável randômica contínua. A ocorrência de qualquer valor exato de X pode ser considerado como tendo probabilidade zero. 4
5 Variáveis Randômicas Contínuas No caso de variáveis randômicas contínuas, as probabilidades devem ser discutidas em termos de algum intervalo, e.g. a probabilidade do volume de chuva estar no intervalo [8.0, 8.2] mm. Neste caso poderíamos construir uma distribuição de probabilidades semelhante ao caso das variáveis randômicas discretas (Fig. 2). Observe que a soma de todas as barras é igual a 1. Fig. 2 Fazendo barras cada vez mais estreitas no limite tem-se uma curva. Neste caso, podemos definir que uma variável randômica contínua é associada a uma função f(x), chamada de função de densidade de probabilidade. A probabilidade de uma variável randômica cair dentro de um particular intervalo de valores é dada pela integral de f(x) neste intervalo, ou seja: a probabilidade é dada pela área abaixo da curva (Fig.3). = f(x) P(X b) f(x) P(a X b) = b x a b x Fig. 3 5
6 Variáveis Randômicas Contínuas A média de uma variável randômica contínua, i.e. o valor esperado ou expectativa, é dado por: A variância, como medida de dispersão, permanece sendo uma distância do ponto ao valor médio que é elevada ao quadrado, porém ponderada pelo valor da função de densidade de probabilidade: = Na realidade, a definição de variância é diretamente feita em termos de E(X): var(x) = E([X E(X)] 2 ), o que desenvolvendo leva var(x) = E(X 2 )-(E(X)) 2. Carmem Feijó Curso Macroeconomia Avançada 6
7 Propriedades da Expectativa e da Variância 1. E(X + Y) = E(X) + E(Y) 2. var(x + Y) = var(x) + var(y) Se c é uma constante (i.e. não-randômico): 3. E(cX) = ce[x] 4. var(cx) = c 2 var(x) 5. var(x + c) = var(x) 7
8 Densidade Conjunta e Condicional No caso de dois eventos A e B, P(AB) é a probabilidade da ocorrência conjunta de A e B (i.e. a interseção dos dois eventos). A probabilidade de um evento A, dado que um outro evento B ocorreu é denotada por P(A B) e é definida como P(A B) = P(AB)/P(B). Isto é: P(AB) = P(A B)P(B). No caso de variáveis randômicas contínuas, definimos uma função de densidade de probabilidade conjunta (ou simplesmente densidade/distribuição conjunta ) f(x,y) para descrever a situação conjunta (Fig. 4). A integral dupla de f(x,y) é igual ao volume abaixo da superfície. No caso de todo o domínio, este volume é igual a 1. Para um evento conjunto A (e.g. 55<x<74 e 1<y<26) a probabilidade de A é igual a: =, A função de densidade de probabilidade condicional f(x y) corresponde à função de densidade de X dado Y = y. f(x,y) A Similarmente à probabilidade condicional f(x y) = f(x,y)/f Y (y). Isto é: f(x,y) = f(x y)f Y (y). f Y (y) é chamada de densidade marginal. f(x y) para y = 26 na Fig.4 corresponde ao corte transversal da superfície. f(x y) y y=26 Fig. 4 x x 8
9 Expectativa Condicional e Variância Definimos expectativa condicional de X dado Y = y como: Note que é essencialmente = com f(x y) no lugar de f(x). Por simplicidade, indicamos Y = y por Y, i.e. escrevemos expectativa condicional como E[X Y]. O condicionamento pode ser sobre várias variáveis, e.g. E[X Y 1,Y 2,,Y n ]. Neste caso, a função de densidade condicional é f(x y 1,y 2,,y n ). Podemos definir variância condicional em termos da média condicional: = = [ ] Uma notação para variância condicional: = Algumas propriedades: 1. E(XY Y) = Y E[E(X Y)] 2. E(X) = E[E(X Y)], conhecida como Lei das Expectativas Totais (ou Lei Simples das Expectativas Iteradas) 3. E(X Y 1 ) = E[E(X Y 1,Y 2 ) Y 1 ), conhecida como Lei das Expectativas Iteradas. Note que Y 1 é parte do conjunto que estamos condicionando. Poderíamos também apresentar esta propriedade como E(X Y 1 ) = E[E(X Z) Y 1 ), onde Y 1 é um elemento de Z (ou seja, Y 1 está contido em Z). Esta lei diz que o conjunto de menor informação ganha! Propriedades devidas à linearidade das expectativas condicionais: 4. E(a Y) = a se a é uma constante 5. E(aX Y) = ae(x Y) se a é uma constante 6. E(aX+ bz Y) = ae(x Y) + be(z Y) se a e b são constantes = = 7. E(g(Y)X Y) = g(y)e(x Y) e, em particular, E(g(Y) Y) = g(y) onde g é uma função g:r R 9
10 Independência e Correlação Duas variáveis randômicas X e Y são ditas independentes se a densidade conjunta f(x,y) puder ser fatorada em um produto: f(x,y) = f X (x) f Y (y) Esta situação é análoga à de eventos independentes. Dizemos que os eventos A e B são independentes se a probabilidade de ocorrência de um não depende se o outro tenha ocorrido ou não. Neste caso, a probabilidade da ocorrência conjunta de A e B é dada por P(AB) = P(A)P(B). f X e f Y são chamadas de densidades marginais. Se as distribuições f X e f Y forem as mesmas, então dizemos que X e Y são independente e identicamente distribuídas (iid), i.e. X e Y têm a mesma distribuição de densidade e são mutuamente independentes. Esta suposição existe em cross-sectional data. Quando duas variáveis randômicas não são independentes, calculamos a covariância para ter uma idéia de o quão fortemente elas estão relacionadas entre si. Uma forma fácil de calcular a covariância é dada por: cov(x,y) = E(XY) E(X)E(Y). E(XY) é chamada de momento vetorial (cross moment). Uma notação para covariância é. Uma melhor quantidade para avaliar este grau de interelacionamento, por ser adimensional, é o coeficiente de correlação: corr(x,y) = cov(x,y)/σ X σ Y. Dizemos que duas variáveis são não-correlacionadas (uncorrelated) se e somente se corr(x,y) = 0 (ou, o que é o mesmo, cov(x,y) = 0). corr(x,y) varia no intervalo [-1,1]. Se X e Y são independentes, então elas são não-correlacionadas. Porém o inverso não vale (e.g. em Y = X 2, Y e X são perfeitamente dependentes, mas têm cov(x,y) = 0). 10
11 Independência e Correlação Quando trabalhamos com uma amostra com n medidas de X e Y, o coeficiente de correlação da amostra r xy pode ser usado para estimar o coeficiente de correlação da população corr(x,y): Neste caso de apenas duas variáveis, costumamos usar o quadrado deste coeficiente, denotado por R 2 e chamado de coeficiente de determinação, que varia de 0 a 1. Quanto mais perto de 1, mais correlacionado está (ou seja, X mais explica linearmente Y). Se o momento vetorial (cross moment) é igual a zero, i.e. E(XY) = 0, dizemos que X é ortogonal a Y (e vice-versa). Ortogonalidade só corresponde a zero-correlação se E(X) ou E(Y) é zero. Se X e Y são independentes, então: cov(x,y) = 0. E(X Y) = E(X) Propriedades da Covariância cov(x,y) = cov(y,x) cov(x,x) = var(x) cov(x,y+z) = cov(x,y) + cov(x,z) cov(x,a) = 0, se a é constante cov(ax,by) = ab cov(x,y) cov(x+a,y+b) = cov(x,y) = var(x + Y) = var(x) + 2cov(X,Y) + var(y) 11
12 Distribuição Normal Dizemos que uma variável randômica X no intervalo [, ] segue uma distribuição normal se a sua função de densidade de probabilidade tem a forma de um sino, é simétrica, é centrada no seu valor esperado µ e tem variância σ 2 de maneira que: = 1 2 Denotamos com: X~(, ). Quando é uma coleção de variáveis randômicas independente e identicamente distribuídas (iid) indicamos como ~(0, ) ou ~(0, ) ou ~...(0, ). A Fig.5 ilustra algumas distribuições normais, sendo a mais interessante a que tem média zero ~(0, ). Quando uma variável randômica tem média zero e variância é 1, i.e. ~(0,1), chamamos X de variável normal padrão (standard normal variable). Fig. 5 No caso de densidade conjunta f(x,y), se ~, e ~, então dizemos que temos uma distribuição normal bivariada (bivariate normal distribution). Neste caso, f(x,y) é uma expressão que depende de,,, e ρ. O parâmetro ρ é o coeficiente de correlação que mede o quão fortemente as duas variáveis variam juntas. Se as variáveis econômicas não são normalmente distribuídas, sempre podemos considerar transformações das variáveis de maneira que as variáveis transformadas têm distribuição normal. 12
13 Distribuição Log-Normal Denotamos com ~, para indicar que a variável randômica X tem uma distribuição log-normal com média e variância. Uma distribuição log-normal é uma distribuição cujo logaritmo é normalmente distribuído. Portanto, se X é distribuído de maneira log-normal, então Y = log(x) tem uma distribuição normal. Da mesma maneira, se Y tem uma distribuição normal, então X =e Y tem uma distribuição log-normal. A partir da definição de X log-normalmente distribuída, podemos mostrar que Se X é uma variável distribuída de forma log-normal, então: e, em particular, para n = 1 e média u = 0: Por exemplo, se uma variável randômica Z tem uma distribuição normal, i.e.z~,, então = ~, ã ~,. = = 13
14 Equação de Regressão Linear Lembrar a essência do que é estimativa de variáveis randômicas e estimador. Suponha que queremos uma estimativa de uma variável randômica Y, sabendo apenas a sua função de densidade de probabilidade. Uma maneira é minimizar o erro quadrático médio (mean square error - MSE) entre o resultado do experimento e a estimativa (lembre que média é dada pela expectativa E( )). Matematicamente queremos o valor que minimiza a seguinte expressão: =. Derivando esta expressão com relação a e igualando a zero, obtemos =, ou seja a estimativa de Y é o seu valor médio (i.e. a sua expectativa) (a rigor também temos que calcular a segunda derivada e verificar que é positiva o que no caso dá o valor 2). Ademais, o mínimo erro quadrático médio é obtido substituindo = em, o que dá [] ; o que por sua vez é igual à variância de Y - no slide 5: var(x) = E([X E(X)] 2 ) Considere agora que Y é relacionada a uma outra variável randômica X cujos valores já foram observados. O cálculo é similar e o valor que minimiza () = = (), é ()= =, ou seja: a estimativa é a expectativa condicional de Y dado X = x. O mínimo erro quadrático médio é a variância condicional var(y X). Na prática, estamos interessados no estimador (i.e. no procedimento ou função que produz a estimativa) e não no resultado quando a variável X assume um específico valor. Estimativa e estimador são diferentes (assim como são diferentes o valor de uma função num específico ponto e a própria função). Portanto, falaremos do estimador =( ) ao invés da estimativa ()= =, onde é uma variável randômica, mas () não o é (porque x é um valor específico). ( ) é uma variável randômica e não um número. Vamos também abusar da notação e usar letras minúsculas: =. Propriedade da Decomposição: qualquer variável randômica y pode ser expressa como = + onde é uma variável randômica satisfazendo (1) =0 e (2) (h )=0, i.e. não é correlacionada com qualquer função de x. Ao invés do estimador geral Mínimo MSE (onde f(y x) é difícil de determinar), escolhemos uma relação linear entre y e x para minimizar o MSE (estimador Mínimo MSE Linear): =+ (equação de regressão linear); que é equivalente a =++, onde é o erro e y é o estimador. E como a variável x não está correlacionada com o erro, temos que = +, onde é o erro. 14
15 Parâmetros de uma Equação de Regressão Linear Se a distribuição conjunta de y e x, i.e., =( ), é normal bivariada e a relação entre y e x é linear, podemos mostrar que: =++ ~ 0, = + ~ 0, onde os parâmetros,, estão relacionados com a componente condicional da distribuição conjunta,, enquanto que os parâmetros, estão relacionados com a componente marginal. Costumamos indicar os conjuntos de parâmetros como: =,, e =,. Lembre que é a notação para a variância condicional e que é (). Note que, por construção,, =0 e os erros são independentes entre si, i.e., =0. Podemos também deduzir (com algum algebrismo) que, no caso acima, temos: = () = onde é a notação para,. = Portanto, podemos ver que regredir a equação =++ é equivalente a determinar os parâmetros da distribuição conjunta. 15
16 Modelos de Regressão Linear Dadas n observações, todas as variáveis e todos os erros são randômicos. Tipos de variáveis endógenas (ou dependentes) predeterminadas exógenas defasadas (lagged) artificiais (dummy) Suposição de Linearidade: =+ + + para a observação i, sendo i = 1,, n. x i e z i são variáveis randômicas exógenas denominadas de regressores. Para simplificar a notação, estamos apresentando apenas dois regressores, mas seriam K regressores: (=1,2,,). y i é a variável randômica exógena (i.e. dependente). ε i é o erro ou a pertubação. O termo de erro ε i representa a parte da variável dependente deixada sem explicação pelos regressores. α, β e γ são os coeficientes de regressão. Eles representam os efeitos separados dos regressores (também chamados de efeitos marginais). Por exemplo, β representa a mudança na variável dependente quando o regressor x i aumenta de 1 (uma) unidade, enquanto todos os outros são mantidos constantes. Matematicamente isto significa =. A suposição de linearidade implica que o efeito marginal não depende do nível dos regressores. 16
17 Erro Fontes de erro 1. Elemento imprevisível de aleatoriedade quando se observam respostas humanas pessoas não se comportam com a regularidade de uma máquina! 2. Variáveis omitidas 3. Erros de medidas Erro no processo de registro Erro por usar uma variável proxy (visto que a verdadeira variável não é mensurável). Um exemplo de variável proxy é anos de escolaridade que supomos ser uma aproximação, um representante (proxy), para educação. Problemas com variáveis proxy Suponha que o verdadeiro modelo é =+ e que usamos os seguintes proxies: =+ e =+, onde v e u são erros de medida. x e y são chamadas de partes sistemáticas. O modelo em termos das variáveis observadas passa a ser = + onde = +. 17
18 Erro Uma suposição que facilita os métodos de regressão é supor que o erro ε i da equação de regressão linear é a seguinte: ε i são independente entre si e normalmente distribuído com média zero e uma variância comum σ 2. Indicamos esta situação como ~(0, ). Outra suposição simplificadora é considerar que ε i e os regressores x j e z j, no exemplo anterior, são independentes para todos os i e j. Isto significa que a distribuição de não depende do valor de x nem do valor de z. Para visualizar as duas condições acima, suponha a equação =+ +. Desta maneira, para um dado valor de x, teremos valores aleatórios de y que acompanha a distribuição normal do erro ε. Por exemplo, para x = 5, y poderia ser 10.0, 10.6, 9.6,. Pela Fig.6, y seria 10.0, porque corresponde ao valor mais provável (os valores dos coeficientes são estimados com esta suposição). y = ε mais provável y = 10.0 y = 9.6 independentes ε 0 + independentes 0 + x = 5.0 independentes x Fig. 6 18
19 Suposições do Modelo de Regressão Linear A amostra das n observações dos regressores forma a matriz de dados (hachureada nas figuras abaixo): =+ + + = Obs. x z y 1 x 1 z 1 y 1 2 x 2 z 2 y 2 i x i z i y i n x n z n y n matriz de dados vetor da i-ésima observação de 2 regressores: x 1 x 2 x K y 1 x 11 x 12 x 1K y 1 2 x 21 x 22 x 1K y 2 = i x = i1 x i2 x ik x ik y i n x n1 x n2 x nk y n matriz de dados vetor da i-ésima observação de K regressores: Suposição 1 (Exogeneidade Estrita): Fig. 7 Fig. 8,, =0 =1,2,, Na Fig.7 a notação acima significa:,,, =0 Note que a condicionalidade é em relação a todos as n observações de todos os K regressores! A expectativa condicional,, geralmente é uma função não-linear de,,. A suposição de exogeneidade estrita diz que esta função é constante e de valor zero. Uma outra maneira de definir Exogeneidade Estrita é dizer que os regressores são estritamente exógenos se é independente de ε j para todo i, j. Esta definição é mais forte do que a apresentada acima (mas não é inconsistente com ela). 19
20 Suposições do Modelo de Regressão Linear As consequências da suposição de exogeneidade estrita são várias: 1. a expectativa do termo do erro é zero: E(ε i ) = 0 (i = 1,2,,n) isto decorre diretamente da Lei das Expectativas Totais: E =,, =0 2. os regressores são ortogonais ao termo do erro para todas as observações: =0 =0,=1,, no caso geral de K regressores: =0,=1,,;=1,, Note que a ortogonalidade diz respeito tanto ao termo de erro ε i com a mesma observação i, como ao termo de erro ε i e qualquer outra observação j. 3. Porque a expectativa do termo do erro é zero, as condições de ortogonalidade (2) equivalem a condições de correlação-zero:, =0, =0,=1,, Quando há correlação, dizemos que há problemas de endogeneidade. Isto geralmente ocorre devido às fontes de erro relatadas no slide 13 e também quando lidamos com modelos de equações simultâneas. OBS: Para séries temporais (onde i é o tempo), a consequência de ortogonalidade da exogeneidade estrita equivale a dizer que o termo de erro é ortogonal aos regressores passados, correntes e futuros. Mesmo quando o contexto não é o de séries temporais, a presença de variáveis defasadas (lagged) invalida a suposição de exogeneidade estrita, e.g. = + (que é o modelo autoregressivo de primeira ordem AR(1)); pois = + = + = + = 0mesmo quando =0. Ademais, y i é o regressor para a observação i+1, ou seja: o regressor não é ortogonal ao termo de erro passado o que viola a exogeneidade estrita! 20
21 Suposições do Modelo de Regressão Linear Suposição 2 (inexistência de multicolinearidade): nenhum dos K regressores pode ser expresso como uma combinação linear dos outros Na Fig. 7, por exemplo, se x i = 2z i + 5, temos dois regressores perfeitamente colineares, o que inviabiliza o modelo. Na prática, nunca temos multicolinearidade perfeita, exata. O que temos são variáveis fortemente, mas não exatamente, relacionadas. Multicolinearidade causa valores elevados de erros-padrão, valores de estatística-t pequenos e excessiva sensibilidade (pequenas mudanças nos dados ou retirada/adição de variáveis provocam grandes mudanças nos parâmetros estimados). Suposição 3 (homoskedasticity):,, = =1,2,, Em geral,, é uma função não-linear de,,, mas a suposição de homoskedasticity diz que é uma função constante. Se as condições de exogeneidade estrita são observadas, a suposição de homoskedasticity pode ser expressa em termos da variância, que tem uma interpretação mais simples:,, = para todo i. Isto é: há uma variância comum para todos os termos de erro.,, =,,,, =,, =, pois,, =0 Quando esta suposição é violada, dizemos que há heteroskedasticity. Quando heteroskedasticity é detectada (há testes para tal), algumas soluções podem ser tentadas (incluindo a tentativa simples de transformar os dados em forma logarítmica). 21
22 Suposições do Modelo de Regressão Linear Suposição 4 (independência entre erros):,, =0,=1,2,,; Se as condições de exogeneidade estrita são observadas, a suposição de erros independentes pode ser expressa em termos da covariância: cov,,, =0,=1,,; cov,,, =,,,,,, =,, =0 Para séries temporais, a suposição de erros independentes significa admitir que não há correlação serial no termo de erro. Nas 4 suposições acima, explicitamos a condicionalidade com,,, tais como em,, = e,, =0. Entretanto, é usual dispensar,, a título de simplificação de notação. Neste caso apresentamos: =, =0, = e cov, =0. 22
23 Modelos de Equações Simultâneas As principais formas de endogeneidade (i.e. quando há correlação entre regressores e o termo de erro) são: as oriundas de erros (variáveis omitidas e erros de medida) e simultaneidade (quando a variável explanatória é conjuntamente determinada com a variável dependente, tipicamente através de um mecanismo de equilíbrio). Suponha que escrevemos uma equação estrutural (estrutural no sentido de que vem da teoria econômica e tem interpretação causal; ou seja, no sentido de que vem de uma estrutura causal na economia) do tipo h= Se w for uma variável endógena (i.e. w é determinada pelo funcionamento do modelo) não poderemos regredir a equação e devemos buscar mais uma equação que, junta com a primeira, revele a relação entre h e w, e.g.: h= Estas duas equações formam um Modelo de Equações Simultâneas, onde a simultaneidade é responsável pela correlação entre regressores e o termo de erro. No exemplo acima, esta correlação é facilmente percebida se colocarmos a primeira equação na segunda, quando então w revela sua dependência de. O exemplo acima é o de um possível modelo de oferta (supply) e demanda (demand) do mercado de trabalho, onde h é a quantidade de horas de trabalho, w é o salário por hora médio, z é o salário médio de manufatura do país, e P é a preço médio da passagem do domicílio ao local de trabalho. As variáveis endógenas são h e w e as exógenas são z e P. Neste modelo, a curva de demanda h = e a curva de oferta h = são relacionadas através da interseção da demanda e da oferta, que devem estar em equilíbrio h =h (Fig.9). Em um outro exemplo qualquer de modelo de equações simultâneas, as relações entre variáveis explanatórias e variáveis dependentes nem precisam vir de um mecanismo explícito de equilíbrio (como no caso acima) nem terem a mesma variável no lado esquerdo das equações (Fig.10). Fig. 9 w D S D h Fig. 10 = + + = + + endógenas: y 1 e y 2 exógenas: x e z 23
24 Modelos de Equações Simultâneas Em um modelo de equações simultâneas, as variáveis exógenas permitem que as equações sejam identificadas (i.e. identificadas no sentido de que os seus parâmetros são estimados e as equações são reconhecidas). Se, por exemplo, a equação que estamos tentando estimar seus parâmetros puder ser obtida como uma combinação linear das outras, não será possível identificá-la. Ter o número exato de exógenas permite a identificação da equação. Independente das equações serem identificadas ou não, as equações estruturais do modelo não podem ser regredidas pelo método OLS. Mas se transformarmos as equações estruturais de maneira que as variáveis explanatórias são todas exógenas (i.e. no lado direito das equações só existem exógenas), podemos regredir (as equações transformadas) com o método OLS e através das transformações usadas poderemos obter os valores dos parâmetros das equações originais. As equações transformadas desta forma são chamadas de forma reduzida do modelo (ou equações de forma reduzida). E este procedimento de estimar os parâmetros do modelo chama-se de método LS Indireto (Indirect Least Squares). No exemplo anterior de demanda-oferta, a forma reduzida do modelo é obtida colocando a primeira equação na segunda e vice-versa, de maneira a resolver as duas equações para h e w em termos de z e D. As equações transformadas e os parâmetros originais calculados através das estimativas (obtidos por uma regressão LS) são os seguintes: h= = onde = = = e = = = = = = 24
25 Modelos de Equações Simultâneas - Identificação Quando obtemos estimativas de todos os coeficientes estruturais de uma equação a partir das estimativas dos coeficientes da forma reduzida, dizemos que esta específica equação é exatamente identificada, ou simplesmente identificada. Porém, algumas vezes, isto não é possível. Uma equação pode ter um excesso de exógenas e a forma reduzida do modelo pode levar a coeficientes estruturais com múltiplas estimativas (e não saberemos qual valor escolher). Neste caso, dizemos que a equação é sobre-identificada (overidentified). Outra situação é quando a equação tem exógenas de menos e nós não conseguimos obter estimativas dos coeficientes estruturais. Neste caso, onde a solução é impossível, dizemos que a equação é subidentificada (underidentified), também denominada de equação não identificada. Note que num mesmo modelo podemos ter uma equação exatamente identificada e outra subidentificada, assim como qualquer outra combinação de identificação (identificação é uma propriedade de cada equação). Veja estas situações nos seguintes modelos: Caso 1: h= (identificada) h= (identificada) Caso 2: h= (não identificada) h= + + (identificada) g = 2 h w z k g Caso 3: h= (não identificada) h= + + (sobreidentificada)(múltiplas) Caso 4: h= (identificada) h= (não identificada) Não é necessário encontrar a forma reduzida para verificar o tipo de identificação. Há testes para determinar o tipo de identificação de uma equação. Para o Caso 2 está apresentado o teste mais simples de condições apenas necessárias (mas não suficientes): 25
26 Modelos de Equações Simultâneas O Problema de Exogeneidade Em modelos de equações simultâneas, a classificação de variáveis como endógenas e exógenas termina sendo bastante arbitrária. Geralmente, valores correntes de algumas variáveis são tratados como endógenos e valores defasados (lagged) destas mesmas variáveis são tratadas como exógenas (mesmo quando os valores correntes e defasados estão altamente correlacionados). A recomendação, portanto, é ao invés de simplesmente contar o número de variáveis exógenas, devemos investigar o quão fortemente as variáveis estão correlacionadas. Algumas vezes elas estão tão fracamente correlacionadas que compensa considerar uma delas como exógena. Algumas vezes a endogeneidade de um modelo de equações simultâneas é aparente; isto é, não há viés (bias) de simultaneidade. Variáveis exógenas também podem levantar questionamentos sobre como validar modelos. Por exemplo, nos seguintes dois modelos (o primeiro é o mesmo da Fig.10), temos a mesma forma reduzida. Então fica a questão: é o efeito de x sobre ou o efeito de z sobre? Isto levanta a crítica de que a capacidade de fazer previsão de uma equação não pode ser tomada como evidência para a validade de qualquer teoria. A maior crítica, entretanto, dos Novos Clássicos está na conhecida Crítica de Lucas ( slide 27). = + + = + + Endógenas: y 1 e y 2 Exógenas: x e z = + + = + + Endógenas: y 1 e y 2 Exógenas: x e z 26
27 Modelos de Equações Simultâneas Superexogeneidade Até meados da década de 70, a abordagem para modelos de equações simultâneas era a dominada pela proposta da Cowles Foundation (Univ. de Chicago) que estabeleceram (no final dos 40s e início dos 50) a seguinte premissa: a classificação de variáveis em endógenas e exógenas e a estrutura causal do modelo são todos dados a priori e não são testáveis (i.e. exogeneidade e causalidade não podem ser testadas). O foco da Cowles Foundation era em métodos econométricos de estimativa. Isto não resiste às observações que já fizemos com relação a exogeneidade nem à mais contundente crítica de todas: aquela feita por R.E.Lucas em seu trabalho Econometric Policy Evaluation: A Critique, em 1976, que hoje é conhecida como a Crítica de Lucas. Um dos principais propósitos da estimativa de equações simultâneas é prever o efeito de mudanças nas variáveis exógenas sobre as variáveis endógenas. Entretanto, se as variáveis exógenas são mudadas e os agentes de maximização de lucros percebem as mudanças vindo, eles certamente modificarão seus comportamentos de acordo com tais mudanças. Portanto, os coeficientes dos modelos de equações simultâneas não podem ser assumidos invariantes, independentes, das mudanças nas variáveis exógenas. Esta é a essência da Crítica de Lucas. Uma solução para a Crítica de Lucas seria tornar os coeficientes dos sistemas de equações simultâneas dependentes das variáveis de políticas exógenas. Modelos de parâmetros variáveis já foram propostos. Entretanto, o uso de Expectativas Racionais, propostas pelo próprio Lucas, representa a linha dominante neste sentido. Veremos, mais a frente, que a Crítica de Lucas conduziu a propostas de tipos de exogeneidade, onde a chamada superexogeneidade seria o tipo relacionado à Crítica de Lucas e representaria uma condição necessária para propósitos de políticas. Entretanto, nem as Expectativas Racionais nem a superexogeneidade encontraram evidências empíricas claras até o momento. Lucas (1976) considera um modelo condicional dinâmico usado e especificado para simulação de políticas macroeconômicas. Os parâmetros de tal modelo devem refletir as regras de decisão dos agentes econômicos. Estes agentes são supostos integrarem tanto o conhecimento sobre políticas passadas como as expectativas sobre possíveis deslocamentos futuros das políticas. Com estas considerações não podemos esperar que as regras de decisão fiquem invariantes quando sujeitas a intervenções de políticas. 27
28 Modelos de Equações Simultâneas Superexogeneidade Para Lucas o comportamento passado é um guia pobre para avaliar os efeitos das ações de política. Concluiu que modelos de forma reduzida não conseguem prover informação útil sobre as reais consequências de políticas alternativas porque a estrutura da economia muda quando a política muda (e, portanto, os parâmetros estimados variam). Propos um novo programa de pesquisa, real business cycle (ou equilibrium business cycle), onde os modelos usados para análise de políticas são imunes à crítica de Lucas no sentido de que são modelos de equilíbrio com comportamento olhando para frente (forward-looking behavior). Em 1983, foi proposto o conceito de superexogeneidade com o objetivo de ser usado para testar a relevância empírica da crítica de Lucas algo que não foi ainda empiricamente evidenciado. Apesar disto, esta nova classificação de exogeneidade tem sido bastante usada. Para a classificação e o uso de superexogeneidade ver: Engle, Hendry e Richard (1983) e Engle e Hendry (1993). As variáveis exógenas em geral têm um grau fraco de exogeneidade, chamada de exogeneideade fraca (weak exogeneity). Podemos observar isto no caso de regressão linear simples (slide 15), onde vemos que a estimativa de =,, não necessita de informação sobre =,., i.e. e são dois conjuntos de parâmetros separados. Quando os parâmetros associadaos à distribuição marginal de uma variável exógena x não são necessários para a estimativa dos parâmetros associados à distribuição condicional da variável endógena y, dizemos que x é fracamente exógena para a estimativa de y. Este resultado pode ser estendido para sistemas de equações simultâneas com várias variáveis exógenas. Normalmente são todas fracamente exógenas. A situação de mais forte exogeneidade, no sentido da crítica de Lucas, seria quando os parâmetros relacionados à distribuição condicional de y (e.g. no caso da regressão linear simples) permanecem invariantes a mudanças (i.e. a intervenções) na distribuição marginal da variável exógena x. Neste caso dizemos que x é uma variável superexógena. No exemplo da regressão linear simples, x é fracamente exógenas, mas não é superexógena, porque mudanças em =, provocam mudanças em =,,. 28
29 Modelos de Equações Simultâneas Exogeneidade Forte Continuando a classificação de egogeneidade, há uma situação intermediária entre a fraca e a super, chamada de exogeneidade forte. Este conceito está relacionado precedência no tempo. Portanto usaremos o subescrito t nas variáveis. Se a variável x t é fracamente exógena e se x t não é precedida (no tempo) por nenhuma das outras variáveis endógenas do sistema, dizemos que x t é uma variável fortemente exógena. Um contraexemplo é o seguinte: = + = + + onde e têm uma distribuição normal bivariada e são serialmente independentes (i.e., =0). Nestas condições, x t é fracamente exógena (porque a distribuição marginal de x t não envolve os parâmetros =, relacionados à distribuição condicional de y). Porém x t não é fortemente exógena, porque a segunda equação mostra que precede x t (x t depende de ). A precedência que impede uma variável ser fortemente exógena pode ser verificada pelo conhecido teste de causalidade de Granger que testa se x t falha causar. A expressão causar no teste teste de Granger significa preceder (ou seja causalidade de Granger significa precedência de Granger i.e. trata-se apenas de um termo inapropriado, porém muito usado). Um outro teste alternativo é fazer uma regressão de sobre todos os x defasados (passado), correntes e futuros. Neste caso se os coeficientes futuros da regressão forem zero, dizemos que x t falha causar. 29
30 Modelos de Expectativas Adaptativas Modelos de expectativas consideram a expectativa do agente econômico com relação a variáveis econômicas. Vamos denotar como sendo a expectativa de. Por exemplo, = +. No modelo de expectativas adaptativas, agentes formam suas expectativas sobre o que acontecerá no futuro baseados no que aconteceu no passado. Neste modelo, partindo de que = + + +, e considerando pesos geometricamente decrescentes do tipo =, com 0<<1de maneira que a soma acima converge, podemos chegar à fórmula da expectativa adaptativa: =(1 ), onde representa uma revisão da expecativa e representa o erro mais recente. Na prática usamos uma fórmula equivalente (após um algebrismo bem fácil): =(1 ). A maneira mais fácil de estimar uma equação dentro do modelo de expectativas adaptativas é a chamada estimativa na forma autoregressiva. Nesta técnica de estimativa (há outras), primeiro defasamos a equação original de 1 período no passado, a multiplicamos por λ e a subtraimos da original. Depois aplicamos a fórmula da expectativa adaptativa e obtemos uma nova equação. No exemplo acima, subtraindo = + de = + e considerando a fórmula =(1 ), obtemos a seguinte expressão: = + +, onde =(1 ) e =. Esta equação envolve a regressão de sobre, o que chamamos de forma autoregressiva. A autocorrelação do novo termo de erro também fica evidente. 30
31 Expectativas Racionais As expectativas dos agentes representam o melhor palpite do futuro que usa todas as informações disponíveis no momento. Assumimos que as expectativas dos agentes podem estar erradas, mas são corretas na média ao longo do tempo (i.e. têm um corportamento verdadeiramente estatístico e nãotendencioso). Muth (1961) considerou que o erro de previsão é não-correlacionado com o conjunto completo de informações que está disponível para o agente na ocasião em que a previsão é feita. Denotamos este conjunto por para representar toda a informação disponível no tempo t 1. = + ou = onde depende de e não é correlacionado com ; além de não ser correlacionado com qualquer uma das variáveis no conjunto de informação. Aplicando a média esperada (i.e. a expectativa matemática) nesta equação, temos que: expectativa subjetiva = expectativa objetiva A interpretação é que a parte esquerda é a expectativa subjetiva e a parte direita é a expectativa objetiva condicionada aos dados disponíveis quando a expectativa foi formada (i.e. os agentes se comportam como se tivessem completo conhecimento sobre o modelo que os econometristas estão estimando em outras palavras: os agentes se comportam como se conhecessem não apenas a estrutura do modelo, mas também todos os seus parâmetros). Desta maneira, há uma conexão entre as crenças subjetivas dos agentes econômicos e o comportamento vigente do sistema econômico. A idéia básica é verificar se o erro é não-correlacionado com as variáveis no conjunto de informações. Exemplo : = + + (onde é quantidade, é o preço no tempo t conforme esperado no tempo t 1 e é uma exógena). Quando todas as variáveis são conhecidas no tempo t 1(i.e. todas estão no conjunto de informações ), basta substituir = na equação e estimar (até mesmo com OLS) a equação então resultante: = + +, onde o termo de erro é =. 31
DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisEspecialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisEstatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 30 de abril e 02 de maio de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisVariáveis Aleatórias. Henrique Dantas Neder. April 26, Instituto de Economia - Universidade Federal de Uberlândia
Variáveis Aleatórias Henrique Dantas Neder Instituto de Economia - Universidade Federal de Uberlândia April 2, 202 VARIÁVEL ALEATÓRIA DISCRETA O conceito de variável aleatória está intrínsicamente relacionado
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisVariáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 19/04/2018 WB, FM, EK ( LEG/DEST/UFPR ) Variáveis
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisLista de Exercícios #3 Assunto: Variáveis Aleatórias Multidimensionais Discretas
1. ANPEC 2018 - Questão 07 Em um problema envolvendo variáveis aleatórias independentes, um estudante calculou corretamente que E(Y) = 2, E(X 2 )E(Y) = 6, E(X)E(Y 2 ) = 8 e E(X) 2 E(Y) 2 = 24. Avalie as
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisEconometria - Lista 6
Econometria - Lista 6 Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 A curva de Phillips desempenha um papel fundamental na
Leia maisAULAS 6 e 7. ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017
AULAS 6 e 7 ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017 Em aulas passadas vimos as funções de probabilidade de variáveis discretas e contínuas agora vamos ver
Leia maisPARTE 1 ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL CAPÍTULO 2 O MODELO DE REGRESSÃO SIMPLES
PARTE 1 ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL CAPÍTULO 2 O MODELO DE REGRESSÃO SIMPLES 2.1 DEFINIÇÃO DO MODELO DE REGRESSÃO SIMPLES Duas variáveis: y e x Análise explicar y em termos de x
Leia maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
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 maisBIOESTATISTICA. Unidade IV - Probabilidades
BIOESTATISTICA Unidade IV - Probabilidades 0 PROBABILIDADE E DISTRIBUIÇÃO DE FREQUÊNCIAS COMO ESTIMATIVA DA PROBABILIDADE Noções de Probabilidade Após realizar a descrição dos eventos utilizando gráficos,
Leia maisEconometria. Econometria: Paradigma. Porque usar econometria? Porque usar econometria?
Econometria: Paradigma Econometria 1. O Paradigma da Econometria 19/8 Fundamentos teóricos Microeconometria e macroeconometria Modelagem comportamental: otimização, oferta de trabalho, equações de demanda,
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 maisProva de Estatística
Prova de Estatística 1. Para um número-índice ser considerado um índice ideal, ele precisa atender duas propriedades: reversão no tempo e o critério da decomposição das causas. Desta forma, é correto afirmar
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
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 maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades 01 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções de probabilidade
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Covariância e Coeficiente de correlação 11/13 1 / 21 Covariância Quando duas variáveis aleatórias
Leia maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia maisProbabilidades. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Probabilidades Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 06/03/2018 WB, EK, FM ( LEG/DEST/UFPR
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 maisMétodos Empíricos de Pesquisa I. } Análise Bidimensional
Métodos Empíricos de Pesquisa I } Análise Bidimensional 1 Aula de hoje } Temas } Associação entre variáveis } Qualitativas e Quantitativas } Covariância: conceitos e propriedades } Coeficiente de correlação
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisEstimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios. Wooldridge, Cápítulo 15
Estimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios Wooldridge, Cápítulo 5 Variáveis Instrumentais () 2 Variáveis Instrumentais Considere o seguinte modelo de regressão linear múltipla
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisConceitos Básicos de Séries Temporais para Modelagem Macroeconômica
Conceitos Básicos de Séries Temporais para Modelagem Macroeconômica Material de apoio à aula de RBC Referencia bibliográfica: Introduction to Econometrics G S Maddala e Kajal Lahiri 4a. Edição, John Wiley
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/ Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e
Leia maisUnidade III ESTATÍSTICA. Prof. Fernando Rodrigues
Unidade III ESTATÍSTICA Prof. Fernando Rodrigues Medidas de dispersão Estudamos na unidade anterior as medidas de tendência central, que fornecem importantes informações sobre uma sequência numérica. Entretanto,
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 maisLista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
Leia maisObjetivos. Ao final desse grupo de slides os alunos deverão ser capazes de:
Objetivos Ao final desse grupo de slides os alunos deverão ser capazes de: Escolher e utilizar um método de estimação adequado para os parâmetros de um modelo de regressão que apresente regressores endógenos.
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
1 Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 26 de setembro de 2001
Leia maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
Leia maisCapítulo 5 - Distribuições conjuntas de probabilidade e complementos 3
Capítulo 5 - Distribuições conjuntas de probabilidade e complementos Conceição Amado e Ana M. Pires Departamento de Matemática Instituto Superior Técnico Capítulo 5 - Distribuições conjuntas de probabilidade
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
Leia maisEstatística Aplicada I. } Análise Bidimensional
Estatística Aplicada I } Análise Bidimensional 1 Aula de hoje } Temas } Associação entre variáveis } Qualitativas e Quantitativas } Covariância: conceitos e propriedades } Coeficiente de correlação } Observações
Leia maisMotivação. VA n-dimensional. Distribuições Multivariadas VADB
Motivação Em muitas situações precisamos lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma Prof. Lorí Viali, Dr. viali@mat.ufgrs.br http://www.mat.ufrgsbr/~viali/
Leia maisGrupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisAula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias
Aula de hoje! Tópicos! Distribuição de probabilidades! Variáveis aleatórias! Variáveis discretas! Variáveis contínuas! Distribuição binomial! Distribuição normal! Referências! Barrow, M. Estatística para
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X 0 1 2 3 R x X(s) X(S) Uma função X que associa a cada elemento de S (s S) um número real
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisAula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
Leia maisMAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 26 de Agosto, 2013 Probabilidade: uma Introdução / Aula 5 1 Variáveis aleatórias Definição
Leia maisMonitoria Econometria II REC o Semestre 2015 Monitor(a):Victória Mazás Martinez 3 a Lista de exercícios - Dados em painel
Monitoria Econometria II REC 2312-1 o Semestre 2015 Monitor(a):Victória Mazás Martinez 3 a Lista de exercícios - Dados em painel *Lembrando que a resolução é apenas uma síntese simplicada das respostas
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisNós estudamos isso em nossa aula extra de Regressão Múltipla!
E aí pessoal? Vamos à resolução de nossa prova? A CESPE pegou muito pesado, conforme eu tinha alertado em vídeos e no nosso pdf. Ela utilizou conceitos de Estatística muito avançados para uma matéria de
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi regi@matufmgbr 26 de setembro
Leia mais